Digitalisierung

KI im Betrieb: Erst den Prozess verstehen, dann die passende Lösung wählen

Erstellt am

Künstliche Intelligenz kann Abläufe beschleunigen und Wissen besser zugänglich machen. Doch der Erfolg hängt selten allein von der Wahl des KI-Tools ab. Entscheidend sind klare Prozesse, verlässliche Daten und Menschen, die Verantwortung übernehmen. Ein praxisnaher Leitfaden für mittelständische Unternehmen.
Workshop zum Thema “Datenmanagement” am 24.11.2026
Viele Unternehmen fragen sich zuerst: Welche KI sollen wir einsetzen? Sinnvoller ist eine andere Frage: Welches konkrete Problem wollen wir lösen - und sind unsere Abläufe und Daten dafür bereit?
Denn eine KI macht aus unklaren Prozessen nicht automatisch gute Prozesse. Sind Daten veraltet, widersprüchlich oder über mehrere Systeme verteilt, kann auch eine leistungsfähige Anwendung keine verlässlichen Ergebnisse garantieren. Umgekehrt muss nicht jedes Problem mit KI gelöst werden: Eine gute Auswertung, eine saubere Schnittstelle oder eine klarere Arbeitsanweisung kann zunächst mehr bewirken.
Dieser Leitfaden zeigt, wie Unternehmen einen passenden Anwendungsfall finden, ihre Daten einschätzen und Zuständigkeiten klären - Schritt für Schritt und ohne gleich das ganze Unternehmen umzukrempeln.

Wo lohnt sich KI - und wo reicht eine einfachere Lösung?

Ein guter KI-Anwendungsfall beginnt nicht mit einem Tool, sondern mit einer konkreten betrieblichen Aufgabe. Zum Beispiel:
  • Mitarbeitende verbringen zu viel Zeit mit wiederkehrenden Such- oder Schreibaufgaben.
  • Informationen aus Dokumenten müssen regelmäßig manuell übertragen werden.
  • Anfragen lassen sich nur mit Wissen beantworten, das bei wenigen Beschäftigten liegt.
  • In der Produktion oder im Service sollen Auffälligkeiten früher erkannt werden.
Prüfen Sie zunächst, ob das Problem häufig genug auftritt, ausreichend Zeit oder Kosten bindet und sich ein besseres Ergebnis tatsächlich messen lässt.

Der pragmatische KMU-Check

Bevor Sie ein KI-Projekt starten, beantworten Sie diese Fragen:
  • Was soll konkret besser werden?
    Etwa weniger Suchzeit, weniger Übertragungsfehler oder eine höhere Bestandsgenauigkeit.
  • Wie läuft der Prozess heute ab?
    Wer macht was, mit welchen Informationen und an welchen Stellen entstehen Wartezeiten oder Fehler?
  • Wie oft tritt das Problem auf - und welche Folgen hat es?
    Eine seltene Ausnahme ist oft kein geeigneter erster Anwendungsfall.
  • Können Sie den Erfolg messen?
    Legen Sie möglichst vor dem Start fest, welche Kennzahl sich verbessern soll.
  • Ist KI wirklich erforderlich?
    Saisonale Auswertungen, eine ABC-/XYZ-Analyse, eine bessere Suchfunktion oder eine digitale Schnittstelle können für den Anfang ausreichen.

Drei Säulen der KI-Reife und Mut als Antrieb

Säule 1: Prozesse und Daten verstehen

Ein Prozess sollte so weit beschrieben sein, dass Beschäftigte nachvollziehen können:
  • Wo beginnt und wo endet er?
  • Welche Informationen werden an welcher Stelle benötigt?
  • Wer erfasst oder verändert die Daten?
  • Wo entstehen Verzögerungen, Rückfragen oder Fehler?
Dafür müssen nicht sofort alle Abläufe perfekt dokumentiert sein. Für einen ersten Anwendungsfall genügt es, den relevanten Teilprozess und die dazugehörigen Datenpunkte gezielt zu erfassen.

