KI-Automatisierung im Mittelstand: Praxisanleitung für 2026

KI-Automatisierung im Mittelstand ist 2026 keine strategische Option mehr, sondern eine operative Pflicht. Wer in der DACH-Region einen Maschinenbauer, ein Handelsunternehmen oder einen Dienstleister mit 50 bis 500 Mitarbeitern führt, konkurriert bereits heute mit Wettbewerbern, die KI in Angebotserstellung, Rechnungsprüfung und Kundenkommunikation eingebaut haben. Der Abstand wächst pro Quartal.

Diese Anleitung ist bewusst keine Strategie-Präsentation. Ich arbeite seit Jahren mit mittelständischen Unternehmen an KI-Integration und sehe immer wieder dieselben Muster: zu viel Grundsatz-Diskussion, zu wenig konkrete Pilotprojekte. Was du hier findest, ist ein Einführungspfad, den du in 90 Tagen durchziehen kannst, inklusive Zahlen, DSGVO-Praxis und den typischen Stolperfallen.

Wenn du am Ende nur eine Sache mitnimmst: klein starten, einen konkreten Prozess automatisieren, messen, skalieren. Die Firmen, die jetzt noch auf “die richtige KI-Strategie” warten, werden 2027 feststellen, dass ihre schnelleren Wettbewerber zwei Lernzyklen Vorsprung haben.

Die Realität 2026 im Mittelstand

Der deutsche Mittelstand steht 2026 unter einem doppelten Druck, der KI-Adoption erzwingt, auch wenn das Wort intern niemand hören will.

Erstens: Personalmangel ist strukturell. Fachkräfte in Buchhaltung, Vertriebsinnendienst, HR und Einkauf sind schwer zu bekommen, teurer als vor drei Jahren und bleiben oft nicht lange. Die Stellen sind aber nicht verschwunden, die Arbeit auch nicht. Irgendjemand muss die Rechnungen prüfen, die Anfragen beantworten, die Lieferscheine abgleichen. Wenn du keine Menschen findest, musst du die repetitiven Anteile dieser Arbeit an Software abgeben. KI-gestützte Automatisierung ist das einzige Werkzeug, das dafür in den letzten zwei Jahren wirklich reif geworden ist.

Zweitens: DSGVO wird oft als Bremse angeführt, ist es aber nicht mehr automatisch. Alle großen Anbieter (Anthropic, OpenAI über Azure, Google Cloud, AWS Bedrock) bieten inzwischen EU-Region, Standard-AVV und vertragliche Zusicherungen, die für Mittelstands-Anwendungsfälle ausreichen. Die echten DSGVO-Hürden liegen nicht mehr beim Cloud-Betrieb, sondern bei der internen Datenklassifikation: welche Daten dürfen in welchen Prompt. Das ist eine Hausaufgabe, keine Ausrede.

Drittens: IT-Abteilungen im Mittelstand sind typischerweise ausgelastet mit Bestandsbetrieb. Niemand hat freie Kapazität für ein KI-Greenfield-Projekt auf Strategie-Ebene. Das bedeutet in der Praxis, dass KI-Einführung aus der Geschäftsleitung oder aus einem Fachbereich kommen muss, nicht aus der IT. Die IT wird zum Enabler, nicht zum Initiator. Wer darauf wartet, dass die IT ein KI-Projekt vorschlägt, wartet ewig.

Viertens: die Entscheider im Mittelstand, also Geschäftsführer, kaufmännische Leiter, Abteilungsleiter, sind 2026 deutlich aufgeklärter als 2023. Die Grundsatz-Diskussion “was ist KI, warum jetzt” ist weitgehend durch. Jetzt geht es um konkrete Umsetzung und um das Vermeiden von teuren Sackgassen.

Wo KI-Automatisierung im Mittelstand heute wirklich einspart

Die folgenden sechs Felder sind diejenigen, in denen ich in den letzten Projekten konsistent messbare Einsparungen oder Qualitätsgewinne gesehen habe. Es gibt andere, aber diese liefern mit hoher Wahrscheinlichkeit positiven ROI innerhalb weniger Monate.

