Es gibt Tausende KI-Anwendungsfälle. Aber nur etwa 5 Prozent davon transformieren ein Geschäft wirklich. Den Rest kann man machen, aber er spart bestenfalls ein paar Minuten pro Tag. Die Kunst liegt darin, die richtigen 5 Prozent zu finden, schnell zu validieren und ohne Risiko in Produktion zu bringen.
Dieser Text beschreibt, wie mittelständische Unternehmen den Einstieg schaffen: von der Use-Case-Auswahl über den ersten Prototyp bis zum produktiven System. Nicht als Theorie, sondern aus der Erfahrung von über 30 KI-Projekten im Mittelstand.
Die meisten KI-Projekte scheitern. Ihres muss das nicht.
95 Prozent aller KI-Projekte liefern nicht den erwarteten Wert. Nicht weil die Technologie nicht funktioniert, sondern weil der falsche Anwendungsfall gewählt wurde, die Erwartungen unrealistisch waren oder niemand im Unternehmen das Projekt wirklich getragen hat.
Das ist keine schlechte Nachricht. Es ist eine nützliche Information: Es ist nicht egal, welchen Use Case Sie wählen, wie Sie starten und mit wem Sie arbeiten. Wer diese drei Entscheidungen richtig trifft, gehört zu den 5 Prozent.
Den richtigen Use Case finden: Fünf Kriterien statt Bauchgefühl
Aus der Erfahrung mit über 27 KI-Projekten haben sich fünf Merkmale herauskristallisiert, die einen wertschöpfungsnahen Use Case von einer netten Spielerei unterscheiden:
Fachexpertise im Prozess: Der Use Case erfordert Wissen, das nicht trivial ist. Nicht "E-Mails zusammenfassen", sondern "Ausschreibungen bewerten, die technisches Verständnis voraussetzen". Je mehr Expertenwissen im Prozess steckt, desto größer der Hebel.
Hochwertiger Datenzugriff: Nicht "Big Data", sondern die richtigen Daten in ausreichender Qualität. Zehn gut beantwortete Ausschreibungen mit den zugehörigen Angeboten sind mehr wert als 10.000 unstrukturierte Dokumente. Datenqualität schlägt Datenmenge.
Direkte Wertschöpfung: Der Prozess muss nah an der Wertschöpfung liegen. Nicht die interne PowerPoint-Erstellung, sondern der Prozess, der Umsatz erzeugt, Kosten senkt oder Kapazitäten freisetzt.
KI-Zugänglichkeit: Das Problem muss für ein Sprachmodell lösbar sein. Das klingt offensichtlich, ist es aber nicht. Wenn die Aufgabe Echtzeitdaten aus physischen Sensoren braucht oder eine Entscheidung erfordert, die kein Mensch in Worte fassen kann, passt KI nicht.
Recherche-Anteil: Die besten Use Cases haben einen hohen Anteil an Suchen, Zusammenstellen und Abgleichen von Informationen. Dort ist der Hebel am größten, weil KI genau diese Aufgaben schneller und gründlicher erledigt als jeder Mensch.
Mindestens drei dieser fünf Kriterien sollten zutreffen. Wenn alle fünf zutreffen, haben Sie einen Kandidaten für ein transformatives Projekt.
Klein starten, nicht klein denken
Der Einstieg muss nicht groß sein. Ein konkreter Prozess, ein klar definiertes Ergebnis, ein Budget im fünfstelligen Bereich. Unternehmen, die mit einem fokussierten ersten Projekt starten, erreichen schneller produktive Ergebnisse als solche, die zuerst eine KI-Strategie für das gesamte Unternehmen schreiben.
Warum? Weil sich das meiste erst im Machen zeigt. Was auf dem Papier logisch klingt, funktioniert in der Praxis anders. Die Daten sehen anders aus als erwartet. Die Fachexperten formulieren Anforderungen, an die vorher niemand gedacht hat. Innerhalb von zwei Wochen lassen sich 30 Iterationen drehen und dabei Dinge entdecken, die durch Planung nie aufgetaucht wären.
Das bedeutet nicht, dass die große Vision fehlt. Der eigentlich große Wert entsteht, wenn Automatisierungsgewinne über viele Prozesse hinweg realisiert werden, nicht nur in einem einzigen. Aber der Weg dorthin beginnt mit dem ersten erfolgreichen Projekt, das Vertrauen schafft und beweist, dass es funktioniert.
In Minuten testen, in Wochen produktiv
Ein verbreitetes Missverständnis: KI-Projekte sind langwierige, teure Unternehmungen. Die Realität sieht anders aus.
