KI-Strategie fuer den Mittelstand: Wo KI echten ROI bringt – und wo nicht

Der Hype ist das eigentliche Risiko

Die meisten KI-Projekte im Mittelstand scheitern nicht an der Technik. Sie scheitern daran, dass jemand "wir muessen jetzt was mit KI machen" als Strategie missversteht. Das Ergebnis: ein Chatbot, den keiner nutzt, ein Pilotprojekt, das nie in Produktion geht, und das Gefuehl, Geld verbrannt zu haben.

KI ist ein Werkzeug, kein Ziel. Die richtige Frage ist nie "wo koennen wir KI einsetzen", sondern "welches Geschaeftsproblem kostet uns Zeit oder Geld – und ist KI dafuer das passende Werkzeug". Aus zwoelf Jahren Banking-Erfahrung gesprochen: Business-Logik kommt zuerst, Technik danach. Wer das umdreht, baut Loesungen fuer Probleme, die er nicht hat.

Wo KI im Mittelstand echten ROI bringt

Es gibt ein klares Muster. KI rechnet sich dort, wo eine Aufgabe haeufig, repetitiv, regelbasiert genug und teuer in Personenzeit ist. Konkret:

• Dokumenten- und Datenverarbeitung. Rechnungen auslesen, Vertraege durchsuchen, Formulare in Datensaetze verwandeln. Hoher, messbarer Zeitgewinn, geringe Fehlertoleranz noetig – aber technisch ausgereift.
• E-Mail- und Anfrage-Triage. Eingehende Anfragen klassifizieren, Kerndaten extrahieren, vorqualifizieren und ins CRM legen. Spart Sichtungszeit und beschleunigt die Reaktion.
• Interne Wissens-Assistenten. Ein Chatbot auf der *eigenen* Dokumentation – Handbuecher, Preislisten, SOPs. Mitarbeiter bekommen Antworten in Sekunden statt durch Ordner zu suchen. Wichtig: auf eigenen, gepflegten Daten, nicht auf Allgemeinwissen.
• Texterstellung mit Vorlage. Angebote, Produktbeschreibungen, Standardkorrespondenz – mit menschlicher Endkontrolle. Beschleunigt, ersetzt aber kein Fachurteil.
• B2B-Outreach und Recherche. Lead-Listen anreichern, Ansprechpartner finden, personalisierte Erstansprache vorbereiten. Skaliert Vertriebsarbeit, die sonst nicht stattfaende.

Das verbindende Element: messbarer Input (Stunden, Fehlerquote, Durchlaufzeit) und ein klar definierter Output. Wenn du den ROI vorher nicht grob ausrechnen kannst, ist es noch kein Use-Case.

Wo KI (noch) keinen ROI bringt

Ehrlichkeit ist hier der Wettbewerbsvorteil. Diese Faelle klingen gut und enttaeuschen fast immer:

• Der Allwissend-Chatbot fuer Kunden. Ein Bot, der jede Kundenfrage beantworten soll, ohne saubere Wissensbasis und Eskalationspfad, frustriert mehr Kunden, als er bedient. Eng abgegrenzt (z.B. Terminbuchung, Status-Abfrage) funktioniert er – als Allzweckwaffe nicht.
• KI fuer seltene oder hochkomplexe Einzelentscheidungen. Wenn ein Vorgang im Jahr fuenfmal vorkommt und jedes Mal anders ist, lohnt der Aufbau nicht. Ein Mensch ist schneller und billiger.
• Vollautomatisierung ohne Kontrollpfad. Prozesse, in denen ein Fehler teuer oder rechtlich heikel ist (Vertragsschluss, Auszahlung, medizinische/rechtliche Aussagen), gehoeren nicht in eine Blackbox ohne menschliche Freigabe.
• Daten, die es nicht gibt. KI braucht Futter. Wer keine sauberen, digitalen Daten hat, muss erst die Datenbasis schaffen – das ist oft das eigentliche, ungeliebte Projekt.
• "Ersetzt das halbe Team"-Versprechen. Realistisch entlastet KI bei Teilaufgaben und verschiebt Arbeit von Tippen zu Pruefen. Wer ganze Rollen wegrechnet, plant am Echtbetrieb vorbei.

