KI-Einführung mit Strategie

Warum die meisten Projekte im Mittelstand nicht an der Technik scheitern

In vielen mittelständischen Unternehmen fällt derzeit derselbe Satz: „Wir starten da erst mal was Kleines.“ Die Haltung dahinter ist sympathisch — lieber ausprobieren als endlos beraten. Nur führt sie regelmäßig in dieselbe Sackgasse. Nach drei Monaten läuft irgendetwas irgendwo, niemand kann sagen, ob es sich lohnt, und niemand traut sich, es abzuschalten.
KI im Mittelstand einführen – aber richtig.

Natürlich gibt es technische Stolpersteine — schlechte Datenqualität und aufwendige Schnittstellen bringen Projekte durchaus zu Fall. Häufiger aber liegt der Grund davor: in Fragen, die vor dem ersten Werkzeug hätten beantwortet werden müssen. Die folgenden zwölf Punkte sind genau diese Fragen. Wer sie durchdenkt, entscheidet besser als jemand, der die Funktionsweise neuronaler Netze erklären kann.

Teil 1: Zwölf Fragen vor dem ersten Werkzeug und bevor Sie KI im Mittelstand einführen

1. Was kostet der Betrieb wirklich?

Die gängigen Anbieter rechnen nach Verbrauch ab. In der Testphase fällt das kaum auf — ein paar Euro im Monat, niemand schaut hin. Sobald ein Prozess dauerhaft läuft und Hunderte Vorgänge täglich verarbeitet, sieht die Rechnung anders aus. Erschwerend kommt hinzu, dass jede neue Modellgeneration an der Leistungsspitze deutlich über dem Vorgängerpreis liegen kann.

Der eigene Betrieb eines Modells wird oft als Ausweg gehandelt. Er ist aber vor allem eine Verlagerung: statt Nutzungsgebühren zahlt man Serverleistung, Wartung und — der teuerste Posten — Personal, das das Ganze versteht. Für die meisten Häuser unter 250 Mitarbeitenden ist das keine Kostenfrage, sondern eine Entscheidung über Kontrolle.

Konkret: Rechnen Sie einen Anwendungsfall mit echten Mengen auf zwölf Monate hoch, nicht mit Testvolumen. Und prüfen Sie, ob die Aufgabe tatsächlich das leistungsstärkste Modell verlangt — oft genügt eine Klasse darunter.

2. Braucht jedes Problem ein eigenes Produkt? no code – low code

Der Anbietermarkt ist unübersichtlich geworden. Zu jeder erdenklichen Aufgabe existiert ein spezialisiertes Angebot, jeweils mit eigenem Zugang, eigenem Vertrag und eigener Rechnung. Wer diesem Reflex nachgibt, hat nach einem Jahr leicht ein Dutzend Einzellösungen, deren Abhängigkeiten erst auffallen, wenn eine davon ausfällt. Oft ist das keine Nachlässigkeit der Fachabteilung, sondern die Folge fehlender schlanker Angebote von zentraler Seite — ein Grund mehr, das Thema nicht allein dem Zufall zu überlassen.

Plattformen zur Prozessautomatisierung — n8n, Make oder Zapier etwa — decken einen erheblichen Teil dieser Fälle ab, indem sie vorhandene Systeme miteinander verbinden. Statt zwölf Einzelprodukte betreibt man eine Umgebung.

Konkret: Die Frage vor jeder Anschaffung lautet nicht „Ist das gut?“, sondern „Bekommen wir das mit dem hin, was schon da ist?“ Erstaunlich oft lautet die Antwort ja.

3. Wer darf welche Daten sehen? DSGVO

Externe Werkzeuge werfen Fragen auf, die sich nicht mit Bauchgefühl beantworten lassen. In welchem Land liegen die Daten? Fließen Eingaben in das Training des Anbieters ein? Existiert ein Auftragsverarbeitungsvertrag? Und was geschieht mit allem, wenn das Vertragsverhältnis endet?

Das ist keine Formalie für die Rechtsabteilung. Sobald Kunden- oder Personaldaten durch ein System laufen, dessen Bedingungen niemand gelesen hat, entsteht ein Risiko, das jeden Effizienzgewinn übersteigen kann.

