Leistung / KI-Strategie
Wir helfen Unternehmen mit 20 bis 200 Mitarbeitenden, aus der Menge möglicher KI-Anwendungen die wenigen herauszulösen, die im eigenen Betrieb tragen — und begleiten sie von der ersten Einordnung bis zum laufenden System.
Die schwierigen Fragen bei KI im Mittelstand sind nicht die technischen. Sie lauten: Wer entscheidet, welcher Anwendungsfall zuerst drankommt? Wie kommt man an die nötigen Daten, wenn sie über vier Systeme und drei Köpfe verteilt sind? Und wer betreibt den beeindruckenden Prototyp am Montag? KI-Beratung, die etwas taugt, arbeitet an genau diesen drei Stellen — nicht an der Frage, welches Modell gerade die besseren Benchmarks hat.
KI-Beratung für den Mittelstand ist die Arbeit, die vor dem Werkzeugkauf liegt: Sie klärt, welche wiederkehrende Aufgabe im Unternehmen überhaupt ein Kandidat für künstliche Intelligenz ist, ob die dafür nötigen Daten in verwertbarem Zustand vorliegen, wer den entstehenden Ablauf später verantwortet und welche Datenschutz- und AI-Act-Pflichten daran hängen. Für ein Unternehmen mit 20 bis 200 Mitarbeitenden bedeutet das etwas anderes als für einen Konzern: Es gibt kein eigenes Team für Experimente und kein Budget, drei von vier Versuchen abzuschreiben. Der Zuschnitt ist deshalb ein Anwendungsfall nach dem anderen — jeder mit erkennbarem Nutzen, jeder mit einer benannten verantwortlichen Person, jeder mit einem vorher festgelegten Abbruchkriterium. GlobalNet Strategies führt diese Beratung founder-geführt durch und setzt die Ergebnisse anschließend selbst um: Empfehlung und Umsetzung stammen aus derselben Hand. Wenn ein Standardprodukt die günstigere Antwort ist, steht das ebenfalls im Ergebnis — eine Beratung, die nur bauen kann, ist keine Beratung.
Ein Konzern startet ein KI-Programm mit einem eigenen Team, einem Budget für Experimente und der Bereitschaft, drei von vier Versuchen abzuschreiben. Ein Unternehmen mit 20 bis 200 Mitarbeitenden hat diese Ausstattung nicht. Es hat stattdessen eine IT, die schon ausgelastet ist, eine Geschäftsführung, die selbst mitentscheidet, und Fachabteilungen, in denen jede Person eine feste Rolle im Tagesgeschäft trägt. Genau daraus ergibt sich der Zuschnitt: Ein Anwendungsfall nach dem anderen, jeder mit erkennbarem Nutzen, jeder mit einem Menschen, der ihn verantwortet.
Zur Einordnung, weil die Begriffe durcheinandergehen: „KMU“ und „Mittelstand“ meinen nicht dasselbe. Nach der EU-Empfehlung 2003/361/EG ist ein Unternehmen ein KMU, wenn es weniger als 250 Personen beschäftigt und zusätzlich eine finanzielle Schwelle einhält — höchstens 50 Mio. Euro Jahresumsatz oder höchstens 43 Mio. Euro Bilanzsumme; Beteiligungen an und von anderen Unternehmen werden dabei mitgerechnet. Das IfM Bonn definiert Mittelstand dagegen nicht über die Größe, sondern über die Einheit von Eigentum und Leitung: Bis zu zwei natürliche Personen oder ihre Familien halten mindestens die Hälfte der Anteile und gehören der Geschäftsführung an. Für die Praxis ist das zweite Kriterium das entscheidendere: Wo Eigentümer und Entscheider dieselbe Person sind, fallen Entscheidungen schneller, aber sie fallen auch ohne Zwischeninstanz. Beratung muss dort belastbar sein, nicht beeindruckend.
Unsere Arbeit besteht deshalb zu einem großen Teil aus Zuhören, Abgrenzen und Weglassen. Wir bringen Fachwissen über Verfahren, Werkzeuge und Betriebsfragen mit — das Wissen darüber, wo im Unternehmen die Reibung sitzt, bringen die Leute mit, die dort arbeiten.
