KI im Mittelstand ohne Hype, ehrlich betrachtet

Der Hype und das eigentliche Problem

Kaum eine Technologie wurde so schnell zum Verkaufsargument wie generative KI. Auf vielen Angeboten steht heute "KI-gestützt", oft ohne dass jemand erklären kann, was genau die Software tut und warum sie besser sein soll als die Lösung davor. Genau hier beginnt das Problem für den Mittelstand. Wer ein Werkzeug kauft, weil das Etikett gut klingt, zahlt für ein Versprechen statt für einen Nutzen.

Ein ehrlicher Umgang fängt bei der Frage an, was diese Modelle technisch wirklich sind. Ein großes Sprachmodell berechnet auf Basis riesiger Textmengen das jeweils wahrscheinlichste nächste Wort. Es versteht keinen Sachverhalt und prüft keine Wahrheit. Das ist keine Schwäche, die man wegtrainiert, sondern die Funktionsweise selbst. Aus dieser einen Tatsache folgt fast alles, was über sinnvollen und unsinnigen Einsatz zu sagen ist.

Ein Sprachmodell ist ein außergewöhnlich guter Vorschlag-Generator und ein schlechter Zeuge. Es formuliert, es belegt nicht.

Wo KI heute echten Nutzen bringt

Die Stärken liegen überall dort, wo Sprache verarbeitet wird und ein Mensch das Ergebnis am Ende kontrolliert. Drei Felder sind in der Praxis robust.

Erstens Textentwürfe. Eine erste Fassung für eine Produktbeschreibung, eine Antwort-Vorlage im Support oder die Gliederung eines Berichts entsteht in Sekunden. Der Wert liegt nicht im fertigen Text, sondern im Wegfall des leeren Blattes. Die redaktionelle Verantwortung bleibt beim Menschen, der kürzt, korrigiert und freigibt.

Zweitens Klassifikation. Eingehende Nachrichten nach Dringlichkeit sortieren, Anfragen den richtigen Abteilungen zuordnen, Dokumente nach Typ vorsortieren. Hier glänzen Modelle, weil das Ergebnis überprüfbar ist und Fehler im Zweifel nur eine Umverteilung kosten, kein falsches Fakt in einem Vertrag.

Drittens Suche und Zusammenfassung über eigene Bestände. Statt Stichworte zu raten, lässt sich in natürlicher Sprache fragen, und das System findet die passende Stelle in internen Dokumenten. Wichtig dabei ist die Verankerung an echten Quellen, sodass jede Antwort auf ein nachlesbares Dokument zeigt und nicht frei erfunden wird.

Allen drei Feldern ist eines gemeinsam. Der Mensch bleibt im Entscheidungsweg, und ein Fehler ist sichtbar, bevor er Schaden anrichtet.

Wo KI heute nicht trägt

Genauso wichtig ist die Gegenliste. Überall dort, wo eine Aussage stimmen muss und niemand sie prüft, ist ein Sprachmodell die falsche Wahl.

• Rechtsverbindliche oder medizinische Auskünfte ohne fachliche Kontrolle.
• Zahlen, Preise oder Fristen, die direkt und ungeprüft in ein Angebot fließen.
• Vollautomatische Entscheidungen mit rechtlicher Wirkung gegenüber Personen, was die DSGVO in Artikel 22 ohnehin stark einschränkt.
• Aufgaben, bei denen eine erfundene, aber plausibel klingende Antwort teurer ist als gar keine Antwort.

Die Halluzination ist hier der Kern. Ein Modell sagt nicht "das weiß ich nicht", sondern liefert eine flüssige Antwort, die genauso selbstsicher klingt wie eine korrekte. Diese fehlende Verlässlichkeit lässt sich durch Quellenanbindung und Prüfschritte dämpfen, aber nicht auf null bringen. Wer das ignoriert, baut ein System, das in 95 Prozent der Fälle hilft und in den restlichen 5 Prozent unbemerkt Falsches behauptet.

Eine nüchterne Nutzen-Risiko-Tabelle

Die folgende Einordnung trennt typische Anwendungsfälle nach Reife und nötiger Kontrolle. Die Zahlen sind Erfahrungswerte aus der Praxis und als Größenordnung zu lesen, nicht als Garantie.

Der Blick auf die Spalte mit der Kontrolle zeigt das Muster deutlicher als jede Marketing-Folie. Je höher das Risiko einer falschen Aussage, desto enger muss der Mensch eingebunden bleiben, und desto kleiner wird der ehrliche Automatisierungsgewinn.