Konkret: Prüfen, bevor getestet wird — nicht danach. Drei freigegebene Werkzeuge sind mehr wert als eine offene Tür.

4. Agent oder simple Automatisierung? RPA oder KI

Dies ist vermutlich die folgenreichste Frage der Liste — und die, die am häufigsten übersprungen wird.

Klassische Prozessautomatisierung arbeitet nach festen Regeln. Sie folgt einem definierten Ablauf, benötigt geordnete Eingangsdaten und kommt mit Abweichungen schlecht zurecht. Dafür ist sie berechenbar, nachvollziehbar und erfindet nichts dazu.

Ein KI-Agent funktioniert grundsätzlich anders. Er verfolgt ein Ziel, statt Schritte abzuarbeiten. Er kommt mit Situationen zurecht, die vorher niemand beschrieben hat, greift eigenständig auf Werkzeuge zu, prüft seine Zwischenergebnisse und bessert nach. Man kann mehrere solcher Agenten zusammenarbeiten lassen. Und er kann sich Dinge ausdenken, die überzeugend klingen und nicht stimmen.

Daraus folgt eine unbequeme, aber nützliche Regel: Der Agent ist die Ausnahme, nicht der Standard. Alles, was sich in klare Wenn-Dann-Ketten fassen lässt, gehört in die klassische Automatisierung. Erst wenn Aufgaben stark vom Kontext abhängen und ständig anders aussehen, rechtfertigt sich der zusätzliche Aufwand — und das zusätzliche Risiko.

In der Praxis geht das in zwei Richtungen schief:

·         Der Prozess ist komplizierter, als er aussieht. Auf dem Papier wirkt alles regelbasiert; im Alltag existieren dutzende Sonderfälle. Die Automatisierung wird zum Dauerbaustelle.

·         Der Aufwand steht in keinem Verhältnis. Eine Aufgabe, die eine Handvoll Regeln erledigt hätte, bekommt einen Agenten — langsamer, teurer und mit mehr Fehlermöglichkeiten.

Konkret: Setzen Sie sich eine Woche lang neben den Prozess und zählen Sie die Ausnahmen. Das Ergebnis beantwortet die Frage von selbst.

5. Ist die Sache oben verankert? KI Strategie

Was zu Beginn festgelegt wird — Anbieter, Datenbasis, Zielprozess — lässt sich später nur mit erheblichem Aufwand korrigieren. Deshalb gehört das Thema nicht als Nebenprojekt in die IT, sondern dorthin, wo über Abläufe und Ressourcen entschieden wird.

Verankerung heißt im Alltag: Es gibt ein benanntes Problem, eine Person mit Entscheidungsbefugnis und eine vorab formulierte Vorstellung davon, wie Erfolg aussieht.

6. Können unsere Leute das Ergebnis beurteilen? KI Kompetenz

Ein System, dessen Arbeitsweise niemand nachvollzieht, lässt sich nicht kontrollieren. Es bleibt dann nur, ihm blind zu folgen oder es zu ignorieren. Beides ist teuer.

Der nötige Kompetenzaufbau hat wenig mit Programmierung zu tun. Es geht darum, typische Schwachstellen zu kennen, zu wissen, auf welcher Datenbasis das System arbeitet, und ein Gespür dafür zu entwickeln, wann ein Ergebnis nicht stimmen kann.

7. Wird das System akzeptiert?

Ein Agent, dem die Belegschaft misstraut, wird nicht bekämpft — er wird umgangen. Man arbeitet still weiter wie bisher, „zur Sicherheit“. Der erhoffte Zeitgewinn bleibt aus, die Lizenzkosten laufen weiter.

Das Ziel ist dabei ausdrücklich kein bedingungsloses Vertrauen, sondern ein maßvolles: Die Mitarbeitenden sollen einschätzen können, in welchen Fällen sie sich auf die Ausgabe verlassen dürfen — und in welchen nicht.

8. Ist das Kleingedeckte geklärt? Datenqualität

Schnittstellen, Berechtigungen, Zuständigkeiten, der Umgang mit Sonderfällen. Nichts davon eignet sich für eine Präsentation, alles davon entscheidet über den Ausgang. Die operative Detailarbeit ist der Teil, den Konzepte gern auslassen und der Betrieb unweigerlich einfordert.