Wer über KI nachdenkt, tut das aus einem Anlass heraus. Diese vier Situationen unterscheiden sich weniger im Ziel als in dem, was zuerst geklärt werden muss.
| Ausgangslage | Typischer Anlass | Was zuerst zu klären ist |
|---|---|---|
| Es wurde bereits experimentiert | Mitarbeitende nutzen Chat-Werkzeuge auf eigene Faust, teils über private Zugänge | Welche Daten bisher das Haus verlassen haben — und wie daraus ein erlaubter Weg wird |
| Auftrag von oben | „Wir müssen etwas mit KI machen“ — ein Ziel ohne Gegenstand | Die Übersetzung in eine überprüfbare Frage, nicht die Technologieauswahl |
| Werkzeug ist schon gekauft | Lizenz liegt vor, die Nutzung bleibt hinter der Erwartung zurück | Der Anschluss an eigene Daten und Abläufe, bevor ein zweites Werkzeug dazukommt |
| Druck von außen | Kundenfrage, Ausschreibungsformular oder werbender Wettbewerber | Eine dokumentierte Position — inklusive der Bereiche ohne KI-Einsatz |
Einzelne Mitarbeitende nutzen Chat-Werkzeuge auf eigene Faust, teils über private Zugänge. Das ist kein Problem, sondern ein Signal: Der Bedarf ist real und die Stellen sind bekannt. Zu klären ist zuerst, welche Daten dabei bisher das Haus verlassen haben und wie daraus ein geordneter, erlaubter Weg wird, ohne die Motivation abzuwürgen.
„Wir müssen etwas mit KI machen“ ist ein Ziel ohne Gegenstand. Der erste Schritt ist hier keine Technologieauswahl, sondern die Übersetzung in eine überprüfbare Frage: Welche wiederkehrende Arbeit kostet messbar Zeit, und welcher Teil davon braucht kein menschliches Urteil?
Eine Lizenz liegt vor, die Nutzung bleibt hinter der Erwartung zurück. Der Verdacht fällt schnell auf fehlende Funktionen. Zu prüfen ist zuerst der Anschluss: Das Werkzeug kennt die eigenen Daten nicht, greift nicht in bestehende Abläufe ein oder erzeugt Ergebnisse, die niemand prüfen kann. Hier lohnt sich zuerst die Frage, ob das vorhandene Werkzeug richtig eingebunden werden kann, bevor ein zweites dazukommt.
Ein Kunde fragt nach der KI-Strategie, ein Ausschreibungsformular verlangt Angaben, ein Wettbewerber wirbt damit. Das ist ein legitimer Anlass, aber ein schlechter Maßstab. Was hier hilft, ist eine nüchterne, dokumentierte Position — inklusive der Bereiche, in denen bewusst kein KI-Einsatz stattfindet.
Die Reihenfolge ist der eigentliche Beratungsgegenstand. Wer zuerst das Werkzeug wählt, sucht anschließend nach Problemen, die dazu passen. Wir bewerten Kandidaten deshalb entlang von sechs Fragen, jede mit einer Antwort, die man aufschreiben kann:
Ein guter erster Fall darf unspektakulär sein: Eingangspost sortieren und zuordnen, wiederkehrende Anfragen auf Basis eigener Dokumente beantworten, Angebote und Berichte aus vorhandenen Bausteinen vorbereiten, Belege auslesen und prüfen. Das ist kein Rückschritt gegenüber der großen Vision — es ist die Voraussetzung dafür, dass eine zweite Runde überhaupt stattfindet.
Über Geld lässt sich erst nach dem ersten Gespräch seriös reden. Über die andere Währung lässt sich vorher reden: die Aufmerksamkeit der eigenen Leute.
Ein Pilot braucht mindestens drei Rollen im Haus. Eine Fachperson, die den Ablauf wirklich kennt und Beispiele beisteuert, inklusive der unangenehmen Sonderfälle. Eine Person mit Systemzugriff, die Zugänge und Testdaten bereitstellt. Und eine entscheidungsfähige Person, die am Ende sagt, ob der Fall in den Betrieb geht oder nicht. Fehlt eine dieser Rollen, verlängert sich nicht der Aufwand — es verschiebt sich das Ergebnis ins Ungefähre.
