Die Technik ist selten das Problem. Sprachmodelle sind heute gut genug für einen großen Teil dessen, was der Mittelstand von ihnen erwartet. Trotzdem versanden viele Vorhaben – und die Ursache liegt fast immer vor der ersten Zeile Code, in der Art, wie die Frage gestellt wurde.
1. Das Muster
Der Auftrag lautet: „Wir müssen was mit KI machen." Er kommt aus der Geschäftsführung, vom Beirat, vom Wettbewerber, der etwas angekündigt hat. Dann wird ein Anwendungsfall gesucht, der zur Technik passt.
Damit ist die Reihenfolge umgedreht. Ein Vorhaben, das trägt, beginnt mit einem Engpass, den jemand benennen und beziffern kann – und endet gelegentlich bei der Erkenntnis, dass eine Schnittstelle oder ein aufgeräumter Prozess billiger hilft.
Der Unterschied ist nicht akademisch. Ein Projekt, das aus einem bezifferten Problem entsteht, hat automatisch ein Erfolgsmaß, einen Auftraggeber mit Interesse am Ergebnis und eine Antwort auf die Frage, wann man aufhört. Ein Projekt, das aus einem Wunsch entsteht, hat nichts davon.
2. Sechs Gründe, in der Reihenfolge ihrer Häufigkeit
Der Auftrag lautet „wir müssen etwas mit KI machen". Damit steht der Lösungsweg fest, bevor irgendjemand das Problem benannt hat. Gesucht wird anschließend ein Anwendungsfall, der zur Technik passt – statt einer Technik, die zum Engpass passt.
Erkennbar daran, dass niemand sagen kann, was der heutige Zustand pro Monat kostet.
Auf dem Papier sind alle Informationen vorhanden. In der Praxis stehen sie in PDF-Anhängen, in gewachsenen Freitextfeldern, in drei Systemen mit unterschiedlicher Schreibweise derselben Kundennummer. Der Aufwand steckt dann in der Aufbereitung, nicht im Modell.
Erkennbar daran, dass niemand aus dem Stand sagen kann, wo ein bestimmter Wert eigentlich herkommt.
Wenn drei Abteilungen denselben Vorgang unterschiedlich bearbeiten, weiß auch ein Sprachmodell nicht, welche Variante richtig ist. KI automatisiert dann das Chaos, statt es zu beheben – nur schneller und schwerer nachvollziehbar.
Erkennbar daran, dass die Antwort auf „wie läuft das heute?" je nach Gesprächspartner anders ausfällt.
Ohne vereinbartes Maß wird die Bewertung zur Geschmacksfrage. Jeder Beteiligte prüft mit seinen eigenen Beispielen, jeder findet einen Fall, der schiefgeht, und niemand kann sagen, ob das Ergebnis insgesamt gut genug ist.
Erkennbar daran, dass die Abnahme aus dem Satz „das fühlt sich noch nicht rund an" besteht.
Für die Demo werden zwanzig gut gewählte Fälle genommen. Der Alltag liefert die anderen: unvollständige Anfragen, Dubletten, Sonderfälle, den Kunden mit der historisch gewachsenen Ausnahmeregel. Die Trefferquote fällt genau dort, wo sie zählt.
Erkennbar daran, dass die Testdaten von derselben Person ausgewählt wurden, die das Projekt vorgeschlagen hat.
Das Projektteam löst sich auf, die Lösung läuft weiter. Ein Quellsystem ändert ein Feld, die Qualität sinkt schleichend, und weil niemand hinsieht, merkt man es erst, wenn die Fachabteilung wieder manuell arbeitet.
Erkennbar daran, dass auf die Frage „wer betreut das ab nächstem Quartal?" niemand antwortet.
3. Die Pilotprojekt-Falle
Auffällig viele Piloten gelingen und gehen trotzdem nie produktiv. Das ist kein Widerspruch, sondern die Folge davon, wie ein Pilot gebaut wird: mit ausgewählten Daten, auf einer Kopie, ohne Anbindung an die Systeme, in denen der Vorgang tatsächlich lebt.
Genau dort steckt der eigentliche Aufwand. Der Sprung vom Demo-Datensatz in eine gewachsene Systemlandschaft bedeutet: Rechtevergabe, Anbindung an das Bestandssystem, Umgang mit Ausfällen, Protokollierung, Übergabe an Menschen bei Unsicherheit. Das ist oft ein Vielfaches dessen, was der Pilot gekostet hat – und es wird bei der Freigabe des Piloten selten mitgedacht.
