Warum die meisten KI-Projekte im Mittelstand scheitern
Die ehrliche Antwort vorweg: Die meisten KI-Initiativen in KMU scheitern nicht an der Technik, sondern an der Reihenfolge. Es wird ein Tool gekauft, weil es im Trend liegt, und danach wird ein Problem dafür gesucht. Das ist teuer und frustrierend.
KI-Automatisierung für KMU funktioniert genau umgekehrt: Du startest mit einem konkreten, nervigen, wiederkehrenden Prozess und fragst dann, ob KI oder schlichte Automatisierung ihn besser löst. Oft ist die beste "KI-Lösung" am Anfang gar keine KI, sondern eine simple Workflow-Automatisierung. Das ist kein Widerspruch — es ist der pragmatische Einstieg.
Dieser Artikel gibt dir einen Fahrplan, der ohne eigene IT-Abteilung funktioniert und der dein Budget respektiert.
Schritt 1: Den richtigen Erstprozess finden
Nicht jeder Prozess eignet sich. Ein guter Kandidat für den Einstieg erfüllt drei Kriterien:
- Häufig: Er passiert täglich oder wöchentlich, nicht zweimal im Jahr.
- Regelbasiert oder gut beschreibbar: Du kannst einem neuen Mitarbeiter in fünf Sätzen erklären, wie es geht.
- Messbar nervig: Er kostet erkennbar Zeit oder produziert Fehler.
Klassische Erstkandidaten im Mittelstand:
- Eingehende E-Mails sortieren, kategorisieren und mit Standardantworten vorbereiten
- Angebote aus wiederkehrenden Bausteinen erzeugen
- Daten aus PDFs (Rechnungen, Formulare, Lieferscheine) in eine Tabelle oder ein CRM überführen
- Leads aus einem Kontaktformular qualifizieren und ins richtige System eintragen
- Termin-Koordination und Erinnerungen
Mini-Checkliste Prozessauswahl:
- [ ] Passiert mindestens wöchentlich
- [ ] Lässt sich in klare Schritte zerlegen
- [ ] Kostet aktuell messbar Zeit (grob in Stunden/Woche schätzen)
- [ ] Die Daten dafür liegen digital vor (nicht nur auf Papier im Ordner)
- [ ] Ein Fehler ist nicht sofort existenzbedrohend (gut zum Üben)
Schritt 2: Den Ist-Zustand sauber dokumentieren
Bevor du automatisierst, schreib auf, wie der Prozess heute wirklich läuft — nicht wie er laufen sollte. Genau hier liegt der häufigste Fehler: Man automatisiert eine idealisierte Version, die im Alltag nie existiert hat.
Notiere für jeden Schritt:
- Wer macht was, womit (welches Tool, welche Datei)?
- Welche Entscheidungen werden getroffen und nach welchen Regeln?
- Wo gibt es Ausnahmen, Sonderfälle, "das machen wir dann manuell"?
Die Ausnahmen sind Gold wert. Eine Automatisierung, die 80 % der Fälle abdeckt und die restlichen 20 % sauber an einen Menschen übergibt, ist besser als eine, die alles können soll und ständig falsch liegt.
Schritt 3: Entscheiden — Automatisierung, KI oder beides?
Hier wird unterschieden, was viele durcheinanderwerfen:
- Klassische Automatisierung (Wenn-dann-Logik): Daten von A nach B schieben, Felder befüllen, Benachrichtigungen auslösen. Schnell, billig, zuverlässig. Tools: Make, n8n, Zapier.
- KI / Sprachmodelle: Wenn unstrukturierter Text verstanden, klassifiziert, zusammengefasst oder formuliert werden muss. Beispiel: "Worum geht es in dieser E-Mail und wie dringend ist sie?"
- Kombination: Der Normalfall in der Praxis. Eine Automatisierung fängt die E-Mail ab, ein Sprachmodell kategorisiert und entwirft eine Antwort, die Automatisierung legt sie als Entwurf ab — Mensch klickt nur noch "Senden".
Faustregel: Brauchst du Verständnis von Sprache, Bildern oder unstrukturierten Daten, ist KI sinnvoll. Geht es nur um Datentransport nach festen Regeln, reicht klassische Automatisierung — und ist robuster.