Säule 2: Verantwortung klären

Für Daten und KI-Anwendungen braucht es klare Ansprechpartner. Dazu gehört die Frage, wer:
  • die Anforderungen an eine Anwendung festlegt,
  • Datenregeln und Zugriffsrechte definiert,
  • Ergebnisse prüft und Fehler meldet,
  • Änderungen, Wartung und Weiterentwicklung koordiniert.
  • Ohne klare Zuständigkeit werden Probleme leicht weitergereicht - oder durch inoffizielle Excel-Listen und manuelle Umwege verdeckt.

Säule 3: Eine lernende Kultur fördern

  • Beschäftigte sollten wissen, wofür eine KI eingesetzt wird, was sie kann und wo ihre Grenzen liegen. Dazu gehört auch, Fehler oder unplausible Ergebnisse melden zu können, ohne dass dies als Scheitern des Projekts gilt.
  • Ein guter Einstieg ist ein begrenzter Test mit ausgewählten Mitarbeitenden. Sie kennen den Arbeitsalltag und können beurteilen, ob eine Lösung tatsächlich hilft oder nur einen neuen Prüfschritt erzeugt.
    Mut heißt: klein anfangen und systematisch lernen
    Mut zum Ausprobieren bedeutet nicht, ungeprüft Daten in ein beliebiges Werkzeug zu geben oder Entscheidungen an ein System abzugeben. Es heißt, einen klar abgegrenzten Anwendungsfall kontrolliert zu testen, Ergebnisse zu prüfen und aus den Erfahrungen Konsequenzen zu ziehen.

Datenqualität prüfen: vier Fragen an den Datenbestand

Für einen ausgewählten Anwendungsfall sollten Unternehmen prüfen, ob die benötigten Daten ausreichend zuverlässig sind. Ein einfaches Prüfschema umfasst vier Kriterien:
Kriterium Prüffrage Beispiel
Vollständigkeit Sind die erforderlichen Angaben vorhanden? Fehlen bei einem Auftrag regelmäßig Artikelnummern oder Liefertermine?
Konsistenz Sind Einträge und Formate miteinander vereinbar? Wird derselbe Kunde in verschiedenen Systemen unterschiedlich bezeichnet?
Aktualität Sind die Daten auf dem neuesten Stand? Werden Lagerbestände zeitnah nach Wareneingang und Entnahme aktualisiert?
Genauigkeit Bilden die Daten die Wirklichkeit korrekt ab? Stimmt der erfasste Bestand mit dem tatsächlichen Bestand überein?

Typische Datenprobleme im Betriebsalltag

In vielen Unternehmen zeigen sich ähnliche Herausforderungen:
  • Datenengpässe: wichtige Informationen werden gar nicht oder nur teilweise erfasst.
  • Datensilos: Abteilungen arbeiten mit getrennten Systemen oder Datenbeständen.
  • Excel-Wildwuchs: mehrere Tabellen enthalten unterschiedliche Versionen derselben Information.
  • Medienbrüche: Daten werden aus Papierformularen oder E-Mails manuell in andere Systeme übertragen.
  • Inselwissen: wichtige Informationen sind nicht dokumentiert und hängen von einzelnen Beschäftigten ab.
Diese Probleme lassen sich meist nicht durch eine einzelne Software beheben. Hilfreich sind klare Standards, definierte Datenverantwortung und schrittweise Verbesserungen an den Stellen, an denen Fehler tatsächlich entstehen.

Datenqualität gezielt verbessern

Statt einen großen, unternehmensweiten Bereinigungsversuch zu starten, wählen Sie zunächst drei bis fünf kritische Datenpunkte für den konkreten Anwendungsfall aus. Das können beispielsweise Artikelnummer, Lieferdatum, Kunden-ID oder Fehlercode sein.
Gehen Sie dann iterativ vor:
  1. Fehlerarten und ihre Ursachen erfassen.
  2. Festlegen, welche Fehler zuerst behoben werden müssen.
  3. Erfassungsregeln und Zuständigkeiten klären.
  4. Korrekturen durchführen und ihre Wirkung prüfen.
  5. Regeln bei Bedarf anpassen und auf den nächsten Datenpunkt übertragen.
Wo Informationen zwischen Systemen übertragen werden, sollten digitale Schnittstellen manuelle Zwischenschritte möglichst ersetzen. Dadurch lassen sich Übertragungsfehler und unnötige Doppelerfassungen verringern. Eine Schnittstelle hilft allerdings nur dann nachhaltig, wenn auch die verwendeten Datenfelder und Regeln aufeinander abgestimmt sind.

