capinorium · Fachartikel · Produktentwicklung & Daten
Machbarkeitsstudie statt Forschungsabteilung: Wie Mittelständler ein KI-Vorhaben mit begrenztem Risiko prüfen
Ein Mittelständler ohne eigene F&E-Abteilung kann ein KI-Vorhaben vertretbar angehen, wenn er es zuerst in eine zeitlich begrenzte Machbarkeitsstudie übersetzt: mit wenigen prüfbaren Fragen zu Technik, Daten und Wirtschaftlichkeit und mit Go/No-Go-Kriterien, die vor dem Start feststehen. Die Studie ersetzt keine Forschungsabteilung, sie liefert aber die Entscheidungsgrundlage für den nächsten Budgetschritt, einschließlich eines begründeten Abbruchs.
Für die meisten Unternehmen ist das keine Randfrage. Laut KfW-Innovationsbericht Mittelstand 2025 forschen nur 3 % der Mittelständler kontinuierlich und 6 % gelegentlich; 80 % der Innovatoren innovieren ohne eigene F&E. Zugleich nutzen Unternehmen mit F&E KI laut KfW Research fast dreimal so häufig. Auch bei sonst gleichen Merkmalen liegt die geschätzte KI-Nutzungswahrscheinlichkeit bei kontinuierlicher F&E bei 38 %, bei Innovatoren ohne F&E bei 19 %. Das ist ein statistischer Zusammenhang, kein Kausalbeweis. Die KfW erklärt ihn mit der Fähigkeit, externes Wissen aufzunehmen. Genau diese Fähigkeit lässt sich projektweise hinzuholen: Laut Stifterverband vergibt die Wirtschaft schon heute etwas mehr als ein Drittel ihrer F&E-Ausgaben extern.
Drei Fragen, die die Studie beantworten muss
Eine Machbarkeitsstudie ist dann nützlich, wenn sie drei getrennte Fragen beantwortet, statt eine Demo zu produzieren.
Technisch: Kann ein Verfahren die Aufgabe mit der nötigen Güte lösen, und zwar besser als eine einfachere Alternative wie Regeln, Suche oder ein verbesserter manueller Ablauf? Die Leitfrage lautet: Welche Annahme testen wir, und woran messen wir sie?
Daten: Sind ausreichend Daten verfügbar, in brauchbarer Qualität und mit geklärten Nutzungsrechten? Der Fraunhofer-IIS-Leitfaden für KMU setzt die Prüfung der Datengrundlage ausdrücklich vor die Modellierung eines Prototyps.
Wirtschaftlich: Trägt der Nutzen die Kosten des gesamten Arbeitsablaufs, also Datenaufbereitung, Integration, fachliche Prüfung und Betrieb? Diese Frage ist besonders relevant: Im KfW-Mittelstandspanel nennen 50 % die Unsicherheit über den wirtschaftlichen Erfolg als Innovationshemmnis.
Die Fragen decken sich mit typischen Ursachen gescheiterter KI-Projekte, die RAND aus 65 Interviews herausgearbeitet hat: ein missverstandenes Problem, fehlende Trainingsdaten, Technologie- statt Problemfokus, mangelnde Infrastruktur und Aufgaben, die für den Stand der Technik zu schwer sind.
Go/No-Go-Kriterien vor dem Start festlegen
Abbruchkriterien wirken nur, wenn sie feststehen, bevor die ersten Ergebnisse vorliegen. Sinnvoll sind Schwellen je Frage: eine Mindestgüte auf realen Testfällen, ein Datenbestand, der in einer festgelegten Frist beschaffbar ist, und ein Kostenrahmen für den Betrieb, unter dem sich das Vorhaben rechnet. Dazu gehört die Frage, wer das Ergebnis fachlich bewertet und was vor dem nächsten Budgetschritt nachgewiesen sein muss. Ebenso wichtig ist, welcher Fehler im späteren Betrieb teuer wäre: Ein falsch ausgelesener Prüfwert wiegt anders als ein holpriger Textentwurf, und danach richtet sich die geforderte Güte.