Use-Cases priorisieren: das 2×2-Raster

Statt nach Bauchgefuehl zu entscheiden, hilft ein einfaches Raster. Bewerte jeden Kandidaten auf zwei Achsen:

• Geschaeftswert (wie viel Zeit/Geld/Risiko spart es?)
• Umsetzbarkeit (sind Daten, Schnittstellen und klare Regeln vorhanden?)

Daraus ergeben sich vier Felder:

| | Hohe Umsetzbarkeit | Niedrige Umsetzbarkeit |

|—|—|—|

| Hoher Wert | Sofort starten (z.B. Rechnungsextraktion) | Vorbereiten (erst Datenbasis/Schnittstellen schaffen) |

| Niedriger Wert | Quick Win, wenn billig (kleine Automation nebenbei) | Liegen lassen (Hype-Projekte, hier verbrennt Geld) |

Die Disziplin liegt darin, das Feld unten rechts wirklich liegen zu lassen – auch wenn es das spannendste klingt. Genau dort landen die meisten gescheiterten KI-Projekte.

Ein realistischer Einfuehrungsplan

1. Engpaesse sammeln, nicht Loesungen. Frag das Team: Welche Aufgabe nervt, ist repetitiv und kostet Zeit? Du suchst Probleme, nicht KI-Ideen.
2. Einen Use-Case auswaehlen. Den mit hohem Wert *und* hoher Umsetzbarkeit. Klein anfangen schlaegt Grossprojekt.
3. ROI grob schaetzen. Eingesparte Stunden mal Stundensatz plus vermiedene Fehler, gegen Aufbau- und Betriebskosten. Wenn sich das nicht in wenigen Monaten amortisiert, anderen Use-Case nehmen.
4. Proof of Concept mit echten Daten. Kein Demo-Datensatz – die eigenen, unsauberen Dokumente. Hier zeigt sich, ob es traegt.
5. Mensch im Prozess einplanen. Pruefschleife fuer Zweifelsfaelle definieren, bevor produktiv geschaltet wird.
6. Messen und ausrollen. Erst wenn der erste Use-Case nachweislich liefert, kommt der naechste. So entsteht Vertrauen im Team statt KI-Muedigkeit.

Was die Strategie noch klaeren muss

• Datenschutz und Compliance. AVV mit Anbietern, Verarbeitungsort, Datenminimierung. Bei sensiblen Daten EU- oder lokales Hosting pruefen. Das gehoert in die Strategie, nicht ans Ende.
• Build vs. Buy. Fertige SaaS-Tools fuer Standardfaelle, massgeschneiderte Workflows fuer alles, was an die eigene Software andockt und Sonderlogik braucht. Beides hat seine Berechtigung.
• Betrieb statt Projekt. KI-Loesungen brauchen Pflege – Daten veralten, Modelle aendern sich, Prozesse wandeln sich. Wer nur einmal baut und nie wartet, sieht die Qualitaet langsam abrutschen.
• Akzeptanz im Team. Die beste Loesung scheitert, wenn das Team sie als Bedrohung sieht. Frueh einbinden, Entlastung statt Ersatz kommunizieren.

Mini-Checkliste fuer den ersten KI-Use-Case

• Loest er ein echtes, haeufiges Problem – oder nur ein "waere cool"?
• Gibt es digitale Daten dafuer, in brauchbarer Qualitaet?
• Kannst du den ROI grob beziffern?
• Ist ein Fehler abfangbar (Pruefschleife) oder direkt teuer?
• Ist Datenschutz geklaert?
• Startest du klein und messbar – oder gleich gross und riskant?

Fazit

Eine gute KI-Strategie fuer den Mittelstand ist unspektakulaer: keine Vision von der vollautomatischen Firma, sondern eine nuechterne Liste von Engpaessen, ein Priorisierungsraster und ein erster Use-Case, der sich rechnet. KI bringt echten ROI bei haeufiger, repetitiver Arbeit mit klaren Regeln und vorhandenen Daten – und verbrennt Geld bei Hype-Projekten ohne Datenbasis und ohne klaren Nutzen. Wer mit dem profitabelsten, machbarsten Use-Case startet, baut Vertrauen auf und finanziert die naechsten Schritte aus dem ersten Erfolg. Genau diese ehrliche Reihenfolge – Business-Logik vor Technik – ist der Ansatz, mit dem Plugwork an KI-Projekte herangeht.