Ein Pilot beweist deshalb wenig über die Machbarkeit im Betrieb. Nützlich wird er erst, wenn er von Anfang an mit echten, unbereinigten Daten läuft und wenn vorab feststeht, welches Ergebnis zur Produktivsetzung führt.
Ein Beispiel für ein abgegrenztes Vorhaben: Wissensdatenbank mit KI – wann RAG sich lohnt und wann nicht
4. Vier Fragen vor dem Start
Diese vier Fragen kosten eine Stunde und entscheiden mehr über den Ausgang als die Wahl des Modells. Wenn eine davon unbeantwortet bleibt, ist das kein Grund zur Eile, sondern das Ergebnis der Vorprüfung.
In Stunden pro Woche, in Fehlern pro Monat, in verlorenen Aufträgen. Wer den Ist-Zustand nicht beziffern kann, wird den Nutzen der Lösung nicht erkennen – und keinen Grund haben, sie zu behalten.
Eine Zahl, auf die sich alle vorab einigen. Sie muss nicht perfekt sein, aber sie muss vor dem Start feststehen. Danach vereinbarte Maße werden immer so gewählt, dass das Ergebnis gut aussieht.
Mit Namen, nicht mit Abteilung. Dazu gehört: Wer schaut sich die Ausreißer an, wer entscheidet über Anpassungen, und wie viel Zeit ist dafür eingeplant.
Eine falsch einsortierte E-Mail ist ärgerlich. Eine falsche Auskunft an einen Kunden oder eine fehlerhafte Bewertung einer Bewerbung ist es nicht. Je höher der Schaden, desto mehr Prüfschritt gehört davor.
Zum Beziffern des Ist-Zustands: Was kostet Prozessautomatisierung? So rechnen Sie es selbst aus
5. Wann es gar kein KI-Projekt ist
Ein guter Teil der Anfragen, die als KI-Vorhaben beginnen, lässt sich billiger und zuverlässiger anders lösen. Das ist keine Absage an die Technik – es ist die Voraussetzung dafür, sie dort einzusetzen, wo sie wirklich etwas kann.
| Der Fall | Was meist besser passt |
|---|---|
| Daten aus Formularen in ein System übertragen | Eine Schnittstelle oder ein strukturiertes Formular – eindeutig statt wahrscheinlich |
| Immer gleiche Entscheidungen nach festen Regeln | Regelbasierte Automatisierung – nachvollziehbar, prüfbar, ohne Modellkosten |
| Dokumente sollen wiederfindbar werden | Erst eine ordentliche Ablage und Volltextsuche; KI lohnt sich danach, nicht davor |
| Berichte, die jeden Monat gleich aussehen | Eine Auswertung direkt auf der Datenbank – schneller und immer korrekt |
| Freitext verstehen, zusammenfassen, einordnen | Hier ist KI tatsächlich das passende Werkzeug – und kaum etwas anderes leistet es |
Die Faustregel: Wo die Antwort eindeutig aus Regeln folgt, ist eine Regel das bessere Werkzeug – sie ist nachvollziehbar, prüfbar und verursacht keine laufenden Modellkosten. KI lohnt sich dort, wo Sprache im Spiel ist und wo eine gewisse Unschärfe ohnehin zum Problem gehört.
6. Wie ein Vorhaben aussieht, das trägt
Das versandende Vorhaben
- „Wir digitalisieren den Kundenservice mit KI"
- Erfolg wird nach Gefühl beurteilt
- Zuständigkeit endet mit dem Projekt
- Kein vereinbarter Zeitpunkt zum Abbrechen
Das Vorhaben, das trägt
- „Eingehende Anfragen im Sammelpostfach vorsortieren"
- Eine Zahl, vorher vereinbart
- Eine benannte Person danach
- Abbruchkriterium steht von Anfang an fest
Klein anzufangen ist dabei keine Bescheidenheit, sondern Risikosteuerung. Ein Ausschnitt, der in wenigen Wochen ein belastbares Ergebnis liefert, beantwortet die eigentliche Frage – ob die Daten und der Prozess das Vorhaben tragen – zu einem Bruchteil der Kosten. Ausweiten lässt sich danach immer noch.
Unsicher, ob Ihr Vorhaben trägt?
Im kostenlosen Erstgespräch gehen wir die vier Fragen an Ihrem konkreten Fall durch. Wenn dabei herauskommt, dass es kein KI-Projekt ist, sage ich Ihnen das – das ist das günstigere Ergebnis von beiden.
Mehr zum Vorgehen: KI-Beratung für den Mittelstand