Fehlen solche Kriterien, bleibt oft nur ein diffuses Urteil. In einer Befragung der Bundesnetzagentur nannten 58 % der Unternehmen, die KI getestet und wieder aufgegeben hatten, als Grund, die Ziele seien nicht erreicht worden.
Warum das zählt, zeigen Prognosen und Befragungen mit unterschiedlicher Belastbarkeit. Gartner prognostizierte, dass mindestens 30 % der GenAI-Projekte bis Ende 2025 nach dem Proof of Concept aufgegeben werden; genannt werden unter anderem Datenqualität, Kosten und unklarer Nutzen. Eine Studie des MIT-Projekts NANDA berichtet, dass die meisten Organisationen keinen messbaren Ergebniseffekt sahen (Fortune). Sie beruht allerdings auf 52 Interviews und 153 Befragten, überwiegend aus den USA, und taugt nur als Indiz. Ein No-Go nach wenigen Wochen ist in dieser Logik kein Scheitern, sondern ein Ergebnis, das Pilot- und Rollout-Kosten erspart.
Abgrenzung: Studie, Proof of Concept, Pilot
Die Begriffe beantworten unterschiedliche Fragen. Ein Proof of Concept prüft, ob eine Lösung technisch funktionieren kann; ein Proof of Value fragt, ob sie messbaren Geschäftsnutzen stiftet (Fujitsu, Anbieterquelle). Ein Pilot läuft unter realen Bedingungen mit echten Nutzern. Die Machbarkeitsstudie ist der Rahmen davor: Sie kann einen technischen Vorversuch enthalten, bewertet aber zusätzlich Daten und Wirtschaftlichkeit. Auf der Skala der Technologiereife (TRL) liegt sie typischerweise zwischen experimentellem Machbarkeitsnachweis und Validierung im Labor oder in relevanter Umgebung. Wer direkt mit einem Pilot beginnt, überspringt diese Prüfung und muss Daten-, Technik- und Kostenfragen dann unter Betriebsbedingungen klären, wo jede Korrektur teurer ist.
Förderung: derzeit vor allem die Forschungszulage
Die Förderlage hat sich 2026 verschoben. Die ZIM-Durchführbarkeitsstudie, ein naheliegendes Instrument, ist ausgesetzt: Seit dem 7. Juli 2026 nimmt das ZIM keine Anträge an, eine Wiederaufnahme wird für Anfang 2027 angestrebt (BTU Cottbus-Senftenberg).
Offen bleibt die Forschungszulage, ein Rechtsanspruch ohne Antragsfenster. Sie setzt Neuartigkeit, technisch-wissenschaftliche Unwägbarkeit und Planmäßigkeit voraus. Wirtschaftliche Risiken zählen laut BSFZ-Prüfleitfaden nicht; das bloße Konfigurieren etablierter Software ist ausgeschlossen. Für die Studie heißt das: technische Arbeitspakete und Markt- oder Wirtschaftlichkeitsanteile getrennt planen und dokumentieren. Ob einzelne Teile begünstigt sind, klären Sie mit Steuerberatung und BSFZ.
In Bayern ist der Innovationsgutschein für Unternehmen unter 50 Beschäftigten bis Ende 2029 verlängert; er fördert externe F&E-Leistungen, nennt Machbarkeitsstudien aber nicht ausdrücklich.
Wer ein KI-Vorhaben so zuschneidet, kauft sich zuerst eine belastbare Entscheidung und erst danach Entwicklung. Wenn Sie Ihre Fragestellung und Abbruchkriterien strukturieren möchten, ist ein Gespräch mit capinori ein möglicher erster Schritt.
Häufige Fragen zu KI-Machbarkeitsstudien im Mittelstand
Was ist eine KI-Machbarkeitsstudie?
Eine KI-Machbarkeitsstudie ist ein zeitlich begrenztes Vorhaben, das vor größeren Investitionen prüft, ob ein KI-Anwendungsfall technisch lösbar, mit verfügbaren Daten umsetzbar und wirtschaftlich tragfähig ist. Eine gesetzliche Definition speziell für KI gibt es nicht. Ergebnis ist eine begründete Go/No-Go-Empfehlung für den nächsten Budgetschritt, nicht ein fertiges Produkt.
Braucht ein Mittelständler eine eigene F&E-Abteilung für ein KI-Vorhaben?
