In fünf Schritten von der Idee zur Skalierung

Warum die meisten Mittelstand-Unternehmen KI nutzen, aber keine KI-Strategie haben

Nur 21% der deutschen Unternehmen haben eine KI-Strategie, obwohl bereits 40% KI in irgendeiner Form nutzen.¹ Nutzen heißt nicht strategisch vorgehen.

Der Rest kauft Lizenzen, weil der Wettbewerber angeblich auch was mit KI macht. Einzelne Abteilungen experimentieren, weil die Leitung das irgendwie gut findet. Ein paar ChatGPT-Zugänge hier, eine Copilot-Lizenz dort. Nach einem halben Jahr fragen die Budgetverantwortlichen, was das eigentlich gebracht hat.

Nichts Messbares. Weil Werkzeuge ohne Plan keine Ergebnisse liefern.

Eine gute Strategie definiert ein konkretes Problem, zeigt einen Weg auf und benennt messbare Maßnahmen. Was das in der Praxis bedeutet, zeige ich in diesen fünf Schritten.

Schritt 1: KI-Readiness-Check

Bevor Du auch nur einen Euro für KI ausgibst, musst Du wissen, wo Dein Unternehmen steht. Nicht technologisch. Organisatorisch.

Schatten-KI erfassen. 78% Deiner Mitarbeiter nutzen bereits KI, ob Du es erlaubst oder nicht.² Bei einem KI-Readiness-Check in einem meiner Workshops fanden wir in einem Maschinenbau-Unternehmen 104 verschiedene KI-Tools im Einsatz. Von ChatGPT über Suno.AI bis zu Manus. Das Marketing schreibt Social-Media-Posts mit KI, der Vertrieb generiert E-Mail-Entwürfe, HR screent Bewerbungen. Alles unkontrolliert, ohne Governance, ohne Compliance-Prüfung.

DSGVO-Verstöße kosten bis zu 4% des Jahresumsatzes, Verstöße gegen den EU AI Act sogar bis zu 7% des weltweiten Umsatzes.³ Verbieten löst das Problem nicht. Strukturieren schon.

Datenqualität einschätzen. Ja, Deine Daten sind wahrscheinlich nicht perfekt. Das ist normal. "Wir müssen erstmal unsere Daten aufräumen" ist aber eine Ausrede, um nicht anzufangen. Für einen ersten PoC reichen oft kleine, idealisierte Datensätze aus. Die meisten Ungereimtheiten kommen erst im Projekt ans Tageslicht. Das ist dann der richtige Moment, sie anzugehen.

Team-Bereitschaft prüfen. Nur wenn Mitarbeitende mitmachen können, Ideen einbringen können und verstehen, wohin es geht, wird KI wirksam. Wenn die Hälfte des Teams Angst um den Job hat und die andere Hälfte "Das haben wir schon immer so gemacht" sagt, hast Du kein Technologie-Problem. Du hast ein Change-Problem.

Der Readiness-Check ist keine 200-Seiten-Analyse. Es ist eine ehrliche Bestandsaufnahme in ein bis zwei Wochen. Welche Tools sind im Einsatz? Wie steht es um die Daten? Wie ist die Stimmung im Team?

Schritt 2: Die richtigen Use Cases identifizieren

Die meisten KI-Projekte scheitern nicht an der Umsetzung, sondern an der falschen Auswahl des Problems.

Typische erste Ideen: "KI soll unsere komplette Produktion optimieren." "Alle Kundendaten automatisch auswerten." "Vollautomatische Qualitätskontrolle für alles." Dann wundert man sich, dass Projekte 18 Monate dauern, 500.000 Euro kosten und am Ende nicht funktionieren. Fast alle Unternehmen, die ich begleite, denken am Anfang zu groß.

Die richtigen Fragen sind andere:

1. Was hat Dein Team in den letzten zwei Wochen unnötige 90 Minuten gekostet?

2. Welche Aufgabe ist repetitiv oder erfordert unverhältnismäßig viel manuellen Aufwand?

3. Gibt es eine konkrete Möglichkeit, KI einzusetzen, um genau diese Aufgabe zu erledigen? Nicht "Das macht dann die KI."

