KI rechnet sich. Nur selten dort, wo zuerst gesucht wird.

KI-Entscheidungen im Mittelstand fallen derzeit oft in der falschen Reihenfolge: erst das Werkzeug, dann die Frage nach dem Nutzen.

Das ist keine Nachlässigkeit, sondern eine Folge davon, wie KI-Produkte verkauft werden – über Fähigkeiten, nicht über Prozesse. Eine Demo zeigt, was eine Software kann. Sie zeigt nicht, was diese Fähigkeit in einem konkreten Unternehmen wert ist. Genau diese Lücke zu schließen ist die eigentliche Arbeit, und sie wird erstaunlich oft erst geleistet, nachdem Budget, Anbieter und Technologie bereits feststehen.

Die wichtigste Frage am Anfang ist deshalb eine andere: Welcher Prozess verursacht regelmäßig Aufwand, ohne selbst einen Wert zu schaffen, für den ein Kunde bezahlt?

KI verstärkt Prozesse, sie repariert sie nicht

Trifft KI auf einen klar definierten Ablauf, kann dieser schneller, günstiger oder skalierbarer werden. Trifft sie auf einen Ablauf, den intern niemand vollständig beschreiben kann, wird häufig nur dasselbe Problem wie vorher schneller bearbeitet und besser formuliert.

Das ist gefährlicher, als es klingt. Die sprachliche Qualität einer KI-Ausgabe verdeckt die inhaltliche Unsicherheit: Ein Ergebnis wirkt plausibel, obwohl niemand definiert hat, woran ein korrektes Ergebnis eigentlich zu erkennen wäre. Fehler fallen dadurch später auf als in einem manuellen Prozess.

Die Frage „Welche KI sollen wir einsetzen?“ ist deshalb meist zu früh gestellt. Die bessere Frage lautet: Welchen wiederkehrenden Prozess wollen wir wirtschaftlich verbessern? Erst wenn diese Antwort steht, wird die Technologieauswahl interessant.

Der beste Anwendungsfall ist meistens langweilig

Wer nach KI-Potenzial sucht, landet schnell bei den sichtbaren Dingen: Chatbots, Copiloten, automatische Kundenkommunikation, generierte Inhalte. Das ist nachvollziehbar – sichtbare Anwendungen lassen sich gut demonstrieren und intern gut vertreten.

Wirtschaftlich interessanter sind meist Prozesse, über die niemand auf einer Konferenz sprechen würde:

• Daten aus Dokumenten übertragen
• Informationen aus mehreren Systemen zusammensuchen
• Rechnungen vorprüfen und Abweichungen zur Freigabe vorlegen
• Berichte vorbereiten
• wiederkehrende Anfragen klassifizieren
• Protokolle und Entwürfe erstellen
• Wissen aus freigegebenen Dokumenten auffindbar machen

Der Grund ist simpel: Wirtschaftlichkeit entsteht nicht durch Sichtbarkeit, sondern durch wiederkehrenden Aufwand.

Vier Fragen, die einen guten Kandidaten erkennen lassen

Wie häufig läuft der Prozess? Die Einführungskosten fallen unabhängig vom einzelnen Vorgang an, der Nutzen wächst mit der Fallzahl. Ein Prozess, der 4.000-mal im Monat stattfindet, ist damit grundsätzlich interessanter als einer, der 40-mal im Jahr vorkommt.

Wie ähnlich sind sich die Vorgänge? Je gleichförmiger, desto größer das Automatisierungspotenzial. Wo jeder Fall eine Ausnahme ist, verschiebt sich der Aufwand von der Bearbeitung in die Kontrolle. Das ist ein häufiger Denkfehler: Man rechnet die eingesparte Bearbeitungszeit, aber nicht die zusätzliche Prüfzeit.

Liegen die Daten digital und zugänglich vor? Wenn die relevanten Informationen über E-Mails, PDFs, Netzlaufwerke und individuelle Excel-Dateien verstreut sind, ist das zunächst ein Daten- und Prozessproblem. KI kann schlechte Prozesse beschleunigen. Fehlende Daten kann sie nicht herbeizaubern.

Was kostet ein falsches Ergebnis? Bei einem internen Entwurf ist ein Fehler überschaubar. Bei einer Vertragsentscheidung, einer Zahlungsfreigabe oder verbindlicher Kundenkommunikation kann ein einzelner Fehler die Jahresersparnis übersteigen. Je höher die Fehlerkosten, desto wichtiger werden Kontrolle, Freigabelogik und Nachvollziehbarkeit.

Keiner dieser Faktoren muss perfekt sein. Aber je schwächer einer ausgeprägt ist, desto genauer sollte der Business Case hinschauen.

Zeitersparnis ist noch keine Kosteneinsparung

Das wird bei KI-Projekten besonders häufig verwechselt.

Angenommen, ein Unternehmen verarbeitet 4.000 Eingangsrechnungen im Monat. Daten werden aus PDFs manuell ins ERP übertragen, geprüft und bei Abweichungen weitergeleitet; der Vorgang dauert im Schnitt vier Minuten. Das sind rund 267 Arbeitsstunden monatlich. Bei kalkulatorischen 30 Euro pro Stunde entspricht das einem Bearbeitungsaufwand von etwa 8.000 Euro im Monat.

