KI im Mittelstand: Business Case statt Tool-Hype

Kernaussage

KfW Research findet einen positiven Zusammenhang zwischen KI-Nutzung und Unternehmensleistung, keinen Kausalnachweis. Für Ihre Entscheidung zählt deshalb der eigene Business Case: Ausgangswert, klarer Prozess, Vollkosten, Qualitätsgrenze und überprüfbarer Nutzen.

Ausgangslage

Die Frage vieler Unternehmen hat sich verschoben. Es geht weniger darum, ob generative KI grundsätzlich Texte, Analysen, Code oder Prozessschritte bearbeiten kann. Das ist in zahlreichen Anwendungen gezeigt. Die schwierigere Frage lautet: Welche Anwendung trägt im eigenen Unternehmen wirtschaftlich?

Die KfW-Analyse vom 15. September 2026 betrachtet KI-Nutzung 2022–2024 und Unternehmenskennzahlen für 2024. Bei vergleichbaren KI-Nutzern liegen Umsatzwachstum im Mittel 1,1 Prozentpunkte und Umsatzrendite 0,9 Prozentpunkte höher; Arbeitsproduktivität rund 3,4 Prozent. Letztere meint Umsatz je Vollzeitbeschäftigten, keine gemessene Zeitersparnis eines KI-Workflows.

Ob KI bessere Leistung verursacht oder erfolgreiche Unternehmen häufiger KI nutzen, bleibt offen. Die Zusammenhänge bei Wachstum und Rendite zeigen sich vor allem bei bereits wachsenden beziehungsweise renditestarken Unternehmen. ^[1]

Diese Auswertung ersetzt daher keine Prüfung, ob ein konkreter Anwendungsfall im eigenen Betrieb wirtschaftlich trägt.

Was hinter dem Problem liegt

Nutzung ist noch keine Wirkung

Viele interne KI-Berichte zählen Lizenzen, aktive Nutzer, erzeugte Inhalte, Anfragen oder Tokens. Das sind Aktivitätsdaten. Sie zeigen, dass ein System verwendet wird. Sie zeigen nicht, ob ein Prozess wirtschaftlich besser funktioniert.

Ein Team kann mehr Inhalte erzeugen und gleichzeitig mehr Zeit für Prüfung, Korrektur und Abstimmung benötigen. Ein automatisierter Vorgang kann schneller werden, aber durch Fehler höhere Folgekosten verursachen. Ein Agent kann mehr Arbeitsschritte übernehmen, ohne dass sich die Durchlaufzeit des Gesamtprozesses verkürzt.

Der technische Preis ist nur ein Teil der Kosten

OpenAI kündigte am 29. September 2026 GPT-6.1 Sol mit einem Fünftel der regulären Ein- und Ausgabe-Tokenpreise von GPT-6 Astra sowie dauerhaft arbeitende Agenten an. Das sind Anbieterangaben zu technischen Möglichkeiten und Preisen. ^[2] Microsoft stellte am 25. September zusätzliche Copilot-Funktionen für delegierte Arbeit und Automatisierung vor; der Rollout erfolgt schrittweise über das Frontier-Programm. ^[3]

Ein niedrigerer Modellpreis kann den Zugang zu einer Anwendung erleichtern. Der Business Case umfasst außerdem:

• Daten müssen auffindbar, aktuell und zulässig nutzbar sein.
• Systeme und Schnittstellen müssen verbunden werden.
• Berechtigungen und Freigaben müssen festgelegt werden.
• Ergebnisse müssen geprüft und Fehler bearbeitet werden.
• Prozesse, Rollen und Verantwortlichkeiten können sich verändern.
• Verbrauch und Folgekosten müssen gesteuert werden.

Ein günstiger Modellaufruf kann deshalb Teil eines teuren oder wirkungslosen Gesamtprozesses sein.

Erfolgreiche Unternehmen bringen bessere Voraussetzungen mit

Die KfW benennt digitale Infrastruktur, Datenqualität, Kompetenzen und interdisziplinäre Zusammenarbeit als wichtige Voraussetzungen. Solche Grundlagen können auch ohne KI zur Unternehmensleistung beitragen.

