Die Frage, die ich in Erstgesprächen am häufigsten höre, lautet sinngemäß: „Wir haben da etwas mit KI angefangen, aber irgendwie kommt nichts dabei heraus. Woran liegt das?“ Meistens folgt dann die Geschichte von einem Werkzeug, das eingekauft wurde, einem Vorführtermin, der beeindruckt hat, und einem halben Jahr, in dem die Sache dann leise eingeschlafen ist. Die Geschichten unterscheiden sich in den Details. In den Mustern gleichen sie sich bis zur Verwechselbarkeit.
Ich beschreibe hier die Muster, die ich in der Beratungspraxis immer wieder sehe, benenne die Ursachen dahinter und zeige, was die wenigen Unternehmen anders machen, bei denen aus einem KI-Vorhaben tatsächlich Nutzen wird. Am Ende steht ein Einstiegspfad, den ein mittelständisches Unternehmen gehen kann, ohne dabei Budget zu verheizen. Und eine Passage darüber, wo KI im Moment schlicht der falsche Hebel ist.
Die Muster des Scheiterns
Werkzeug vor Problem
Ein Geschäftsführer sieht auf einer Messe eine Demonstration, ist beeindruckt und unterschreibt. 3 Monate später steht eine Lizenz im Haus, für die niemand einen konkreten Anwendungsfall hat. Man sucht jetzt nachträglich nach einem Problem, das zur Lösung passt. Diese Reihenfolge geht fast immer schief, weil die Software für einen Zweck gebaut wurde, den das eigene Unternehmen so gar nicht hat.
Ich habe einen Fall erlebt, in dem ein Betrieb ein KI-gestütztes Auswertungssystem für Kundenanfragen lizenziert hatte. Bei genauerem Hinsehen kamen die Anfragen zu 80 % per Telefon herein und wurden nirgends schriftlich festgehalten. Das Werkzeug hatte also keine Datengrundlage, mit der es hätte arbeiten können. Der Kauf war entschieden, bevor irgendjemand diese Frage gestellt hatte.
Der Leuchtturm ohne Anschluss
Ein Vorzeigefall wird gebaut, oft mit viel Aufmerksamkeit von der Geschäftsführung. Er funktioniert im Vorführbetrieb, sieht gut aus in der Präsentation und wandert danach in die Ablage. Der Grund liegt darin, dass der Fall an keinen realen Arbeitsablauf angeschlossen wurde. Die Kollegin in der Sachbearbeitung müsste ihr Vorgehen ändern, ein zusätzliches System öffnen, Daten doppelt pflegen. Solange das mehr Aufwand bedeutet als der bisherige Weg, bleibt der bisherige Weg.
Ein Vorführfall beweist, dass etwas technisch möglich ist. Er beweist nichts über den Betrieb im Alltag, mit realen Datenmengen, Ausnahmen, Zeitdruck und Mitarbeitenden, die das Ganze nicht gebaut haben.
Die fehlende Datenbasis
KI-Modelle arbeiten mit dem, was an Daten und Dokumenten vorhanden ist. In vielen mittelständischen Unternehmen liegen diese Daten verstreut über Netzlaufwerke, Excel-Tabellen, E-Mail-Postfächer und die Köpfe einzelner Mitarbeitender. Produktinformationen stehen in vier Versionen an drei Orten. Niemand weiß sicher, welche gilt.
Ein Sprachmodell, das auf einer solchen Grundlage antworten soll, produziert dann selbstbewusst formulierten Unsinn, weil es widersprüchliche Quellen gleich behandelt. Die Enttäuschung darüber wird der KI angelastet. Ihre Wurzel liegt in einer Datenlage, die schon vor dem Projekt niemand aufgeräumt hatte.
Niemand ist zuständig
Am Anfang ist die Aufmerksamkeit groß, alle wollen dabei sein. Nach ein paar Wochen kehrt das Tagesgeschäft zurück. Der Kollege, der das Projekt nebenher betreut hat, hat wieder seine eigentliche Arbeit. Es gibt keine benannte Person, die den Betrieb verantwortet, Rückfragen beantwortet, das System pflegt und weiterentwickelt. Damit verfällt das Vorhaben, so wie jede Sache im Unternehmen verfällt, für die sich niemand verantwortlich fühlt.