Dokumentenverarbeitung. Rechnungen eingangsseitig klassifizieren, mit Bestellung und Wareneingang abgleichen, Buchungssätze vorschlagen. Lieferscheine gegen Bestellungen matchen. Verträge in Standard-Kategorien einsortieren und wichtige Klauseln extrahieren. Das ist Brot-und-Butter-KI, weil die Eingabe strukturiert genug ist und die Ausgabe messbar stimmt oder nicht stimmt. Typische Tools: ein LLM (Claude, GPT) hinter einem Make.com oder n8n Workflow, angebunden an DATEV, SAP oder das vorhandene DMS. Siehe auch meinen Make.com und n8n Vergleich für die Workflow-Ebene.

Kundenkommunikation. Eingehende E-Mails und Kontaktformular-Anfragen vorqualifizieren, kategorisieren, an die richtige Abteilung routen. Standard-Antworten entwerfen, die ein Mensch nur noch freigibt. Support-Tickets in dringend/normal/später sortieren. Wichtig: KI entwirft, Mensch entscheidet. Volle Automatisierung der Antwort ist im Mittelstand selten sinnvoll, weil ein falsch automatisiertes “Nein” teurer ist als die zwei Minuten, die ein Mensch für die Freigabe braucht.

Interne Prozesse. HR-Anfragen zu Urlaubsregelung, Reisekosten, IT-Zugängen automatisiert beantworten, basierend auf dem internen Wiki oder der Betriebsvereinbarung. Spesenabrechnungen auf Plausibilität prüfen. Interne Meldewege (IT-Ticket, Facility-Management, Beschaffung) vereinfachen über einen natürlich-sprachigen Eingang. Das spart oft weniger Geld als andere Felder, aber viel Frust.

Vertrieb. Lead-Qualifizierung: eingehende Anfragen gegen Ideal-Kunden-Profil bewerten, mit öffentlichen Daten anreichern. Angebots-Entwürfe: aus Produktkatalog, Preisliste und Anfrage einen ersten Entwurf bauen, den der Vertrieb nur anpasst. CRM-Pflege: Besuchsberichte und E-Mails automatisch im CRM ablegen und zusammenfassen. Das Angebots-Thema ist besonders stark, weil die Zeitersparnis pro Angebot gut messbar ist.

Wissensmanagement. Internes Q&A über die eigene Dokumentation, SharePoint, Confluence oder Ablagelaufwerke. Onboarding-Assistenten, die neue Mitarbeiter durch die ersten Wochen begleiten. Technische Wissensdatenbanken durchsuchbar machen über natürliche Sprache. Das ist klassisches RAG-Territorium (Retrieval Augmented Generation) und funktioniert inzwischen zuverlässig, wenn die Dokumentation halbwegs gepflegt ist.

Reporting. Daten aus ERP, CRM, Zeiterfassung, Projektmanagement-Tool wöchentlich zu einem Bericht zusammenfassen. KI übernimmt dabei nicht die Datenanalyse (dafür gibt es BI-Tools), sondern die Text-Erzeugung und die Anomalie-Erkennung im Narrativ. “Warum war der Umsatz in KW 14 niedriger” ist eine Frage, auf die KI über verknüpfte Datenquellen eine plausible erste Antwort liefert, die der Controller dann validiert.

Was KI NICHT im Mittelstand löst

Genauso wichtig wie die Frage, wofür KI geeignet ist, ist die Frage, wofür nicht. Drei Bereiche, in denen KI als Lösung gerne verkauft wird, aber konsistent scheitert.

ERP-Migrationen oder Stammdaten-Chaos. Wenn deine Artikelstammdaten inkonsistent sind, deine Kundennummern doppelt vergeben, deine Lieferantenadressen in drei Schreibweisen existieren, dann ist das ein Prozess- und Organisations-Problem, kein KI-Problem. KI kann bei Daten-Matching helfen, aber die darunter liegende Disziplin muss menschlich hergestellt werden. Wer hofft, KI würde fünfzehn Jahre Stammdaten-Verwahrlosung in sechs Wochen aufräumen, wird enttäuscht und hat dann auch noch KI-Kosten.

Strategische Entscheidungen. “Sollen wir diesen Markt betreten, sollen wir dieses Produkt einstellen, sollen wir diesen Standort schließen.” KI kann Szenarien rechnen, kann Quellen durchsuchen, kann Präsentationen entwerfen. Die Entscheidung muss ein Mensch treffen, der auch die Verantwortung trägt. Niemand im Mittelstand sollte eine strategische Entscheidung an ein LLM delegieren, selbst wenn das Modell überzeugend klingt.

