Wo KI-Automatisierung im Mittelstand funktioniert und wo Sie warten sollten

Ein Sondermaschinenbauer mit rund 180 Mitarbeitern brauchte im Vertrieb im Schnitt vier Stunden pro Angebot: Spezifikationen aus der Produktdokumentation ziehen, frühere Projekte nachschlagen, aktuelle Preise prüfen. Ein Pilot mit einem RAG-Assistenten senkte die Recherchezeit auf unter eine Stunde. Das Ergebnis hielt. Allerdings erst, nachdem sechs Monate Dokumentenpflege vor dem eigentlichen KI-Einsatz lagen.

Wir haben sechs Monate Datenpflege gemacht, bevor wir auch nur eine KI-Komponente angefasst haben. Das war der eigentliche Pilot.

Leiter Digitalisierung, mittelständischer Sondermaschinenbauer (anonymisiert)

Diese Konstellation taucht in Praxisberichten immer wieder auf. Automatisierung bringt messbare Erträge. Die Misserfolge auch. Ob das gelingt, hängt seltener am Modell als an den Voraussetzungen. Bitkom und KfW zeigen seit Jahren steigende KI-Nutzung in deutschen Unternehmen. Gleichzeitig bleibt der Sprung vom Pilot in den Regelbetrieb die eigentliche Hürde. Erfahrungsberichte zeigen übereinstimmend: Viele Piloten scheitern oder bleiben stecken, oft weil Nutzen, Datenqualität oder Ownership unklar bleiben.

Drei Hebel, die sich heute rechnen

Wissenszugriff mit RAG

Retrieval-Augmented Generation speichert Wissen nicht dauerhaft im Modell. Zur Anfrage werden passende Textstellen aus dem internen Datenkorpus geholt und als Kontext übergeben. Das unterscheidet RAG von Fine-Tuning, das Wissen fest im Modell verankert und für die meisten Mittelstands-Fälle die teurere und unflexiblere Wahl ist.

Warum das passt: Im Mittelstand steckt institutionelles Wissen oft in Netzlaufwerken, Serviceberichten und Mailarchiven. Im technischen Kundendienst kostet die manuelle Suche über Handbücher, Fehlercodes und alte Reparaturberichte leicht 15 bis 25 Minuten. Mit einem indexierten Korpus und Quellenangaben sinkt das auf wenige Minuten. Die Handlung entscheidet weiterhin ein Mensch.

Backoffice mit IDP und RPA

Hier lohnt die Trennung der Werkzeuge. RPA automatisiert regelbasierte Schritte über Oberflächen und Systeme. Es ist deterministisch und bricht, wenn Interfaces oder Ausnahmen außerhalb des Regelwerks liegen. Intelligent Document Processing kombiniert OCR und Klassifikation für Rechnungen, Lieferscheine und ähnliche Belege. Agenten, die mehrstufig selbständig verzweigen, haben höhere Reichweite und höheres Risiko. Für den Mittelstand gehören sie nur in eng begrenzte Aufgaben, bei denen Fehler korrigierbar bleiben.

In der Kreditorenbuchhaltung funktioniert das so: Beleg kommt an, OCR liest Felder, ein Modell hilft bei mehrdeutiger Kostenstellenzuordnung, eine Regelengine matcht gegen ERP und offene Bestellungen, Ausnahmen landen in einer Review-Queue, der ERP-Schreibvorgang bleibt deterministisch. Branchenübliche Spannweiten nennen für manuelle Bearbeitung oft rund 10 bis 15 Euro pro Rechnung. Für stark automatisierte Hochvolumenprozesse liegen die Angaben eher bei 1 bis 3 Euro. Das gilt erst ab ausreichendem Volumen und sauberer Integration, nicht als Universalkennzahl.

Kundenkommunikation als Entwurfsschicht

Das Ziel ist keine Chatbot-Lösung, die den Vertrieb ersetzt, sondern eine Triage- und Entwurfsschicht hinter bestehenden Kanälen. Eingehende Anfragen werden klassifiziert, relevante Produktdaten oder FAQ-Inhalte gezogen, ein Antwortentwurf erzeugt. Ein Mensch prüft und sendet. Bei einem industriellen Zulieferer mit Hunderten Produktanfragen im Monat kann das die Bearbeitungszeit routinemäßiger Spezifikationsfragen stark verkürzen, ohne den Absender zu anonymisieren.