Nein, eine eigene F&E-Abteilung ist keine Voraussetzung. Laut KfW-Innovationsbericht Mittelstand 2025 innovieren 80 % der mittelständischen Innovatoren ohne eigene F&E. Fehlende Forschungskapazität lässt sich projektbezogen über externe Partner ergänzen; die interne Fachexpertise zu Prozess und Daten bleibt dabei unverzichtbar.
Worin unterscheidet sich eine Machbarkeitsstudie von einem Proof of Concept?
Ein Proof of Concept prüft nur, ob eine Lösung technisch funktionieren kann. Eine Machbarkeitsstudie ist breiter: Sie kann einen solchen technischen Vorversuch enthalten, bewertet aber zusätzlich Datenverfügbarkeit, Datenrechte und Wirtschaftlichkeit. Ein Pilot folgt erst danach und erprobt die Lösung unter realen Bedingungen mit echten Nutzern.
Welche Go/No-Go-Kriterien sind für eine KI-Machbarkeitsstudie sinnvoll?
Sinnvoll sind Kriterien, die vor Studienbeginn feststehen: eine Mindestgüte des Verfahrens auf realen Testfällen, ausreichend Daten in Menge, Qualität und mit geklärten Rechten innerhalb einer festen Frist, ein tragfähiger Kostenrahmen für Integration und Betrieb sowie lösbare rechtliche Anforderungen. Wird eine Schwelle verfehlt, ist der Abbruch ein verwertbares Ergebnis.
Wird eine KI-Machbarkeitsstudie über die Forschungszulage gefördert?
Das hängt vom Inhalt ab und ist im Einzelfall zu prüfen. Die Forschungszulage setzt Neuartigkeit, technisch-wissenschaftliche Unwägbarkeit und Planmäßigkeit voraus. Wirtschaftliche Risiken und das Konfigurieren etablierter Software zählen laut BSFZ-Prüfleitfaden nicht. Technische und marktbezogene Anteile sollten daher getrennt dokumentiert und mit Steuerberatung geklärt werden.
Kann man derzeit eine ZIM-Durchführbarkeitsstudie beantragen?
Derzeit nicht. Seit dem 7. Juli 2026 nimmt das Zentrale Innovationsprogramm Mittelstand (ZIM) wegen begrenzter Haushaltsmittel keine Anträge an; eine Wiederaufnahme wird laut BTU Cottbus-Senftenberg für Anfang 2027 angestrebt, abhängig vom Bundeshaushalt. Kleine bayerische Unternehmen können den bis 2029 verlängerten Innovationsgutschein Bayern für externe F&E-Leistungen prüfen.
Quellen (14)
- KfW Research: KfW-Innovationsbericht Mittelstand 2025, März 2026
- KfW Research: Fokus Volkswirtschaft Nr. 533, KI im Mittelstand, 11.02.2026
- KfW Research: Fokus Volkswirtschaft Nr. 520, Innovationshemmnisse, 18.11.2025
- Stifterverband: fue-facts 2024, April 2026
- Bundesnetzagentur: KI-Umfrage, Bericht, Juli 2025
- Fraunhofer IIS: KI-Lösung – Ein Leitfaden für KMU, April 2025
- RAND Corporation: The Root Causes of Failure for Artificial Intelligence Projects, 13.08.2024
- Gartner: Pressemitteilung zu GenAI-Projekten nach dem Proof of Concept, 29.07.2024
- Fortune: Bericht zur MIT-NANDA-Studie „The GenAI Divide“, 18.08.2025
- Fujitsu: Proof of Concept vs. Proof of Value, 13.03.2025
- Europäische Kommission: Technology Readiness Levels, Horizon 2020 Annex G
- BTU Cottbus-Senftenberg: ZIM – befristeter Antragsstopp seit dem 7. Juli 2026, 20.07.2026
- Bescheinigungsstelle Forschungszulage: FAQ und Prüfleitfaden, Stand 10/2025
- Bayern Innovativ: Richtlinien Innovationsgutschein Bayern 2026
Rudy Winklhofer ist Inhaber und Director R&D der capinori GmbH.
Weitere Beiträge von Rudy Winklhofer
