KI im Mittelstand: Use Cases finden und priorisieren
Ideen gibt es genug. Entscheidend ist der eine Anwendungsfall, der schnell Wirkung zeigt und die nächsten finanziert.
Gute KI-Use-Cases im Mittelstand haben drei Dinge gemeinsam: eine wiederkehrende Aufgabe mit spürbarem Aufwand, die nötigen Daten liegen vor, und das Ergebnis lässt sich messen. Bewerten Sie jede Idee nach Wirkung, Datenlage, Aufwand und Risiko. Starten Sie mit dem besten Verhältnis, nicht mit der spannendsten Idee.
Wo finden Sie KI-Use-Cases?
Suchen Sie nicht nach „KI-Projekten“, sondern nach Arbeit, die heute wehtut. Fünf Muster tauchen in fast jedem Unternehmen auf:
- Wiederkehrende Texte: Angebote, Berichte, Antworten, Protokolle.
- Suchen statt Arbeiten: Informationen stecken in Laufwerken, Wikis und E-Mails.
- Sortieren und Weiterleiten: Anfragen, Rechnungen, Dokumente landen beim falschen Team.
- Daten abtippen: Informationen werden von einem System ins andere übertragen.
- Prüfen und Abgleichen: Rechnungen mit Bestellungen, Verträge mit Vorgaben.
| Bereich | Typischer Use Case | Passender KI-Typ |
|---|---|---|
| Vertrieb | Angebotsentwurf aus Kundenanfrage | [Generative KI](/de/ai-engineering/generative-ai) |
| Kundenservice | Anfragen vorsortieren, Antworten vorschlagen | [KI im Kundenservice](/de/blog/ki-im-kundenservice) |
| Einkauf und Finanzen | Rechnungen mit Bestellungen abgleichen | [KI-Agenten](/de/blog/ki-agenten-beispiele) |
| Technik und Service | Antworten aus Handbüchern und Tickets | [Wissensassistent](/de/blog/ki-wissensmanagement) |
| Personal | Fragen zu Richtlinien beantworten | Wissensassistent |
| Recht | Verträge mit Standardklauseln vergleichen | Generative KI mit Prüfung |
Wie bewerten Sie Use Cases?
Bewerten Sie jede Idee auf einer Skala von 1 bis 5:
- Wirkung: Wie viel Zeit, Geld oder Qualität gewinnen Sie? Wie oft kommt die Aufgabe vor?
- Datenlage: Sind die Daten vorhanden, zugänglich und in brauchbarer Qualität?
- Aufwand: Wie viele Systeme müssen angebunden werden? Wie viel muss neu gebaut werden?
- Risiko: Wie schlimm ist ein Fehler? Sind Personendaten betroffen? Fällt der Fall unter strengere Regeln der KI-Verordnung?
Bei Aufwand und Risiko gilt: 5 bedeutet niedriger Aufwand und geringes Risiko. So steigt die Summe mit der Eignung.
Welche Use Cases eignen sich für den Start?
Der erste Use Case sollte gewinnen, nicht beeindrucken. Gute Startkandidaten:
- haben eine klare Verantwortliche im Fachbereich,
- arbeiten mit Daten, die schon digital vorliegen,
- lassen einen Menschen das Ergebnis prüfen, bevor es nach außen geht,
- lassen sich in wenigen Wochen mit echten Daten testen.
Weniger geeignet für den Start: Anwendungen im Personalbereich oder bei Kreditentscheidungen, weil dort die KI-Verordnung strengere Pflichten vorsieht, und unternehmensweite Vorhaben, die viele Abteilungen gleichzeitig brauchen.
Wie viel KI-Strategie braucht der Mittelstand?
Weniger, als Beratungsfolien vermuten lassen. Drei Dinge reichen für den Anfang:
- Ziele: Wofür soll KI im Unternehmen sorgen? Zeit sparen, Qualität sichern, Wachstum ohne Neueinstellungen?
- Leitplanken: Welche Daten dürfen in welche Systeme? Wer gibt neue Anwendungen frei? Mehr dazu in den Beiträgen zu DSGVO-konformer KI und KI-Governance.
- Portfolio: Eine bewertete Liste von Use Cases, die Sie nacheinander angehen.
Wie kommt ein Use Case in den Betrieb?
In drei Schritten: Ein Proof of Concept zeigt mit echten Daten, ob die Idee funktioniert. Danach folgt der Rollout mit Anbindung an Ihre Systeme. Im Betrieb wird die Qualität laufend gemessen, etwa mit einem Testset aus echten Fragen. Wichtig ist, dass der PoC schon auf einer Architektur entsteht, die später weiterlaufen kann.
Häufige Fragen
Was kostet KI im Mittelstand?
Das hängt von der Komplexität und dem Umfang des Use Cases ab: Datenlage, Integrationen, Sicherheitsanforderungen. Ein fokussierter Proof of Concept begrenzt das Risiko, bevor Sie größer investieren.
Brauchen wir eigene KI-Experten?
Für den Start nicht. Sie brauchen eine verantwortliche Person im Fachbereich und jemanden in der IT, der Datenzugänge ermöglicht. Den Bau kann ein externes Team übernehmen und Ihr Team dabei befähigen.
Wie lange dauert es bis zum ersten Ergebnis?
Ein fokussierter Proof of Concept dauert bei uns 2 bis 6 Wochen, abhängig von Datenlage und Integrationen.
