Ein Lieferant bietet „KI für Ihr Unternehmen“ an, die Wirtschaftspresse meldet jede Woche neue Modelle, und im Haus fragt jemand, warum man das nicht auch mache. Was fehlt, ist selten der Wille. Es fehlt ein Maßstab, mit dem sich ein Vorschlag sortieren lässt, bevor Geld fließt.
Dieser Beitrag liefert einen solchen Maßstab für KI im Mittelstand: zwei Fragen, die über jeden Anwendungsfall entscheiden, Beispiele, die tragen, Fälle, die nicht tragen, und fünf Schritte für den Einstieg. Er richtet sich an Geschäftsführung, Inhaber und Verantwortliche ohne eigene IT-Abteilung. Er ist keine Produktempfehlung und nennt keinen Anbieter.
KI im Mittelstand: wie weit ist die Nutzung?
Das Statistische Bundesamt hat in der IKT-Erhebung 2024 gefragt, welche Unternehmen mit mindestens zehn Beschäftigten künstliche Intelligenz einsetzen. Das Ergebnis: Jedes fünfte Unternehmen tut es. Je kleiner das Unternehmen, desto seltener: Bei den mittleren Unternehmen mit 50 bis 249 Beschäftigten sind es 28 Prozent, bei den kleinen mit 10 bis 49 Beschäftigten 17 Prozent (Destatis, Pressemitteilung Nr. 444/2024).
Interessanter als die Quote ist die Begründung derer, die KI erwogen und nicht eingeführt haben. In derselben Erhebung nennen 45 Prozent Schwierigkeiten mit Verfügbarkeit oder Qualität der Daten, 44 Prozent Inkompatibilität mit dem vorhandenen Bestand an Geräten, Software und Systemen. Die Kosten nennen 28 Prozent. Die Hürde liegt demnach weniger beim Modell als bei dem, was darunterliegt. Dazu passt, dass dieselben Punkte auch die Kosten klassischer Automatisierung treiben, wie im Beitrag Was Prozessautomatisierung wirklich kostet beschrieben.
Die Zahlen stammen von 2024. Sie sagen nichts darüber, was heute möglich ist. Sie zeigen, an welcher Stelle Vorhaben im Mittelstand erfahrungsgemäß hängen bleiben.
Wo sich der Einsatz lohnt: zwei Fragen vor jedem Anwendungsfall
Die Frage „Lohnt sich KI?“ lässt sich nicht allgemein beantworten. Für einen einzelnen Ablauf lässt sie sich beantworten, mit zwei Fragen.
1. Ist das Ergebnis überprüfbar? Kann ein Mensch, eine Regel oder ein Abgleich mit vertretbarem Aufwand feststellen, ob die Ausgabe stimmt? Ein Textentwurf lässt sich lesen. Eine ausgelesene Rechnungsposition lässt sich gegen das Dokument halten. Eine Prognose ohne Vergleichswert lässt sich nicht prüfen, man glaubt sie oder nicht.
2. Was kostet ein Fehler? Wird ein Fehler bemerkt, bevor er nach außen wirkt, ist er billig. Wirkt er unmittelbar, etwa in einer Rechnung, einer Zusage oder einer Buchung, und schaut niemand mehr darauf, ist er teuer.
Aus beiden Fragen ergeben sich drei Gruppen:
- Überprüfbar, Fehler billig: Hier lohnt sich der Einsatz meist. Entwürfe, Zusammenfassungen, Vorsortierung.
- Nicht überprüfbar oder Fehler teuer: Hier ist die Kontrolle des Ergebnisses oft aufwendiger als die Arbeit selbst. Meist lohnt es sich nicht.
- Eigentlich eine Regel: Sortieren, Zuordnen, Suchen nach festen Merkmalen. Dafür gibt es seit Jahren zuverlässigere und billigere Verfahren als ein Sprachmodell.
Dieses Raster ist kein Naturgesetz, aber es ist prüfbar. Auf der Seite Prozessautomatisierung beschreiben wir dieselbe Logik für Abläufe: Wo ein Prüfschritt mit klarer Zuständigkeit hingehört, trägt KI, wo er fehlt, verlagert sie Arbeit nur nach hinten.
