Die meisten KMU starten ein KI-Projekt mit einem Satz wie "Wir wollen irgendwas mit KI machen". Das ist der teuerste Satz, den man sagen kann. Ein KI-MVP (Minimum Viable Product) dreht die Logik um: Statt monatelang an einem perfekten System zu bauen, baust du in wenigen Wochen die kleinste Version, die einen echten Geschaeftswert liefert – und lernst am realen Einsatz, ob die Idee traegt.
Dieser Artikel zeigt, wie ein KI-Projekt mit Plugwork konkret ablaeuft. Kein Hype, kein Buzzword-Bingo – sondern der Ablauf, die Tools und die Stolpersteine, die wir in echten Projekten sehen.
Was ein KI-MVP ist – und was nicht
Ein KI-MVP ist nicht ein abgespecktes ChatGPT-Fenster auf deiner Website. Es ist die kleinste funktionsfaehige Loesung fuer ein konkretes Geschaeftsproblem, gemessen an einer Zahl.
Beispiele fuer einen sauber geschnittenen MVP-Scope:
- Ein Assistent, der eingehende Angebotsanfragen automatisch klassifiziert und an die richtige Abteilung routet
- Ein Tool, das aus PDF-Rechnungen die relevanten Felder extrahiert und ins ERP schreibt
- Ein Chatbot, der die 30 haeufigsten Support-Fragen aus eurer Doku beantwortet – mit Eskalation an einen Menschen, wenn er unsicher ist
Die Gemeinsamkeit: eng geschnitten, messbar, in Wochen lieferbar. Was ein MVP nicht ist: ein System, das "alles kann". Genau dieser Anspruch toetet die meisten Projekte vor dem ersten Nutzer.
Der Ablauf in 5 Phasen
Phase 1 – Discovery und Scoping (Woche 1)
Hier wird entschieden, ob ein Projekt erfolgreich wird oder nicht. Wir setzen uns mit den Leuten zusammen, die den Prozess heute manuell machen – nicht nur mit der Geschaeftsfuehrung.
Konkrete Fragen:
- Welches Problem kostet euch heute messbar Zeit oder Geld?
- Wie sieht der Prozess heute aus, Schritt fuer Schritt?
- Was ist die eine Kennzahl, an der wir Erfolg messen (z.B. Bearbeitungszeit pro Anfrage, Fehlerquote, Durchlaufzeit)?
- Welche Daten existieren schon, in welcher Qualitaet, in welchem System?
Der Banking-Hintergrund hilft hier: Wir denken zuerst in Business-Logik, dann in Technik. Eine KI, die fachlich am Prozess vorbeibaut, ist technisch sauber und trotzdem wertlos.
Ergebnis: ein einseitiges Scope-Dokument mit Ziel-Kennzahl, Datenquellen und einer klaren Abgrenzung, was nicht zum MVP gehoert.
Phase 2 – Datencheck und Architektur (Woche 1-2)
KI lebt von Daten. Bevor eine Zeile Code entsteht, pruefen wir:
- Sind die Daten zugaenglich (API, Datenbank, Export)?
- Sind sie sauber genug oder braucht es eine Aufbereitung?
- Welche Daten sind personenbezogen – und was heisst das fuer die DSGVO?
Dann wird die Architektur entschieden. Faustregel: so wenig Eigenbau wie moeglich. Fuer die meisten KMU-MVPs reicht eine Kombination aus:
- LLM-Layer: ein Sprachmodell ueber API (z.B. Claude oder GPT-4-Klasse) – kein eigenes Modell trainieren, das ist fast nie noetig
- Orchestrierung: n8n oder Make fuer Workflows, die mehrere Systeme verbinden
- Datenanbindung: direkte API-Integrationen zu eurem CRM, ERP oder eurer Doku
- Optional ein RAG-Setup (Retrieval Augmented Generation), wenn die KI auf euren eigenen Dokumenten antworten soll
Phase 3 – Bau des MVP (Woche 2-6)
Jetzt wird gebaut – in kurzen Iterationen, nicht im Big Bang. Typischer Rhythmus: woechentlich eine lauffaehige Version, die ihr anfassen koennt.
Was in dieser Phase passiert:
- Prompt-Engineering bzw. Prompt-Architektur fuer die KI-Logik
- Integration der Datenquellen
- Aufbau der Eskalations- und Fehlerlogik (was passiert, wenn die KI unsicher ist?)