Zuständigkeiten vor, während und nach der Einführung festlegen

Eine KI-Anwendung ist kein einmaliges IT-Projekt. Anforderungen können sich ändern, Datenquellen müssen gepflegt und Ergebnisse regelmäßig überprüft werden. Zuständigkeiten sollten deshalb für den gesamten Lebenszyklus geklärt sein.

Auf der Strategieebene: Geschäftsführung

Die Geschäftsführung setzt den Rahmen. Sie sollte:
  • Daten als strategisch relevantes Betriebsmittel behandeln,
  • Zeit und Ressourcen für Datenpflege und Prozessverbesserung bereitstellen,
  • Ziele und Grenzen des Vorhabens festlegen,
  • entscheiden, welche Risiken akzeptabel sind und wann ein Mensch eingebunden werden muss.

Auf der Prozessebene: Führungskräfte und Fachabteilungen

Fachverantwortliche kennen die Abläufe und Anforderungen. Sie sollten:
  • Regeln für die Dateneingabe definieren,
  • Schnittstellen zwischen Abteilungen klären,
  • Qualitätsanforderungen für den jeweiligen Anwendungsfall festlegen,
  • die Datenqualität als Teil der operativen Prozesssteuerung verfolgen.

Auf der operativen Ebene: Mitarbeitende

Datenqualität entsteht oft dort, wo Informationen erstmals erfasst werden - zum Beispiel im Wareneingang, im Service oder in der Produktion. Mitarbeitende sollten:
  • Daten möglichst vollständig und korrekt am Entstehungsort erfassen,
  • Fehler und fehlende Angaben zeitnah melden,
  • keine dauerhaften manuellen Umgehungslösungen etablieren, ohne die Ursache sichtbar zu machen,
  • Rückmeldung geben, wenn eine Anwendung im Arbeitsalltag nicht funktioniert.

Wissensmanagement: Eine Grundlage für effizientere Arbeit

Wissen steckt in vielen Unternehmen in Dokumenten, E-Mails, Arbeitsanweisungen und vor allem in den Köpfen erfahrener Beschäftigter. Wenn Informationen schwer auffindbar oder gar nicht dokumentiert sind, entstehen Rückfragen, Wartezeiten und Abhängigkeiten von einzelnen Personen.
Ein gut gepflegtes Wissensmanagement kann dabei helfen, Informationen auffindbar und nutzbar zu machen. KI-Sprachmodelle können beispielsweise die Suche in Dokumenten erleichtern oder Antworten auf Grundlage einer internen Wissenssammlung formulieren. Ein verbreiteter Ansatz dafür ist RAG - kurz für Retrieval-Augmented Generation. Vereinfacht gesagt: Das System sucht zunächst passende Inhalte aus einer bereitgestellten Wissensbasis und nutzt diese Informationen anschließend als Grundlage für eine Antwort.
Damit das verlässlich funktioniert, braucht es unter anderem:
  • aktuelle und gut strukturierte Dokumente,
  • klare Zugriffsrechte,
  • nachvollziehbare Quellen und Fundstellen,
  • Regeln für den Umgang mit fehlenden oder widersprüchlichen Informationen,
  • eine Möglichkeit, Fehler zu melden und Inhalte zu korrigieren.
Ein Sprachmodell ersetzt dabei weder die Pflege der Wissensbasis noch die fachliche Prüfung. Es kann Informationen zugänglich machen - aber nicht garantieren, dass jede Antwort vollständig oder richtig ist.

Fazit: Mit einem konkreten Problem anfangen

Für mittelständische Unternehmen ist der beste Einstieg in KI oft ein kleiner, klar abgegrenzter Anwendungsfall. Prüfen Sie zuerst den Prozess und die benötigten Daten. Wählen Sie eine messbare Verbesserung aus. Klären Sie Zuständigkeiten und vergleichen Sie KI mit einfacheren Alternativen.
So wird aus der Frage „Welche KI sollen wir einführen?" ein belastbarer Fahrplan: Problem verstehen, Daten gezielt prüfen, Lösung testen, Ergebnisse messen und den laufenden Betrieb organisieren.