Wer als Geschäftsführer eines mittelständischen Unternehmens die Schlagzeilen verfolgt, weiß: KI wird überall gepriesen, die Konkurrenz soll bereits automatisiert sein, und gefühlt vergeht kein Tag ohne die nächste Revolution, die man gefühlt verpasst. Gleichzeitig fehlt ein belastbarer Anhaltspunkt, wo das eigene Unternehmen tatsächlich steht. Das ist normal – nicht weil KI zu komplex ist, sondern weil die meisten Mittelständler drei konkrete Probleme haben: Sie kennen ihre Prozesse nicht präzise genug, ihre Daten sind chaotisch verteilt, und es fehlt eine Verantwortlichkeit für digitale Projekte. Ein wiederkehrendes Muster: Unternehmen, die diese zehn Fragen ohne Schönfärberei beantworten können, starten KI-Piloten mit überschaubarem Risiko. Unternehmen, die fünf oder weniger Fragen mit einem klaren Ja beantworten können, investieren in KI und erhalten am Ende ein teures Pilotprojekt, das stillschweigend beendet wird. Das ist kein Technologieproblem – es ist ein Planungsproblem. Die Fallbeispiele in diesem Artikel sind illustrativ: Sie bilden typische Konstellationen im Mittelstand ab und beschreiben keine konkreten Mandate oder Kundenprojekte.
Was „KI-ready" konkret bedeutet
KI-Readiness ist kein Zertifikat und keine binäre Entscheidung. Es beschreibt den Grad, in dem ein Unternehmen drei Voraussetzungen erfüllt:
- Datenlage: Sind die relevanten Informationen digital, strukturiert und durchsuchbar verfügbar?
- Prozessreife: Sind die manuellen Abläufe dokumentiert und standardisiert genug, um sie abzubilden?
- Organisationskultur: Gibt es interne Klarheit über Ziele, eine benannte Verantwortung, und Erfahrung mit digitalen Einführungen?
Wer in allen drei Bereichen solide aufgestellt ist, kann KI-Projekte mit überschaubarem Risiko starten. Wer erhebliche Lücken in einer dieser Dimensionen hat, wird scheitern – nicht an der Technologie, sondern an dem, was drumherum fehlt.
Ein illustratives Beispiel: Ein Mittelständler in der Logistik will KI für die Sendungsverfolgung pilotieren. Sendungsdaten existierten, aber in fünf verschiedenen Systemen, teilweise in unvollständigen manuellen Excel-Listen. Die KI-Software funktioniert zwar per se, doch die echte Entlastung ist nicht spürbar. Das Projekt wird nach sechs Monaten eingestellt und alle Beteiligten ärgern sich über die damit verschwendeten Ressourcen.
Die Moral der Geschichte: das Problem war nicht die KI, sondern dass Frage 2 von oben nicht geklärt war.
Ein häufiges Missverständnis: KI-Readiness bedeutet nicht, dass KI heute eingesetzt wird. Es bedeutet, dass die Grundlagen gelegt sind, um sinnvoll damit anzufangen. Diese Grundlagen entstehen nicht durch Softwarekauf, sondern durch Klarheit über Ziele, Prozesse und Daten. Structifai kann dabei Ihr Sparringspartner sein - wir freuen uns auf Ihre Kontaktaufnahme.
Die 10 Prüffragen im Überblick
Frage 1: Gibt es mindestens einen Prozess im Unternehmen, der heute manuell wiederholt wird und dessen Schritte schriftlich dokumentiert sind?
Das ist die Einstiegsfrage. KI-Automatisierung setzt voraus, dass der Prozess verstanden und beschrieben ist. Wer nicht sagen kann, welche fünf Schritte ein Mitarbeitender bei der Eingangsrechnungsprüfung durchläuft, und das in einem Ablauf festgehalten hat, kann diesen Prozess nicht automatisieren. Die Dokumentation muss nicht perfekt sein, aber sie muss existieren.