Zu hohe Erwartungen
Manche Vorhaben starten mit dem Ziel, einen kompletten Vorgang von einem Tag auf den anderen ohne menschliches Zutun ablaufen zu lassen. Wenn die erste Version dann in 8 von 10 Fällen richtig liegt, gilt sie als Fehlschlag. Dabei wären 8 von 10 richtig bearbeiteten Vorgängen mit einer sauberen Prüfung der übrigen zwei bereits ein starker Fortschritt. Die überzogene Zielmarke macht ein brauchbares Ergebnis zur Niederlage.
Warum das passiert
Hinter fast allen diesen Verläufen steht derselbe Druck: „Wir müssen jetzt auch etwas mit KI machen.“ Der Wettbewerber wirbt damit, die Fachpresse ist voll davon, im Beirat wird gefragt. Aus diesem Druck heraus wird Aktivität mit Fortschritt verwechselt. Man will ein Projekt vorweisen, und ein gekauftes Werkzeug oder ein Vorführfall lässt sich schnell vorweisen.
Dazu kommt eine verbreitete Verwechslung von Demonstration und Betrieb. Eine Vorführung zeigt den besten Fall unter kontrollierten Bedingungen. Der Betrieb ist der Durchschnittsfall unter realen Bedingungen, jeden Tag, mit allen Ausnahmen. Zwischen beiden liegt der eigentliche Aufwand eines KI-Vorhabens, und dieser Aufwand steckt zum größten Teil in Prozess- und Datenarbeit, nicht im Modell selbst. Diese Arbeit ist unspektakulär, schlecht auf Folien darzustellen und wird deshalb regelmäßig unterschätzt.
Was Erfolgreiche anders machen
Die Unternehmen, bei denen KI Wirkung entfaltet, gehen einen unaufgeregteren Weg. Er lässt sich in wenigen Punkten fassen.
Sie setzen am Engpass an
Sie fangen mit der Frage an, wo im Betrieb gerade wirklich etwas klemmt. Wo häuft sich Arbeit, die viele Stunden frisst und wenig Urteilsvermögen verlangt? Wo warten Kunden zu lange auf Antworten? Wo passieren teure Fehler durch Routine? An dieser Stelle kann KI etwas bewegen, das man auch spürt. Ein Beispiel aus der Praxis: Ein technischer Betrieb verbrachte Woche für Woche Stunden damit, wiederkehrende Kundenfragen zu Produktdetails aus dem Handbuch herauszusuchen. Genau hier setzte man an, weil der Nutzen von Beginn an messbar war.
Sie fangen klein an
Statt eines großen Wurfs wählen sie einen eng umrissenen ersten Anwendungsfall, den man in wenigen Wochen zum Laufen bringt. Und sie legen vorher fest, woran sie den Erfolg erkennen. „Bearbeitungszeit pro Anfrage von X auf Y“ ist eine prüfbare Aussage. „Wir werden effizienter“ ist keine. Diese Messgröße entscheidet später ohne Bauchgefühl, ob man ausweitet oder abbricht.
Daten vor dem Modell
Bevor irgendein Modell zum Einsatz kommt, sorgen sie dafür, dass die zugrunde liegenden Informationen sauber, aktuell und an einem Ort vorliegen. Das ist oft der größte Brocken des ganzen Vorhabens. Es ist auch der Teil, der unabhängig von jeder KI Wert schafft, weil aufgeräumte, verlässliche Daten das gesamte Unternehmen schneller und sicherer machen. Wer diese Arbeit leistet, hat selbst dann gewonnen, wenn das KI-Vorhaben scheitern sollte.
Kompetenz im Haus
Es gibt eine benannte Person mit Zeit im Kalender, die das Vorhaben verantwortet. Diese Person muss keine KI-Fachkraft sein. Sie muss den Prozess verstehen, den Betrieb im Blick behalten und Fragen beantworten können. Parallel dazu bauen diese Unternehmen im eigenen Haus so viel Verständnis auf, dass sie nicht für jede kleine Anpassung einen Dienstleister rufen müssen. Externe Beratung bringt sie an den Start und macht sie schrittweise unabhängig von der Beratung.
