Multimodale KI: Text, Bild, Audio, Video.

In den meisten Unternehmensprojekten der letzten drei Jahre stand das Sprachmodell im Mittelpunkt. ChatGPT, Claude, Mistral — Text rein, Text raus. Diese Phase neigt sich dem Ende zu. Seit 2024 sind multimodale Modelle in einer Qualität verfügbar, die für produktive Anwendungen reicht: Modelle, die Bilder lesen, Audio verstehen, Videos analysieren, Sprache erzeugen, alles in einem Modell. Für mittelständische Unternehmen ergeben sich daraus Anwendungsfälle, die mit reiner Text-KI nicht möglich waren — und die teilweise erstaunliche Effizienzhebel haben. Eingehende Schadensmeldungen mit Fotos automatisch erfassen, Wartungsvideos in Schulungsmaterial verwandeln, Lieferschein-Scans direkt ins ERP übernehmen. Dieser Artikel zeigt, was multimodale KI heute leistet, wo die Grenzen liegen und welche Use Cases im klassischen Mittelstand jetzt realistisch sind. Mit ehrlicher Einschätzung dessen, was Marketing-Versprechen und was Realität ist.

Was multimodal heute heißt.

Vor zwei Jahren bedeutete „multimodal“ in den meisten Fällen: ein Sprachmodell, das ein Bild interpretieren konnte. Heute ist die Bandbreite deutlich breiter. Moderne multimodale Modelle (GPT-5, Claude Opus, Gemini Pro, einige Open-Source-Modelle) verarbeiten in unterschiedlicher Tiefe sechs Modalitäten.

• Text in / Text out — die klassische Sprachmodell-Funktionalität.
• Bild in / Text out — das Modell beschreibt, analysiert, beantwortet Fragen zu einem Bild.
• Audio in / Text out — Spracherkennung mit Kontextverstehen, weit über reine Transkription hinaus.
• Video in / Text out — Video-Inhalte werden analysiert, Ereignisse erkannt, Zusammenfassungen erzeugt.
• Text in / Bild out — Bildgenerierung aus Beschreibung (Stable Diffusion, DALL-E, Flux, Midjourney).
• Text in / Audio out — synthetische Sprache (Voice Cloning, Text-to-Speech in hoher Qualität).

Die wirklich neue Dimension ist die Kombination: Ein Modell, das im selben Aufruf Text, Bild und Audio verarbeiten kann. Das eröffnet Anwendungen, die mit getrennten Systemen vorher nicht praktikabel waren — weil die Daten-Übergabe zwischen Spezialmodellen zu fehleranfällig und zu langsam war.

Die fünf wertvollsten Anwendungsfälle im Mittelstand.

In Beratungsprojekten zeigen sich derzeit fünf Anwendungsfälle, bei denen multimodale KI substanziellen Mehrwert im Mittelstand liefert.

Erstens: automatisierte Erfassung von Belegen und Dokumenten. Lieferscheine, Rechnungen, Verträge, Bedienungsanleitungen werden fotografiert oder gescannt — die KI extrahiert die strukturierten Daten und übergibt sie ins ERP. Das ist nicht mehr OCR, das ist Verständnis: Auch wenn die Spalten verschoben sind, das Layout untypisch ist, der Scan unscharf ist, kommt die KI in der Regel klar. Eine Lösung dieser Art kostet typischerweise 60.000 bis 150.000 Euro im Aufbau und amortisiert sich in produktintensiven Mittelständlern oft unter zwölf Monaten.

Zweitens: visuelle Qualitätskontrolle. In Produktion und Wareneingang werden Fotos oder Videos automatisch analysiert auf Defekte, Anomalien, Abweichungen vom Soll-Zustand. Das war früher Domäne spezialisierter Computer-Vision-Modelle — multimodale LLMs erreichen heute in vielen Fällen vergleichbare oder bessere Ergebnisse, und sie sind flexibler bei neuen Defektarten.

Drittens: Wartungs- und Schadensdokumentation. Ein Techniker fotografiert oder filmt einen Schaden oder eine Reparaturarbeit, die KI dokumentiert automatisch — Bauteile, Vorgehen, Material. Das spart erhebliche Dokumentationsarbeit nach dem Einsatz.

Viertens: Kundengespräche transkribieren und auswerten. Verkaufs- oder Servicegespräche werden mit Kundeneinverständnis aufgezeichnet, die KI transkribiert, kategorisiert die Themen, extrahiert Aufgaben und Folgeschritte ins CRM.

