KI im Mittelstand: sinnvoll starten und sauber umsetzen

Eine kurze, ehrliche Einordnung

KI ist im Mittelstand längst da, nur meist unkoordiniert: Mitarbeitende nutzen Chat-Tools für E-Mails und Zusammenfassungen, irgendwo läuft ein Testzugang, die Geschäftsführung hat eine Demo gesehen. Was fehlt, ist der Schritt von der Spielerei zum Werkzeug. Wer KI im Mittelstand sinnvoll einsetzen will, schafft ihn nicht durch mehr Tools, sondern durch eine nüchterne Frage: Welches Problem, das uns heute Zeit oder Kunden kostet, lässt sich mit KI besser lösen als ohne?

Drei Dinge vorab, damit die Erwartung stimmt. Erstens: KI ersetzt keine Mitarbeitenden, sie nimmt ihnen Schritte ab, die keine Erfahrung brauchen. Zweitens: Sprachmodelle machen Fehler, überzeugend formuliert; jede Anwendung braucht deshalb Kontrollpunkte. Drittens: Die meisten lohnenden Anwendungsfälle sind unspektakulär. Dokumente sortieren, Anfragen einordnen, Wissen finden. Wer nach dem großen Wurf sucht, übersieht die Stunden, die jede Woche in kleinen Routinen verschwinden.

Sinnvolle Anwendungsfälle nach Unternehmensbereich

Die folgenden Beispiele sind typische Muster, keine Kundenprojekte. Sie zeigen, wo KI im Mittelstand regelmäßig einen messbaren Unterschied macht, und wo der Mensch bleibt.

Ausdrücklich ungeeignet: Entscheidungen über Menschen mit rechtlichen oder finanziellen Folgen, etwa Bewerberauswahl, Kreditentscheidungen oder Kündigungen. Hier bleibt der Mensch verantwortlich, und die Datenschutz-Grundverordnung setzt automatisierten Einzelentscheidungen in Artikel 22 enge Grenzen (Verordnung (EU) 2016/679 auf EUR-Lex).

Ein Pilotprojekt aufsetzen

1. Umfang festlegen. Ein Prozess, ein Team, ein abgegrenzter Teil der Fälle. Nicht alle Anfragen, sondern die aus einem Postfach. Nicht alle Rechnungen, sondern die von zehn Lieferanten.
2. Messgrößen vorher definieren. Minuten pro Vorgang heute, Fehlerquote heute, Anzahl der Fälle pro Woche. Ohne Ausgangswert lässt sich später kein Erfolg belegen.
3. Regel und KI trennen. Was mit einer festen Regel geht, wird mit einer festen Regel gelöst. KI nur dort, wo unstrukturierte Eingaben verstanden oder Texte erzeugt werden müssen. Das hält den Pilot nachvollziehbar und günstig.
4. Freigabepunkte einbauen. Alles, was nach außen geht, Geld bewegt oder Daten dauerhaft ändert, wird von einem Menschen bestätigt. Unsichere Fälle landen in einer Prüfliste.
5. Parallel laufen lassen. Vier bis acht Wochen neben dem bisherigen Weg. Die Korrekturen der Mitarbeitenden sind das wertvollste Ergebnis dieser Phase.
6. Entscheiden. Ausweiten, anpassen oder abbrechen, anhand der Messgrößen aus Schritt 2. Abbrechen ist ein legitimes Ergebnis, wenn es begründet ist.

Wie ein solcher Ablauf technisch aussieht, beschreibt die Seite KI-Automatisierung von Abläufen. Wenn die Aufgabe mehrstufig ist und die Reihenfolge der Schritte vom Fall abhängt, ist ein KI-Agent mit definierten Werkzeugen die passende Form.

Datenschutz und menschliche Kontrolle

Zwei Regelwerke bestimmen den Rahmen. Die Datenschutz-Grundverordnung gilt für jede Verarbeitung personenbezogener Daten, also auch dann, wenn ein Sprachmodell Kundendaten liest. Die europäische KI-Verordnung (Verordnung (EU) 2024/1689 auf EUR-Lex) stuft KI-Anwendungen nach ihrem Risiko ein und knüpft daran abgestufte Pflichten, von Transparenz bis zu umfangreichen Anforderungen für Hochrisikoanwendungen. Welche Pflichten für ein konkretes Vorhaben gelten und ab wann, ist eine rechtliche Frage, die wir als Prüfpunkt benennen, aber nicht selbst beantworten. Dafür gibt es qualifizierte Fachleute.

Unabhängig von der rechtlichen Einordnung gelten für uns vier praktische Regeln:

• Datensparsamkeit: Ein System bekommt nur die Daten, die es für seine Aufgabe braucht. Personenbezogene Daten werden reduziert oder pseudonymisiert, bevor sie ein Modell erreichen.
• Klärung des Verarbeitungsorts: Bei externen Modellanbietern prüfen wir, wo verarbeitet wird, was der Auftragsverarbeitungsvertrag regelt und ob Daten für das Training verwendet werden dürfen. Bei sensiblen Daten kommen Modelle in europäischer oder eigener Infrastruktur in Betracht.
• Menschliche Kontrolle: Freigabepunkte an jeder Stelle, an der ein Fehler Folgen hätte. Das ist keine Bremse, sondern die Voraussetzung dafür, dass ein System überhaupt eingesetzt werden darf.
• Protokollierung: Jeder Schritt wird nachvollziehbar gespeichert. Ohne Protokoll lässt sich weder ein Fehler analysieren noch eine Anfrage einer Aufsichtsbehörde beantworten.

Typische Fehler

• Tool vor Problem. Eine Software kaufen und dann nach dem Einsatzzweck suchen. Die häufigste Ursache für Projekte, die nach drei Monaten niemand mehr nutzt.
• Zu groß anfangen. Ein Konzept für das ganze Unternehmen statt eines Piloten für ein Team. Groß angefangen heißt meist: nie fertig.
• Keine Ausgangswerte. Ohne Messung vorher lässt sich hinterher jede Wirkung behaupten oder bestreiten.
• Daten unterschätzen. Die KI ist in zwei Wochen gebaut, das Aufräumen der Daten dauert vier Monate. Wer das nicht einplant, hält die KI für das Problem.
• Mitarbeitende übergehen. Wer die Menschen, die den Prozess machen, erst beim Rollout informiert, bekommt Widerstand statt Korrekturen.
• Kontrolle abbauen aus Bequemlichkeit. Freigabepunkte streichen, weil sie lästig sind, statt weil die Fehlerauswertung es erlaubt.
• Anbieterversprechen glauben. "Vollautomatisch", "kein Setup", "sofort produktiv". Solche Aussagen gelten für Demos, nicht für Ihre Daten.
• Sichtbarkeit vergessen. Intern läuft alles mit KI, aber nach außen wird das Unternehmen in KI-Antworten nicht gefunden. Beides gehört zusammen; für die Außenseite ist die GEO-Begleitung von FMQ zuständig.