KI-Einführung im Mittelstand: die Schritte nach dem Team ordnen, das Sie haben

Ratschläge zur KI-Einführung sind meist für Unternehmen mit eigenem Datenteam, eigenem Innovationsbudget und Verhandlungsmacht gegenüber Anbietern geschrieben. Mittelständische Unternehmen haben selten eines der drei — und genau deshalb funktioniert die übliche Reihenfolge bei ihnen nicht.

Der Engpass ist fast nie das Softwarebudget. Es sind Menschen, die beurteilen können, ob ein Ergebnis richtig ist, und die senior genug sind, um Nein zu sagen.

Am 2. August 2026 öffnet sich eine Tür, die wenige kennen

Bis zum 2. August 2026 muss jeder Mitgliedstaat über ein betriebsbereites nationales KI-Reallabor verfügen. Artikel 57 verpflichtet die Staaten zu ihrer Einrichtung, und Artikel 62 sieht für kleine und mittlere Unternehmen vorrangigen Zugang, kostenfreie Teilnahme, ermässigte Gebühren bei der Konformitätsbewertung und standardisierte Vorlagen des KI-Büros vor.

Der Wert liegt nicht in der Gebührenersparnis. Er liegt im Zugang zur Aufsicht vor der Einführung. Ein Unternehmen, das die Einstufung seiner Anwendung vorab mit der Behörde erörtert hat, geht in jede spätere Prüfung aus einer anderen Position. Für eine Anwendung an der Grenze zwischen hohem und begrenztem Risiko ist das der günstigste Weg, Unsicherheit zu senken.

Die Beschränkung ist die Kapazität. Die nationalen Stellen starten mit kleinen Teams, und der Zugang dürfte umkämpft sein. Eine Bewerbung mit klar beschriebener Zweckbestimmung, benannter verantwortlicher Person und vorbereiteter Dokumentation wird schneller behandelt als eine allgemein formulierte Absicht.

Sprache ist eine technische Einschränkung, keine Vorliebe

Die Leistung von Modellen ist über Sprachen hinweg nicht gleich, und der Unterschied wiegt gerade bei den operativen Aufgaben, die ein Mittelständler automatisieren möchte. Ein System, das englische Kundenkorrespondenz gut bewältigt, kann bei deutscher, polnischer, tschechischer oder ungarischer Korrespondenz spürbar schwächer sein — bei der Erkennung von Bezeichnungen, bei Fachterminologie, bei zusammengesetzten Wörtern und Flexionsformen und bei der Unterscheidung von förmlichem und vertrautem Register in Kundentexten.

Die praktische Folge: Anbieterkennzahlen sind nicht übertragbar. Eine veröffentlichte Genauigkeit aus englischsprachiger Bewertung sagt sehr wenig über die Leistung auf Ihrer Korrespondenz, und eine auf Englisch geführte Demonstration sagt noch weniger. Der Evaluierungsdatensatz muss in der Sprache der Arbeit gebaut sein, mit Ihrer Terminologie, Ihren Abkürzungen und Ihren Dokumentkonventionen.

Das beeinflusst auch die Entscheidung zwischen Eigenbau und Zukauf. Hängt eine Aufgabe stark von sprachlicher Feinheit ab, kann ein kleinerer spezialisierter Anbieter mit echten regionalen Daten besser abschneiden als ein grosser internationaler — und ist meist eher bereit, über die Vertragspunkte zu verhandeln, auf die es ankommt. Ist die Aufgabe sprachlich anspruchslos — Klassifikation strukturierter Datensätze, Anomalieerkennung, Prognose — ist der internationale Anbieter meist die bessere Wahl.

Kapazität bestimmt das Tempo

KI-Fachkräfte erzielen Gehälter, die gegen westeuropäische Vergleichswerte angemessen und gegen lokale Gehaltsstrukturen unangemessen wirken. Eine eigene Stelle für einen einzelnen Anwendungsfall ist damit schwer zu begründen.

Drei Wege funktionieren besser als eine verfrühte Einstellung. Eine vorhandene Fachperson weiterentwickeln — wer bereits weiss, wie ein richtiges Ergebnis aussieht, lernt Bewertung leichter, als eine Technikerin die Fachlichkeit lernt. Externe Kapazität mit klarem Mandat und ausdrücklicher Übergabe holen, damit das Wissen nach dem Einsatz bleibt. Oder an einem Reallabor oder Normungsprozess teilnehmen, wo das Lernen subventioniert ist. Was nicht funktioniert, ist das Urteil an den Anbieter zu delegieren, dessen System beurteilt wird.

Die Anbieterasymmetrie

Ein mittelständischer Käufer, der mit einem grossen Softwareanbieter verhandelt, hat begrenzten Einfluss auf Vertragsbedingungen, Modelländerungen und Datenverarbeitung. Das ist ein struktureller Nachteil und kein Verhandlungsversagen — und es sollte bestimmen, welche Risiken das Unternehmen einzugehen bereit ist.