Mitarbeiter-Motivation. Wenn ein Team demotiviert ist, die Fluktuation hoch, das Klima schlecht, dann ist das ein soziales Problem mit sozialen Ursachen. Kein Chatbot repariert eine toxische Führungskultur. KI kann Routine-Last reduzieren und Mitarbeiter von repetitiver Arbeit befreien, was indirekt hilft. Aber das Kern-Problem wird immer Führungsarbeit sein.

Der KI-Einführungspfad konkret

Der Pfad, der in den letzten zwei Jahren bei meinen Kunden zuverlässig funktioniert hat, besteht aus fünf Schritten. Keine Raketenwissenschaft, aber die Reihenfolge ist wichtig.

Schritt 1: Use Case identifizieren. Du suchst einen Prozess mit vier Eigenschaften: er ist repetitiv (pro Woche mindestens zehn Durchläufe), er ist regelbasiert (ein erfahrener Mitarbeiter könnte die Regeln in einer Stunde aufschreiben), er kostet relevant Zeit (pro Durchlauf mindestens zehn Minuten), und die Ausnahmen sind überschaubar (weniger als zwanzig Prozent der Fälle brauchen Sonderbehandlung). Rechnungseingang, Anfragerouting und Angebots-Entwürfe erfüllen diese Kriterien typischerweise. Strategisches Pricing und juristische Verträge eher nicht.

Schritt 2: Pilot mit einem konkreten Team. Nicht firmenweit, nicht strategisch, nicht “KI-Initiative 2026”. Eine Abteilung, ein Problem, vier bis sechs Wochen Pilot-Dauer. Das Team bekommt ein Ziel (“wir halbieren die Bearbeitungszeit für eingehende Rechnungen”), Zugriff auf die Zahlen vorher, und einen klaren Abbruch-Punkt. Wenn der Pilot nach sechs Wochen nicht liefert, wird er nicht verlängert, sondern analysiert und entweder umgebaut oder beerdigt.

Schritt 3: MVP bauen. Klein, sichtbar, messbar. Keine Plattform-Diskussion, keine Architektur-Reviews über drei Ebenen. Ein Workflow in Make.com oder n8n, ein LLM-Aufruf, ein konkretes Ergebnis. Die erste Version sollte nach zwei Wochen produktiv laufen, auch wenn sie hässlich ist. Baue für das Lernen, nicht für die Skalierung. Wenn du Hilfe beim Tool-Vergleich brauchst, sieh dir den Make.com und n8n Vergleich an.

Schritt 4: Stakeholder einbeziehen. Betriebsrat früh, nicht spät. DSGVO-Beauftragten früh, nicht erst nach dem Go-Live. IT-Sicherheit früh, nicht auf dem letzten Meter vor dem Produktiv-Start. Der klassische Fehler ist, erst zu bauen und dann Freigaben zu suchen. Die Reihenfolge ist immer: Stakeholder informieren, bauen, final freigeben, produktiv gehen. Wenn der Betriebsrat am Ende überrascht ist, hast du einen politischen Konflikt, den du nicht brauchst.

Schritt 5: Skalieren, wenn der Pilot wirkt. Skalieren heißt: Erfolg dokumentieren, Zahlen kommunizieren, nächste drei Prozesse identifizieren, Team aufbauen oder extern andocken. Wenn der Pilot nicht wirkt, wird er nicht aus Loyalität weitergeschleppt, sondern ehrlich beendet. Jedes zweite KI-Projekt im Mittelstand, das ich bei Kollegen sehe, lebt in einer Zombie-Phase weiter, weil niemand den Mut hat, es zu killen. Das ist teuer.

Typische ROI-Rahmen

Die folgenden Zahlen sind Bandbreiten aus realen Praxisprojekten, nicht aus Marketing-Material. Sie variieren stark nach Ausgangslage, Datenqualität und Disziplin in der Umsetzung.

Zwei wichtige Einordnungen. Erstens: “Zeitersparnis auf der Teilaufgabe” ist nicht identisch mit “Zeitersparnis pro Mitarbeiter”. Ein Sachbearbeiter, der vorher acht Stunden pro Woche Rechnungen geprüft hat, macht auch andere Dinge. KI reduziert die acht Stunden auf zwei, die übrigen sechs Stunden gehen in andere Aufgaben, nicht ins Nichts. Zweitens: Amortisation berücksichtigt Implementierungskosten, API-Kosten und laufende Pflege, nicht nur Personal-Einsparung.