Fünftens: barrierefreie Kommunikation. Texte werden automatisch zu Audio, Schulungsvideos werden automatisch transkribiert und übersetzt, Bilder werden automatisch beschrieben — als Standard und nicht als Sonderaufwand.

Wie die Vision-Funktionalität wirklich funktioniert.

Wer schon einmal versucht hat, ein Bild von einem Lieferschein an ChatGPT zu schicken und die Daten extrahieren zu lassen, kennt das Erlebnis: Es funktioniert beeindruckend gut — und manchmal überraschend schlecht. Diese Schwankung zu verstehen, ist wichtig.

Multimodale Modelle „sehen“ Bilder nicht wie ein Mensch. Sie zerlegen das Bild in Patches (kleine Bereiche), wandeln jeden Patch in eine numerische Repräsentation um und verarbeiten diese gemeinsam mit dem Text-Prompt. Was gut funktioniert: klar strukturierte Inhalte mit gutem Kontrast, lateinische Schrift, übliche Layouts. Was schlechter funktioniert: handschriftliche Notizen, sehr kleine Schrift, ungewöhnliche Sprachen, fehlende Kontextinformation.

In der Praxis heißt das: Ein gut belichteter Standardbeleg eines deutschen Lieferanten wird zu 95 Prozent korrekt erfasst. Eine handschriftlich ausgefüllte Lieferschein-Kopie aus Osteuropa kommt auf 70 Prozent. Wer multimodale KI für Belegerfassung einsetzt, muss die Qualität für seine konkreten Belegtypen messen — und gegebenenfalls einen menschlichen Validierungsschritt für unsichere Fälle einbauen. Das ist keine Schwäche der Technologie, das ist Engineering-Realität.

Audio und Sprache — was sich grundlegend verändert hat.

Die Verarbeitung gesprochener Sprache ist einer der Bereiche, in denen sich in zwei Jahren am meisten getan hat. Whisper von OpenAI hat 2022 den Standard verschoben — heute sind Transkriptionen in 90+ Sprachen mit Genauigkeiten über 95 Prozent verfügbar.

Was über reine Transkription hinausgeht: Die neuen Modelle erkennen Sprecher (Diarization), trennen mehrere Sprecher, halten Kontext über lange Aufnahmen. Eine Stunde Kundengespräch wird strukturiert in die einzelnen Sprecher zerlegt, mit Zeitstempeln, mit Zusammenfassungen pro Themenblock. Diese Daten gehen direkt in CRM-Notizen, in Compliance-Dokumentation, in Verkaufsanalysen.

Auf der Output-Seite: Synthetische Sprache ist 2026 in einer Qualität verfügbar, die für viele Anwendungen ausreicht — Hotline-Antworten, Sprachnachrichten, Schulungsmaterialien. Was wichtig zu wissen ist: Voice Cloning (eine spezifische Stimme nachbilden) ist juristisch heikel und in vielen Konstellationen gesetzlich eingeschränkt. Wer das einsetzt, sollte juristisch beraten sein — und Mitarbeitende, deren Stimme genutzt würde, immer ausdrücklich einbeziehen.

Video — der schwierigste Modus.

Von allen Modalitäten ist Video heute noch am wenigsten produktiv. Die Verarbeitung ist rechenintensiv, Anbieter berechnen typischerweise pro Sekunde Video, und die Qualität schwankt stärker als bei Bild oder Audio.

Trotzdem gibt es konkrete Anwendungen, die heute funktionieren. Lange Aufzeichnungen zusammenfassen: Eine zweistündige Sitzungsaufzeichnung wird zusammengefasst, wichtige Aussagen extrahiert, mit Zeitstempeln zum Nachsehen versehen. Schulungsvideos durchsuchbar machen: Hundert Schulungsvideos werden indexiert, ein Mitarbeiter kann später per Textsuche die Stelle finden, an der ein bestimmtes Thema erklärt wird. Sicherheitsrelevante Ereignisse erkennen: Aufzeichnungen werden automatisch durchsucht auf bestimmte Vorgänge — Stürze, ungewöhnliche Bewegungen, definierte Sicherheitsverstöße.

Was Video noch nicht zuverlässig kann: feine Nuancen wie Stimmung, Gesichtsausdrücke in komplexen Kontexten, schnelle Bewegungen mit detaillierter Aktionserkennung. Hier ist mit Fortschritten in den nächsten Jahren zu rechnen, aber für produktive Anwendungen 2026 sind diese Bereiche noch keine sichere Bank.

