Wer sich in mittelständischen Unternehmen umhört, merkt schnell: Das Thema Künstliche Intelligenz löst gleichzeitig Neugier und Unsicherheit aus. Die Neugier kommt von den Versprechen, die überall kursieren. Die Unsicherheit kommt daher, dass kaum jemand weiß, wo man konkret anfangen soll, ohne Geld für Projekte zu verbrennen, die am Ende im Schrank landen.
Dieser Beitrag richtet sich an Vereinsmitglieder und Unternehmer, die den nächsten Schritt gehen wollen, ohne sich von Buzzwords leiten zu lassen.
Warum der erste Schritt so oft scheitert
Das typische Szenario: Ein Geschäftsführer besucht eine Messe, spricht mit drei Anbietern, kauft eine Softwarelizenz und beauftragt die IT-Abteilung mit der Umsetzung. Sechs Monate später läuft das Tool, aber niemand nutzt es wirklich. Die Mitarbeitenden wurden nicht einbezogen, die Prozesse nicht analysiert, die Zieldefinition war vage.
Laut einer Befragung des Bitkom aus dem Jahr 2023 gaben 41 Prozent der befragten Unternehmen an, dass fehlende interne Kompetenzen der häufigste Grund für gescheiterte KI-Vorhaben sind. Nicht die Technologie selbst, sondern das fehlende Know-how drumherum. Das ist eine klare Ansage: Wer KI einführen will, muss zuerst in Menschen investieren, nicht in Lizenzen.
Beratung als Orientierungsrahmen
Seriöse KI-Beratung beginnt nicht mit einem Technologie-Pitch. Sie beginnt mit Prozessanalyse. Welche Aufgaben wiederholen sich täglich? Wo entsteht Reibung, weil manuelle Schritte Zeit fressen? Wo liegen Daten vor, die bisher ungenutzt bleiben? Erst wenn diese Fragen beantwortet sind, lässt sich sagen, ob und wo KI tatsächlich hilft.
Ein Metallverarbeitungsbetrieb mit 120 Mitarbeitenden aus dem Raum Stuttgart hat diesen Weg 2023 beschritten. Ergebnis nach vier Monaten: Die automatisierte Erfassung und Vorsortierung von Bestelleingängen reduzierte den manuellen Aufwand in der Auftragsbearbeitung um 38 Prozent. Der Einstieg war kein großes KI-System, sondern ein spezialisiertes Dokumentenverarbeitungs-Tool, eingebunden in das bestehende ERP. Gesamtkosten des Projekts: rund 18.000 Euro inklusive Beratung und Schulung.
Unternehmen, die sich für externe Unterstützung entscheiden, sollten darauf achten, dass die Beratung konkrete Anwendungsfälle erarbeitet und nicht nur strategische Folien liefert. Wer sich zum Beispiel an spezialisierte Anbieter wie KI Beratung Mittelstand wendet, sollte im Vorfeld klären, ob die Berater eigene Implementierungserfahrung mitbringen oder nur konzeptionell arbeiten.
Automatisierung: Was realistisch ist
Automatisierung bedeutet nicht, dass Roboter die Belegschaft ersetzen. In der Praxis geht es meist um deutlich nüchternere Szenarien:
- Rechnungseingang automatisch auslesen, prüfen und weiterleiten
- Kundenfragen per KI-gestütztem Chatbot vorfiltern und häufige Fälle direkt beantworten
- Lagerhaltung auf Basis von Absatzprognosen optimieren
- Qualitätsprüfung in der Produktion durch Bilderkennungssysteme ergänzen
- Berichte und Auswertungen automatisch aus vorhandenen Daten generieren
Keines dieser Szenarien erfordert ein eigenes KI-Forschungsteam. Was es erfordert, sind saubere Datenbasis, klare Prozessdokumentation und Menschen, die das System betreuen und weiterentwickeln.
Ein häufiger Fehler ist die Unterschätzung des Datenaufwands. Ein Logistikunternehmen aus dem Rheinland wollte Lieferzeiten automatisch vorhersagen lassen. Das Modell war in zwei Wochen trainiert. Das Säubern und Vereinheitlichen der historischen Lieferdaten dauerte drei Monate. Das Verhältnis von Datenarbeit zu Modellentwicklung liegt in der Praxis oft bei 70 zu 30 oder sogar 80 zu 20.
Schulung als unterschätzter Faktor
Kein KI-System funktioniert dauerhaft ohne Menschen, die es verstehen, hinterfragen und pflegen. Das klingt selbstverständlich, wird aber in der Budgetplanung regelmäßig unterschätzt. Wer für ein Automatisierungsprojekt 50.000 Euro einplant, sollte mindestens 15 bis 20 Prozent davon für Schulungsmaßnahmen reservieren.
Schulung bedeutet dabei nicht zwingend mehrtägige Seminare für alle. Sinnvoller ist meist ein gestufter Ansatz:
- Führungskräfte: Zweitägiges Kompakttraining zu Grundlagen, Potenzialen und Risiken von KI
- Key User: Vertiefende Schulung zur konkreten Anwendung und Administration der eingesetzten Tools
- Alle Mitarbeitenden: Kurze Einführungsformate, etwa 90-Minuten-Workshops, die Berührungsängste abbauen und den neuen Ablauf erklären
Ein Steuerberatungsbüro mit 35 Mitarbeitenden hat 2024 ein KI-gestütztes Dokumentenanalyse-Tool eingeführt. Die Technik funktionierte vom ersten Tag an. Genutzt wurde sie zunächst nur von vier der zwölf Sachbearbeiter, nämlich genau denen, die an der Pilotschulung teilgenommen hatten. Erst nach einem zweiten Schulungsdurchgang für das gesamte Team stieg die Nutzungsrate auf über 80 Prozent. Der Produktivitätsgewinn wurde erst dann messbar.
Praxis: Worauf es bei der Umsetzung ankommt
Erfolgreiche KI-Projekte im Mittelstand teilen einige gemeinsame Merkmale. Sie starten klein, definieren einen klaren Erfolgsmaßstab und holen frühzeitig die betroffenen Mitarbeitenden ins Boot.
| Phase | Dauer | Ziel |
|---|---|---|
| Analysephase | 2 bis 4 Wochen | Prozesse kartieren, Use Cases bewerten |
| Pilotprojekt | 4 bis 8 Wochen | Einen Anwendungsfall live testen |
| Schulung und Rollout | 4 bis 6 Wochen | Breite Nutzung sicherstellen |
| Optimierung | laufend | Feedback einarbeiten, Modell anpassen |
Was auf dem Papier geordnet aussieht, verläuft in der Realität selten linear. Piloten scheitern manchmal an unerwarteten Datenqualitätsproblemen. Rollouts verzögern sich, weil Mitarbeitende Vorbehalte haben. Das ist normal und kein Zeichen für ein schlechtes Projekt. Es ist ein Zeichen dafür, dass echte Veränderung stattfindet.
Fazit: Systematisch statt spontan
KI-Projekte gelingen, wenn sie als Organisationsprojekte verstanden werden, nicht als IT-Projekte. Die Technologie ist in den meisten Fällen das kleinste Problem. Entscheidend sind Prozessklarheit, Datenqualität, Mitarbeitereinbindung und eine realistische Erwartungshaltung.
Wer diese vier Faktoren ernst nimmt, wird feststellen, dass KI im Mittelstand keine Zukunftsvision mehr ist, sondern ein handhabbares Werkzeug mit messbarem Nutzen. Der erste Schritt ist oft der schwerste. Aber er muss kein blinder Sprung sein.