Kostenrahmen realistisch

Die Kostenfrage wird im Mittelstand oft zu spät oder zu allgemein gestellt. Hier die realistischen Größenordnungen für 2026.

Externer Pilot mit Berater oder Freelancer. Ein erster KI-Pilot mit externem Partner kostet je nach Komplexität 5.000 bis 20.000 Euro für vier bis acht Wochen. Darin sind Use-Case-Auswahl, MVP-Bau, Integration in ein bis zwei Bestandssysteme und Übergabe enthalten. Die untere Grenze gilt für einen klar umrissenen Workflow, die obere für Integrationen in SAP, Dynamics oder ähnliche Enterprise-Systeme. Siehe auch mein Guide zu KI-Beratern finden und freelance AI Engineer beauftragen.

Interne Umsetzung. Wenn deine IT die Umsetzung selbst macht, kalkuliere zehn bis dreißig Entwicklertage für den ersten Use Case, plus API-Kosten. Das setzt voraus, dass mindestens eine Person in der IT Python oder JavaScript auf Produktions-Niveau kann und Zeit hat. Wenn beide Voraussetzungen nicht erfüllt sind, ist “interne Umsetzung” eine Illusion und verschlingt sechsstellige Beträge in Lernkurven.

Laufende API-Kosten. Für typische Mittelstands-Volumen liegen die reinen LLM-API-Kosten bei 50 bis 500 Euro pro Monat. Rechnungseingang mit 500 Rechnungen pro Monat: unter 100 Euro. Support-Chatbot mit 2.000 Anfragen pro Monat: 100 bis 300 Euro. Interne Q&A-Plattform mit Embedding-basiertem Retrieval: 50 bis 200 Euro, je nach Dokumentations-Umfang. Details zur Kostenoptimierung und Modellauswahl findest du im Claude API Artikel auf Deutsch.

Enterprise-Kommerz. Wenn du SOC2-Zertifikate, Zero-Retention-Zusicherungen, dedizierten Support und DPA in einem bestimmten Format brauchst, liegst du bei 500 bis 2.000 Euro pro Monat zusätzlich für die Enterprise-Stufe der jeweiligen Anbieter. Für den klassischen Mittelstand ist das meist unnötig, die Standard-AVV und die kommerziellen Tarife reichen. Prüfe deinen konkreten Bedarf, nicht die Anbieter-Empfehlung.

Monitoring, Logging, Betrieb. Oft unterschätzt: ein produktives KI-System braucht Logging der Aufrufe, Monitoring der Kosten, Alerts bei Anomalien, Backup der Konfigurationen. Rechne zehn bis zwanzig Prozent des Entwicklungsaufwands als laufende Betriebs-Last pro Jahr.

DSGVO-Praxis kurz und konkret

Die DSGVO ist 2026 keine Blockade mehr, aber sie verlangt Hausarbeit. Fünf Punkte, die in jedem Mittelstands-Projekt passen müssen.

AVV mit dem KI-Anbieter. Anthropic, OpenAI (über Azure oder direkt), Google Cloud und AWS Bedrock haben alle Standard-Auftragsverarbeitungsverträge, die du unterschreiben kannst. Das ist nicht verhandelbar, und das ist gut so: Standard heißt, dein Anwalt muss nicht individuell verhandeln. Unterschreiben, archivieren, im Verzeichnis der Verarbeitungstätigkeiten eintragen, fertig.

EU-Region erzwingen, wo möglich. Claude hat EU-Region über AWS Bedrock und Google Cloud. OpenAI hat Azure Europe. Google Gemini hat EU-Region direkt. Bei der Einrichtung der API explizit die EU-Region konfigurieren, bei der Anbieterwahl darauf bestehen. Das nimmt der internen Diskussion viel Wind aus den Segeln.