Reduziert eine Automatisierung davon 60 Prozent, liegt das theoretische Einsparpotenzial bei 4.800 Euro monatlich – rund 57.600 Euro im Jahr. Das klingt attraktiv, und genau hier beginnt die eigentliche Rechnung. Abzuziehen sind unter anderem Einführung und Integration, Lizenzen und laufender Betrieb, Kontrolle und Ausnahmebearbeitung, Wartung und Monitoring, Prozessanpassungen sowie zusätzliche Anforderungen an Datenschutz, Sicherheit und Nachvollziehbarkeit.

Und noch etwas wird regelmäßig übersehen: Gesparte Arbeitszeit ist nicht automatisch eingespartes Geld. Wenn Mitarbeitende die gewonnene Zeit für wertschöpfendere Aufgaben nutzen können, ist das wirtschaftlich trotzdem attraktiv – der Nutzen entsteht dann nicht durch weniger Personal, sondern durch mehr Kapazität. Ein belastbarer Business Case fragt deshalb nicht nur, wie viele Minuten eingespart werden, sondern was mit dieser Kapazität möglich wird und was es kostet, diesen Nutzen zu realisieren.

Vier Felder, mit denen ich beginnen würde

Die Reihenfolge ist nicht nach maximalem Einsparvolumen sortiert, sondern danach, wie schnell sich mit überschaubarem Aufwand ein belastbares Ergebnis erzielen lässt.

1. Backoffice und Administration

Protokolle, Recherchen, erste Entwürfe, wiederkehrende Auswertungen. Hier lässt sich häufig mit Funktionen arbeiten, die in vorhandener Standardsoftware bereits enthalten sind: kein großes Integrationsprojekt, keine komplexe Schnittstellenarchitektur, erste Ergebnisse oft innerhalb weniger Wochen.

Die absolute Ersparnis ist nicht riesig, das Verhältnis von Aufwand zu Wirkung dafür sehr gut. Hinzu kommt ein zweiter Nutzen, der schwerer zu messen ist: Das Unternehmen lernt, wo KI zuverlässig unterstützt, wo Ergebnisse geprüft werden müssen und welche Aufgaben sich überhaupt eignen. Diese Erfahrung sollte an einem Sitzungsprotokoll entstehen, nicht an einer Zahlungsfreigabe.

2. Dokumenten- und Prozessautomatisierung

Rechnungseingang, Vertragsprüfung, Angebotserstellung, Prüfberichte. Überall dort, wo hohe Dokumentenvolumina auf wiederkehrende Entscheidungen treffen, kann der wirtschaftliche Hebel erheblich sein.

Hier beginnt allerdings ein echtes Projekt: ERP-Anbindung, Freigabelogik, Datenqualität, Berechtigungen, Ausnahmefälle, Nachvollziehbarkeit. Wer das als reine Werkzeugeinführung plant, unterschätzt den Aufwand systematisch. Die KI ist nur ein Teil der Lösung – Gegenstand des Projekts ist der Prozess.

3. Internes Wissensmanagement

Ein Assistent beantwortet Fragen zu Anlagen, Kunden, Verfahren oder internen Richtlinien aus freigegebenen Dokumenten. Nicht, weil das besonders modern wäre, sondern weil erfahrene Mitarbeitende dieselben Fragen sonst immer wieder beantworten.

Der Nutzen ist schwerer zu quantifizieren als eingesparte Minuten pro Vorgang: kürzere Einarbeitungszeiten, weniger Unterbrechungen, geringere Abhängigkeit von einzelnen Wissensträgern.

Der kritische Teil eines solchen Projekts ist nicht das Modell, sondern das Berechtigungskonzept. Ein Assistent sollte nicht auf Inhalte zugreifen können, nur weil sie technisch erreichbar sind. Zugriffsrechte gehören zur Architektur des Systems, nicht zur nachträglichen Korrektur.

4. Kundenservice und Kontakt

Das bekannteste Einsatzfeld – und das einzige, bei dem ich regelmäßig zur Zurückhaltung rate. Nicht, weil es nicht funktioniert, sondern weil Fehler hier unmittelbar beim Kunden ankommen.

Ein sinnvoller Einstieg ist deshalb selten der autonome Kundenkontakt, sondern Ticket-Klassifizierung, Zusammenfassungen und Antwortentwürfe zur internen Freigabe. Damit lässt sich ein großer Teil der Zeitersparnis realisieren, ohne die Verantwortung vollständig an ein System zu übertragen. Erst unterstützen, dann automatisieren – nicht umgekehrt.

Wovon ich abraten würde

Von Anwendungsfällen mit geringem Volumen. Ein Prozess, der einige Dutzend oder wenige hundert Mal im Jahr läuft, trägt die Einführungskosten häufig nicht. Dass Mitarbeitende ihn als lästig empfinden, ist kein Wirtschaftlichkeitsargument. Ausnahmen gibt es – etwa bei sehr hohen Fehlerkosten oder besonders wertvollen Einzelvorgängen. Dann sollte genau dieser Effekt im Business Case sichtbar werden.

