KI-Prozessautomatisierung im Mittelstand: Integration & Workflow (2026)
KI-Prozessautomatisierung im Mittelstand bedeutet, generative KI mit deinen bestehenden Systemen so zu verbinden, dass Prozesse ohne manuelle Eingriffe laufen. Diese Anleitung beschreibt die drei Integrations-Patterns, die in DACH-Unternehmen tatsächlich produktiv laufen, mit echten Kosten, Tools und einer 90-Tage-Roadmap. Kein Buzzword-Bingo, keine Vendor-Show.
Wenn du wissen willst, ob KI-Beratung der richtige nächste Schritt ist, geht der KI-Berater-Auswahl-Guide tiefer in den Beratungsprozess. Diese Seite ist die Schwester dazu: was technisch passiert, sobald du die Beratung in die Tat umsetzt.
Verdict: Wo KI-Prozessautomatisierung 2026 wirkt
Drei Use-Case-Klassen tragen die meiste Wertschöpfung in DACH-Mittelstandprojekten. Alles andere ist entweder noch Pilot-Stadium oder klassische RPA in neuem Anstrich.
| Use Case | Reife 2026 | Typischer ROI im ersten Jahr |
|---|---|---|
| Inbox-zu-CRM (E-Mails, Anfragen, Tickets) | etabliert | 1.500 bis 8.000 Stunden pro Jahr |
| Dokumentenextraktion (Verträge, Rechnungen, Lieferscheine) | etabliert | 800 bis 4.000 Stunden pro Jahr |
| Multi-System-Routing (KI entscheidet das Zielsystem) | im Aufbau | stark fallabhängig, 30-60% Ersparnis |
| Voice-Agenten (Inbound-Telefonate) | im Aufbau | Pilot-Stadium, noch wenige Referenzen |
| Vollautonome Agenten (ohne Human-in-the-Loop) | skeptisch | nicht produktionsreif für Mittelstand |
Wenn dein Use Case in den ersten beiden Zeilen liegt, kannst du in 30 bis 90 Tagen einen produktiven Workflow haben. Liegt er in der dritten Zeile, plane sechs Monate Pilot. Liegt er in den letzten beiden Zeilen, baue lieber zuerst eine der oberen drei.
KI-Prozessautomatisierung vs. klassische RPA
Klassische RPA klickt durch Oberflächen nach festen Regeln. Wenn sich die Maske ändert, bricht der Bot. KI-Prozessautomatisierung lässt ein Sprachmodell entscheiden, was als Nächstes passiert. Das funktioniert auch, wenn Eingaben unstrukturiert sind (Mail-Text, gescanntes PDF, Tonaufnahme) oder wenn das Zielsystem vom Inhalt abhängt.
In der Praxis kombinierst du beides. Die KI versteht den Vorgang, klassische API-Calls oder RPA führen die deterministischen Schritte aus. Die KI ist der Dirigent, nicht der ganze Orchester.
Die drei Integrations-Patterns, die produktiv laufen
Pattern 1: Inbox-zu-CRM
Eingehende E-Mails an info@, vertrieb@, support@ werden vom LLM gelesen, kategorisiert und in HubSpot, Pipedrive oder dein eigenes CRM überführt. Anlagen (Angebote, RFQs, Lebensläufe) werden parallel extrahiert und an die Kontakte gehängt.
Stack: n8n als Orchestrator, IMAP- oder Gmail-Trigger, Claude für Klassifikation und Extraktion, HubSpot v3 API als Senke. Pilot in zwei bis vier Wochen produktiv.
Häufiger Fehler: zu früh vollautonom schalten. Halte die ersten 200 Mails als Human-in-the-Loop, miss die Falsch-Klassifikationsrate, dann erst auto-merge. Wer das überspringt, lernt es teuer.