Keine personenbezogenen Daten ohne Rechtsgrundlage. Das ist der Kern-Satz. Bevor ein Prompt personenbezogene Daten enthält (Kundenname, Mitarbeiterdaten, Gesundheitsdaten), muss eine Rechtsgrundlage bestehen. Berechtigtes Interesse, Vertrag, Einwilligung, je nach Fall. Die Frage “brauchen wir den Namen wirklich im Prompt” ist oft produktiv: die meisten Dokumentenverarbeitungs-Use-Cases funktionieren mit anonymisierten oder pseudonymisierten Daten.

Logging der KI-Aufrufe. Für Auskunftsanfragen nach Artikel 15 DSGVO musst du nachvollziehen können, welche Daten wann an welchen Anbieter gegangen sind. Ein einfaches Log mit Timestamp, User-ID, gesendeten Feldern (nicht zwingend dem vollen Prompt-Inhalt), Anbieter und Modell reicht in den meisten Fällen. 90 Tage Aufbewahrung sind ein pragmatischer Default.

DPA-Abstimmung mit dem Betriebsrat. Wenn KI Mitarbeiterdaten verarbeitet (HR-Anfragen, Performance-Daten, Zeiterfassung), fällt das unter die Mitbestimmung. Eine Betriebsvereinbarung oder ein Eckpunktepapier klärt Zweckbindung, Auswertungsrechte und Löschfristen. Früh anfangen, nicht auf den Go-Live warten. Details zu den technischen DSGVO-Aspekten der Claude-API findest du im Claude API Deutsch-Artikel.

Die Tools-Landschaft 2026

Die Werkzeug-Auswahl ist 2026 überschaubar, wenn du eine klare Achse hast: Workflow-Orchestrierung plus LLM-Provider plus bestehender Stack-Kontext.

Make.com und n8n sind die zwei Workflow-Orchestratoren, die im Mittelstand aktuell dominieren. Make.com ist Cloud-only, gutes UI, schnell aufgesetzt. n8n kann self-hosted oder Cloud, flexibler bei komplexen Logiken, fordernder im Betrieb. Beide haben native LLM-Integrationen, HTTP-Requests und hunderte Konnektoren zu Bestandssystemen. Details im Make.com und n8n Vergleich.

Claude, OpenAI und Gemini sind die drei LLM-Anbieter, die für produktive Mittelstands-Anwendungen in Frage kommen. Claude ist stark bei Text-Verarbeitung, Dokumenten und ausführlichen Antworten. OpenAI hat das breiteste Ökosystem, dafür bei bestimmten Dokumenten-Tasks weniger gründlich. Gemini ist preislich attraktiv und eng in Google Workspace integriert. Wenn du in der Tool-Auswahl steckst, der ChatGPT und Claude Vergleich räumt das aus praktischer Sicht auf.

Microsoft Copilot ist die nächstliegende Option, wenn dein Unternehmen ohnehin auf Microsoft 365 läuft. Die Integration in Outlook, Teams und SharePoint spart Integrations-Aufwand, kostet aber Flexibilität. Für fokussierte KI-Automatisierung oft weniger geeignet, für breites Mitarbeiter-Enablement (Copilot als persönlicher Assistent) kann es sinnvoll sein.

SAP Joule, Salesforce Einstein und vergleichbare Enterprise-KI sind relevant, wenn dein Unternehmen bereits tief in diesen Plattformen arbeitet. Die Integration ist eng, die Use Cases sind vordefiniert, die Kosten sind hoch. Für klassischen Mittelstand ohne SAP-Großbestand meist Overkill.

Die Entscheidungshilfe. Respektiere deinen bestehenden Stack. Wenn du SAP hast, fang nicht mit einem fremden LLM-Stack an, ohne die SAP-Integration zu prüfen. Wenn du auf Microsoft 365 läufst, nimm Copilot-Integration mit. Wenn du weder noch hast, sind Make.com/n8n plus Claude/OpenAI die flexibelste Kombination für den ersten Pilot.

Organisatorische Voraussetzungen

Die Technik ist inzwischen der einfache Teil. Die Organisation ist der harte Teil, und genau hier scheitern die meisten Mittelstands-KI-Projekte.

Betriebsrat. KI-Einsatz fällt unter die Mitbestimmung nach Paragraf 87 BetrVG, insbesondere wenn Mitarbeiterdaten verarbeitet werden oder Leistungsüberwachung denkbar wäre. Früh einbinden heißt: vor dem Pilot-Start informieren, die geplante Datenverarbeitung erläutern, Bedenken aufnehmen. Eine Betriebsvereinbarung über KI-Einsatz ist 2026 ein realistisches Ziel, viele Betriebsräte sind inzwischen aufgeschlossen, wenn die Spielregeln klar sind.