Der zweite Kostenblock ist die Bewertung. Ein KI-Ergebnis ist nicht richtig oder falsch, sondern unterschiedlich brauchbar. Deshalb gehört zu jedem Piloten eine Handvoll echter Fälle, an denen gemessen wird, und mindestens eine Person, die Ausgaben durchsieht und einordnet. Diese Prüfarbeit ist der Teil, der am ehesten aus dem Plan fällt und am meisten über die Tragfähigkeit aussagt.
Der dritte Block entsteht erst nach dem Piloten: Einführung, Schulung und die Zeit, bis sich neue Gewohnheiten gesetzt haben. Ein Werkzeug, das funktioniert, aber nicht benutzt wird, ist ein Kosten- und kein Nutzenposten. Wer das einplant, spart sich die stille zweite Rechnung.
Werkzeuge lassen sich vergleichen, sobald klar ist, woran. Diese Punkte klären wir vor der Auswahl, nicht im Rollout:
Beide Regelwerke werden im Mittelstand oft als Grund zum Abwarten gelesen. Praktisch sind sie eine Strukturhilfe: Sie zwingen zu Antworten, die man ohnehin braucht, um ein System verantwortlich zu betreiben.
Sobald personenbezogene Daten verarbeitet werden, gelten die bekannten Pflichten: eine Rechtsgrundlage, Zweckbindung, Löschfristen und ein Eintrag im Verzeichnis der Verarbeitungstätigkeiten. Die Erleichterung, die Art. 30 Abs. 5 DSGVO für Organisationen unter 250 Beschäftigten vorsieht, ist dabei enger, als sie oft gelesen wird — sie entfällt unter anderem schon dann, wenn die Verarbeitung nicht nur gelegentlich stattfindet. Verarbeitet ein Anbieter Daten im Auftrag, kommt ein Vertrag nach Art. 28 DSGVO hinzu.
Eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO wird nötig, wenn eine Verarbeitung aufgrund ihrer Art, ihres Umfangs, ihrer Umstände und ihrer Zwecke voraussichtlich ein hohes Risiko für die Rechte und Freiheiten natürlicher Personen zur Folge hat. Und wo eine Entscheidung ausschließlich automatisiert fiele und gegenüber der betroffenen Person rechtliche Wirkung entfaltete oder sie ähnlich erheblich beeinträchtigte, greift Art. 22 DSGVO: Sie hat dann grundsätzlich das Recht, einer solchen Entscheidung nicht unterworfen zu werden. Die Vorschrift kennt Ausnahmen — etwa Vertragserforderlichkeit oder ausdrückliche Einwilligung —, an die wiederum Schutzmaßnahmen geknüpft sind, darunter das Recht, das Eingreifen eines Menschen zu erwirken. Für Anwendungsfälle, die Menschen betreffen, ist das der Punkt, an dem früh zu klären ist, wer am Ende entscheidet.
Gibt es einen Betriebsrat, ist er früh zu beteiligen. Systeme, die geeignet sind, Verhalten oder Leistung von Beschäftigten zu überwachen, unterliegen der Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG — und „geeignet“ ist ein weiter Begriff. Das nachträglich zu klären, kostet mehr als das Gespräch vorher.
Die Verordnung (EU) 2024/1689 ist seit dem 1. August 2024 in Kraft und ordnet KI-Systeme nach Risiko: verbotene Praktiken, Hochrisiko, Systeme mit Transparenzpflichten und der große Rest mit minimalem Risiko. Der Katalog der verbotenen Praktiken gilt seit dem 2. Februar 2025 — die Novelle von 2026 hat ihn um weitere Tatbestände ergänzt, die ab Dezember 2026 greifen. Seit dem 2. Februar 2025 gilt auch Art. 4: Anbieter und Betreiber ergreifen Maßnahmen, um die KI-Kompetenz der Personen zu unterstützen, die in ihrem Auftrag mit KI-Systemen arbeiten. Das betrifft auch kleine Unternehmen.