Schritt 4: Klein bauen, mit Mensch in der Schleife
Starte mit einem Human-in-the-Loop-Aufbau: Die KI schlägt vor, der Mensch entscheidet. Das senkt das Risiko drastisch und schafft Vertrauen im Team.
Ein Beispiel aus der Praxis: Bei einem Consulting-Unternehmen aus dem Visa- und Auswanderungsbereich war der Engpass die Erstqualifizierung von Anfragen. Hunderte Formular-Einsendungen pro Monat, jede einzeln gelesen und einsortiert. Der erste Schritt war nicht "KI antwortet automatisch", sondern: KI liest die Anfrage, ordnet sie einer Kategorie zu, schätzt die Dringlichkeit und legt eine vorbereitete Antwort als Entwurf an. Das Team prüft und sendet. Erst als das stabil lief, wurden Routinefälle schrittweise vollautomatisiert.
Genauso bei einem Großhandel aus der Floristik- und Pflanzenbranche: Hier ging es zuerst um die Übernahme von Bestelldaten aus uneinheitlichen Dokumenten in das interne System — ein klassischer Mix aus Automatisierung und Texterkennung, mit Kontrollschritt davor.
Das Muster ist identisch: erst beobachten lassen, dann assistieren, dann übernehmen.
Schritt 5: Messen und ausbauen
Leg vorab fest, woran du Erfolg misst. Sonst diskutierst du später über Gefühle.
Sinnvolle Kennzahlen:
- Zeit pro Vorgang (vorher/nachher)
- Durchlaufzeit (wie lange dauert es von Eingang bis Erledigung)
- Fehlerquote / Nacharbeitsquote
- Anteil vollautomatisch erledigter Fälle
Wenn der erste Prozess läuft und Zahlen liefert, hast du den schwersten Teil hinter dir: den Beweis, dass es funktioniert. Ab da skalierst du auf den nächsten Prozess — nicht alle gleichzeitig.
Die häufigsten Stolpersteine
- Datenschutz unterschätzen: Sobald personenbezogene Daten durch ein KI-Tool laufen, brauchst du einen AV-Vertrag mit dem Anbieter und eine saubere Rechtsgrundlage. Kläre vorher, wo die Daten verarbeitet werden (EU-Hosting? US-Anbieter?). Das ist kein Detail, sondern Pflicht nach DSGVO.
- Zu groß starten: Das "alles-auf-einmal"-Projekt killt Momentum und Budget. Ein funktionierender kleiner Prozess schlägt jede schöne Roadmap.
- Keine Verantwortlichkeit: Eine Automatisierung braucht einen Besitzer im Unternehmen, der sie pflegt, wenn sich Formulare oder Prozesse ändern.
- KI als Black Box: Wenn niemand versteht, warum die KI etwas tut, vertraut ihr niemand. Halte Entscheidungen nachvollziehbar und protokolliere kritische Schritte.
- Vendor-Lock-in ohne Not: Achte darauf, dass du deine Logik und Daten im Zweifel mitnehmen kannst.
Was es realistisch kostet
Ehrlich: Es gibt keinen Pauschalpreis, und jeder, der dir ohne Prozesskenntnis eine Zahl nennt, rät. Ein kleiner, klar umrissener Erstprozess ist oft mit überschaubarem Aufwand umsetzbar, weil viele Bausteine (Tools, Schnittstellen) standardisiert sind. Der größere Aufwand steckt meist nicht im Bau, sondern im sauberen Verständnis des Prozesses und in der Anbindung an deine bestehenden Systeme.
Deshalb der wichtigste Rat: Investiere zuerst in die Analyse, nicht in das Tool.
Wo Plugwork ansetzt
Plugwork kommt aus einer Kombination, die im Mittelstand selten ist: KI-Bau plus zwölf Jahre Banking- und Finanz-Hintergrund. Das heißt Business-Logik zuerst, dann Technik. In der Praxis bedeutet das: Wir suchen nicht den glänzendsten KI-Anwendungsfall, sondern den, der bei dir messbar Zeit spart und sich rechnet — und bauen ihn so, dass dein Team ihn versteht und behält. Der Einstieg ist bewusst klein gehalten, damit du Ergebnisse siehst, bevor du groß investierst.