capinorium · Fachartikel · KI
Nicht Ideen fehlen, sondern Übersetzung: Was den Mittelstand bei KI wirklich bremst
Zum Finden von KI-Anwendungsfällen gibt es längst erprobte Methoden. Mittelständischen Unternehmen fehlt etwas anderes: die Übersetzung einer allgemeinen KI-Fähigkeit in einen konkreten Schritt ihres eigenen Prozesses oder Produkts. Wer vom Problem statt vom Werkzeug ausgeht, Daten früh prüft und klassische Software ernsthaft als Alternative betrachtet, kommt mit fünf überschaubaren Schritten zu einer belastbaren Entscheidung.
Auch die KfW kommt in ihrer jüngsten Auswertung zu diesem Schluss: Die Identifikation erster, praxistauglicher KI-Anwendungen sei „eine zentrale Hürde“ (KfW Research, Fokus Nr. 554, 29.07.2026). In denselben Daten zeigt sich das Muster: Sprachgenerierung nutzen 14 Prozent der Mittelständler, Automatisierung und Entscheidungsunterstützung nur 5 Prozent. Diese Anwendungen nennt die KfW „sehr unternehmensspezifisch“. Breit einsetzbare Werkzeuge kommen also an. Wo eine Lösung auf den eigenen Ablauf zugeschnitten werden muss, wird es dünn.
Die Methode ist bekannt, die Anwendung ist die Arbeit
Leitfäden der Plattform Lernende Systeme (2021), von KI-Transfer BW (2022) und Fraunhofer IIS (2025) sind frei verfügbar und folgen fast demselben Muster. Am Wissen über die Methode liegt es also kaum. Anspruchsvoll ist, sie auf den eigenen Prozess anzuwenden. KI-Transfer BW beschreibt den Kern des Problems: Datenfachleuten und Fachexperten fehle oft eine gemeinsame Sprache darüber, was gute Daten und gute Ergebnisse sind.
Fünf Schritte vom Prozess zum Machbarkeitsnachweis
1. Problem und Prozess verstehen. Am Anfang steht ein Engpass mit messbarem Ausgangswert: Durchlaufzeit, Fehlerquote, Bearbeitungsaufwand. Fraunhofer IIS empfiehlt, Erfolgskriterien und Kennzahlen schon in dieser Phase festzulegen. Ohne Ausgangswert lässt sich später nicht zeigen, ob ein Pilot etwas verbessert hat. Die Plattform Lernende Systeme rät zudem, gezielt im Kerngeschäft zu suchen, weil Anwendungsfälle dort leicht übersehen werden.
2. Die passende KI-Fähigkeit zuordnen. Der KI-Use-Case-Canvas von Fraunhofer IAO macht die „relevante KI-Fähigkeit“ zum Pflichtfeld neben der Problemstellung, etwa Bilderkennung, Sprachverarbeitung, Prognose oder Planung. Ein illustratives Beispiel: Ein Hersteller klassifiziert Kundenanfragen bisher von Hand. Die passende Fähigkeit ist dann Textklassifikation, kein Chatbot. Diese Zuordnung zwingt dazu, zu benennen, was die Technik tatsächlich leisten soll.
3. Die Daten prüfen, bevor gebaut wird. Gibt es genügend Daten, sind sie zugänglich, sind sie repräsentativ, und darf das Unternehmen sie nutzen? KI-Transfer BW zitiert einen Praktiker, nach dessen Erfahrung der Algorithmus nur etwa zehn Prozent ausmacht und Datenbeschaffung und -bereinigung den Rest. Mehrere Leitfäden raten deshalb, dort zu beginnen, wo historische Daten bereits vorliegen.