KI-Anwendungsfälle im Mittelstand: Beispiele, die tragen
Wer nach Beispielen sucht, findet lange Listen. Hier vier, die das Raster aus dem vorigen Abschnitt bestehen. Es sind Muster, keine Einzelfälle.
Positionen aus Dokumenten auslesen. Eine Lieferantenrechnung, eine Bestellung, eine Anfrage per E-Mail: Früher brauchte jedes Format eine eigene Umsetzung, heute kann ein Sprachmodell unstrukturierten Text in strukturierte Felder überführen. Das Ergebnis lässt sich gegen das Dokument halten, und die weitere Verarbeitung bleibt klassischer Code. Wie das Zusammenspiel für Rechnungen aussieht, steht im Beitrag E-Rechnung empfangen und automatisch verarbeiten.
Eingehende Nachrichten sortieren. Anfragen in Kategorien einordnen und in die richtige Warteschlange geben. Ein falsch einsortierter Vorgang fällt in der Bearbeitung auf und lässt sich umlegen. Der Fehler ist billig.
Entwürfe, die ein Mensch freigibt. Antwortvorschläge auf wiederkehrende Fragen, Zusammenfassungen langer Vorgänge, erste Fassungen standardisierter Texte. Der Gewinn liegt in der Zeit bis zur ersten Fassung. Verantwortlich bleibt, wer freigibt.
Suche in eigenen Beständen. Fragen an eine Sammlung eigener Dokumente, beantwortet mit Verweis auf die Fundstelle. Der Verweis macht die Antwort überprüfbar, und ohne ihn wäre sie es nicht.
Wie ein solcher Maßstab in der Praxis aussehen kann, zeigt die anonymisierte Referenz KI im Agenturbetrieb: was sich gelohnt hat und was nicht. Die Arbeit bestand dort überwiegend darin, die Fälle auszusortieren, in denen es nicht trägt.
Wo KI nicht trägt
Weniger beachtet, aber ebenso wichtig:
- Alles, was exakt sein muss. Ein Sprachmodell ist ein Wahrscheinlichkeitsmodell. Beträge, Bestände, Fristen und Buchungen gehören in Code mit deterministischem Ergebnis, nicht in eine Vorhersage.
- Entscheidungen, die begründet werden müssen. Wo Sie einem Kunden, einem Prüfer oder einem Gericht erklären müssen, warum etwas so entschieden wurde, brauchen Sie eine nachvollziehbare Regel.
- Abläufe ohne Prüfschritt. Ein Modell, dessen Ausgabe niemand kontrolliert, verlagert die Arbeit dorthin, wo sie teurer ist: in die Korrektur nach dem Fehler.
- Abläufe, die selbst nicht klar sind. Ein unklarer Ablauf wird durch KI nicht klar. Er wird schneller unklar. Ob ein Prozess überhaupt reif ist, klärt der Beitrag Woran erkenne ich, ob ein Prozess automatisierungsreif ist?
- Daten, die niemand pflegt. Wo Stammdaten unvollständig oder widersprüchlich sind, liefert auch das beste Modell Antworten auf schlechter Grundlage. Die Datenbereinigung ist dann das eigentliche Projekt.
Das ist die Antwort auf die Frage, warum KI im Mittelstand oft wenig bringt: Sie wird an Stellen eingesetzt, an denen weder das Ergebnis geprüft noch der Ablauf verstanden ist.
KI und Automatisierung: wer übernimmt welchen Teil?
KI und klassische Automatisierung ergänzen sich. Die praktische Regel: KI übernimmt den unstrukturierten Rand eines Ablaufs, klassische Automatisierung den strukturierten Kern. Das Modell liest die E-Mail, ordnet die Anfrage ein und schlägt Felder vor. Der Code prüft, rechnet, bucht und legt den Vorgang an. Zwischen beiden steht ein Prüfschritt mit benannter Zuständigkeit.