Von Projekten, deren eigentliches Ziel Außenwirkung ist. Dagegen ist nichts einzuwenden: Ein KI-Projekt kann Innovation zeigen und die Positionierung stärken. Dann sollte es aber als Marketing- oder Innovationsbudget geführt werden. Wird Außenwirkung als Effizienzmaßnahme verkauft, werden am Ende beide Ziele schlecht bewertet.

Vom Eigenbau, in den meisten Fällen. Ich habe selbst eine LLM-basierte Plattform bis in den produktiven Betrieb gebracht und kenne deshalb nicht nur die technische Seite, sondern auch die Kosten, die in frühen Kalkulationen fehlen: laufender Betrieb, Modellwechsel, Absicherung, Monitoring, Berechtigungen, Evaluation, Weiterentwicklung. Eigenbau kann richtig sein, wenn ein strategischer Prozess mit Standardsoftware nicht angemessen abbildbar ist. Für die meisten Mittelständler ist ein bestehendes Produkt jedoch wirtschaftlicher – nicht weil Eigenbau technisch unmöglich wäre, sondern weil die Frage nicht lautet, was man bauen kann, sondern was die wirtschaftlichste Lösung für das eigentliche Problem ist.

Regulierung ist kein nachgelagerter Schritt

Der EU AI Act wird häufig als zusätzliches Hemmnis diskutiert. Ich sehe ihn als Auswahlkriterium für den Anwendungsfall. Die entscheidenden Fragen – welche Rolle das Unternehmen einnimmt, welche Daten verarbeitet werden, welche Risiken entstehen, welche menschliche Kontrolle bestehen bleibt und welche Dokumentationspflichten gelten – sind keine bürokratische Zusatzübung, sondern Bestandteil einer sauberen Systemarchitektur.

Der Zeitplan ist inzwischen differenziert. Verbote und die Pflicht zur KI-Kompetenz gelten seit Februar 2025, die Pflichten für General-Purpose-AI seit August 2025, die Transparenzpflichten nach Artikel 50 seit dem 2. August 2026. Für Hochrisiko-Systeme nach Anhang III wurde der Termin über den Digital Omnibus auf den 2. Dezember 2027 verschoben; für KI, die in regulierte physische Produkte integriert ist, gilt der 2. August 2028.

Diese Verschiebung ist kein Grund zu warten. Die Anforderungen ändern sich nicht, nur der Zeitpunkt ihrer Durchsetzung. Wer regulatorische Fragen erst nach der technischen Umsetzung stellt, muss Architektur und Prozesse anschließend noch einmal anfassen. In Banking und Healthcare ist das seit Langem selbstverständlich: Risiko, Berechtigungen, Nachvollziehbarkeit und Verantwortlichkeiten gehören dort zum Projektstart. Diese Gewohnheit lohnt sich auch außerhalb regulierter Branchen.

Der Weg zur Entscheidung

Es braucht dafür weder eine KI-Strategie noch ein Innovationslabor. Es braucht eine Liste.

Dokumentieren Sie über einen begrenzten Zeitraum, wo im Unternehmen regelmäßig Informationen abgetippt, Daten gesucht, Fragen wiederholt beantwortet, Dokumente geprüft oder Inhalte doppelt erfasst werden. Bewerten Sie diese Prozesse anschließend nach den vier Kriterien oben – und ergänzen Sie die Frage, was mit der gewonnenen Kapazität tatsächlich geschehen würde. Daraus entsteht ein belastbarer erster Business Case. Nicht aus einer Produktdemo und nicht aus der Frage, was der Wettbewerb gerade ausprobiert.

Der größte Engpass ist dabei nach meiner Erfahrung nicht das Budget, sondern die Zeit für diese Analyse. Denn dafür müssen Fachbereich, IT und gegebenenfalls Compliance gemeinsam auf einen Prozess schauen und eine Frage beantworten, die in vielen Unternehmen erstaunlich schwer zu beantworten ist: Was kostet uns dieser Ablauf heute eigentlich?

Ist sie beantwortet, wird der Rest einfacher. Dann lässt sich entscheiden, ob KI überhaupt die richtige Technologie ist, ob eine Standardfunktion reicht, ob der Prozess zuerst verändert werden sollte – oder ob man das Vorhaben schlicht nicht umsetzt.

Eine gute KI-Strategie besteht nicht darin, möglichst viele Anwendungen zu finden, sondern die wenigen, bei denen am Ende eine einfache Rechnung aufgeht: Wert der Verbesserung größer als Kosten der Veränderung. Das klingt unspektakulär. Es ist aber genau der Punkt.

Wer diese Analyse nicht selbst aufsetzen möchte, kann sie als strukturierten AI Quick Scan durchführen lassen: In wenigen Tagen sind die relevanten Prozesse identifiziert und priorisiert, jeweils mit einer ersten Business-Case-Skizze und einer Einordnung der regulatorischen Fragen.