DSGVO-Beauftragter. Das Verzeichnis der Verarbeitungstätigkeiten muss um die neuen KI-Verarbeitungen ergänzt werden. Die AVV mit dem Anbieter muss archiviert sein. Datenschutz-Folgenabschätzungen (DSFA) sind bei einzelnen Use Cases Pflicht, insbesondere bei Mitarbeiterdaten oder automatisierten Entscheidungen. Nicht optional, aber gut planbar.

IT-Sicherheit. Reviews der API-Zugänge, Netzwerk-Regeln, Logging-Konzept, Secrets-Management. API-Keys gehören in einen Vault oder eine Secret-Management-Lösung, nicht in Notion. Wenn deine IT noch keinen Prozess für Cloud-API-Keys hat, ist der erste KI-Pilot ein guter Anlass, den einzuführen.

Fachbereich als Treiber. Das KI-Projekt muss vom Fachbereich getragen werden, nicht von der IT. Der Fachbereich definiert den Business-Case, misst den Erfolg, bearbeitet Ausnahmefälle, fordert Änderungen nach. Die IT baut und betreibt. Wenn die IT das Projekt treibt und der Fachbereich passiv ist, wird das Ergebnis technisch okay sein, aber fachlich nicht genutzt.

Change-Management. Mitarbeiter brauchen Zeit, um KI-Vorschläge zu prüfen und einzuspielen. Rechne mit zwei bis vier Wochen, bis ein Team mit einem neuen KI-gestützten Workflow produktiv ist. Schulung, Dokumentation, offene Sprechstunden für die ersten Wochen. Das ist keine Nachrüstung, sondern Teil der Projekt-Planung.

Die häufigsten Fehler beim Start

Fünf Fehler, die ich im Mittelstand immer wieder sehe, und die du mit etwas Disziplin vermeidest.

“Wir bauen einen KI-Assistenten.” Zu vage. KI-Assistent für was, für wen, mit welchem Business-Case. Diese Formulierung führt zu Projekten, die nach sechs Monaten immer noch keinen konkreten Prozess verbessert haben. Immer einen konkreten Prozess ankern: “Wir automatisieren die Vorqualifizierung eingehender Angebotsanfragen.” Das ist messbar, abschließbar, verkaufbar.

“Wir machen das mit ChatGPT Enterprise.” Kann sinnvoll sein, kann aber auch eine Abkürzung in den Vendor-Lock-In sein. Bevor du eine Enterprise-Lizenz abschließt, prüfe, ob deine Use Cases nicht auch mit API-Aufrufen plus eigenem Workflow günstiger und flexibler abzudecken sind. Enterprise-Suiten sind gut für breites Mitarbeiter-Enablement, weniger gut für zielgerichtete Prozess-Automatisierung.

“Wir warten auf die fertige Lösung.” Es gibt keine fertige Lösung. 2026 ist Bauzeit, nicht Wartezeit. Die Unternehmen, die auf die perfekte Plattform warten, sammeln keine Lernerfahrungen, keine Daten, keine internen Kompetenzen. In zwei Jahren stehen sie vor Wettbewerbern, die bereits zehn Iterationen hinter sich haben.

“Das ist doch ein Projekt für die IT.” Nein, das ist ein Projekt für den Fachbereich mit IT-Unterstützung. Wenn die IT den Business-Case nicht versteht, baut sie ein technisch sauberes System, das fachlich am Bedarf vorbeigeht. Der Fachbereich muss leiten, die IT muss enablen.

Silo-Piloten ohne Skalierungs-Plan. Der Pilot läuft, die Zahlen sind gut, und dann passiert nichts. Weil niemand definiert hat, was “danach” heißt. Schon beim Pilot-Start muss klar sein, wer den Skalierungs-Fall verantwortet, wie Budget für die Skalierung beantragt wird, welche drei Folge-Use-Cases in der Pipeline stehen. Sonst stirbt der Pilot im Erfolg.

Wann du einen externen Berater brauchst

Nicht jedes Projekt braucht externe Hilfe, aber vier Situationen sprechen klar dafür.

