KI im Unternehmen: Strategie, Kosten, Einführung

Worum es in diesem Themengebiet geht

Ob KI in einem Unternehmen etwas bewegt, entscheidet sich selten am Sprachmodell. Die verfügbaren Modelle sind für viele Büro- und Wissensaufgaben leistungsfähig genug. Den Ausschlag geben die Fragen davor und danach: Welcher Ablauf lohnt sich, welche Daten liegen in welcher Form vor, was kostet der Betrieb über mehrere Jahre, wer trägt die Verantwortung, und wie kommt ein funktionierender Prototyp in den Alltag?

Die Artikel in diesem Themengebiet behandeln genau diese Entscheidungen: Strategie und Reifegrad, die Suche nach geeigneten Anwendungsfällen, Kosten und Wirtschaftlichkeit, Make-or-Buy, Anbieterwahl und Verträge sowie Betrieb, Überwachung und Sicherheit. Sie sind weitgehend unabhängig von einzelnen Produkten geschrieben, weil sich Werkzeuge schneller ändern als die Logik einer guten Investitionsentscheidung.

Für den Mittelstand ist diese Sorgfalt besonders wichtig. Budget, IT-Kapazität und die Aufmerksamkeit der Geschäftsführung reichen meist nur für wenige Vorhaben gleichzeitig. Ein Projekt, das mit geschönten Annahmen startet und dann enttäuscht, kann das Vertrauen in die folgenden KI-Vorhaben beschädigen. Weniger Breite und mehr Fokus sind deshalb kein Mangel, sondern die passende Strategie bei begrenzten Ressourcen.

Für wen die Artikel gedacht sind

Die Beiträge richten sich an Geschäftsführung, Inhaberinnen und Inhaber, IT-Verantwortliche und Projektleitungen in kleinen und mittleren Unternehmen, die über KI-Vorhaben entscheiden müssen, ohne eine eigene Data-Science-Abteilung im Rücken zu haben. Programmierkenntnisse sind nicht nötig; im Mittelpunkt stehen Kriterien, Rechenwege und Fragen, die Sie intern oder gegenüber Anbietern stellen können.

Wer bereits weiß, welcher Ablauf besser werden soll, findet konkrete Beispiele nach Abteilung und Branche unter KI-Anwendungen. Datenschutz, EU AI Act und Haftung sind unter KI-Recht und Datenschutz gebündelt, Schulung und KI-Kompetenz der Mitarbeitenden unter KI-Kompetenz.

Typische Fehler und Missverständnisse

Die Muster, nach denen KI-Vorhaben scheitern, wiederholen sich; der Beitrag Warum KI-Projekte scheitern geht sie einzeln durch. Typisch sind:

• Werkzeug vor Problem: „Irgendetwas mit KI“ ist kein Projektziel. Ein Vorhaben trägt erst, wenn ein bestimmter Ablauf messbar zu lange dauert, zu viele Fehler erzeugt oder zu viel kostet. Manchmal lösen dann eine einfache Automatisierung oder ein klarerer Prozess das Problem günstiger.
• Datenarbeit zu klein veranschlagt: Daten finden, bereinigen, zugänglich machen und Nutzungsrechte klären ist oft der größte Teil der Arbeit. Wer diese Fragen erst nach dem Start stellt, verliert Zeit und Budget, bevor das Modell überhaupt etwas leisten kann.
• Kosten nur als Lizenz gedacht: Token- und Lizenzpreise sind meist der kleinere Teil. Integration, Datenpflege, Betrieb, Schulung und die Zeit der eigenen Leute fehlen in vielen Kalkulationen (versteckte Kosten).
• Demo mit Produktion verwechselt: Ein Proof of Concept zeigt Machbarkeit unter günstigen Bedingungen, aber noch keine Alltagstauglichkeit (vom PoC zur Produktion).
• Kein Erfolgskriterium: Wer vor dem Start nicht festlegt, woran Erfolg gemessen wird, kann weder Nutzen belegen noch rechtzeitig abbrechen (KPIs für KI).
• Die Menschen vergessen: Fühlen sich Mitarbeitende ersetzt oder überwacht oder macht das System ihre Arbeit komplizierter, wird es umgangen, unabhängig von seiner technischen Qualität.
• Vorhandene Nutzung übersehen: In vielen Unternehmen arbeiten Mitarbeitende längst mit öffentlichen KI-Diensten, ohne dass Regeln dafür bestehen. Diese Schatten-KI zeigt echten Bedarf, schafft aber ungeregelte Datenabflüsse; eine Strategie, die sie ignoriert, plant an der Wirklichkeit vorbei.