9. Was läuft bereits an uns vorbei? Schatten KI

Sicherheitsverantwortliche berichten von einer wachsenden Zahl an KI-Werkzeugen, die ohne Freigabe im Unternehmen genutzt werden. Dahinter steckt selten Böswilligkeit — Menschen wollen ihre Arbeit erledigen und greifen zu dem, was hilft.

Das Problem: Unternehmensinterne Informationen landen in Systemen, über die niemand Auskunft geben kann.

Konkret: Verbote verlagern das Verhalten nur in die Unsichtbarkeit. Was hilft, ist eine kurze Liste freigegebener Werkzeuge — kombiniert mit einem unkomplizierten Weg, neue Vorschläge prüfen zu lassen.

10. Wie fangen wir falsche Ergebnisse ab? Human in the loop

KI-Systeme produzieren mitunter Aussagen, die glaubwürdig formuliert und schlicht falsch sind. Das ist keine Anfangsschwäche, die das nächste Update behebt, sondern eine Eigenart der Technologie.

Besonders tückisch wird es, wenn zum falschen Ergebnis noch eine schlüssige Begründung geliefert wird. Dann sinkt die Bereitschaft nachzuprüfen — obwohl sie steigen müsste.

Konkret: Bauen Sie den Ablauf so, dass ein Fehler auffällt, bevor er wirkt. Alles, was das Haus in Richtung Kunde verlässt, braucht eine menschliche Zwischenstation.

11. Taugt unsere Datenbasis überhaupt?

Was hinten herauskommt, kann nur so gut sein wie das, was vorne hineingeht. Veraltete oder widersprüchliche Bestände führen zu falschen Entscheidungen — zuverlässig und in großer Zahl.

Eine bewährte Reihenfolge:

1.    Bestandsaufnahme — welche Quellen gibt es überhaupt? ERP, CRM, gewachsene Excel-Ablagen, Netzlaufwerke

2.   Aufräumen — Doppelungen entfernen, Lücken schließen, uneinheitliche Schreibweisen und Formate angleichen

3.   Berechtigungen festlegen — welche Felder darf das System sehen, welche werden unkenntlich gemacht oder ausgeschlossen

4.   Testbestand bilden — ein kleiner, aber repräsentativer Ausschnitt für den ersten echten Durchlauf

Diese Vorarbeit wirkt unspektakulär und verhindert die teuren Korrekturen später.

12. Und was genau soll der Pilot beweisen?

Damit zurück zum Anfang. Ein Testlauf verdient den Namen Pilot erst, wenn vorher feststeht, woran man ihn misst:

·         Nachweisbarer Effekt — eingesparte Zeit, gesenkte Kosten oder weniger Fehler, in Zahlen

·         Enger Zeitrahmen — belastbare Erkenntnisse innerhalb von vier bis acht Wochen

·         Eine verantwortliche Person — benannt, mit Entscheidungsbefugnis, von Tag eins an

·         Vorab definierte Abbruchkriterien — wann wird ausgeweitet, wann nachgebessert, wann beendet

Auch der gewählte Prozess sollte passen: er sollte häufig vorkommen, klaren Regeln folgen, im Fehlerfall nichts Kritisches gefährden, wenige Berührungspunkte zu anderen Abteilungen haben und auf brauchbaren Daten aufsetzen.

Teil 2: Vier Felder, die zusammengehören

Die zwölf Fragen lassen sich zu vier Themenfeldern bündeln:

Entscheidend ist, wie man dieses Modell versteht: als Übersichtskarte, nicht als abzuhakende Liste. Je nach Ausgangslage wiegen die Felder unterschiedlich schwer. Wer allerdings eines vollständig auslässt, bekommt die Quittung spätestens im dritten Monat.

Strategische Verankerung

Vom Problem her denken. Die verbreitete Reihenfolge lautet: Wir wollen KI einsetzen — wo passt sie? Die tragfähige lautet umgekehrt: Hier ist ein konkretes Ärgernis — braucht es dafür überhaupt KI, oder gibt es einen sparsameren Weg?

Risiko und Umfeld bewerten. Welche Folgen hätte ein Fehler? Wen trifft er? An welcher Stelle muss zwingend ein Mensch gegenzeichnen? Diese Einschätzung gehört vor die Auswahl des Werkzeugs, nicht danach.