Frage 2: Liegen die relevanten Dokumente und Daten digital vor – durchsuchbar und strukturiert statt nur als Scan?
Dies ist die häufigste Engstelle. Dokumente existieren als PDF-Scans ohne Texterkennung. Stammdaten liegen in Excel-Dateien mit unterschiedlichen Formatierungen. Kundendaten sind auf drei verschiedene Systeme verteilt. KI braucht keine perfekte Datenbasis, aber eine zugängliche – idealerweise strukturierte. Ein Test: Können Sie eine bestimmte Rechnung aus dem letzten Jahr in unter zwei Minuten finden? Falls nein, ist die Datenbasis nicht KI-ready.
Frage 3: Weiß die Geschäftsführung konkret, welche drei bis fünf Prozesse heute den größten manuellen Aufwand verursachen – und kann sie das in Stunden pro Woche beziffern?
Das ist die Priorisierungsfrage. Ohne diese Antwort landen KI-Projekte dort, wo gerade jemand am lautesten argumentiert, nicht dort, wo der Hebel am größten ist. „Irgendetwas mit Rechnungen" ist keine Antwort. „Die Buchhaltung braucht 40 Stunden pro Woche für Eingangsrechnungsprüfung" ist eine. Diese Klarheit ist die Grundlage für jede Kosten-Nutzen-Rechnung. Fehlt sie, wissen Sie später nicht, ob das Projekt erfolgreich war.
Frage 4: Gibt es eine benannte Person, die für KI-Themen intern Verantwortung übernimmt – auch ohne IT-Hintergrund?
Jedes Digitalisierungsprojekt braucht einen menschlichen Anker. Das kann 20 % einer Stelle sein, muss aber konkret sein: ein Name, nicht „die IT". Unternehmen ohne diese Verantwortlichkeit treiben nach dem Pilotprojekt ins Nichts – nicht weil die Technologie versagt, sondern weil niemand das Projekt weitertreibt.
Frage 5: Hat das Unternehmen in den letzten zwölf Monaten mindestens ein Software-Werkzeug oder ein Programm erfolgreich eingeführt – egal ob mit oder ohne KI-Bezug?
Das ist eine Proxy-Frage für Einführungskompetenz. Digitale Projekte – ob CRM-System, neues Buchhaltungstool oder KI – folgen immer den gleichen Mustern: Anforderungsklärung, Schulung, Change-Management, Akzeptanzmanagement. Wer noch nie ein Tool erfolgreich eingeführt hat, wird diese Muster bei KI nicht plötzlich beherrschen. Das typische Muster beim Scheitern: Die Technologie funktioniert, aber das Team nutzt sie nicht wirklich. Das ist ein Einführungsproblem, keine Technologiefrage.
Frage 6: Sind die rechtlichen Grundlagen für KI-Einsatz bekannt – insbesondere bezüglich Datenschutz und EU AI Act?
Der EU AI Act ist seit August 2024 verbindlich. Das betrifft nicht nur KI-Entwickler, sondern auch Mittelständler, die KI-Systeme einsetzen. Ein illustratives Beispiel: Ein Maschinenbauer nutzt KI für die Qualitätskontrolle im Produktionsprozess. Wenn ein fehlerhafter automatischer Flag zu Produktschäden führt, fällt das unter Hochrisiko-KI im Sinne des EU AI Act. Dann braucht es Auditierungen, Dokumentation und Fehlerprotokollierung. Wer das ignoriert, riskiert Vertragsstrafen und Produkthaftungsrisiken. Für einfache interne Prozesse (Dokumentenklassifizierung, Datenerfassung) ist das Risiko meist niedrig, aber vorher geklärt sein sollte es.
Frage 7: Ist die IT-Infrastruktur so aufgestellt, dass externe SaaS-Lösungen sicher angebunden werden können?