Das erklärt, warum ein statistischer Zusammenhang nicht automatisch einen übertragbaren Business Case ergibt. Wer nur das Tool kopiert, kopiert nicht die organisatorischen Voraussetzungen.

Strategische Einordnung

Für die Investitionsprüfung folgt daraus: Die Verfügbarkeit eines Modells ist nur eine Voraussetzung. In der eigenen Anwendung sind vier Bereiche entscheidend:

1. die Auswahl eines wirtschaftlich relevanten Problems;
2. die Qualität von Prozess, Daten und Wissen;
3. die Steuerung von Berechtigungen, Risiken und Verantwortung;
4. die Fähigkeit, Wirkung zu messen und nachzusteuern.

Für mittelständische Unternehmen ist das eine gute Nachricht. Sie müssen nicht jede technische Entwicklung verfolgen. Sie benötigen eine belastbare Entscheidung darüber, welcher begrenzte Anwendungsfall eine reale Engstelle löst und wie Erfolg festgestellt wird.

Perspektive für die Entscheidungspraxis

Ein KI-Projekt sollte nicht mit der Auswahl eines Anbieters beginnen. Der erste Prüfpunkt ist ein Prozess, bei dem Aufwand, Qualitätsproblem, Verzögerung oder entgangene Nachfrage konkret beschrieben werden können.

Danach lässt sich entscheiden, ob KI überhaupt der passende Hebel ist. Manchmal reicht eine klare Vorlage, eine bessere Datenstruktur oder eine konventionelle Automatisierung. In anderen Fällen kann ein Modell sinnvoll sein, weil Informationen variabel sind, Sprache verarbeitet werden muss oder mehrere Quellen zusammengeführt werden.

Die Entscheidung wird belastbar, wenn vor dem Test feststeht, welches Ergebnis besser werden soll und welche Verschlechterung nicht akzeptabel ist.

Handlungsrahmen: fünf Prüfungen für einen belastbaren KI-Business-Case

1. Ausgangswert festhalten

Ohne einen Ausgangswert bleibt eine behauptete Verbesserung schwer überprüfbar. Erfassen Sie für den heutigen Prozess mindestens:

• Bearbeitungs- und Wartezeit;
• direkte interne und externe Kosten;
• Fehler, Nacharbeit und Eskalationen;
• Qualitätskriterien;
• geschäftliche Kennzahl, etwa qualifizierte Anfragen, Abschlussquote, Durchsatz oder vermiedene Ausfälle.

Die Baseline muss nicht perfekt sein. Sie muss aber ausreichen, um eine relevante Veränderung von normaler Schwankung zu unterscheiden.

2. Einen klaren Workflow auswählen

„KI im Marketing“ oder „KI im Kundenservice“ ist zu breit. Ein prüfbarer Workflow hat einen definierten Eingang, eine Abfolge von Schritten, ein erwartetes Ergebnis und eine verantwortliche Person.

Beispiele für die notwendige Präzision sind nicht „Content automatisieren“, sondern „aus einer freigegebenen Produktdokumentation einen ersten Entwurf für eine FAQ erzeugen und durch den Produktverantwortlichen prüfen lassen“. Nicht „Anfragen qualifizieren“, sondern „eingehende Anfragen nach festgelegten Kriterien vorsortieren, ohne eine verbindliche Zusage zu erteilen“.

3. Qualitäts- und Risikogrenzen festlegen

Ein schnellerer Prozess ist kein Erfolg, wenn unbemerkte Fehler zunehmen. Definieren Sie vorab:

• welche Aussagen durch Quellen belegt sein müssen;
• welche Aktionen eine menschliche Freigabe benötigen;
• welche Daten nicht verwendet werden dürfen;
• ab welcher Fehlerquote der Test gestoppt wird;
• wer für Korrektur und Eskalation verantwortlich ist.

Bei rechtlichen, medizinischen, finanziellen oder sicherheitsrelevanten Aussagen bleibt eine fachliche Prüfung notwendig.