Datenschutz und Vertraulichkeit — die schärfsten Probleme.

Multimodale Daten sind oft sensibler als reine Textdaten. Ein Foto kann unbeabsichtigt Personen im Hintergrund zeigen, eine Audio-Aufzeichnung enthält biometrische Stimmdaten, ein Video kann persönliche Daten Dritter zeigen.

In der Praxis heißt das: Vor dem produktiven Einsatz multimodaler KI sollten drei Fragen geklärt sein. Erstens: Welche Personen sind in den verarbeiteten Materialien zu sehen oder zu hören, und liegt eine Einwilligung vor? Zweitens: Werden die Daten an externe Cloud-Dienste übermittelt, und welche vertraglichen Zusicherungen gibt es? Drittens: Wie lange werden die Originaldaten aufbewahrt, und wer hat Zugriff?

Besonders heikel: biometrische Daten. Stimmaufzeichnungen, Gesichtsbilder, andere biometrische Merkmale fallen unter Artikel 9 DSGVO und brauchen besondere Rechtsgrundlagen. Wer multimodale KI in Bereichen einsetzt, wo solche Daten anfallen — Kundenservice, Empfang, Personalprozesse —, sollte vor dem Roll-out eine Datenschutz-Folgenabschätzung machen. Das ist Aufwand, aber er ist nicht verhandelbar.

Eine Wirtschaftsrechnung — typischer Use Case.

Ein konkretes Beispiel: Ein Großhandelsunternehmen mit 180 Mitarbeitenden hat täglich rund 800 eingehende Lieferscheine in unterschiedlichen Formaten — als PDF, als Foto vom Lieferanten, als Scan. Bisher werden diese manuell vom Wareneingang ins ERP übernommen, was etwa drei Vollzeitäquivalente bindet.

Diese Rechnung ist realistisch, aber sie hat Bedingungen. Sie funktioniert nur, wenn die freiwerdende Personalkapazität wirklich produktiv umverteilt wird — nicht als Abbaumaßnahme, sondern als Verlagerung auf höherwertige Aufgaben. Sie funktioniert nur, wenn die Qualität der KI-Extraktion gemessen und kontinuierlich überwacht wird. Sie funktioniert nur, wenn die unvermeidbaren Fehler durch einen menschlichen Validierungsschritt aufgefangen werden. Wer diese Bedingungen erfüllt, sieht den Geschäftsfall. Wer sie überspringt, läuft in eine teure Enttäuschung.

Was Sie als Geschäftsführung jetzt prüfen sollten.

Drei Schritte, die im Mittelstand jetzt sinnvoll sind:

1. Multimodale Anwendungsfälle inventarisieren. Wo in Ihrem Unternehmen entstehen heute Daten in Bild-, Audio- oder Video-Form, die manuell verarbeitet werden? Belege, Wartungsfotos, Telefonate, Schulungsvideos. Diese Inventur ist die Vorarbeit für jede Priorisierung.
2. Höchstes Potenzial identifizieren. Aus der Inventur die ein bis drei Anwendungsfälle herausziehen, bei denen das Volumen hoch und die Datenqualität ausreichend ist. Das sind die natürlichen Erst-Use-Cases.
3. Datenschutz vorklären. Bevor Sie einen multimodalen Use Case angehen, klären Sie mit Datenschutz, Betriebsrat und gegebenenfalls Kunden, ob und in welcher Form die Daten verarbeitet werden dürfen. Diese Klärung kann mehrere Monate dauern und gehört vor die technische Umsetzung.

Multimodale KI ist in den nächsten Jahren einer der entwicklungsstärksten Bereiche der KI. Was heute schon funktioniert, wird in 18 Monaten massiv besser. Wer jetzt mit einem kleinen, klar abgegrenzten Use Case einsteigt, baut praktische Erfahrung auf, die später bei größeren Projekten zahlt. Wer wartet, übernimmt am Ende fertige Standardlösungen — und gibt einen Teil der Differenzierung an Wettbewerber ab, die früher angefangen haben. Diese Logik ist nicht panisch, sondern strategisch: Erfahrung mit neuen Technologien lässt sich nicht im Schnellverfahren nachholen, wenn der Bedarf akut wird.

Sie sehen, dass multimodale KI für Ihre Geschäftsprozesse interessant werden könnte, wissen aber nicht, wo der Einstieg lohnt? Unverbindlich anfragen — wir gehen Ihre Datenquellen, die rechtlichen Rahmenbedingungen und die wirtschaftlichsten Erst-Use-Cases gemeinsam durch.