Wichtig für die Planung: Die Änderungsverordnung (EU) 2026/1744 hat diesen Rahmen im Juli 2026 angepasst. Art. 4 stellt seitdem ausdrücklich klar, dass daraus keine Pflicht folgt, für einzelne Personen ein bestimmtes Niveau an KI-Kompetenz zu garantieren — eine förmliche Zertifizierung verlangt die Verordnung also nicht. Dieselbe Änderungsverordnung hat die Pflichten für Hochrisiko-Systeme nach hinten verschoben: auf den 2. Dezember 2027 für die in Anhang III genannten Anwendungsfälle und auf den 2. August 2028 für KI, die als Bestandteil bereits regulierter Produkte eingestuft ist. Dieser Zeitplan ist mehrfach geändert worden; vor einem Rollout lohnt der Blick auf den dann geltenden Stand.
Die meisten mittelständischen Anwendungsfälle — Texte entwerfen, Dokumente durchsuchen, Vorgänge sortieren — fallen nicht in die Hochrisiko-Kategorie. Eine wichtige Ausnahme ist der Personalbereich: Anhang III nennt Systeme, die für die Einstellung oder Auswahl von Bewerbern oder für die Bewertung von Leistung und Verhalten Beschäftigter bestimmt sind, ausdrücklich als Hochrisiko. Art. 6 Abs. 3 lässt davon eine Rückausnahme zu, wenn ein System nur eine eng gefasste oder vorbereitende Aufgabe übernimmt und die Entscheidung nicht wesentlich beeinflusst — sie greift aber nicht, sobald das System ein Profiling natürlicher Personen vornimmt. Wer im Personalbereich einsteigen will, sollte diese Einordnung geklärt haben, bevor die Auswahl beginnt.
Hinzu kommen die Transparenzpflichten aus Art. 50, und die sind gestuft. KI-Systeme, die direkt mit Menschen interagieren, müssen so gestaltet sein, dass diese Menschen erfahren, dass sie es mit einem KI-System zu tun haben — es sei denn, das ist aus den Umständen ohnehin offensichtlich. Die maschinenlesbare Kennzeichnung synthetisch erzeugter Inhalte trifft dagegen die Anbieter der erzeugenden Systeme, während Betreiber vor allem Deepfakes offenlegen müssen. Wer ein zugekauftes Werkzeug einsetzt, klärt deshalb zuerst, welche dieser Rollen er überhaupt einnimmt.
Diese fünf Punkte sind vermeidbar — vorausgesetzt, sie werden vor dem Start angesprochen.
Wir sagen das lieber vor dem Projekt als danach. Gegen KI spricht es, wenn der Engpass ein Prozessproblem ist: Wenn Angebote liegen bleiben, weil die Zuständigkeit unklar ist, löst kein Modell das — eine klare Regel schon. Gegen KI spricht es auch, wenn eine deterministische Lösung reicht. Feste Regeln, eine Schnittstelle zwischen zwei Systemen oder eine Funktion, die in der vorhandenen Software längst enthalten ist, sind billiger, schneller und nachvollziehbar. Ein Sprachmodell dort einzusetzen, wo eine Wenn-Dann-Regel genügt, ist teuer und unzuverlässig zugleich.
Gegen einen Start spricht es weiter, wenn die Grunddaten nicht vorhanden sind. Wer Kundendaten in vier nicht abgeglichenen Systemen hält, gewinnt mehr durch Aufräumen als durch jedes KI-Werkzeug — Datenarbeit ist dann das eigentliche Projekt, und das kann man auch so nennen. Und es spricht dagegen, wenn niemand im Haus Zeit für die Begleitung hat. Ein Projekt, das nur externe Beteiligung hat, erzeugt eine Präsentation, kein System.
Wenn wir zu diesem Schluss kommen, sagen wir es im Erstgespräch. Ein nicht begonnenes Projekt ist deutlich günstiger als ein abgebrochenes.
Drei Projekte aus der Praxis. Wir nennen Branche und Größe, keine Namen und keine Orte — so braucht keiner unserer Auftraggeber eine Freigabe zu erteilen, damit wir über die Arbeit sprechen können. Die Zahlen stammen aus Messungen im laufenden Betrieb; wie gemessen wurde und was die Zahl nicht belegt, steht jeweils dabei.