Betroffene früh beteiligen. Was verschiedene Abteilungen von einer Lösung erwarten, geht weit auseinander. Wer die betroffene Fachabteilung erst zur Einführung einlädt, erntet Abwehr statt Mitarbeit.

Abhängigkeiten benennen. Fehlende Transparenz erzeugt Machtgefälle — zwischen Anbieter und Kunde ebenso wie zwischen Leitung und Belegschaft.

Handlungsfähig bleiben: der Bindungseffekt

Je nach Anbieter und Betriebsmodell kann sich ein Unternehmen so weit binden, dass weder ein Wechsel noch eigenständige Kontrolle praktisch machbar bleiben. Zwingend ist das nicht — bei offenen Schnittstellen, exportierbaren Daten und quelloffenen Bausteinen fällt die Bindung deutlich geringer aus. Wo sie aber entsteht, sind die Mechanismen gut beschrieben:

·         Technische Bindung — die Agenten sind fest in die Umgebung des Anbieters eingebaut und lassen sich nicht mitnehmen

·         Datenbindung — was im Betrieb an Wissen entsteht, verbleibt beim Anbieter und ist nicht exportierbar

·         Prozessverflechtung — die Agenten übernehmen Aufgaben so tief im Tagesgeschäft, dass ein Rückbau kaum noch vorstellbar ist

·         Preisgestaltung ohne Einblick — Konditionen lassen sich einseitig anpassen; kleinere Kunden haben wenig entgegenzusetzen

·         Wissensgefälle — nur der Anbieter kennt Funktionsweise und Grenzen des Systems, dem Kunden fehlt die Grundlage zur Überprüfung

Daraus folgt nicht, dass man alles selbst betreiben müsste. Wohl aber, dass man vor dem Einstieg wissen sollte, wie ein Ausstieg aussähe.

Was sich für die Mitarbeitenden ändert

Wer bisher ausgeführt hat, koordiniert künftig. Das heißt im Einzelnen: beurteilen, welche Abläufe sich überhaupt übertragen lassen; Ergebnisse prüfen und erkennen, woher ein Fehler stammt; mit dem System arbeiten, statt es nur zu bedienen; und die Verantwortung für Entscheidungen tragen, die es vorbereitet hat.

Das ist eine Aufwertung der Rolle — vorausgesetzt, die Qualifizierung hält Schritt.

Fachanwender als Entwickler: Hebel mit Schattenseite

Wenn Mitarbeitende ohne IT-Hintergrund eigene Abläufe zusammenbauen, entsteht ein echter Vorteil: Es geht schneller, kostet weniger und macht unabhängiger von einer ohnehin ausgelasteten IT. Die Lösungen entstehen dort, wo das Problem bekannt ist.

Die Kehrseite gehört dazu. Solche Lösungen wachsen schlecht mit, stoßen bei Komplexität an Grenzen, hängen am jeweiligen Plattformanbieter und lassen sich kaum im Detail nachvollziehen. Und sie können unbemerkt zu einer neuen Form nicht dokumentierter IT werden.

Eine saubere Grenze zwischen Baukastenlösungen ohne Code und solchen mit etwas Code gibt es dabei nicht. Je anspruchsvoller der Fall und je mehr Systeme angebunden werden, desto mehr echte Programmierung steckt am Ende darin.

Die Wirkung verteilt sich ungleich

Ein Aspekt, der in der Debatte meist untergeht: Der Effekt hängt stark davon ab, wen man fragt.

Für Tätigkeiten mit viel Fachurteil wirkt KI überwiegend als Werkzeug. Routine fällt weg, das eigene Wissen lässt sich breiter einsetzen, die Position wird eher stärker.

Für Tätigkeiten mit hohem Routineanteil überschneidet sich die Technologie dagegen unmittelbar mit dem eigenen Aufgabenfeld — hier kann sich die berufliche Rolle spürbar verändern. Das ist kein Automatismus und kein Grund zur Beruhigungsrhetorik, sondern eine Gestaltungsaufgabe: Wer früh in neue Aufgaben, Verantwortung und Weiterbildung investiert, macht aus einer Verengung eine Verschiebung.