4. Vollkosten statt Modellpreis rechnen

Berücksichtigen Sie neben Lizenzen und Nutzungspreisen auch:

• Prozessaufnahme und Konzeption;
• Datenaufbereitung und Systemanbindung;
• Tests und Qualitätssicherung;
• Schulung und Veränderungsaufwand;
• laufende Kontrolle, Nacharbeit und Fehlerkosten;
• interne Abstimmung und Verantwortungszeit;
• Kosten eines Anbieter- oder Modellwechsels.

Erst diese Vollkosten lassen sich mit dem erwarteten Nutzen vergleichen.

Freie Arbeitszeit ist zunächst zusätzliche Kapazität. Zu einer tatsächlichen Kosteneinsparung wird sie erst, wenn etwa Überstunden oder externe Ausgaben entfallen. Wird sie für zusätzliche Aufträge genutzt, zählen der erreichbare Deckungsbeitrag und die dafür nötigen weiteren Ressourcen. Rechnen Sie dieselbe Stunde nicht zugleich als eingesparte Kosten und zusätzlichen Ertrag.

5. Ergebnis in einer begrenzten Phase messen

Ein Pilot braucht einen Zeitraum, eine Vergleichsbasis und ein Abschlusskriterium. Als Planungsrahmen für einen eng begrenzten Prozess können vier bis acht Wochen sinnvoll sein. Das ist eine Empfehlung, kein allgemeiner Wirkungsnachweis. Fallzahl und Prozessdauer entscheiden, ob die Beobachtung aussagekräftig ist. Für Umsatz- oder Kundenbindungseffekte kann ein längerer Zeitraum nötig sein.

Entscheidend ist die Trennung der Kennzahlen:

Am Ende stehen drei legitime Entscheidungen: ausbauen, gezielt überarbeiten oder beenden. Auch ein gestoppter Pilot kann wirtschaftlich sinnvoll sein, wenn er eine größere Fehlinvestition verhindert.

Was Unternehmen nicht tun sollten

• KI-Nutzung anhand von Lizenzen, Tokens oder erzeugten Inhalten zum Erfolg erklären.
• einen instabilen oder ungeklärten Prozess automatisieren.
• eine beeindruckende Demonstration auf das gesamte Unternehmen hochrechnen.
• demselben Modell Empfehlung, Ausführung und abschließende Bewertung überlassen.
• einen Piloten ohne Eigentümer, Baseline, Budgetgrenze und Stop-Kriterium starten.
• kurzfristige Zeitersparnis mit dauerhaftem Geschäftswert verwechseln.

Konsequenz für Unternehmen

Statistische Zusammenhänge liefern einen Anlass für die Prüfung. Ob die Investition trägt, muss Ihr eigener Prozess zeigen.

Unternehmen sollten deshalb nicht fragen, wie viel KI sie einsetzen. Die bessere Frage lautet: Welcher konkrete Prozess verbessert welches Geschäftsergebnis, unter welchen Voraussetzungen und zu welchen Vollkosten?

Wer diese Frage vor der technischen Umsetzung beantwortet, reduziert Risiko und schafft zugleich die Grundlage für Skalierung. Wenn der erste Workflow messbar trägt, können weitere Anwendungen mit einer erprobten Entscheidungslogik folgen.

Fachlicher Anschluss

Vom Anwendungswunsch zur belastbaren Entscheidung

Mit SDC-Discovery kann ich mit Ihnen Ausgangslage, Engpass, Zielbild und einen geeigneten ersten Prüfbereich klären. Dabei steht nicht das Modell im Mittelpunkt, sondern die Entscheidung, welcher Prozess wirtschaftlich relevant und unter den vorhandenen Bedingungen realistisch ist.

Ausgangslage in einer SDC Discovery klären

Geschäftsprioritäten und Budgetentscheidungen bleiben bei Ihren Verantwortlichen. Sie bringen Prozesswissen, verfügbare Daten und die zuständigen Fachleute ein. Eine anschließende praktische Umsetzung und die Ergebnisprüfung werden gesondert vereinbart.