Wegweiser

Die Artikel lassen sich vier Gruppen zuordnen:

• Strategie und Priorisierung: KI-Strategie für den Mittelstand, KI-Reifegrad-Modell, Priorisierungsmatrix
• Kosten und Wirtschaftlichkeit: Was KI wirklich kostet, Gesamtkosten ehrlich rechnen, Amortisationszeiten
• Anbieter und Verträge: Vendor-Lock-in vermeiden, Exit-Strategie vor dem Einstieg, SLA verhandeln
• Betrieb und Sicherheit: Monitoring und Observability, Human-in-the-Loop, Prompt Injection

Einstieg in 5 Schritten

1. KI-Strategie für den Mittelstand entwickeln.: Der Leitfaden zeigt, wie Sie KI mit den Unternehmenszielen verknüpfen und wenige Vorhaben mit großem Hebel auswählen, statt viele Piloten gleichzeitig zu starten.
2. Ist mein Unternehmen KI-bereit? Ein Readiness-Check.: Bevor Geld fließt, prüfen Sie in fünf Dimensionen, ob Daten, Technik, Menschen, Organisation und Recht den geplanten Einsatz schon tragen.
3. KI-Audit: Anwendungsfälle systematisch finden & priorisieren.: Das Audit macht aus Ideen und Wünschen eine bewertete, priorisierte Liste von Anwendungsfällen, damit die ersten Projekte nach nachvollziehbaren Kriterien ausgewählt werden.
4. Den ROI von KI-Projekten ehrlich berechnen.: Mit allen Kosten und konservativ geschätztem Nutzen prüfen Sie, ob ein ausgewählter Anwendungsfall auch unter strengen Annahmen wirtschaftlich trägt.
5. KI selbst bauen oder kaufen? Die Make-or-Buy-Entscheidung.: Steht der Anwendungsfall fest, hilft dieser Beitrag bei der Wahl zwischen Kaufen, Zusammensetzen und Selbstbauen anhand klarer Kriterien statt erster Sympathie.

Häufige Fragen

Womit sollte ein mittelständisches Unternehmen bei KI anfangen?

Mit einem konkreten Ablauf, der regelmäßig Zeit kostet und dessen Ergebnis sich messen lässt, nicht mit der Auswahl eines Werkzeugs. Sinnvoll ist eine kurze Bestandsaufnahme von Daten, Prozessen, Technik und Kompetenzen, danach eine priorisierte Liste weniger Anwendungsfälle. Der erste davon wird als kleiner Proof of Concept mit vorher festgelegtem Erfolgskriterium umgesetzt, damit sich Weitermachen oder Abbruch klar begründen lassen.

Was kostet ein KI-Projekt?

Eine seriöse Pauschalzahl gibt es nicht. Die Kosten setzen sich aus vier Blöcken zusammen: Modell- oder API-Gebühren, einmalige Umsetzung mit Integration in bestehende Systeme, laufender Betrieb mit Überwachung und Datenpflege sowie indirekte Kosten wie Schulung und die Zeit der eigenen Mitarbeitenden. Die Gebühren für das Sprachmodell sind häufig der kleinste Posten, die Integration oft der größte. Rechnen Sie über mehrere Jahre, nicht nur über das erste.

Sollten wir KI selbst entwickeln oder eine fertige Lösung kaufen?

Es gibt drei Wege: kaufen, aus Bausteinen zusammensetzen oder selbst entwickeln. Für verbreitete Standardaufgaben wie Übersetzung oder allgemeine Texterstellung ist ein fertiges Produkt meist sinnvoll. Hängt der Nutzen an eigenen Daten und Prozessen, wird oft ein Sprachmodell per API mit Dokumentensuche und Automatisierung kombiniert. Ein eigenes Modell zu trainieren ist im Mittelstand selten nötig. In jedem Fall gehört die Frage nach einem späteren Anbieterwechsel in die Entscheidung.

Warum bleiben viele KI-Pilotprojekte im Demo-Status stecken?

Ein Proof of Concept beweist Machbarkeit unter günstigen Bedingungen: ausgewählte Daten, keine Integration, wenige Nutzer. Im Betrieb kommen unvollständige Daten, Sonderfälle, Berechtigungen, Überwachung, Rückfallebenen und die Akzeptanz der Mitarbeitenden hinzu. Wer diese Schritte und ihr Budget erst nach der gelungenen Demo plant, steht vor Aufwand, der nirgends vorgesehen war. Deshalb gehört der Weg in den Betrieb schon in die Planung des Pilots.

Braucht man für die Einführung externe KI-Beratung?

Nicht zwingend. Bestandsaufnahme und Priorisierung lassen sich intern erledigen, wenn jemand Zeit und ein klares Mandat hat. Externe Unterstützung hilft vor allem, wenn Erfahrung mit Integration und Betrieb fehlt oder Annahmen unabhängig geprüft werden sollen. Achten Sie auf nachprüfbare Praxiserfahrung, ein Angebot mit klaren Zielen und Ergebnissen und einen durchdachten Umgang mit Ihren Daten. Warnsignale sind pauschale Einsparversprechen, Verkaufen mit der Angst vor Bußgeldern, verdeckte Herstellerprovisionen und Abhängigkeit von Konten oder Plattformen des Anbieters.