4. Was misst Du, wenn der use case funktioniert?

Der AI Design Sprint löst genau dieses Problem. Im Opportunity Mapping identifiziert das Team echte Schmerzpunkte. Nicht "Wo setzen wir KI ein?", sondern "Was nervt uns am meisten?". Aus zwölf Problemen werden drei priorisiert. Die IT bekommt eine klare Liste. Die Teams sehen, dass es vorwärts geht.

Fang mit 10.000 Euro an, nicht mit 10 Millionen. Erfolgreiche Unternehmen starten klein, lernen schnell und skalieren dann.

Schritt 3: KI Pilotprojekt mit klarem Scope

Hier scheitern die meisten. Nicht am Willen, sondern an fehlendem Scope.

Das KI Pilotprojekt muss drei Dinge sein: klein genug, um in Wochen statt Monaten ein Ergebnis zu liefern. Konkret genug, um messbare Ziele zu definieren. Relevant genug, um bei Erfolg skalierbar zu sein.

Die Framing Session nimmt den wichtigsten Schmerzpunkt und analysiert ihn auf Abteilungsebene. Ein Prozess, messbare Probleme, messbare Ziele. Nicht "Wir wollen KI in der Fertigung einsetzen", sondern "KI soll Defekte beim Wareneingang erkennen und die Lieferung im Dashboard flaggen." Oder "KI soll eingehende Kundenanfragen kategorisieren und dem richtigen Team zuweisen." Konkreter Scope statt diffuser Wunschlisten.

Im AI Concept Development entwickelt das Team dann die KI-Lösung eigenständig. Was bekommt die KI als Input? Von welcher Datenquelle? In welches Format soll der Output kommen? An wen wird das Ergebnis weitergereicht, an einen Menschen oder an ein anderes System? Hier beerdige ich auch Ideen, die zu teuer, zu langwierig oder technisch nicht machbar sind. Klingt hart. Spart aber Geld und unangenehme Gespräche mit dem Vorstand.

Der PoC muss self-contained und timeboxed sein. Keine production-ready Architektur, keine Jahresprojekte. CSV-Dateien, idealisierte Daten oder eine schnelle Datenbank reichen aus. Am Ende steht ein funktionierender Prototyp, der zeigt, ob die Idee trägt. Kein Strategiepapier. Ein Ergebnis.

Wie das in der Praxis Schritt für Schritt abläuft, erkläre ich in meinem Artikel zum AI Design Sprint.

Schritt 4: Vom Prototyp zum skalierbaren System

Du hast einen funktionierenden PoC. Jetzt kommt der Moment, in dem viele steckenbleiben. Denn vom PoC zum produktiven MVP ist es ein weiter Weg.

ROI lässt sich auf mehreren Ebenen messen. Pilot ROI beantwortet: Hat der PoC die Machbarkeit bewiesen? Wird meist als "Wissen aufgebaut" gemessen. Scale Up ROI fragt: Wie viel muss ich investieren, und was zahlt die Anwendung auf meine Geschäftsziele ein? Gibt es eine Nicht-KI-Alternative, die besser abschneidet? Post-Implementation ROI zeigt, ob das Modell langfristig tragfähig ist und ab wann positiver ROI entsteht.

In meinen Workshops erwarten Mittelständler oft das Vierfache ihres Investments innerhalb eines Jahres. Das ist ambitioniert. KI ist eine organisatorische Veränderung, kein lupenreiner Business Case wie eine neue Maschine in der Produktion. Der Wert zeigt sich oft indirekt: Mitarbeitende kündigen seltener, weil ihre Arbeit weniger frustrierend wird. Mehr Durchsatz entsteht, weil Engpässe früher erkannt werden. Kunden bleiben, weil Anfragen schneller bearbeitet werden.

Bei der Skalierung ist cross-funktionale Zusammenarbeit entscheidend. Fertigung, IT, Vertrieb, Geschäftsführung an einem Tisch. KI ist kein IT-Projekt. Wer KI als IT-Projekt behandelt, wird feststellen, dass die IT alleine die Fachbereichsprobleme weder kennt noch lösen kann.