4. Nutzen und Machbarkeit gemeinsam bewerten. Der Fraunhofer-IAO-Canvas vergibt Punkte für Mehrwert, Datenlage, Know-how und Zeit bis zum geprüften Machbarkeitsnachweis. Wichtig ist eine weitere Prüffrage: Gibt es für vergleichbare Probleme bereits bekannte Lösungen? Ein großer Nutzen bei geringer Machbarkeit ist ein Forschungsvorhaben, kein schneller Einstieg. Beides kann richtig sein, aber es braucht andere Budgets und Erwartungen. Als Orientierung nennt die Plattform Lernende Systeme für den Mittelstand ein ROI-Ziel von unter zwei Jahren.
5. Klein und befristet nachweisen. Ein Prototyp soll die Machbarkeit belegen und entsteht laut Fraunhofer IIS „typischerweise in wenigen Wochen“. Vorab gehören Abnahmekriterien und ein Abbruchkriterium festgelegt. Ebenso wichtig ist der Integrationspfad: Wer betreibt das System, wer überwacht die Ergebnisse, was passiert, wenn sich die Daten verändern? Gartner hatte 2024 prognostiziert, dass bis Ende 2025 mindestens 30 Prozent der Projekte mit generativer KI nach dem Machbarkeitsnachweis aufgegeben werden, unter anderem wegen unklaren Geschäftswerts (Gartner, 29.07.2024). Das ist eine globale Prognose, keine Messung im Mittelstand, aber sie zeigt, wo Projekte typischerweise scheitern.
Wann klassische Software die bessere Wahl ist
Ein ehrliches Ergebnis der Übersetzung kann lauten: keine KI. Laut Fraunhofer IIS funktionieren regelbasierte Systeme weiterhin gut, wenn sich das Fachwissen in stabile Regeln fassen lässt. Der People + AI Guidebook von Google PAIR nennt weitere Fälle, in denen KI wahrscheinlich nicht besser ist: wenn Vorhersehbarkeit zählt, Fehler sehr teuer sind, volle Transparenz verlangt wird oder eine schnelle, günstige Lösung gefragt ist. KI spielt ihre Stärke dagegen bei variablen und unstrukturierten Daten aus, etwa bei Sprache in vielen Varianten, Bildern, Prognosen oder sich wandelnden Mustern.
Dieselbe Logik gilt für die aktuelle Agenten-Welle. Gartner hält fest, dass viele heute als „agentisch“ vermarktete Anwendungsfälle keine agentische Umsetzung benötigen, und prognostiziert, dass über 40 Prozent dieser Projekte bis Ende 2027 eingestellt werden (Gartner, 25.06.2025). Oft genügen eine Regel, eine Workflow-Automatisierung oder eine bessere Suche.
Wissen ist vorhanden, Übersetzer sind knapp
Die KfW beobachtet einen moderaten Zusammenhang: Unternehmen, für die Fachzeitschriften, Messen oder Beratung als Wissensquelle wichtig sind, nutzen KI etwas häufiger. Ob das eine das andere verursacht, lässt sich daraus nicht ableiten. Es stützt aber die Annahme, dass Kontakt zu Beispielen und Fachwissen beim ersten Schritt hilft. Wissenschaft und spezialisierte Dienstleister haben laut KfW dagegen im Mittelstand die geringste Bedeutung als Wissensquelle. Übersetzung muss deshalb niedrigschwellig beginnen: mit Beispielen, einem kurzen Assessment und einer klaren Prüffrage.
Für die Praxis heißt das: Beginnen Sie mit einem konkreten Prozess, nicht mit einem Werkzeug, und legen Sie vor dem ersten Prototyp fest, was er beweisen soll. Wenn Sie dafür ein strukturiertes Assessment mit externer Methodik suchen, kann ein kurzes Gespräch mit capinori ein sinnvoller Einstieg sein.
Häufige Fragen zu KI-Anwendungsfällen im Mittelstand
Wie finden mittelständische Unternehmen geeignete KI-Anwendungsfälle?
Mittelständische Unternehmen finden geeignete KI-Anwendungsfälle am zuverlässigsten, wenn sie von einem messbaren Prozessproblem ausgehen. Danach ordnen sie eine passende KI-Fähigkeit zu, prüfen die Daten, bewerten Nutzen und Machbarkeit und testen die Idee in einem kleinen, befristeten Machbarkeitsnachweis. Leitfäden von Fraunhofer IIS, Plattform Lernende Systeme und KI-Transfer BW beschreiben dieses Vorgehen übereinstimmend.
