Mittelständische Unternehmen stehen der künstlichen Intelligenz oft mit gemischten Gefühlen gegenüber. Die Technologie ist allgegenwärtig, die Anwendungsfälle klingen nachvollziehbar, aber die konkrete Frage bleibt offen: Was soll man tun, was kostet es, und ab wann trägt es sich? Eine ehrliche Antwort kommt ohne die üblichen Werbeformeln aus.
Was Mittelstand von Konzern unterscheidet
Große Unternehmen haben eigene Datenteams, IT-Abteilungen und Budgets für mehrjährige Projekte. Der Mittelstand hat das selten. Das heißt nicht, dass KI unerreichbar ist. Es heißt aber, dass der Weg anders aussehen muss. Eingebettete Funktionen in vorhandener Software sind der realistische Einstieg, keine Eigenentwicklungen.
Viele Softwareanbieter integrieren Assistenzfunktionen bereits in CRM, ERP und Buchhaltungssoftware. Automatische Vorschläge in E-Mail-Antworten, Chatbots für Standardfragen, Prognosen im Forecasting. Wer diese Funktionen noch nicht nutzt, findet meist den einfachsten Einstieg direkt in der eigenen Software.
Realistische Einstiegsprojekte
Dokumentenautomatisierung ist der häufigste erste Schritt. Eingangsrechnungen einlesen, Lieferscheine prüfen, Verträge auf Schlüsselklauseln scannen. Aufgaben, die manuell erledigt werden und sich gut strukturieren lassen.
Kundensupport mit einem FAQ-Assistenten ist für Unternehmen mit hohem Anfragenaufkommen sinnvoll. Der Bot bearbeitet Standardfälle, eskaliert den Rest. Die Hürde liegt nicht bei der Technik, sondern bei der Pflege der Wissensbasis.
Prognosen und Planung sind attraktiv, aber anspruchsvoller. Lagerbestände, Personalbedarf, Nachfrageschwankungen: Modelle finden Muster in historischen Daten. Das setzt voraus, dass diese Daten überhaupt sauber und strukturiert vorliegen. In vielen Mittelständlern ist das die eigentliche Baustelle.
Was typischerweise schiefgeht
Datenqualität ist das erste Problem. Wenn Kundendaten über mehrere Excel-Listen verteilt sind, ohne einheitliche Struktur, muss die Basis zuerst aufgeräumt werden. Sonst produziert ein Modell aus schlechten Daten schlechte Ergebnisse, und das Projekt wird als KI-Problem abgebucht, obwohl es ein Datenthema ist.
Akzeptanz im Team ist das zweite. Mitarbeitende, die fürchten, durch KI ersetzt zu werden, sabotieren die Einführung oft unbewusst. Offene Kommunikation über Umfang und Grenzen des Einsatzes wirkt stärker als jedes technische Argument.
Fehlende Zuständigkeit ist das dritte. Wenn niemand klar verantwortlich ist, scheitert das Projekt nicht an der Technik, sondern an Zuständigkeitslücken. Wie stark der Digitalisierungsdruck im Mittelstand gewachsen ist, macht klar, warum eine geordnete Einführung heute wichtiger ist als ein schneller Start.
Was eine Implementierung kostet
Die Kostenspanne ist breit. Eingebettete Funktionen in vorhandener Software sind oft im Abo-Preis enthalten oder kosten wenig Aufpreis. Maßgeschneiderte KI-Implementierung für einen klar abgegrenzten Prozess liegt für einen Piloten typischerweise zwischen 5.000 und 50.000 Euro, je nach Integrationsaufwand und Datenlage.
Laufende Kosten für Modellaufrufe sind modellabhängig. Cloud-basierte Sprachmodelle verursachen bei moderatem Einsatz einige Hundert Euro im Monat. Intensive Nutzung in größeren Abteilungen führt schnell in den vierstelligen Monatsbereich. Wer von Anfang an ein Monitoring der Kosten mitdenkt, vermeidet Überraschungen nach drei Monaten Betrieb.
Drei Fragen vor dem Start
Welches Problem soll gelöst werden? Das klingt banal, wird aber zu oft übersprungen. Wer mit dem Ziel „wir wollen KI einsetzen“ startet, landet bei einem Projekt ohne klaren Erfolgsmaßstab. Gibt es Daten, die zum Problem passen? Wenn ja, wie strukturiert sind sie? Wer trägt die Verantwortung und entscheidet, ob der Pilot erfolgreich war?
Wenn diese drei Punkte klar sind, ist der Einstieg deutlich weniger dramatisch als er in Vorträgen und Medienbeiträgen oft dargestellt wird. Die meisten scheiternden Projekte haben keinen dieser Punkte vorher geklärt.
