Mittelstand und KI: Warum ihr nicht die nächste Plattform-Ruine bauen solltet
Wenn ein mittelständisches Unternehmen heute über KI nachdenkt, landet es schnell bei den großen Namen. Azure AI, AWS SageMaker, Google Vertex. Die Pitch-Decks sehen überzeugend aus. Die Demos sind beeindruckend. Und nach sechs Monaten steht das Projekt still, weil die Datenaufbereitung länger dauert als geplant, das interne Team überfordert ist und die Hälfte der gebuchten Module niemand braucht.
Wir sehen das regelmäßig. Nicht weil die Plattformen schlecht wären, sondern weil sie für einen anderen Kontext gebaut sind. Konzerne mit eigenen Data-Science-Teams, zentralisierten Datenbanken und IT-Budgets im zweistelligen Millionenbereich. Der deutsche Mittelstand arbeitet anders. Und genau deshalb braucht er eine andere Art von KI.
Das Plattform-Versprechen und die Realität
Die großen Cloud-Anbieter verkaufen KI als Plattform. Du bekommst ein Ökosystem mit 30, 40, manchmal 50 Modulen. Bildklassifikation, Spracherkennung, Textanalyse, Vorhersagemodelle, Empfehlungssysteme. Das klingt nach Zukunftssicherheit. In der Praxis nutzen die meisten Mittelständler davon zwei oder drei Funktionen. Den Rest bezahlen sie trotzdem.
Das eigentliche Problem liegt tiefer. Diese Plattformen setzen voraus, dass deine Daten sauber, einheitlich und zentral verfügbar sind. In einem Unternehmen mit 150 oder 300 Mitarbeitenden sieht die Realität anders aus. Die Vertriebsdaten stecken in einem CRM, die Produktionsdaten im ERP, die Kundenzufriedenheit in einer Excel-Tabelle, die der Serviceleiter pflegt. Bevor ein Algorithmus irgendetwas lernen kann, müssen diese Daten zusammengeführt, bereinigt und standardisiert werden. Das dauert. Und es kostet.
In der Praxis zeigt sich, dass dieser Schritt allein oft die Hälfte des gesamten Projektbudgets frisst. Dann bleiben für die eigentliche KI-Anwendung weder genug Geld noch genug Geduld.
Warum der Mittelstand trotzdem KI braucht
Trotzdem wäre es falsch, KI abzuschreiben. Laut der KfW-Analyse aus 2024 setzen rund 15 Prozent der kleinen und mittleren Unternehmen in Deutschland KI ein. Das ist wenig, aber der Trend ist eindeutig nach oben. Und die Unternehmen, die es richtig machen, sehen echte Ergebnisse.
Der Punkt ist nicht ob, sondern wie.
Mittelständler haben Stärken, die Konzerne nicht haben. Kurze Entscheidungswege. Direkte Nähe zum operativen Geschäft. Weniger politische Grabenkämpfe um Datenhoheit. Wenn ein Geschäftsführer entscheidet, dass die Auftragsplanung ein KI-Modul bekommt, kann das in vier Wochen live sein. In einem Konzern dauert allein die Abstimmung zwischen IT, Fachbereich und Compliance länger.
Diese Geschwindigkeit ist ein echter Vorteil. Aber nur, wenn der Ansatz dazu passt.
Modulare Bausteine statt Gesamtplattform
Was in der Praxis funktioniert, sind kleine, fokussierte KI-Module. Kein Ökosystem, kein Zwölf-Monats-Projekt, kein eigenes Data-Science-Team. Stattdessen ein klar definiertes Problem, ein überschaubarer Datensatz und ein Modul, das genau dieses eine Problem löst.
Ein konkretes Muster, das wir bei Kunden immer wieder sehen: Ein Unternehmen hat ein Klassifikationsproblem. Eingehende Anfragen müssen sortiert werden. Oder Rechnungen müssen einem Kostenstelle zugeordnet werden. Oder Sensordaten müssen in "normal" und "auffällig" eingeteilt werden. Das sind keine Raketenwissenschaft-Probleme. Aber sie kosten, wenn sie manuell erledigt werden, hunderte Arbeitsstunden pro Jahr.