Ausgangslage. Aus dem Erstgespräch: „Vor einem Termin suchen wir uns die Informationen zur Anlage aus alten Berichten und verschiedenen Ordnern zusammen. Oft weiß nur der Kollege vom letzten Einsatz, wo die entscheidende Information steht. Wenn der nicht da ist, fangen wir wieder von vorne an.“
Gebaut. Zuerst die Arbeitsabläufe mit den Fachabteilungen aufgenommen und die Rechercheaufgaben für einen Piloten ausgewählt. Dann die Dokumentbestände gesichtet, Dubletten und veraltete Fassungen gekennzeichnet und eine überschaubare Pilotablage aufgebaut. Darauf ein interner KI-Assistent für freigegebene Prüfberichte, Arbeitsanweisungen und technische Dokumentation: Antworten mit Quellenverweis und Fundstelle, bestehende Zugriffsrechte berücksichtigt, definiertes Verhalten bei fehlenden oder widersprüchlichen Informationen. Typische Fragen wurden mit Fachleuten getestet und fehlerhafte Antworten dokumentiert; die Pilotgruppe wurde geschult, dazu kamen Regeln für Quellenprüfung, Datenschutz und fachliche Freigabe.
Was der Assistent nicht tut. Er unterstützt die Recherche. Die fachliche Bewertung und die Freigabe eines Prüfberichts ersetzt er nicht.
Ergebnis. Die Bearbeitungszeit der getesteten Rechercheaufgaben sank von 15 auf 4,5 Minuten, jeweils inklusive Prüfung der angegebenen Quelle. Bei einer Pilotgruppe von 12 Mitarbeitenden und 160 vergleichbaren Recherchen pro Woche ergibt das 160 × (15 − 4,5) ÷ 60 = 28 Arbeitsstunden wöchentlich. Diese Hochrechnung gilt nur für die untersuchten Recherchearten, nicht für sämtliche Tätigkeiten der Pilotgruppe.
Wie gemessen wurde. Vergleichbare Aufgaben mit und ohne Assistent, aktive Zeit gemessen, Aufgaben und Reihenfolge gewechselt, damit bereits bekannte Antworten das Ergebnis nicht verzerren; nur fachlich richtige, belegte Antworten zählten als Voraussetzung für den Zeitvergleich, Fehlversuche und Nacharbeit wurden ebenfalls erfasst, die Häufigkeit separat über das Arbeitsprotokoll erhoben.
Dauer. Rund acht Wochen — zwei Wochen Analyse und Dokumentauswahl, drei Wochen Pilotaufbau, drei Wochen Test, Auswertung und Schulung.
Fünf Personen im Kundenservice beantworteten täglich ähnliche Fragen zu Versand, Rücksendungen und Produkten und mussten für jede erst Bestellung und interne Hinweise zusammensuchen. Nach einem Vergleich zweier Lösungsansätze an echten, datensparsam aufbereiteten Beispielfällen bereitet ein begrenzter Pilot heute Antwortentwürfe aus Ticket, freigegebenen Informationen und eindeutig zugeordneten Bestelldaten vor; Quellen und verwendete Bestellinformationen sind für die Sachbearbeitung sichtbar, Sonderfälle wie strittige Erstattungen sind aus der automatischen Entwurfserstellung herausgenommen. Bei den ausgewählten Standardanfragen sank die aktive Bearbeitungszeit von 10 auf 6 Minuten je Ticket, inklusive Prüfung und Überarbeitung des Entwurfs — bei 600 geeigneten von 1.500 Tickets im Monat sind das 40 Arbeitsstunden. Für die übrigen 900 Tickets setzen wir keine Ersparnis an, und eine höhere Kundenzufriedenheit leiten wir ohne separate Befragung nicht ab. Jede Antwort wurde vor dem Versand von einem Menschen geprüft; Erstattungen oder Vertragsänderungen nahm das System nicht eigenständig vor.
Von manchen Sorten blieb abends zu viel übrig, andere waren früh ausverkauft; die Mengen wurden überwiegend nach Erfahrung geplant. Vor der Anschaffung eines großen Systems sollte geklärt werden, ob die vorhandenen Kassendaten für eine bessere Planung überhaupt taugen — der Pilot blieb deshalb eng: zehn häufig verkaufte Artikel in drei Filialen, eine einfache Vergleichsprognose aus den vier vorherigen gleichen Wochentagen und daneben ein technischer Machbarkeitsnachweis für ein Prognosemodell aus Wochentag, vergangenen Verkäufen und bekannten Aktionen, wobei Ausverkaufssituationen gekennzeichnet wurden, weil niedrige Verkäufe bei fehlender Ware keine niedrige Nachfrage sind. Im rückblickenden Test über acht Wochen sank die mittlere absolute Prognoseabweichung von 12 auf 9 Stück je Artikel, Filiale und Tag, also um 25 % gegenüber der Vergleichsprognose im untersuchten Datenausschnitt. Das ist ein historischer Test: Daraus lassen sich weder 25 % weniger Lebensmittelabfälle noch realisierte Kosteneinsparungen ableiten, dafür wäre ein gesonderter Live-Pilot nötig. Nachgewiesen wurde die Eignung der Daten, nicht ein Ersatz für die Produktionsplanung.