Bündeln Sie den begrenzten Einfluss dort, wo er zählt: Vorabmitteilung bei Modelländerungen, Reproduzierbarkeit einer früheren Entscheidung, Klarheit darüber, ob Ihre Daten die Modelle des Anbieters trainieren, Datenstandort und ein Ausstiegspfad, der Ihre Daten in nutzbarer Form zurückgibt. Nehmen Sie die Standardbedingungen überall sonst an. Wer diese Zusagen für einen folgenreichen Anwendungsfall nicht erhält, sollte prüfen, ob dieser Anwendungsfall überhaupt zu diesem Anbieter gehört.

Beginnen Sie nicht mit dem schmerzhaftesten Prozess

Der natürliche Impuls ist, die erste Anwendung auf das grösste Problem im Haus zu richten — den Prozess, der am meisten Zeit frisst und die meisten Beschwerden auslöst. Das ist fast immer ein Fehler. Der schmerzhafteste Prozess ist meist deshalb schmerzhaft, weil er komplex, schlecht dokumentiert und voller Ausnahmen ist — also genau das Umfeld, in dem eine erste Einführung scheitert.

Die bessere Wahl ist ein Prozess mittlerer Bedeutung mit klaren Regeln und ausreichendem Volumen: wichtig genug, um Aufmerksamkeit zu verdienen, und einfach genug, um belegbar zu sein. Das Unternehmen lernt bei überschaubarem Risiko, wie eine Einführung geht, und erhält ein Ergebnis, das sich intern zeigen lässt.

Ordnen Sie die Schritte nach dem, was belegbar ist

Die tragfähige Reihenfolge für ein mittelständisches Unternehmen ist eng und sequenziell. Erstens ein Prozess mit benannter verantwortlicher Person, messbarer Ausgangslage und umkehrbarer Entscheidung. Zweitens ein Evaluierungsdatensatz in der Sprache der Arbeit, gebaut vor dem Pilot. Drittens ein Pilot mit vorab notiertem Abbruchkriterium. Viertens eine Ausweitungsentscheidung auf Basis des Ergebnisses, nicht des Eindrucks.

Erst danach lohnt das Gespräch über das Betriebsmodell — wer pflegt, wer beobachtet Verschlechterungen, wer gibt Änderungen frei. Unternehmen, die beim Betriebsmodell beginnen, bauen meist Steuerung für Systeme, die nie in Betrieb gehen.

Wie ein Nachweis aussieht, der die Gesellschafter überzeugt

Eine Präsentation mit Modellkennzahlen überzeugt Inhaber oder Beirat im Mittelstand selten, und das zu Recht — die Genauigkeit eines Modells ist kein betriebswirtschaftliches Ergebnis. Überzeugend ist anderes: eine vor der Änderung gemessene Ausgangslage, ein nach derselben Methode gemessenes Ergebnis, ein klar benannter Zeitraum, und die offene Angabe, was nicht kontrolliert wurde.

Nennen Sie auch die Betriebskosten. Eine Einführung, die nur mit dem Nutzen dargestellt wird, wirkt kostenlos und überrascht später. Die reale Rechnung umfasst Lizenz, Zeit der verantwortlichen Person, Pflege des Evaluierungsdatensatzes und die wiederkehrende Prüfung bei Modelländerungen.

Das stärkste Element bleibt aber das vorab notierte Abbruchkriterium. Wer festgehalten hat, bei welchem Ergebnis nicht ausgeweitet wird, und danach zeigt, dass das Ergebnis erreicht wurde, hat einen Nachweis geliefert und kein Argument. Das ist der Unterschied zwischen einem Unternehmen, das Einführungen sammelt, und einem, das Vertrauen in das eigene Urteil aufbaut.

Nutzen Sie Rahmenwerke, statt eigene zu erfinden

Ein kleines Unternehmen hat keine Ressourcen für eine eigene Risikoterminologie und gewinnt nichts dadurch. Die Funktionen Govern, Map, Measure und Manage des NIST AI Risk Management Framework und das Managementsystem nach ISO/IEC 42001 liefern eine fertige Struktur, die sowohl ein Prüfer als auch ein Konzernkunde versteht.

Die Pflichten aus Verordnung (EU) 2024/1689 richten sich nach Rolle und Einstufung, und das KI-Büro der EU veröffentlicht die Hinweise, die einen grossen Teil der praktischen Last tragen werden. Werden personenbezogene Daten verarbeitet, bleiben die Datenschutz-Grundverordnung und die Orientierungshilfen der Datenschutzkonferenz massgeblich.

Was dieser Ansatz nicht leisten kann

Diese Reihenfolge beschleunigt die Einführung nicht. Sie macht sie im Fehlerfall günstiger, was für ein Unternehmen ohne Puffer für ein gescheitertes Projekt wichtiger ist. Sie löst auch den Fachkräftemangel nicht — sie stellt nur sicher, dass die vorhandene Kapazität auf Anwendungen entfällt, die eine Chance haben, im Betrieb zu bleiben.

Wenn Sie KI im Mittelstand einführen und eine Reihenfolge wollen, die zu Ihrer tatsächlichen Kapazität passt, beginnen Sie mit dem Aufbau des Betriebsmodells.

Dieser Beitrag ist eine Adaption des englischen Originals. Im Zweifel gilt die englische Fassung.