Was bedeutet es, eine KI-Fähigkeit einem Prozess zuzuordnen?
Eine KI-Fähigkeit zuzuordnen heißt, für ein konkretes Prozessproblem zu benennen, welche technische Leistung gebraucht wird: etwa Bilderkennung, Textklassifikation, Prognose, Planung oder das Erzeugen von Inhalten. Der KI-Use-Case-Canvas von Fraunhofer IAO führt diese Fähigkeit als Pflichtfeld neben der Problemstellung. So wird sichtbar, ob ein Werkzeug wirklich zum Bedarf passt.
Wann ist klassische Software besser als KI?
Klassische, regelbasierte Software ist meist die bessere Wahl, wenn sich Fachwissen in stabile Regeln fassen lässt, Ergebnisse vorhersehbar und vollständig nachvollziehbar sein müssen oder Fehler sehr teuer wären. KI lohnt sich eher bei variablen, unstrukturierten Daten wie Sprache, Bildern oder Prognosen. Kriterien dafür nennen Fraunhofer IIS und der Google PAIR Guidebook.
Warum sollte der Datencheck vor dem Prototyp stattfinden?
Der Datencheck gehört vor den Prototyp, weil Datenverfügbarkeit, Datenqualität und Nutzungsrechte über die Machbarkeit eines KI-Projekts entscheiden. Das Whitepaper von KI-Transfer BW zitiert einen Praktiker, nach dem Datenbeschaffung und -bereinigung den Großteil des Aufwands ausmachen. Werden Daten erst spät geprüft, scheitern Projekte oft an Problemen, die vorher erkennbar gewesen wären.
Wie lange dauert ein KI-Machbarkeitsnachweis?
Ein KI-Prototyp zum Machbarkeitsnachweis entsteht laut einem KMU-Leitfaden von Fraunhofer IIS typischerweise in wenigen Wochen. Er ist noch nicht in den Produktivbetrieb integriert. Entscheidend sind vorab festgelegte Abnahme- und Abbruchkriterien sowie ein geplanter Integrationspfad, damit der Machbarkeitsnachweis zu einer belastbaren Entscheidung über den nächsten Budgetschritt führt.
Warum scheitern viele KI-Projekte nach dem Machbarkeitsnachweis?
Viele KI-Projekte scheitern nach dem Machbarkeitsnachweis an unklarem Geschäftswert, steigenden Kosten, schlechter Datenqualität oder fehlender Risikokontrolle. Gartner hatte 2024 prognostiziert, dass bis Ende 2025 mindestens 30 Prozent der Projekte mit generativer KI nach diesem Schritt aufgegeben werden (Gartner, 2024). Das ist eine globale Prognose, keine Messung im deutschen Mittelstand.
Quellen (8)
- KfW Research: Fokus Volkswirtschaft Nr. 554, 29.07.2026 (Dr. Volker Zimmermann). PDF
- Fraunhofer IIS: Schritt für Schritt zur eigenen KI-Lösung. Ein Leitfaden für KMU, April 2025. PDF
- Fraunhofer IAO (KODIS): KI-Use-Case-Canvas, Vorlage. PDF
- Plattform Lernende Systeme: Künstliche Intelligenz im Mittelstand, Juni 2021. PDF
- KI-Transfer BW: Wie gelingt KI im Mittelstand?, Whitepaper, 2022. PDF
- Google PAIR: People + AI Guidebook, Kapitel „User Needs + Defining Success“. Website
- Gartner: Pressemitteilung vom 29.07.2024 zu generativer KI. Website
- Gartner: Pressemitteilung vom 25.06.2025 zu Agentic AI. Website
Rudy Winklhofer ist Inhaber und Director R&D der capinori GmbH.
Weitere Beiträge von Rudy Winklhofer