Das hängt an drei Dingen: wie weit die Anwendungsfälle schon geklärt sind, in welchem Zustand die Daten sind und ob am Ende nur eine Entscheidungsgrundlage oder ein laufendes System stehen soll. Eine seriöse Zahl entsteht nach dem ersten Gespräch, in dem wir Umfang und Ausgangslage durchgehen — nicht vorher auf einer Preisliste.
Wir schneiden bewusst klein: Der erste Anwendungsfall ist der kleinste Ausschnitt, der schon Nutzen bringt. Wie schnell das geht, entscheidet vor allem, wie zügig Zugänge, Beispieldaten und eine entscheidungsfähige Ansprechperson bereitstehen. Den realistischen Rahmen nennen wir nach der Diagnose.
Für die hier beschriebenen Anwendungsfälle nicht. Der Nutzen entsteht dadurch, dass ein vorhandenes Modell zur Laufzeit Zugriff auf die richtigen eigenen Dokumente bekommt und die Ausgabe geprüft wird. Ein eigenes Training ist teuer und lohnt sich erst bei sehr spezifischen, gleichbleibenden Aufgaben mit großer Datenbasis.
Für persönliche Textarbeit oft ja, und das ist ein legitimer erster Schritt — mit geschäftlichen Zugängen, klaren Regeln und einer Schulung. Es reicht nicht, sobald ein Ergebnis reproduzierbar sein muss, in ein System zurückgeschrieben wird oder auf internen Daten mit unterschiedlichen Zugriffsrechten beruht. Dann braucht es einen gebauten Ablauf statt eines Chatfensters.
Ja, aber es verschiebt die Frage des Betriebs. Ohne interne IT muss vorher geklärt sein, wer Zugänge verwaltet, wer bei Störungen ansprechbar ist und wie Wartung abgedeckt wird — durch uns, durch einen bestehenden Dienstleister oder durch eine benannte Person im Haus.
Beides, und bewusst nicht getrennt. Wir halten eine Empfehlung erst dann für belastbar, wenn wir sie selbst umsetzen und betreiben würden. Automatisierung von Abläufen und individuelle Software gehören dabei zur selben Werkzeugkiste wie KI — welches Mittel passt, entscheidet der Anwendungsfall, nicht die Vorliebe.
Unsere Arbeitsweise, hier auf die Einführung von KI im Mittelstand angewendet: erst verstehen, dann bauen, dann betreiben.
Wir sprechen mit den Menschen, die die Arbeit heute machen, und sehen uns an, wo Informationen liegen, wie sauber sie sind und wer sie verantwortet. Am Ende steht eine kurze, geordnete Liste von Anwendungsfällen — mit dem einen, der zuerst drankommt, und der Begründung dafür.
Wir bauen den kleinsten Piloten, der eine echte Aufgabe im Tagesgeschäft übernimmt — mit definierter Datengrundlage, geprüfter Ausgabe und einem festen Punkt, an dem ein Mensch entscheidet. Die Abbruchkriterien stehen vorher fest, nicht hinterher.
Was sich bewährt, geht in den Regelbetrieb: mit benannter verantwortlicher Person, Schulung der Beteiligten, Dokumentation und einer Messung, die auch Verschlechterung sichtbar macht. Was sich nicht bewährt, wird begründet abgeschaltet.
Dein nächster Schritt
Erzähl mir kurz, wie groß dein Unternehmen ist, welche Arbeit sich täglich wiederholt und was ihr bisher probiert habt. Ich sage dir offen, ob KI dafür das richtige Mittel ist — und wenn nicht, was stattdessen.