Kosten, die selten auf der ersten Folie stehen

Der Preis pro Anfrage an ein Modell wirkt winzig, oft Bruchteile eines Cents. Diese Zahl verdeckt die eigentlichen Kosten. Drei Posten entscheiden über die Wirtschaftlichkeit.

Der erste Posten ist die Integration. Ein Modell allein tut nichts. Es muss an die eigenen Daten, an bestehende Systeme und an einen Prüf-Workflow angebunden werden, und genau dort steckt der Aufwand. Der zweite Posten ist die laufende Pflege. Ergebnisse müssen beobachtet, Eingabe-Vorlagen nachgeschärft und Fehlerfälle aufgearbeitet werden. Der dritte Posten ist die menschliche Prüfung, die in seriösen Anwendungen nie ganz verschwindet und korrekt als feste Betriebskosten eingeplant gehört, nicht als kurzfristiger Übergang.

Ehrlich gerechnet bedeutet das, eine Automatisierung lohnt sich erst ab einer gewissen Stückzahl gleichartiger Vorgänge. Bei zehn individuellen Fällen im Monat ist der manuelle Weg günstiger. Bei tausend gleichartigen Vorgängen kippt die Rechnung deutlich.

Datenschutz und der Mensch im Entscheidungsweg

Sobald personenbezogene Daten ins Spiel kommen, gilt die DSGVO ohne Ausnahme. Jede Verarbeitung braucht eine Rechtsgrundlage nach Artikel 6, und wer ein externes Modell nutzt, braucht einen Auftragsverarbeitungsvertrag mit dem Anbieter. Kundendaten gehören nicht ungeprüft in einen öffentlichen Chat-Dienst, dessen Eingaben womöglich zum Training weiterverwendet werden.

Drei Wege führen hier zu einem sauberen Stand. Anonymisierung vor der Verarbeitung, ein Anbieter mit vertraglich zugesicherter Datenhaltung in der EU, oder ein selbst betriebenes Modell auf eigener Infrastruktur. Welcher Weg passt, hängt von Schutzbedarf und Budget ab, und diese Abwägung gehört an den Anfang eines Projekts, nicht ans Ende.

Über allem steht ein Prinzip, das wir für nicht verhandelbar halten. Der Mensch bleibt im Entscheidungsweg. KI darf vorbereiten, vorschlagen und sortieren. Die Verantwortung für eine Aussage gegenüber Kunden, Behörden oder Partnern trägt eine Person, kein Modell. Diese klare Linie schützt nicht nur rechtlich, sie hält auch die Qualität hoch, weil jemand zuständig bleibt.

Wie ein ehrlicher Einstieg aussieht

Der nützliche Weg ist unspektakulär. Zuerst einen einzigen, klar umrissenen Anwendungsfall wählen, bei dem ein Fehler sichtbar und billig ist. Diesen messbar machen, also vorher festlegen, woran sich Erfolg erkennen lässt. Dann klein bauen, prüfen, und erst bei belegtem Nutzen erweitern. Was sich nicht messen lässt, wird nicht ausgerollt.

Genau das meinen wir mit "weiter denken". Erst die ehrliche Frage nach dem realen Nutzen, dann ein geplanter, schmaler Schnitt, dann saubere Umsetzung mit Mensch im Entscheidungsweg, und erst danach der nächste Schritt. Mehr zu dieser Haltung und den vier Bewegungen "weiter denken, weiter planen, weiter umsetzen, weiter gehen" steht auf der Seite Mission. Wer einen konkreten Anwendungsfall im eigenen Unternehmen prüfen möchte, findet über Kontakt den direkten Weg zu einem nüchternen Gespräch.

Fazit

KI im Mittelstand ist weder Wundermittel noch Gefahr, sondern ein Werkzeug mit klar umrissenen Stärken. Sie hilft beim Entwerfen, Sortieren und Durchsuchen, und sie versagt überall dort, wo Wahrheit ohne Kontrolle vorausgesetzt wird. Wer den Hype ausblendet, ehrlich rechnet und den Menschen im Entscheidungsweg behält, gewinnt echte Zeit. Wer auf Buzzwords kauft, zahlt für ein Etikett.

---

Lohnt sich ein konkreter KI-Anwendungsfall im eigenen Unternehmen? Wir prüfen das nüchtern und sagen ehrlich, wo der Nutzen liegt und wo nicht.