Viele Mittelständler arbeiten mit gewachsenen IT-Landschaften: Legacy-ERP, lokale Server, mangelnde API-Unterstützung, kein Single Sign-On. Das schließt KI nicht aus, aber es erhöht den Integrationsaufwand erheblich und damit die Kosten. Ein Pilot, der drei verschiedene Systeme anbinden muss, kostet 50 % mehr als einer mit klarer Datenschnittstelle. Wer das vorher weiß, plant realistischer.
Frage 8: Gibt es Offenheit in der Belegschaft für veränderte Arbeitsabläufe – oder ist Widerstand gegen Digitalisierung ein bekanntes Muster?
Kein KI-Projekt scheitert an der Technologie, wenn die Voraussetzungen stimmen. Es scheitert an Menschen, die ein Werkzeug nicht nutzen, weil niemand erklärt hat, warum es ihnen hilft. Ein illustratives Beispiel: Eine Buchhalterin mit 15 Jahren Erfahrung wird ein KI-Werkzeug zur Rechnungsprüfung nur annehmen, wenn klar ist: Es ersetzt sie nicht, sondern macht ihre Arbeit schneller. Sie kann sich auf komplexe Fälle konzentrieren. Ihre Expertise wird gestärkt, nicht bedroht. Ohne diese Klarheit wird das beste Tool scheitern.
Frage 9: Hat das Unternehmen einen realistischen Budgetrahmen für ein Pilotprojekt – und Geduld für einen 3-6-Monate-Horizont?
KI-Piloten, die unter extremem Erwartungsdruck und mit zu engem Zeitrahmen starten, produzieren enttäuschende Ergebnisse. Nicht weil die Technologie versagt, sondern weil Lernkurven, Datenbereinigung und interne Abstimmung echte Zeit brauchen. Ein realistisches Budget für einen mittelständischen Pilot liegt zwischen 2.500 und 50.000 Euro – alles darunter ist ein Proof of Concept, alles darüber braucht eine intensive Betreuung. Hinzu kommen interne Stunden (oft unterschätzt).
Frage 10: Ist klar, woran der Erfolg eines KI-Projekts gemessen wird – in konkreten Zahlen, nicht in Schlagworten?
„Effizienz steigern" ist kein Erfolgskriterium. „Bearbeitungszeit für Eingangsrechnungen von durchschnittlich 8 auf 3 Minuten pro Vorgang reduzieren, bei gleicher oder besserer Prüfqualität" ist eines. Ohne messbare Ziele gibt es keinen Projektabschluss – nur ewige Pilotphasen und Entscheidungsverzögerungen. Seriöse KI-Projekte haben drei bis fünf konkrete Metriken, die vor Projektstart definiert sind.
Wie Sie Ihre Antworten einordnen
Die zehn Fragen folgen einer inneren Logik: Fragen 1–3 prüfen Substanz (Prozesse und Daten), Fragen 4–7 Organisationsreife, Fragen 8–10 den Rahmen für ein konkretes Projekt.
Scoring-Interpretation:
- 7+ Fragen mit Ja: Sie können einen KI-Piloten relativ risikofrei starten. Konzentrieren Sie sich auf den Prozess mit dem höchsten Aufwand (Frage 3).
- 4–6 Fragen mit Ja: Sie haben einzelne Stärken und konkrete Lücken. Bevor Sie KI-Geld ausgeben, beheben Sie die Lücken in dieser Reihenfolge: (1) Prozesse dokumentieren, (2) Daten strukturieren, (3) Verantwortlichkeit klären. Das ist keine Schwäche – das ist realistische Planung. Mit dieser Reihenfolge brauchen Sie 3–6 Monate, dann landen Sie in der 7+-Kategorie.
- Unter 4 Fragen mit Ja: KI-Piloten sind derzeit verfrüht. Ihr ROI wird negativ sein, weil die Voraussetzungen fehlen. Investieren Sie stattdessen in Prozess-Standardisierung und Datenmigration. Das ist kein Rückschlag – das ist eine Priorisierung. Nach sechs bis neun Monaten dieser Grundlagenarbeit können Sie neu bewerten.