Dazu kommt ein Nebeneffekt, über den selten gesprochen wird: Übernimmt die Technik die Einstiegsaufgaben, entfällt der beiläufige Austausch zwischen Berufsanfängern und erfahrenen Kollegen. Genau dort entsteht aber Kompetenz. Ein Gegenmittel besteht darin, das System erklärend auszulegen — es soll nicht nur liefern, sondern auf Unsicherheiten hinweisen und Alternativen aufzeigen.

Praktisch heißt das vor allem: offen darüber sprechen, was sich für wen ändert, und Weiterbildung nicht dem Zufall überlassen.

Vertrauen entsteht durch Nachvollziehbarkeit

Wer versteht, wie eine Entscheidung zustande kam, fühlt sich sicherer und lehnt seltener aus reiner Unsicherheit ab. Erklärung hat allerdings ein Maß: Zu viele Details überfordern und helfen niemandem weiter.

Ein Beispiel aus dem Kundenservice zeigt den Unterschied. Fall A: Ein Ticket wird weitergereicht, ohne dass jemand nachvollziehen kann, warum. Der Vorgang ist eine Blackbox, und jede Prozessverbesserung tappt im Dunkeln. Fall B: Das System hält fest, welcher Auslöser erkannt wurde, wie sicher es sich dabei war und welche Eskalationsregel daraufhin gegriffen hat. Erst damit wird der automatisierte Ablauf messbar — und steuerbar.

Der Agent im Team

Menschen behandeln solche Systeme fast automatisch wie ein Gegenüber, ob das beabsichtigt ist oder nicht. Deshalb lohnt es sich, bewusst zu gestalten, was ohnehin passiert: ein Klima, in dem Nachfragen erlaubt ist, ein Name, ein Tonfall, verbindliche Grundsätze im Umgang, ein Bezug zu dem, wofür das Unternehmen steht — und eindeutig zugeordnete Verantwortung.

Ein Fall aus der Praxis: der Posteingang

Zum Schluss eine Situation, die in vielen Häusern ähnlich aussieht.

Ausgangslage. Täglich erreichen das Unternehmen etwa 35 bis 40 Kundenmails ohne einheitliche Form, mit sehr unterschiedlichen Anliegen. Die relevanten Angaben stecken in Anhängen oder mitten im Fließtext.

Der Schmerz. Das Backoffice verbringt jeden Tag rund zwei Stunden damit, diese Angaben von Hand herauszusuchen und zu übertragen — mit den erwartbaren Übertragungsfehlern und spürbar längeren Reaktionszeiten.

Das Ziel. Eine automatische Auswertung erkennt das Anliegen, greift die benötigten Angaben heraus und schätzt die Dringlichkeit ein. Das Ergebnis wandert in geordneter Form über eine Schnittstelle ins ERP.

Der Mensch bleibt drin. Ein bewährter Ablauf sieht fünf Schritte vor: Die Anfrage geht ein, wird gegen die interne Wissensbasis geprüft, das System entwirft eine Antwort — dann liest ein Mitarbeiter gegen und prüft Inhalt, Ton und Richtigkeit — und erst danach geht die Nachricht hinaus.

Was dabei herauskommt, sind kürzere Reaktionszeiten und gleichbleibende Qualität, ohne dass das Unternehmen die Kontrolle darüber abgibt, was in seinem Namen versendet wird.

Fazit

Was KI-Vorhaben im Mittelstand zu Fall bringt, sind fast nie technische Hürden. Es sind unbeantwortete Fragen: Welches Problem lösen wir eigentlich? Braucht es dafür wirklich einen Agenten? Wer entscheidet? Und woran hätten wir gemerkt, dass es funktioniert?

Vier Grundsätze fassen das zusammen:

1.    Struktur schlägt Aktionismus. Ein grober Rahmen ist besser als schnelle Bewegung ohne Richtung.

2.   Kein Feld trägt allein. Strategie, Menschen und Technik müssen gemeinsam vorankommen.

3.   Anpassen statt abarbeiten. Das Modell ist eine Orientierung, kein Formular.

4.   Die letzte Entscheidung bleibt beim Menschen. Besonders überall dort, wo Ergebnisse das Haus verlassen.

Eine Woche für diese Fragen zu Beginn erspart im Regelfall mehrere Monate am Ende.