Für kundennahe Systeme gilt ab August 2026 die Transparenzpflicht des EU AI Act (Art. 50), wenn Systeme mit Menschen interagieren und als Mensch missverstanden werden könnten. Praktisch reicht oft eine klare Kennzeichnung plus menschliche Freigabe. Wer Antworten ungeprüft ausspielt, trägt das Risiko selbst.

Was noch warten sollte

• Unsaubere Stammdaten: Duplikate im Lieferantenstamm, inkonsistente Produktkategorien, Altbestände ohne Struktur. Automatisierung verstärkt vorhandene Fehler.
• Offene Urteilskraft mit Haftung: verbindliche Auskünfte, individuelle Preisentscheidungen mit Vertragsfolge, rechtlich heikle Aussagen. Gerichtliche Entscheidungen aus dem Jahr 2026, etwa des OLG Hamm, erhärten die Auffassung, dass Betreiber für KI-generierte Inhalte in der Kundenkommunikation haften. "Das Modell hat halluziniert" ist keine Verteidigung.
• Regulierte und hochrisikoträchtige Prozesse: Personalauswahl, kreditnahe Entscheidungen, sicherheitskritische Prüfungen. Annex III des AI Act zieht hier Dokumentations- und Konformitätspflichten nach sich, die viele IT-Teams im Mittelstand noch nicht stemmen.
• Keine interne Ownership: Ohne benannte Person, die Ausnahmen erklären und nachziehen kann, bleiben Piloten Piloten.

EU AI Act und Betriebsrat als Designrahmen

Als Orientierung für den Betrieb, nicht als Rechtsberatung: Die meisten Mittelstands-Fälle wie Rechnungsverarbeitung, interne Wissenssysteme oder Anfragen-Triage fallen in minimale oder begrenzte Risiken. Präzise Einordnung hilft mehr als Alarmismus.

• Art. 4 verlangt angemessene KI-Kompetenz der beteiligten Mitarbeitenden. Dokumentierte Einweisung genügt oft als Mindeststandard.
• Art. 50 verlangt Transparenz bei kundenrelevanten Systemen, die als Mensch missverstanden werden könnten.
• BetrVG §87: Systeme, die objektiv geeignet sind, Verhalten oder Leistung zu überwachen, unterliegen der Mitbestimmung. Backoffice-Logs mit personenbezogenen Durchsatz- oder Fehlerkennzahlen gehören früh auf den Tisch des Betriebsrats.

Datenbereitschaft als erste Hürde

Vor dem Pilot stehen Fragen, denen intern niemand ausweichen sollte. Liegen die relevanten Daten intern konsistent vor? Sind sie per API oder strukturiertem Export erreichbar, nicht nur als PDF-Report aus dem ERP? Wer besitzt sie und darf Fehler korrigieren, wenn der Pilot sie findet?

Der Fachkräftemangel macht Automatisierung attraktiv. Bitkom berichtet seit Jahren von einer hohen Quote unbesetzter IT-Stellen. Das rechtfertigt gezielte Entlastung wiederkehrender Arbeit. Es ersetzt keine saubere Prozess- und Datengrundlage.

Checkliste für die Geschäftsleitung

1. Ist der Prozess stabil genug für Automatisierung, oder gerade im Umbau mit unklaren Zuständigkeiten?
2. Gibt es eine eindeutige, maschinenlesbare Quelle für die relevanten Stammdaten?
3. Ist der Betriebsrat einbezogen, falls Mitarbeiterdaten oder individuelles Verhalten protokolliert werden?
4. Welche Risikokategorie hat der Fall unter dem EU AI Act, und wurde Annex III geprüft?
5. Ist der Nutzen in konkreten Prozesskennzahlen messbar, etwa Durchlaufzeit, Fehlerquote oder Stunden pro Vorgang?

Der Mittelstand hat Wettbewerbsvorteile durch Prozessbeherrschung und Kundennähe aufgebaut, nicht durch Technologiespekulation. Für die Automatisierung gilt dieselbe Disziplin. Unternehmen mit nachweisbaren Erträgen sind selten jene mit dem breitesten KI-Einsatz. Es sind jene, die Automatisierung dort eingesetzt haben, wo Prozesse schon verstanden und Daten schon vertrauenswürdig waren.