KI-Automatisierung im Mittelstand: Was wirklich funktioniert

Die meisten Gespräche über KI im Mittelstand laufen gleich ab. Jemand hat einen Artikel gelesen, ein Konkurrent soll “jetzt auch KI machen”, und plötzlich sitzt man in einem Meeting und fragt sich: Wo fangen wir überhaupt an?

Das ist die falsche Frage.

Ich habe in den letzten Jahren Unternehmen bei der Einführung von KI-Automatisierung begleitet. Was ich dabei gelernt habe: Die Technologie ist selten das Problem. Das Problem ist, dass die meisten mit der Technologie anfangen statt mit dem Prozess.

Der häufigste Fehler

Ein Unternehmen kauft ein KI-Tool. Oder beauftragt eine Agentur mit einem “KI-Pilotprojekt”. Wenige Wochen später gibt es eine Demo, die gut aussieht. Monate später läuft das Tool nicht im echten Betrieb.

Warum? Weil niemand vorher gefragt hat: Welches konkrete Problem lösen wir damit?

“Wir wollen KI einsetzen” ist kein Ziel. “Wir bearbeiten täglich 80 Eingangsrechnungen manuell, davon sind 70 % immer gleich aufgebaut” — das ist ein Ziel. Da kann KI ansetzen.

Der Unterschied klingt trivial. Er ist es nicht.

Was tatsächlich funktioniert

Alle erfolgreichen KI-Projekte die ich kenne haben eines gemeinsam: Sie lösen ein eng definiertes, schmerzhaftes, wiederholendes Problem.

Kein “Wir wollen unsere gesamte Kommunikation mit KI verbessern.” Sondern: “Unser Support-Team beantwortet täglich 40 Anfragen, von denen 30 mit einem von fünf Standard-Antworten abgedeckt werden.”

Eng. Konkret. Messbar.

Das hat einen praktischen Grund. Enge Probleme lassen sich schnell umsetzen — oft in zwei bis vier Wochen. Du siehst schnell ob es funktioniert. Du kannst nachjustieren. Und wenn es läuft, hast du intern den Beweis dass KI kein Hype ist, sondern echte Arbeit abnimmt.

Drei Beispiele aus der Praxis

Eingangsrechnungen. Ein Unternehmen hat täglich Rechnungen aus zehn verschiedenen Quellen bekommen — unterschiedliche Formate, unterschiedliche Strukturen. Die manuelle Erfassung hat zwei Vollzeitkräfte gebunden. Ein KI-Modell das Rechnungen liest, Felder extrahiert und direkt ins ERP übergibt hat die Bearbeitungszeit um 80 % reduziert. Nicht eliminiert — aber 80 % weniger manueller Aufwand ist real.

E-Mail-Routing. Ein Dienstleister hat täglich hunderte E-Mails über eine gemeinsame Postfach-Adresse bekommen: Anfragen, Beschwerden, Bestellungen, interne Weiterleitungen. Ein Klassifikationsmodell liest jede eingehende Mail und leitet sie an die richtige Abteilung weiter. Die Reaktionszeit für Kundenbeschwerden ist messbar gesunken — weil sie jetzt sofort beim richtigen Menschen landen.

Berichte aus SAP. SAP-Berichte sind mächtig und unlesbar zugleich. Eine Finanzabteilung hat jeden Monatsabschluss damit verbracht, Rohdaten aus SAP zu exportieren, in Excel aufzubereiten und daraus Management-Berichte zu basteln. Ein Automatisierungsprozess übernimmt heute Export, Aufbereitung und Berichtserstellung. Der Monatsabschluss dauert zwei Stunden statt zwei Tage.

Alle drei Beispiele haben eines gemeinsam: Es war kein “KI-Projekt”. Es war ein Prozess-Projekt, das mit KI-Werkzeugen umgesetzt wurde.

Wie du anfängst

Nimm ein Blatt Papier. Schreib drei Prozesse auf die in deinem Unternehmen regelmäßig Zeit fressen — Dinge die jemand immer wieder von Hand macht, obwohl die Eingaben immer ähnlich sind.

Das ist deine Liste.

Jetzt frag für jeden dieser Prozesse: Wie oft passiert das? Was kostet eine Stunde des Menschen der das macht? Was wäre wenn das komplett wegfällt?

Der Prozess mit dem größten Hebel ist dein Einstiegspunkt. Nicht der mit der coolsten Technologie darunter.

Wenn du das Problem kennst, ist die Umsetzung oft einfacher als erwartet. Die meisten dieser Automatisierungen lassen sich heute mit vorhandenen Werkzeugen umsetzen — ohne eigene KI-Modelle trainieren zu müssen, ohne IT-Großprojekt, ohne monatelange Einführung.

Was du nicht brauchst

Du brauchst keinen Chief AI Officer. Du brauchst keine eigene KI-Infrastruktur. Du brauchst auch kein Budget im sechsstelligen Bereich.