-
Ein wichtiger Hinweis zur Selbsteinschätzung: Menschen neigen dazu, Fragen, die mit „Hat das Unternehmen…" beginnen, eher mit Ja zu beantworten als Fragen, die konkrete Nachweise verlangen. Dieses Self-Assessment funktioniert nur, wenn die Antworten belastbar sind – wenn hinter jedem Ja ein Dokument, ein Name oder eine Kennzahl steckt. „Wir haben einen dokumentierten Prozess" heißt: Es existiert ein Ablaufdokument. Nicht: „Das weiß jemand."
Arbeitsblatt zum Abhaken — die zehn Fragen mit Nachweiszeile, Auswertung und Wiedervorlage.
Was nach dem Check folgt
Der Prüfrahmen ist ein Gesprächsstarter, keine Enddiagnose. Wer die zehn Fragen beantwortet hat, weiß, wo er steht. Er weiß noch nicht, welcher Prozess zuerst automatisiert werden sollte, welche Technologie passt, und welchen Aufwand Integration realistisch bedeutet. Diese Einschätzung braucht Kontext – über Branche, IT-Landschaft, bestehende Prozessreife und Kapazitäten. Wie ein realistischer erster Anwendungsfall konkret aussieht, steht in Agentic AI im Mittelstand; was rechtlich dazugehört, bevor ein System produktiv geht, in KI & Recht: Dokumentation, Risikoeinstufung und DSGVO.
Mittelständische Unternehmen mit echtem Handlungsdruck haben oft bereits eine Ahnung, wo der Hebel liegt. Die Fragen helfen, diese Ahnung zu schärfen und sie in ein Projektziel zu übersetzen, das finanzierbar, messbar und intern vertretbar ist. Das ist der entscheidende Unterschied: Ein KI-Projekt, das nach dem Piloten weitergeführt und skaliert wird, versus eines, das nach sechs Monaten still beendet wird, weil die Erwartungen zu hoch oder unrealistisch waren.
Häufige Fragen
Ab welcher Unternehmensgröße lohnt sich ein KI-Readiness-Check?
Ab etwa 20–30 Mitarbeitenden gibt es typischerweise genug arbeitsteiliger Prozesse für Automatisierungspotenzial. Kleinere Betriebe profitieren von der Checkliste trotzdem – sie zeigt, welche Grundlagen zuerst gelegt werden sollten.
Ein formeller Readiness-Check ist ab dieser Größe sinnvoll, weil Prozesse arbeitsteilig genug sind. Bei 10–15 Mitarbeitenden lädt eine Checkliste trotzdem ein: Sie identifiziert, welche Grundlagen fehlen, bevor ein Pilot gestartet wird. Entscheidend ist weniger die Kopfzahl als die Prozessreife.
Wie lange dauert ein KI-Readiness-Assessment in der Praxis?
Ein initiales Self-Assessment dauert ein bis zwei Stunden. Ein begleitetes Assessment mit Fachleuten (Prozessinterviews, Datenanalyse, Dokumentation) dauert in mittelständischen Unternehmen typischerweise ein bis drei Arbeitstage, verteilt über zwei bis drei Wochen.
Wenn ein Assessment länger dauert, liegt das fast immer daran, dass Prozessunterlagen erst erstellt werden müssen – was ein Zeichen für unzureichende Reife ist.
Was ist der Unterschied zwischen einem KI-Readiness-Check und einer KI-Strategie?
Der Readiness-Check prüft den Ist-Zustand; die Strategie beschreibt den Soll-Zustand. Eine KI-Strategie ohne Ist-Zustand ist ein Wunschzettel, kein Plan.
Ein Readiness-Check ist diagnostisch: Welche Voraussetzungen sind vorhanden, welche fehlen? Eine KI-Strategie ist normativ: Welche Ziele, welcher Zeitrahmen, welche Ressourcen? Die Strategie sollte auf dem Check aufbauen – nicht andersherum.