Wer es umgekehrt baut, das Modell entscheidet und der Code holt nur die Daten dazu, bekommt ein System, das gelegentlich falsch liegt und nie erklären kann, warum. Für den Kern gelten deshalb dieselben Anforderungen wie bei jeder Automatisierung: ein Wiederanlauf nach Fehlern, kein doppeltes Anlegen und ein definierter Umgang mit unklaren Ergebnissen. Dazu mehr in Automatisierung ohne Idempotenz legt Aufträge doppelt an.
Risiken: Daten, Anbieter, Pflege
Drei Risiken tauchen in fast jedem Vorhaben auf.
Daten. Wo werden die Daten verarbeitet, wer darf sie zum Training verwenden, und was steht dazu im Auftragsverarbeitungsvertrag? Bei personenbezogenen oder geschäftskritischen Daten ist das kein Nebenaspekt, sondern das erste Auswahlkriterium, noch vor der Qualität des Modells. Prüfen Sie das vor dem Einsatz, nicht danach. Ob rechtliche Anforderungen für Ihren Fall gelten, klärt eine Rechtsberatung, nicht dieser Beitrag.
Anbieter. Der Markt bewegt sich schnell: Modelle, Preise und Bedingungen ändern sich. Wer jeden Anwendungsfall direkt an einen einzelnen Anbieter bindet, muss beim Wechsel jeden Fall anfassen. Eine gemeinsame, eigene Anbindung macht den Wechsel zu einer Frage der Konfiguration. Das ist dasselbe Muster wie beim Lock-in bei anderer Software: Vendor-Lock-in erkennen, bevor der Vertrag verlängert wird. Wann der Bau einer eigenen Schicht besser ist als noch ein Dienst, steht in Wann internes Tooling besser ist als noch ein SaaS.
Pflege. Vorführbares, das im Alltag niemand benutzt, muss trotzdem betrieben werden: Zugänge, Updates, Zuständigkeit. Rechnen Sie den Betrieb von Anfang an mit, nicht erst, wenn die Lösung steht.
KI im Unternehmen einführen: fünf Schritte
Ein Vorgehen, das sich ohne Spezialwissen prüfen lässt:
- Einen konkreten Ablauf wählen. Nicht „KI einführen“, sondern „eingehende Anfragen vorsortieren“. Ein Ablauf, mit Häufigkeit und Bearbeitungszeit, die Sie benennen können.
- Die zwei Fragen beantworten. Ist das Ergebnis überprüfbar, und was kostet ein Fehler? Fällt der Fall in die zweite oder dritte Gruppe, endet der Weg hier, und das ist ein gutes Ergebnis.
- Die Datenlage klären. Wo liegen die Daten, in welcher Qualität, mit welchem Zugang? Hier entscheidet sich nach der Erhebung des Statistischen Bundesamts oft, ob ein Vorhaben überhaupt anläuft.
- Klein beginnen, mit festem Prüfschritt. Ein Fall, ein benannter Verantwortlicher für die Freigabe, ein definierter Umgang mit Fehlern. Keine Lizenz für alle als Einstieg.
- Nach vereinbarter Zeit entscheiden. Legen Sie vorher fest, woran Sie den Nutzen messen, etwa gesparte Arbeitszeit gegen Betriebsaufwand, und prüfen Sie nach acht bis zwölf Wochen, ob der Fall bleibt, wächst oder endet.
Wer so vorgeht, kann „nein“ sagen, ohne etwas zu verpassen, und „ja“, ohne ins Blaue zu investieren.
Wenn niemand im Haus die Auswahl beurteilen kann
Genau hier fehlt in vielen Unternehmen die Person, die gegenliest: Trägt der Anwendungsfall? Ist der Prüfschritt wirklich vorgesehen? Was steckt hinter dem Angebot?
Liegt ein Angebot oder Konzept auf dem Tisch, ist die Architektur-Zweitmeinung der kürzere Weg: eine Woche, 1.400 € netto, ein Dokument mit klarer Aussage. Soll geklärt werden, welche Abläufe sich für Automatisierung, mit oder ohne KI, überhaupt eignen, beginnt die Prozessautomatisierung mit einer Aufnahme für 3.900 € netto. Sie endet auch mit dem Ergebnis, dass etwas bleibt, wie es ist, wenn sich der Vergleich nicht trägt.
Quellen