KI im Mittelstand: Use Cases, die sich tatsächlich rechnen

Das Wichtigste in Kürze

• Die tragfähigsten Use Cases sitzen dort, wo heute viel Text manuell gelesen, sortiert oder übertragen wird.
• Rechnen Sie den Nutzen vor dem Projekt aus: Vorgänge pro Monat mal eingesparte Minuten — das ist die ganze Formel.
• Fangen Sie mit einem Prozess an, der klar abgegrenzt und messbar ist, nicht mit einer Plattformstrategie.
• Datenschutz ist kein Hindernis, sondern eine Architekturentscheidung — EU-Hosting und klare Datenregeln lösen die meisten Bedenken.
• Ein Mensch muss die Ergebnisse verantworten können. Das ist keine Bremse, sondern Voraussetzung für Akzeptanz.

Wo der Nutzen wirklich sitzt

Der gemeinsame Nenner erfolgreicher Projekte ist unspektakulär: Es geht fast immer um unstrukturierten Text, der heute von Menschen gelesen, eingeordnet und irgendwo hin übertragen wird. Genau dort ist Sprachverarbeitung stark, und genau dort ist der Aufwand messbar.

• Posteingang und Belegverarbeitung: eingehende Bestellungen, Rechnungen und Lieferavise erkennen, klassifizieren und ins ERP übernehmen
• Angebots- und Ausschreibungsunterlagen: lange Dokumente zusammenfassen und die relevanten Anforderungen herausziehen
• Interne Wissenssuche: ein Assistent, der auf Handbüchern, Arbeitsanweisungen und Projektdokumentation antwortet — mit Quellenangabe
• Serviceanfragen: Erstklassifikation und Vorschlagsantworten, die ein Mitarbeiter freigibt
• Stammdatenpflege: Dubletten erkennen, Artikelbeschreibungen vereinheitlichen, Kategorien vorschlagen

Die Rechnung, die vor dem Projekt kommt

Bevor über Modelle und Plattformen gesprochen wird, gehört eine simple Zahl auf den Tisch: Wie viele Vorgänge dieser Art gibt es pro Monat, und wie viele Minuten kostet einer davon heute? Zweihundert Belege im Monat à zwölf Minuten sind vierzig Stunden — das ist ein Business Case. Zwanzig Belege im Monat sind keiner, egal wie elegant die Lösung wäre.

Diese Rechnung ist auch der beste Schutz vor dem klassischen Fehler, mit dem sichtbarsten statt mit dem lohnendsten Anwendungsfall zu starten. Ein Chatbot auf der Website wirkt nach außen modern; ein automatisierter Rechnungseingang spart Geld. Wenn Sie beides wollen, fangen Sie mit dem an, das sich trägt.

Zum ehrlichen Rechnen gehört auch die Gegenseite: Ein KI-Prozess wird selten zu hundert Prozent automatisiert. Realistisch sind Quoten, bei denen ein Teil der Fälle sicher durchläuft und der Rest zur Prüfung geht. Auch das ist ein Gewinn — aber man sollte es vorher so kalkulieren.

Datenschutz: lösbar, wenn man es vorher klärt

Die häufigste Bremse ist die Sorge, Unternehmensdaten könnten in fremde Trainingsdaten wandern. Diese Sorge ist berechtigt — und technisch adressierbar. Entscheidend sind drei Punkte: wo das Modell betrieben wird, ob Eingaben zum Training verwendet werden, und welche Daten überhaupt hineingegeben werden dürfen.

Mit EU-gehosteten Diensten, vertraglich ausgeschlossener Trainingsnutzung und einer klaren Regel, welche Datenkategorien tabu sind, lassen sich die meisten Anwendungsfälle sauber umsetzen. Für besonders sensible Szenarien kommen Modelle in Frage, die vollständig in Ihrer eigenen Umgebung laufen — mit dem Preis höherer Betriebskosten und etwas geringerer Leistung.

Wichtig ist, diese Entscheidung am Anfang zu treffen und zu dokumentieren, nicht nachträglich. Nachträglich bedeutet fast immer Umbau.

Woran es in der Praxis scheitert

Drei Muster wiederholen sich. Erstens: zu groß angefangen. Eine unternehmensweite KI-Strategie bindet Monate, bevor irgendjemand einen Nutzen sieht. Ein abgegrenzter Prozess liefert nach Wochen ein Ergebnis, an dem man lernen kann.

Zweitens: schlechte Datengrundlage. Ein Assistent, der auf einer veralteten, widersprüchlichen Dokumentation antwortet, gibt veraltete, widersprüchliche Antworten. Die Aufräumarbeit davor wird regelmäßig unterschätzt — sie ist aber der Teil, der ohnehin Wert schafft.

Drittens: fehlende Akzeptanz. Wenn Mitarbeiter den Eindruck haben, hier werde ihre Arbeit wegautomatisiert, bekommen Sie kein Feedback, sondern Widerstand. Projekte, die als Entlastung von Routine eingeführt und von den Betroffenen mitgestaltet werden, laufen deutlich besser.

Häufige Fragen

Brauchen wir eigene Modelle oder reicht ein Standarddienst?

Für die allermeisten Anwendungsfälle reicht ein etablierter Dienst, ergänzt um Ihre eigenen Daten als Kontext. Eigene oder lokal betriebene Modelle lohnen sich, wenn Datenschutzanforderungen es zwingend verlangen oder ein sehr spezielles Fachvokabular im Spiel ist.

Wie lange dauert ein erster sinnvoller Anwendungsfall?

Bei klar abgegrenztem Umfang sind wenige Wochen realistisch — von der Analyse über einen Prototyp bis zu einem produktiven Ablauf mit Kontrollschleife. Länger dauert es meist nicht wegen der KI, sondern wegen Datenqualität und Prozessabstimmung.

Was ist mit Microsoft Copilot — reicht das nicht schon?

Für persönliche Produktivität in Microsoft 365 ist Copilot oft ein guter Einstieg, weil er ohne eigenes Projekt nutzbar ist. Er ersetzt aber keine Prozessautomatisierung: Für einen automatisierten Rechnungseingang oder einen Assistenten auf Ihrer eigenen Dokumentation braucht es eine gezielt gebaute Lösung.