Für solche Fälle brauchst du keine Plattform. Du brauchst ein Modell, das diese eine Aufgabe gut macht. Das über eine API an dein bestehendes System angebunden ist. Und das in Wochen, nicht Monaten, produktiv geht.
Das Entscheidende dabei: Du ersetzt kein bestehendes System. Du erweiterst es. Dein ERP bleibt. Dein CRM bleibt. Das KI-Modul sitzt als schmale Schicht dazwischen oder dahinter. Kein Migrationsprojekt, kein Vendor Lock-in, kein Schulungsmarathon für 200 Mitarbeitende.
Datenqualität entscheidet, nicht Modellgröße
Der größte Hebel bei KI-Projekten im Mittelstand ist nicht das Modell. Es ist die Datenqualität. Und das ist gleichzeitig die unbequemste Wahrheit, weil Datenbereinigung weder glamourös noch gut zu verkaufen ist.
Wir erleben immer wieder, dass Unternehmen sofort über Modelle und Algorithmen sprechen wollen. Welches Framework, welche Cloud, welche Architektur. Die eigentliche Frage kommt zu kurz: Sind eure Daten überhaupt in einem Zustand, aus dem ein Modell etwas lernen kann?
Oft ist die Antwort: noch nicht. Und das ist kein Scheitern. Das ist ein normaler erster Schritt. Wer seine Daten aufräumt, bevor er KI einführt, investiert in ein Fundament, das auch ohne KI Wert hat. Saubere Stammdaten verbessern Reporting, Prozesse und Entscheidungsgrundlagen sofort.
Der pragmatische Weg ist daher: Erst Daten, dann Modell. Nicht beides gleichzeitig. Nicht in einem Riesenprojekt, sondern inkrementell. Einen Datenstrom aufräumen, ein Modul darauf setzen, Ergebnis messen. Dann den nächsten.
Warum Change Management kein optionaler Zusatz ist
Technik, die niemand nutzt, liefert keinen Wert. Das klingt offensichtlich, wird aber in KI-Projekten systematisch unterschätzt.
In der Praxis zeigt sich: Die technische Implementierung ist selten das Problem. Die Adoption ist es. Wenn die Disposition ein neues Planungstool bekommt, aber niemand erklärt, wie es die tägliche Arbeit verändert, landet es als ungenutzter Tab im Browser. Wenn das Modell Vorschläge macht, aber die Mitarbeitenden nicht verstehen, warum, vertrauen sie weiterhin ihrem Bauchgefühl.
Die Lösung ist nicht mehr Technologie. Die Lösung sind Workshops mit echten Szenarien aus dem Arbeitsalltag. Klare Kommunikation, was sich ändert und was nicht. Und ein realistischer Zeitplan für die Umstellung, der berücksichtigt, dass Menschen Gewohnheiten haben.
Was das für eure KI-Strategie bedeutet
Die KI, die dem Mittelstand tatsächlich hilft, sieht anders aus als die KI, die auf Messen präsentiert wird. Sie ist kleiner, fokussierter und enger an konkrete Geschäftsprobleme gebunden. Sie ersetzt keine Systeme, sondern erweitert bestehende. Sie braucht kein Data-Science-Team, aber saubere Daten und Mitarbeitende, die das Ergebnis nutzen wollen.
Der häufigste Fehler ist nicht, zu wenig in KI zu investieren. Es ist, zu viel auf einmal zu wollen. Die Plattform, die alles kann. Das Projekt, das alle Bereiche abdeckt. Die Roadmap, die zwölf Monate in die Zukunft plant, obwohl sich die Anforderungen alle drei Monate ändern.
Fangt klein an. Löst ein konkretes Problem. Messt das Ergebnis. Und entscheidet dann, ob ihr weitermacht oder stoppt. Das ist keine Zurückhaltung. Das ist die effektivste KI-Strategie, die der Mittelstand haben kann.
Denn der eigentliche Wettbewerbsvorteil liegt nicht im Modell. Er liegt in der Fähigkeit, schnell zu lernen, was funktioniert und was nicht. Und genau darin sind mittelständische Unternehmen besser als jeder Konzern.