Pattern 2: Dokumentenextraktion
Verträge, Rechnungen, Lieferscheine, Bewerbungen werden automatisch in strukturierte Felder umgewandelt. Vorher: Sachbearbeiter tippt aus PDF in SAP. Nachher: PDF kommt rein, strukturierte Daten landen in SAP, Sachbearbeiter prüft Ausreißer.
Stack: Claude für die Extraktion mit JSON-Schema-Validierung, n8n für den Workflow, SAP REST/OData oder eine Datenbank-Senke. Bei sensiblen Daten ein lokales 70B-Modell (Llama 3.3, Qwen 2.5) auf Hetzner statt API-Aufruf.
Wichtigste Designentscheidung: strikte Schemata pro Dokumentenklasse, plus ein Validierungs-Pass, der niedrige Konfidenz an einen Menschen ausspielt.
Pattern 3: Multi-System-Routing
Eingehende Anfragen werden vom LLM analysiert und an das richtige Zielsystem weitergeleitet. Beispiel: ein Help-Desk-Ticket geht je nach Produktfamilie in Jira, Zendesk oder direkt an die Entwicklung. Eine eingehende Bewerbung wird je nach Rolle an ATS A oder ATS B geroutet.
Stack: n8n mit einem KI-Routing-Knoten am Anfang, danach klassische API-Integrationen pro Zielsystem. Latenz lässt sich durch Prompt-Caching oder ein kleineres 7B-Modell für die Routing-Entscheidung niedrig halten.
KI-Integration mit SAP, HubSpot, Microsoft 365
Drei Schnittstellen-Pattern decken die meisten DACH-Mittelstand-Stacks ab.
REST oder OData für SAP. S/4HANA exponiert OData-Services für die meisten Standardobjekte. Für Custom-Felder schreibt man entweder ein eigenes RAP-Service oder geht über die Integration Suite. KI-Komponenten sprechen das gleiche OData wie ein klassischer Konnektor.
v3 API für HubSpot. Saubere REST-Endpunkte, gute Doku, Webhook-Trigger für Echtzeit-Events. Pflicht-Felder sauber pflegen, sonst lehnt die API ab.
Microsoft Graph für M365. Ein-Token-Lösung für Mail, Kalender, Teams, SharePoint, OneDrive. Berechtigungen über Azure AD, Audit-Logging out of the box. Für Mittelstand-Compliance der saubere Weg.
Für jeden dieser Stacks gilt: die KI-Logik bleibt austauschbar, die Schnittstelle ist der invariante Anker. Wer das LLM hinter eine eigene Service-Fassade legt, kann später ohne Workflow-Umbau das Modell wechseln.
Mehr zur Auswahl zwischen MCP-Standard und eigenem API-Layer steht im Guide MCP vs. Custom API Integration.
Was kostet KI-Prozessautomatisierung im Mittelstand?
Drei Kostenblöcke. Plus Engineering-Zeit, die in keiner Pricing-Page steht.
Pilot-Aufbau. Ein produktiv lauffähiger Workflow kostet zwischen 8.000 und 25.000 Euro je nach Komplexität. Inbox-zu-CRM ist am unteren Ende, Multi-System-Routing mit eigenem Tool-Layer am oberen.
Laufende Kosten. API-Zugriffe (Claude, OpenAI), Hosting (n8n auf Hetzner, plus Vektor-DB), Monitoring. Für einen produktiven Mittelstand-Workflow typisch 200 bis 1.500 Euro pro Monat. Self-hosted Modelle senken das auf den Server-Preis, wenn das Volumen steigt.
Engineering-Zeit. Entweder intern (10 bis 30 Personentage Aufbau, 5 bis 10 Prozent einer Stelle laufend) oder extern. Freelance-Tagessätze für KI-Engineering im DACH-Raum liegen bei 800 bis 1.300 Euro.
Den ROI rechnest du gegen eingesparte Mitarbeiterzeit. Wer 1.500 Stunden Sachbearbeitung pro Jahr ersetzt, hat selbst beim hohen Setup-Preis nach unter zwölf Monaten den Punkt erreicht, ab dem sich die Lösung trägt.