Welche Prozesse eignen sich für einen ersten KI-Piloten im Mittelstand?
Gute Kandidaten haben hohes Volumen, klar definierte Regeln und niedriges Fehlerrisiko – etwa Dokumentenverarbeitung oder Datenpflege. Weniger geeignet sind Prozesse mit hohem Ermessensspielraum oder direkter Kundenwirkung.
Typische Beispiele für erfolgreiche Piloten: Eingangsrechnungsverarbeitung, Klassifizierung von Kundenanfragen, Datenmigration zwischen Systemen, Extraktion von Daten aus Standarddokumenten. Ein indirekter Test: Wenn ein Mensch den Prozess mit 90%+ Regelkonfirmität macht, kann KI wahrscheinlich 85–95% erreichen und die restlichen 5–15% für menschliche Review freigeben.
Wie ist der EU AI Act für mittelständische Unternehmen relevant?
Der EU AI Act gilt nicht nur für KI-Hersteller – auch Unternehmen, die KI-Systeme einsetzen, haben Pflichten, besonders bei Hochrisiko-Anwendungen. Für typische interne Prozesse (Dokumentenverarbeitung) ist das Risiko meist niedrig, sollte aber vorher geklärt sein.
Der EU AI Act unterscheidet KI-Anbieter und KI-Nutzer (Deployer). Mittelständler, die KI-Systeme von Drittanbietern nutzen, fallen in die Deployer-Kategorie und haben eigene Pflichten. Hochrisiko-Anwendungen: Personal, Kreditvergabe, automatische Sicherheitsentscheidungen. Ein illustratives Beispiel: Ein Metallverarbeiter nutzt KI zur Qualitätskontrolle – jeder fehlerhafte automatische Ausfall könnte zu Produktschäden führen. Das ist Hochrisiko und verlangt nach Dokumentation und Audit-Trails. Für einfache interne Dokumentenklassifikation gilt das nicht. Eine Prüfung vorher macht Stress hinterher überflüssig.
Was kostet ein KI-Pilotprojekt im Mittelstand realistischerweise?
Ein seriöser Pilot kostet 15.000–60.000 Euro. Alles darunter ist ein Proof of Concept, alles darüber braucht intensive Begleitung. Die Spanne hängt stark vom Prozess und der bestehenden Systemlandschaft ab.
Ein einfacher Pilot mit Standard-SaaS-Werkzeug und geringem Integrationsaufwand: unter 20.000 Euro. Legacy-System-Anbindung oder Modell-Anpassung: 40.000–80.000 Euro. Hinzu kommen interne Stunden (oft unterschätzt) für Projektmanagement, Schulung und Qualitätssicherung. Ein realistisches Budget entsteht nur, wenn vorher konkret ist, welcher Prozess automatisiert wird und welche Systeme Daten liefern.
Wann sollte ein Unternehmen mit einem KI-Projekt warten?
Warten ist keine Schwäche – es ist realistisch, wenn Grundlagen fehlen. Verschieben Sie KI-Projekte, wenn: (1) Kernprozesse undokumentiert sind, (2) Daten überwiegend auf Papier oder unsuchbaren Scans liegen, (3) eine ERP-Migration die IT-Landschaft in den nächsten 12 Monaten grundlegend verändert, oder (4) das Unternehmen gerade restrukturiert wird.
In diesen Fällen ist der richtige Einstiegspunkt: Erst die Grundlagen legen (3–9 Monate), dann neu bewerten. Das ist nicht KI verschieben – es ist den richtigen Zeitpunkt wählen. Ein Pilot auf chaotischer Grundlage kostet Geld und Vertrauen – beides schwer zu reparieren.
Meinungsbeitrag: Dieser Text gibt die Einschätzung des Autors wieder und stützt sich nicht durchgängig auf belegte Quellen.
Dieser Artikel wurde mit Unterstützung von KI erstellt.