Sicherheits- und Datenschutzfragen
Personenbezogene Daten, Vertragsinhalte, Lieferantenlisten: Wer solche Daten durch KI laufen lässt, muss wissen, wo sie verarbeitet werden. Cloud-Modelle mit Servern außerhalb der EU sind für viele Anwendungsfälle problematisch. Europäische Anbieter oder lokal betriebene Open-Source-Modelle sind Alternativen, die Aufwand kosten, aber Planungssicherheit schaffen.
Ein knapper Datenschutzcheck vor dem Piloten spart später aufwändige Nachrüstungen. Das ist keine Formalie, sondern Teil des Projekts.
Was man mitnehmen sollte
Der Mittelstand muss kein KI-Pionier werden, um zu profitieren. Es reicht, die eigenen Prozesse ehrlich anzusehen, die drei, vier regelbasierten Routinen zu identifizieren und einen davon als Piloten umzusetzen. Nach acht bis zwölf Wochen zeigt sich, ob der Weg trägt. Wenn ja, wird der nächste Prozess angepackt. Wenn nein, hat man gelernt, woran es lag, und nicht an einem Großprojekt mit unklarem Nutzen verloren.
Interne Kompetenz aufbauen, nicht nur einkaufen
Viele Mittelständler setzen bei der Einführung komplett auf Dienstleister. Das ist zu Projektbeginn oft sinnvoll, wird aber zur Abhängigkeit, wenn intern kein Wissen aufgebaut wird. Spätestens nach einem Jahr zeigt sich, dass Systeme gepflegt und angepasst werden müssen, und externes Abrufen jedes kleinen Änderungswunsches wird teuer.
Ein gangbarer Weg ist die Benennung einer internen Ansprechperson, die mit dem Dienstleister zusammen die Einführung begleitet und nach dem Rollout die erste Pflegestufe übernimmt. Das muss kein Informatiker sein, aber jemand mit strukturierter Arbeitsweise, Prozessverständnis und Interesse an der Technologie.
Schulungen für breitere Teile des Teams sind ein ergänzender Baustein. Nicht jeder muss Prompt-Engineering beherrschen, aber ein Grundverständnis dafür, wann KI sinnvoll ist und wann nicht, macht den Unterschied zwischen produktiver Nutzung und chaotischem Dauerexperiment.
Kosten sichtbar machen, bevor sie entgleisen
Ein typisches Muster: Der Pilot kostet wenig, weil die Nutzung klein ist. Im Produktivbetrieb nutzen plötzlich zwanzig Mitarbeitende das System, und die Monatsrechnung überrascht das Controlling. Wer von Anfang an ein Budget-Limit pro Nutzer oder pro Team setzt und diese Grenzen technisch überwacht, vermeidet diese Überraschung.
Anbieter stellen dafür inzwischen Dashboards bereit. Die Aufgabe besteht darin, sie regelmäßig anzuschauen und intern klare Regeln zu kommunizieren. Welche Aufgaben rechtfertigen welche Modellgröße? Wann ist ein kleineres Modell ausreichend? Diese Fragen zu beantworten, ist Teil der Einführung, nicht optionales Add-on.
Der richtige Umgang mit Anbietern
Auf dem Markt tummeln sich aktuell sehr viele Anbieter, die KI-Lösungen versprechen. Die Qualität ist extrem unterschiedlich. Seriöse Partner erkennt man weniger an ihrer Toolliste als an ihrem Fragenkatalog: Wird nach dem Problem gefragt? Nach vorhandenen Daten? Nach Verantwortlichkeiten?
Ein Warnsignal ist die schnelle Demo, bei der ein Agent live Aufgaben löst, ohne dass über Integrationsdetails gesprochen wurde. Demos sind leicht, Produktivbetrieb ist schwer. Wer den Unterschied nicht benennt, hat ihn vielleicht noch nie erlebt.
Referenzkunden in vergleichbaren Branchen und Größenordnungen sind Gold wert. Wenn ein Anbieter nur Großkonzerne als Referenz nennt, passt er selten zu einem Mittelständler mit 40 Mitarbeitenden. Die Arbeitsweise ist eine andere.
Der Mittelstand steht damit nicht vor einer technologischen Entscheidung, sondern vor einer organisatorischen. Wer Rollen klärt, Ziele schärft und den Piloten ehrlich misst, kommt mit kleiner Investition weiter als Unternehmen, die mit hohen Budgets ohne Struktur starten und sich in Tool-Vergleichen verlieren.