Ein visueller Prototyp, der die Anforderungen der Fachabteilung einfängt, entsteht in wenigen Minuten bis Stunden. Nicht als Präsentation, nicht als Konzeptpapier, sondern als funktionierendes Interface, das Nutzer ausprobieren und bewerten können. Das nimmt den größten Unsicherheitspunkt aus dem Projekt: "Versteht der Dienstleister, was wir brauchen?"
Danach folgt die eigentliche Arbeit: Daten anbinden, Prozesse integrieren, Qualität mit Fachexperten schärfen. Das dauert Wochen, nicht Monate. Nach drei bis vier Wochen steht ein System, das mit echten Daten arbeitet und erste Ergebnisse liefert. Nicht perfekte Ergebnisse (die kommen mit der Zeit), aber Ergebnisse, an denen man sofort erkennt, ob die Richtung stimmt.
Das gelingt, weil wir nicht bei null anfangen. In ähnlichen Konstellationen haben wir Angebotsautomatisierungen, Dokumentenanalysen und Wissensextraktionen gebaut. Die Architekturmuster stehen. Was sich ändert, ist das Domänenwissen, und genau dafür brauchen wir Ihre Fachleute.
Kein Risiko: Parallelbetrieb statt Systemwechsel
Das zentrale Versprechen, das wir jedem Kunden geben: Sie können jederzeit auf den alten Prozess zurück. Kein Big Bang, keine SAP-Einführungsklippe. Das KI-System arbeitet parallel zum bestehenden Prozess. Wenn es funktioniert, nutzen Sie es. Wenn nicht, machen Sie weiter wie bisher.
In der Praxis sieht das so aus: Das System erstellt einen Entwurf. Ihr Fachexperte prüft, korrigiert, gibt frei. Jede Korrektur macht das System besser, weil sie als Feedback direkt in die Optimierung fließt. Nach wenigen Wochen sinkt der Korrekturaufwand spürbar. Und der Parallelbetrieb ist keine doppelte Arbeit: Selbst wenn das System erst 60 Prozent der Fälle gut löst, sparen Sie bei diesen 60 Prozent bereits erheblich Zeit.
Was Sie brauchen (weniger als Sie denken)
Drei Dinge entscheiden über Erfolg oder Scheitern, und keines davon ist Technologie:
Eine Person, die es wirklich will. Nicht "mal schauen, was KI kann". Sondern jemand mit Entscheidungsbefugnis, der sagt: Diesen Prozess ändern wir. Ohne diesen Willen versandet jedes Projekt nach den ersten Ergebnissen.
Einen Fachexperten mit vier Stunden pro Woche. Die Person, die den Prozess am besten kennt. Die weiß, warum Dinge so laufen, wie sie laufen, und die erkennt, wenn ein KI-Ergebnis nicht passt. Am Anfang vier Stunden die Woche, später ein bis zwei. Diese Investition hat den höchsten Return im gesamten Projekt, denn sie multipliziert die Fähigkeiten dieser Person auf das gesamte Team.
Zugriff auf Systeme und Daten. Pragmatisch und schnell. Der häufigste Zeitfresser in KI-Projekten ist nicht die Entwicklung. Es ist das Warten auf Zugänge, Freigaben, Schnittstellen.
An interner IT-Kompetenz braucht es wenig. Im Minimum: eine Cloud-Umgebung, in der wir arbeiten können, und sicheren Zugriff auf die relevanten Systeme. Wenn Sie keine eigene IT haben, übernehmen wir das Hosting. Beim Datenschutz unterstützen wir mit der nötigen Dokumentation, die Ihr Datenschutz-Anwalt dann bewertet.
Was es kostet
Ein fokussiertes Einstiegsprojekt liegt typischerweise bei 15.000 bis 40.000 Euro. Keine Lizenzen, keine laufenden Verträge. Was wir bauen, gehört Ihnen.
Laufende Kosten im Betrieb: wenige hundert Euro im Monat für Cloud-Infrastruktur und API-Nutzung. Plus 15 bis 20 Prozent der Entwicklungskosten pro Jahr für Wartung und Updates.
Die Amortisierung funktioniert selten über reine Zeitersparnis. Der eigentliche Hebel ist die Skalierbarkeit: Wenn das bestehende Team den gleichen oder mehr Output schafft, ohne dass Sie eine weitere Person einstellen müssen, sparen Sie 70.000 bis 100.000 Euro Gehalt pro Jahr. Damit hat sich ein 40.000-Euro-Projekt in weniger als einem Jahr gerechnet.