Detailliertere Preisrechnungen findest du in Automatisierungs-Plattform-Preise erklärt und in Self-Hosted LLM vs API: Break-Even-Analyse.
AI Made in Germany: Was es 2026 bedeutet
AI Made in Germany ist keine Zertifizierung, sondern eine Positionierungsklammer. Drei Säulen tragen den Begriff in 2026.
Hosting in Deutschland. Hetzner (Falkenstein, Nürnberg), IONOS (Karlsruhe, Frankfurt), plusserver. Vektor-DBs, n8n-Instanzen, lokale LLMs laufen auf Hardware, die im deutschen Rechtsraum steht.
DSGVO und EU AI Act konform. Datenverarbeitungsverträge nach deutschem Recht, klare Auftragsverarbeiter-Strukturen, Risiko-Klassifizierung nach EU AI Act, Audit-Logs. Zum AI Act gibt es einen separaten Praxis-Guide unter EU AI Act für den Mittelstand 2026.
Modellauswahl mit europäischer Kontrolle. Entweder lokal gehostete Open-Weight-Modelle (Llama 3.3, Qwen 2.5, Teuken-7B aus dem OpenGPT-X-Projekt) oder hosted Modelle mit EU-Region und Zero-Retention-Endpunkten (Anthropic EU, Azure OpenAI Frankfurt). Eine Verarbeitung über US-Server ist möglich, aber dann nicht mehr unter dem Label.
Für Kunden im regulierten Mittelstand ist diese Klammer kein Marketing-Bonus, sondern Voraussetzung für die Beauftragung. Wer das vor dem Pitch klärt, gewinnt Projekte schneller.
Wann sich KI-Prozessautomatisierung lohnt
Drei Schwellen prüfen, bevor du den Pilot startest.
Volumen. Ein Vorgang muss mindestens 200-mal pro Monat anfallen, sonst übersteigen Aufbau- und Wartungskosten den Nutzen. Darunter ist eine vernünftige Excel-Vorlage oder ein gutes Formular meistens die richtige Antwort.
Wiederholbarkeit. Der Vorgang muss in seinen Schritten ähnlich genug sein, dass ein Mensch ihn nach einem festen Schema bearbeitet. Wenn jeder Fall einen anderen Pfad hat, lohnt KI nicht, lohnt aber oft eine bessere Schulung.
Fehlerkosten. Ein Falsch-Klassifikation darf nicht teurer sein als der Aufwand, jeden Fall manuell zu prüfen. Bei kritischen Vorgängen (Verträge ab einer bestimmten Höhe, regulierte Daten) bleibt der Mensch im Loop, die KI bereitet vor.
Diese Tests verhindern den häufigsten Fehler: Pilot baut, läuft technisch, scheitert am Business Case.
90-Tage-Roadmap
Tag 1 bis 30. Use Case identifizieren. Drei Kandidaten in einem Workshop priorisieren, einen davon im Detail durchsprechen. Vorhandene Daten sichten (welche Mails kommen rein, welche PDFs, welche Tickets). Datenschutz-Folgenabschätzung anstoßen, falls nötig.
Tag 31 bis 60. Pilot bauen. n8n-Instanz auf Hetzner aufsetzen, Claude- oder lokales-LLM-Endpoint einbinden, ein Team von zwei bis vier Personen als Beta-User. Der Pilot bearbeitet die ersten 200 echten Vorgänge unter menschlicher Aufsicht. Falsch-Quote messen, Prompts und Schema verfeinern.
Tag 61 bis 90. Skalieren. Workflow auf Produktion umschalten, Monitoring (Latenz, Kosten, Falsch-Quote) einrichten, eine wöchentliche Review etablieren. Erst nach 60 Tagen produktivem Lauf zweite Use-Case-Iteration starten, sonst verlierst du den Fokus.