Fast jedes Unternehmen, das KI einsetzt, tut das mit demselben Ziel: schneller werden. Texte schneller schreiben, Angebote schneller kalkulieren, Auswertungen schneller erstellen. Das funktioniert und rechnet sich. Trotzdem ist es der kleinste verfügbare Hebel. Das eigentliche KI-Potenzial im Unternehmen steckt in Vorhaben, die vor zwei Jahren technisch nicht machbar oder wirtschaftlich nicht vertretbar waren und die heute plötzlich gehen.

Zwei Realitäten, gleichzeitig

Bevor es um Potenziale geht, lohnt ein ehrlicher Blick auf den Ausgangspunkt. Es gibt Unternehmen, in denen KI längst zum Arbeitsalltag gehört, in der Entwicklung, im Vertrieb, in der Verwaltung. Und es gibt Unternehmen, in denen man noch fragen muss, ob ChatGPT für eine Kunden-E-Mail erlaubt ist. Beides existiert parallel, sogar innerhalb derselben Branche und innerhalb der IT.

In den sozialen Netzwerken kommt davon nur eine Hälfte an. Dort nutzen alle KI, alle sind schon weit, und wer jetzt nicht einsteigt, ist zu spät. Die Realität sieht anders aus: viele Unternehmen nutzen bisher gar keine KI, andere arbeiten mit strikten Verboten, die meisten liegen irgendwo dazwischen. Wir sind nicht am Ende dieser Entwicklung, wir sind ziemlich am Anfang. Das ist keine beruhigende Nachricht, sondern eine praktische: Wer jetzt anfängt, hat nichts verpasst, und wer schon dabei ist, sollte den Anspruch höher setzen als das nächste Effizienzprozent.

Effizienz ist der kleinste Hebel

Effizienzgewinne haben eine natürliche Obergrenze. Wer eine Tätigkeit, die zehn Stunden im Monat kostet, um die Hälfte beschleunigt, gewinnt fünf Stunden. Mehr wird daraus nicht, egal wie gut das Werkzeug ist. Diese Rechnung ist schnell aufgestellt, gut messbar und deshalb beliebt, wenn ein Vorhaben intern begründet werden muss.

Interessanter ist die Frage, was passiert, wenn Prozesse und Daten anders zusammenspielen als bisher. In den meisten mittelständischen Unternehmen liegen die relevanten Informationen in mehreren Systemen, die nie füreinander gebaut wurden: ERP, CRM, Zeiterfassung, Dokumentenablage, dazu Tabellen auf Netzlaufwerken. Auswertungen über Systemgrenzen hinweg waren früher Projekte mit eigenem Budget. Die Aufbereitung unstrukturierter Inhalte, etwa Verträge, Protokolle oder E-Mail-Verläufe, war praktisch nicht wirtschaftlich. Genau an dieser Stelle verschiebt sich gerade die Grenze des Machbaren, und dort entstehen die Vorhaben, die einen Unterschied machen. Wer Daten für Fachbereiche direkt zugänglich machen will, findet in der Self-Service-Datenanalyse den nächsten logischen Schritt.

Die Frage, mit der ein Vorhaben beginnen sollte

In Kundengesprächen stellen wir deshalb bewusst nicht die Frage, welcher Prozess sich mit KI beschleunigen lässt. Wir fragen, was das Unternehmen wirklich voranbringen würde, wenn technische Grenzen keine Rolle spielen. Die Antworten darauf sind selten Effizienzthemen. Sie klingen eher so: Wir wüssten gerne vor der Angebotsabgabe, ob ein Auftrag am Ende Geld verdient hat. Wir hätten gerne die Reklamationen der letzten fünf Jahre nach Ursachen sortiert, nicht nach Kunden. Wir würden gerne erkennen, welche Kombination von Merkmalen in einer Ausschreibung dazu führt, dass wir gewinnen.

Erst danach kommt die technische Bewertung: Welche Daten liegen dafür überhaupt vor, in welcher Qualität, mit welchem Aufwand kommen wir daran, was ist in acht Wochen belastbar umsetzbar. Diese Reihenfolge klingt selbstverständlich, wird aber selten eingehalten. Der häufigere Weg beginnt mit einem verfügbaren Werkzeug und sucht danach eine passende Aufgabe. Das führt zu Anwendungen, die funktionieren und niemandem fehlen, wenn man sie abschaltet. Warum am Anfang die Prozesse und nicht die Technik stehen sollten, ist auch der Kern von KI richtig einsetzen.

Mehr Fähigkeit statt weniger Köpfe

Ein großer Teil der öffentlichen KI-Debatte dreht sich um die Frage, welche Stellen wegfallen. In der betrieblichen Praxis ist die interessantere Frage, was möglich wird, wenn sich die Fähigkeiten einzelner Mitarbeiter deutlich erweitern.

In der Softwareentwicklung passiert das gerade. Früher brauchte ein Projekt mehrere Spezialisten für Datenbank, Oberfläche, Schnittstellen, Betrieb. Heute übernehmen kleinere Teams Aufgaben, für die vorher eine ganze Abteilung nötig war, weil weniger Fleißarbeit anfällt und weil in Bereichen, in denen der Einzelne bisher nur Grundkenntnisse hatte, verlässliche Unterstützung verfügbar ist. Der Gewinn liegt nicht in eingesparten Stunden, sondern darin, dass mehr Zeit für das bleibt, was die Qualität einer Lösung tatsächlich bestimmt: das Verständnis für den Kunden und seine Prozesse. Diese Verschiebung gilt nicht nur für die IT. Sie gilt für jede Rolle, deren Arbeit heute zu einem erheblichen Teil aus Zusammensuchen, Aufbereiten und Formulieren besteht.

Damit ändert sich die Führungsfrage. Sie lautet nicht, wo Personal einsparbar ist, sondern wo das Potenzial vorhandener Mitarbeiter bisher an Werkzeugen, Datenzugriff oder Zuständigkeiten scheitert.

Wie ein solches Vorhaben praktisch beginnt

Größer denken heißt nicht, größer anzufangen. Bewährt hat sich ein schlanker Einstieg in drei Schritten:

• Ein Fachbereich, ein konkretes Vorhaben, das ohne KI nicht ginge. Kein Werkzeug-Rollout für alle, sondern ein Anwendungsfall mit klarem Wert.
• Vor der Umsetzung prüfen, welche Daten dafür nötig sind und in welchem Zustand sie sind. Fast jedes gescheiterte Vorhaben scheitert hier, nicht am Modell.
• Ein Zeitfenster von wenigen Wochen bis zum ersten belastbaren Ergebnis, mit einer vorher vereinbarten Entscheidung: ausbauen, umbauen oder beenden.

Was dabei entsteht, ist selten ein Produkt und meistens eine sehr spezifische Lösung für einen sehr spezifischen Prozess. Genau darin liegt der Wert. Standardwerkzeuge deckt der Markt ab, den eigenen Prozess kennt nur das eigene Unternehmen.

Fazit

Effizienz ist ein legitimes Ziel für den Einstieg, aber ein schlechtes Ziel für eine KI-Strategie. Das KI-Potenzial im Unternehmen zeigt sich dort, wo Vorhaben angegangen werden, die vorher an technischen Grenzen gescheitert sind, und wo Mitarbeiter mehr können als bisher, statt weniger zu werden. Der Weg dahin führt über zwei Fragen in dieser Reihenfolge: Was würde uns wirklich voranbringen, und was davon ist mit unseren Daten machbar.