Realistische Erfolgskriterien
Sie planen mit einem System, das den Menschen unterstützt und ihm die stumpfe Arbeit abnimmt, während er die Fälle prüft, bei denen es auf Urteil ankommt. Aus dieser Haltung heraus werden 8 von 10 automatisch richtig bearbeiteten Vorgängen zu einem Erfolg, auf dem man aufbaut.
Der pragmatische Einstieg
Wenn Sie im Mittelstand anfangen wollen, ohne Geld zu verbrennen, hat sich dieser Weg bewährt.
Beginnen Sie mit einer nüchternen Bestandsaufnahme Ihrer zeitfressenden, wiederkehrenden Tätigkeiten. Sammeln Sie über 2 bis 3 Wochen, wo im Betrieb regelmäßig viel Zeit in gleichförmige Arbeit fließt. Daraus ergibt sich eine kurze Liste von Kandidaten.
Wählen Sie aus dieser Liste einen einzigen Anwendungsfall aus, der einen tatsächlichen Engpass anspricht und für den die nötigen Daten grundsätzlich vorhanden sind. Legen Sie eine Messgröße fest und notieren Sie den heutigen Ausgangswert. Ohne diesen Ausgangswert können Sie später keine Verbesserung belegen.
Räumen Sie danach die Datengrundlage für genau diesen einen Fall auf. Nicht das ganze Unternehmen, nur den Ausschnitt, den dieser Fall benötigt. Das hält den Aufwand überschaubar und liefert schnell ein Ergebnis.
Bauen Sie dann eine erste, bewusst einfache Lösung und lassen Sie sie einige Wochen im realen Arbeitsalltag von den Menschen nutzen, die später damit arbeiten sollen. Deren Rückmeldung ist wertvoller als jede Vorführung. Vergleichen Sie am Ende den Wert mit Ihrem Ausgangswert und entscheiden Sie anhand der Zahl, ob Sie ausweiten, nachbessern oder das Vorhaben beenden.
Erst wenn dieser erste Fall trägt, nehmen Sie den nächsten in Angriff. Auf diese Weise wächst KI-Kompetenz im Haus mit jedem Schritt, und jedes einzelne Vorhaben bleibt klein genug, dass ein Fehlschlag kein Loch in die Kasse reißt.
Wo KI der falsche Hebel ist
Zu einer belastbaren Einschätzung gehört, die Grenzen zu benennen. Es gibt Situationen, in denen KI im Mittelstand die falsche erste Antwort ist.
Wenn Ihre Prozesse selbst ungeklärt sind, hilft kein Modell. Ein automatisiertes System bildet einen chaotischen Ablauf nur schneller und teurer ab. Hier geht saubere Prozessarbeit vor.
Wenn Ihre Daten noch auf Papier, in isolierten Excel-Dateien oder ausschließlich in den Köpfen einzelner Mitarbeitender liegen, ist zunächst klassische Digitalisierung an der Reihe. Erfassen, strukturieren, an einem Ort zugänglich machen. Diese Grundlage schafft für sich genommen Wert und ist die Voraussetzung dafür, dass KI später überhaupt etwas beitragen kann.
Wenn ein Vorgang selten vorkommt, hohes Urteilsvermögen oder rechtliche Verantwortung verlangt, wiegt der Aufwand für ein KI-System den Nutzen meist nicht auf. Solche Fälle bearbeitet ein Mensch schneller und sicherer.
Und wenn hinter dem Wunsch nach KI vor allem der Druck steht, dabei sein zu wollen, lohnt eine ruhige Prüfung, welches Problem eigentlich gelöst werden soll. Manchmal ist die passende Antwort eine bessere Suchfunktion, ein aufgeräumtes Dokumentenmanagement oder eine überarbeitete Schnittstelle zwischen zwei Systemen. Diese Lösungen sind weniger glamourös und im Alltag oft wirksamer.
KI ist ein starkes Werkzeug für die richtigen Aufgaben. Ihr Nutzen im Mittelstand entscheidet sich lange bevor das erste Modell läuft: bei der Wahl des Engpasses, bei der Datengrundlage, bei der Frage, wer im Haus verantwortlich bleibt. Wer diese Vorarbeit leistet, gehört zu den wenigen, bei denen aus einem KI-Vorhaben tatsächlich Ergebnisse werden.