- Ein einfaches Interface – oft reicht eine bestehende Oberflaeche wie Slack, Teams oder ein simples Web-Frontend
Wichtig: Ein MVP hat bewusst Luecken. Edge Cases, die in 2 Prozent der Faelle auftreten, werden zunaechst an einen Menschen eskaliert statt automatisiert. Das spart Wochen.
Phase 4 – Test mit echten Daten (Woche 5-7)
Der haeufigste Fehler: KI-Systeme nur mit Beispieldaten testen. Wir testen mit echten, historischen Faellen – und vergleichen die KI-Ausgabe mit dem, was ein Mensch entschieden haette.
Mini-Checkliste fuer die Testphase:
- Mindestens 50-100 reale Faelle durchspielen
- Trefferquote pro Fall-Typ messen, nicht nur global
- Bewusst Grenzfaelle einstreuen (unvollstaendige Daten, untypische Anfragen)
- Mit dem Team validieren, das den Prozess kennt – nicht nur mit der IT
Phase 5 – Rollout und Lernschleife (ab Woche 6-10)
Der MVP geht in den Echtbetrieb – aber begleitet. Anfangs oft im Human-in-the-Loop-Modus: Die KI schlaegt vor, ein Mensch bestaetigt. Mit wachsendem Vertrauen wird der manuelle Schritt schrittweise reduziert.
Nach 4-6 Wochen Echtbetrieb steht die Entscheidung: ausbauen, anpassen oder einstampfen. Ein MVP, der eingestampft wird, ist kein gescheitertes Projekt – er hat euch fuer wenige Wochen Budget vor einem sechsstelligen Fehlinvest bewahrt.
Was kostet ein KI-MVP – und wie lange dauert es
Ehrliche Hausnummern fuer den deutschen Mittelstand:
- Zeitrahmen: 6-10 Wochen von Kickoff bis Echtbetrieb fuer einen sauber geschnittenen MVP
- Aufwand: stark abhaengig vom Datenzustand – sind die Daten chaotisch, frisst die Aufbereitung den groessten Teil
- Laufende Kosten: API-Kosten der Modelle (oft im zwei- bis niedrigen dreistelligen Bereich pro Monat bei moderatem Volumen) plus Hosting der Workflows
Die groesste Kostenfalle ist nicht die Technik, sondern ein zu breiter Scope. Jede zusaetzliche "waere noch schoen"-Funktion verlaengert das Projekt ueberproportional.
Typische Stolpersteine
Die Fehler, die wir am haeufigsten sehen:
- Scope-Creep: Aus dem MVP wird heimlich ein Vollprodukt. Jede Woche kommt eine Anforderung dazu, der Liefertermin verschiebt sich ins Unendliche.
- Schlechte Datenqualitaet unterschaetzt: "Wir haben alle Daten" stimmt selten. Realitaet ist oft: Excel-Inseln, Tippfehler, drei Versionen der Wahrheit.
- Kein Mensch im Loop: Vollautomatik ab Tag 1 ist riskant. Eine KI braucht eine Eskalationsstufe, sonst skaliert ihr Fehler statt Wert.
- Keine Erfolgskennzahl: Ohne Zahl laesst sich nicht entscheiden, ob das Projekt funktioniert. "Fuehlt sich besser an" ist kein Ergebnis.
- Tool-Verliebtheit: Das Projekt startet mit der Frage "welches Tool" statt "welches Problem". Die Technik ist die letzte Entscheidung, nicht die erste.
- DSGVO erst am Ende bedacht: Wenn personenbezogene Daten ins Spiel kommen, gehoeren AVV, Datenfluss und Speicherort in Phase 1 – nicht in den Go-Live.
Checkliste: Bist du bereit fuer einen KI-MVP?
- Du kannst ein konkretes Problem benennen, das heute Zeit oder Geld kostet
- Du weisst, welche Zahl sich verbessern soll
- Es gibt Daten zu dem Prozess – und jemand weiss, wo sie liegen
- Es gibt eine Person im Team, die den Prozess fachlich kennt und Zeit fuer Rueckfragen hat
- Du bist bereit, mit einer unvollstaendigen ersten Version zu starten
Wer drei dieser Punkte mit Ja beantwortet, hat eine gute Ausgangslage. Plugwork uebersetzt von hier aus die Geschaeftslogik in einen lauffaehigen MVP – mit dem Anspruch, dass am Ende eine Kennzahl besser aussieht, nicht nur eine Demo gut.