KI-Projekte im Mittelstand scheitern meist nicht an der Leistungsfähigkeit eines Modells, sondern an einem unklaren Prozess, fehlenden Datenzugängen und ungeklärter Verantwortung. Eine überzeugende Demonstration ist noch kein funktionierender Arbeitsablauf. Wirtschaftlicher Nutzen entsteht erst, wenn ein KI-Ergebnis zur richtigen Zeit im richtigen System ankommt und eine definierte Handlung auslöst.

Der häufigste Fehler: Das Werkzeug kommt vor dem Problem

Die Frage „Welches KI-Tool sollen wir einsetzen?“ kommt in vielen Projekten zu früh. Zuerst muss feststehen, welcher Engpass behoben werden soll. „Angebote dauern zu lange“ ist noch zu grob. Besser ist: „Die technische Leitung benötigt pro Anfrage 35 Minuten, um Leistungspositionen aus E-Mails und Fotos zusammenzustellen.“

Diese Präzision bestimmt, welche Daten gebraucht werden, wo eine Schnittstelle nötig ist und welcher Teil der Arbeit weiterhin menschliche Prüfung verlangt.

Fünf typische Ursachen

1. Kein klarer Prozessanfang und kein Prozessende

Ein KI-Schritt ohne definierten Ein- und Ausgang erzeugt zusätzliche Handarbeit. Wenn Mitarbeitende Daten manuell aus Outlook kopieren, eine KI-Antwort prüfen und anschließend in das ERP übertragen, wurde kein Prozess automatisiert. Es wurde ein weiteres Werkzeug eingefügt.

2. Daten sind vorhanden, aber nicht nutzbar

Dateien in SharePoint, Netzlaufwerken, E-Mail-Postfächern und Fachanwendungen sind nicht automatisch eine belastbare Datengrundlage. Dubletten, veraltete Versionen, fehlende Berechtigungen und uneinheitliche Benennungen führen zu unzuverlässigen Ergebnissen.

3. Niemand besitzt das Ergebnis

Jedes KI-Ergebnis braucht eine verantwortliche Rolle. Wer prüft einen Angebotsentwurf? Wer entscheidet bei einer unsicheren Dokumentenklassifikation? Wer korrigiert die Wissensbasis? Fehlt diese Zuordnung, bleiben Fehler liegen oder die KI wird aus Misstrauen nicht verwendet.

4. Erfolg wird als Aktivität gemessen

„50 Mitarbeitende haben Zugang“ ist keine Erfolgskennzahl. Ein Pilot ist erfolgreich, wenn beispielsweise die Durchlaufzeit sinkt, weniger Rückfragen entstehen oder die Fehlerquote unter einer vereinbarten Schwelle bleibt.

5. Der Pilot hat keinen Weg in den Betrieb

Ein Prototyp wird erst durch Integration, Monitoring, Support und Änderungsverantwortung zu betrieblicher Software. Kosten für Schnittstellen, Rechteverwaltung, Protokollierung und Wartung gehören deshalb bereits in die Pilotentscheidung.

Das PRAXIS-Vorgehen für ein belastbares KI-Projekt

OneMillion Digital strukturiert KI-Projekte entlang von Prozess, Reduktion, Automatisierung, Experiment, Integration und Skalierung.

  1. Prozess verstehen: reale Arbeitsschritte, Medienbrüche und Ausnahmen aufnehmen.
  2. Reduktion: unnötige Freigaben, Datenkopien und Varianten entfernen.
  3. Automatisierung: nur den Schritt auswählen, bei dem KI einen messbaren Beitrag leistet.
  4. Experiment: mit repräsentativen Fällen und einer begrenzten Nutzergruppe testen.
  5. Integration: Microsoft 365, DATEV, Lexoffice, SevDesk, ERP oder CRM gezielt anbinden.
  6. Skalierung: erst erweitern, wenn Qualität, Kosten und Verantwortlichkeiten stimmen.

Beispiel: Fehlererkennung in der Produktion

Eine Bilderkennung für Rohteile schafft nur dann Wert, wenn das Ergebnis in den Prüfprozess eingebaut wird. Vor dem Modelltraining müssen mindestens vier Entscheidungen fallen: Wo entsteht das Bild? Welche Fehlerklassen sind relevant? Was geschieht bei niedriger Sicherheit? Wer darf ein Teil endgültig sperren oder freigeben?

Ein sinnvoller Pilot lässt die KI zunächst vorsortieren. Unsichere Fälle gehen an die Qualitätsprüfung. Gemessen werden Erkennungsquote, Fehlalarme, Prüfzeit und Ausschuss. Erst wenn diese Werte stabil sind, wird der Prozess erweitert.

Die Projekt-Canvas für die erste Besprechung

Sieben Felder reichen, um einen KI-Anwendungsfall vor der Tool-Auswahl zu prüfen.

  • Problem: Welcher konkrete Engpass soll verschwinden?
  • Nutzer: Wer arbeitet täglich mit dem Ergebnis?
  • Eingang: Welche Daten und Formate kommen an?
  • Ausgang: Welches Ergebnis muss entstehen?
  • Reaktion: Was passiert anschließend im Prozess?
  • Risiko: Welche Fehler wären nicht akzeptabel?
  • Messung: Welche Kennzahl entscheidet nach dem Pilot über Fortsetzung oder Abbruch?

Fazit

Ein wirtschaftliches KI-Projekt ist ein sauber geführtes Prozessprojekt mit einer KI-Komponente. Wer Problem, Daten, Reaktion, Verantwortung und Messung vor dem ersten Tool-Vertrag klärt, reduziert Projektrisiko und erkennt schneller, ob der Anwendungsfall trägt.

Der Digitalisierungs-Check von OneMillion Digital hilft dabei, Zeitfresser und geeignete Pilotprozesse im Unternehmen zu priorisieren.

Häufige Fragen

Warum liefern viele KI-Piloten keinen ROI?

Viele Piloten messen Modellqualität, aber nicht den gesamten Arbeitsablauf. Zusätzliche Prüfungen, Datenübertragungen und Ausnahmen können die theoretische Zeitersparnis aufzehren.

Wie lange sollte ein KI-Pilot dauern?

Ein eng begrenzter Pilot sollte typischerweise innerhalb von vier bis acht Wochen belastbare Nutzungs- und Qualitätsdaten liefern. Komplexe Schnittstellen können die technische Umsetzung verlängern.

Welche Kennzahlen eignen sich für KI-Projekte?

Geeignet sind Durchlaufzeit, Bearbeitungszeit, Fehlerquote, Rückfragen, Nacharbeit, Automatisierungsgrad und Kosten pro Vorgang.

Muss ein KI-Projekt mit perfekten Daten starten?

Nein. Die Daten müssen jedoch repräsentativ, rechtmäßig nutzbar und ausreichend verständlich sein. Der Pilot sollte Datenlücken sichtbar machen, statt sie zu verdecken.

Was entwickelt OneMillion Digital für KI-Projekte?

OneMillion Digital entwickelt individuelle KI-Software, Automatisierungen und Schnittstellen für Mittelstand und Handwerk in Gifhorn und der Region Braunschweig/Wolfsburg/Hannover.

Quellen und weiterführende Beiträge