Erster KI-Pilot ohne interne Erfahrung. Wenn in deiner IT niemand bereits einen LLM-Workflow in Produktion gesehen hat, sparst du mit zwei bis vier Wochen externem Pairing viele Monate Lernkurve. Ein erfahrener Praktiker sieht Stolperfallen, die in Foren nicht stehen. Details in meinem Guide KI-Berater finden.

Strategischer Use Case mit hoher Sichtbarkeit. Wenn das Projekt vom Geschäftsführer gelauncht wird und die halbe Firma zuschaut, willst du keine Anfänger-Fehler machen. Ein externer Partner, der zehn ähnliche Projekte gesehen hat, versichert dich gegen die typischen Pannen.

DSGVO-Komplexität bei personenbezogenen Daten. HR-Automatisierung, Gesundheitsdaten, Kundendaten in sensiblen Branchen. Hier lohnt sich Spezial-Know-how, sowohl juristisch (DSGVO-Anwalt) als auch technisch (Anbieter-Konfiguration, Pseudonymisierung, Retention-Einstellungen).

Integration in komplexen Bestandsstack. SAP, Dynamics 365, Salesforce mit tiefen Customizings. Diese Integrationen sind projektspezifisch, die allgemeine Dokumentation hilft nicht, und falsche Entscheidungen in der Architektur schleppst du jahrelang mit. Ein externer Engineer, der diese Systeme kennt, zahlt sich schnell aus. Siehe auch freelance AI Engineer beauftragen.

Eine 90-Tage-Roadmap

Konkret, Tag für Tag grob. Als Vorlage, nicht als Dogma.

Tag 1 bis 14: Use Case auswählen und Scope definieren. Workshop mit Geschäftsführung und drei Fachbereichen: welche Prozesse sind Kandidaten, welche Zahlen haben wir. Ein Use Case wird ausgewählt, einer in die Warteschlange gelegt. Scope-Dokument: was ist drin, was ist explizit draußen, welche Zahlen sind das Ziel. Erstes Gespräch mit Betriebsrat und DSGVO-Beauftragtem.

Tag 15 bis 42: MVP bauen, in einem Team laufen lassen. Werkzeug-Auswahl (Make.com oder n8n, LLM-Anbieter). Workflow bauen, an Bestandssysteme anbinden. Ein Team testet zwei Wochen parallel zum bestehenden Prozess. Feedback einsammeln, drei bis fünf Iterationen. Zahlen werden von Anfang an protokolliert: Bearbeitungszeit, Fehlerquote, Mitarbeiter-Zufriedenheit.

Tag 43 bis 60: Messen, Stakeholder-Feedback, Betriebsrat-Abnahme. Zahlen-Review mit der Geschäftsführung: Einsparung, Qualität, nächste Schritte. Betriebsrat-Abnahme formalisieren. DSGVO-Dokumentation finalisieren. Falls der Pilot nicht liefert: ehrlich analysieren, entweder umbauen oder beerdigen. Einen Pilot aus Loyalität zu retten, der offensichtlich nicht trägt, ist der teuerste Fehler überhaupt. Einen Artikel zu KI-Prozessautomatisierung als Vertiefung empfehle ich als Ergänzung für dein Team.

Tag 61 bis 90: Skalieren oder iterieren, mit Zahlen. Wenn der Pilot wirkt: Ausrollung auf zwei weitere Teams oder Regionen, Dokumentation, Übergabe an den Regelbetrieb. Parallel: zweiter Use Case aus der Warteschlange wird gestartet. Aufbau interner Kompetenzen: eine Person wird Teilzeit “KI-Verantwortlicher”, lernt den Stack, wird Ansprechpartnerin für weitere Use Cases.

Nach 90 Tagen hast du entweder einen produktiven KI-Workflow mit messbarem ROI, oder du hast für einen fünfstelligen Betrag gelernt, welcher Ansatz nicht trägt. Beides ist wertvoll, das Letztere sogar oft unterschätzt. Die Firmen, die nie einen Pilot starten, zahlen jeden Monat stillen Opportunitätskosten ohne Lerneffekt.

Related Reading

• KI-Berater finden
• Freelance AI Engineer beauftragen
• KI-Prozessautomatisierung Anleitung
• ChatGPT und Claude Vergleich
• Claude API auf Deutsch
• Make.com und n8n Vergleich