KI Strategie für den Mittelstand: Governance und Training nicht vergessen

KI ohne Governance ist wie Autofahren ohne Führerschein. Eine Weile klappt es, bis es nicht mehr klappt.

Compliance sicherstellen. Der EU AI Act ist da. Seit Februar 2025 gilt die KI-Kompetenzpflicht nach Artikel 4. Ab August 2026 greifen die vollständigen Anforderungen für Hochrisiko-KI.³ Dein Unternehmen muss wissen, welche KI-Anwendungen unter welche Risikokategorie fallen. DSGVO-Konformität muss von Anfang an mitgedacht werden, nicht nachträglich draufgebaut.

Training richtig machen. KI-Schulung ist nicht gleich ChatGPT-Tutorial. Mitarbeitende lernen Prompting, vielleicht noch Advanced Prompting für die Ambitionierten. Das reicht nicht für echtes Enablement. Echtes Enablement beginnt dort, wo Teams verstehen: Welche Prozesse eignen sich für KI? Wo ergibt sie keinen Sinn? Wo liegen Grenzen und Risiken? Mitarbeitende müssen keine Entwickler werden. Sie müssen aber einschätzen können, was Sinn macht.

Wissen im Haus behalten. Klassische Beratung macht abhängig. Berater kommen, machen ihre Arbeit, nehmen das Wissen mit und gehen. Oder sie bleiben mit Retainer und endlosen Blueprints in PowerPoint. Ich befähige Deine Mitarbeitenden, zu KI-Experten in ihren Fachbereichen zu werden. Danach gehe ich. Kein Retainer, kein Embedding. Nach dem AI Design Sprint können Teams eigenständig use cases identifizieren, bewerten und als PoC planen.

Richtlinien dokumentieren und kommunizieren. Welche KI-Tools sind erlaubt? In welchen Kontexten? Welche Daten dürfen wohin? Wer ist verantwortlich? Eine KI-Richtlinie, die niemand kennt, ist keine Richtlinie.

Was eine Strategie von einem Lizenzkauf unterscheidet

Hör auf, KI wie einen Einkaufsprozess zu behandeln. Hör auf, auf das perfekte Modell zu warten. Das nächste große Release wird Deine Probleme nicht lösen, wenn kein klarer Plan dahintersteht.

Was Du brauchst, passt auf eine Serviette: Ein Problem. Eine konkrete Idee. Ein Prototyp. Alles andere kommt danach.

Eine wirksame KI Strategie im Mittelstand beginnt nicht mit Technologie, sondern mit einer Entscheidung. Für einen konkreten Ansatz. Mit einem klaren use case. Mit den Menschen, die die Arbeit wirklich machen, und nicht gegen sie.

Unternehmen, die KI heute operativ einsetzen, haben keine bessere Technologie als Du. Sie haben früher aufgehört zu planen und angefangen, einen konkreten ersten Schritt zu gehen. Das ist der Unterschied.

Was ist Dein erster konkreter Schritt?

Dein nächster Schritt

Du willst wissen, wo Dein Unternehmen in der KI-Readiness steht und was als nächstes zu tun ist? Schreib mir oder schau Dir an, wie der AI Design Sprint in 3 bis 4 Tagen vom Problem zum Prototyp führt.

Quellen

¹ HKA/KARL-Studie 2025: KI im deutschen Mittelstand, Hochschule Karlsruhe, Prof. Dr. Steffen Kinkel (517 Unternehmen befragt) — h-ka.de

² Microsoft Work Trend Index 2024: AI at Work — microsoft.com

³ Verordnung (EU) 2024/1689 (EU AI Act), Artikel 4 (KI-Kompetenzen) und Artikel 99 (Sanktionen bis 7% des weltweiten Jahresumsatzes); Verordnung (EU) 2016/679 (DSGVO), Artikel 83 (Sanktionen bis 4% des weltweiten Jahresumsatzes) — eur-lex.europa.eu