KI-Adoption im Mittelstand: Was der ifh-Forschungsbericht 2022 über Hemmnisse und Erfolgsfaktoren lehrt

Wie kommt Künstliche Intelligenz in den Mittelstand? Das Volkswirtschaftliche Institut für Mittelstand und Handwerk an der Universität Göttingen hat in einem 42-seitigen Forschungsbericht die internationale und nationale Studienlage zusammengefasst. Das Ergebnis ist nüchtern: KI ist keine direkte Weiterführung der Digitalisierung, sondern ein Forschungs- und Entwicklungsbereich, dessen Breitenanwendung in KMU bislang nur in Ausnahmefällen vorliegt.

1. Der Kontext: Warum diese Forschung wichtig ist

Die deutsche Wirtschaft steht unter Druck. Während die USA und China die Patentanmeldungen für maschinelles Lernen dominieren, spielt Deutschland eine marginale Rolle. Die Patentanmelder sind vorrangig Großunternehmen: Siemens, Bosch, Deutsche Telekom, Daimler, BMW, SAP. Mittlere und kleinere Unternehmen fehlen weitgehend. Gleichzeitig ist Berlin nach London das zweitgrößte Zentrum für KI-Start-ups in Europa. Doch die Kontaktpunkte zum klassischen Mittelstand sind dünn.

Meub und Proeger fassen in ihrem Bericht die internationale Forschungsliteratur zur KI-Adaption in KMU zusammen. Grundlage ist eine strukturierte Recherche bei Google Scholar sowie eine unstrukturierte Suche über zitierte Studien in relevanten Forschungsartikeln. Die Autoren unterscheiden bewusst zwischen der allgemeinen Digitalisierung und der KI-Einführung. KI ist nicht einfach die nächste Stufe der Digitalisierung, sondern ein eigenständiger Bereich mit höherer Komplexität und umfänglicheren Voraussetzungen.

Die zentrale These des Berichts: Der Ressourcenaufwand einer eigenständigen KI-Erstellung und Implementierung ist für Einzelbetriebe in der Regel unrealistisch hoch. Ein geeigneter Ansatzpunkt sind KI-Dienstleistungen, die auf Basis von branchenspezifischen Datenpools entwickelt werden. Dadurch können überbetriebliche Daten Forschungseinrichtungen zur Verfügung gestellt werden, die spezifische KI-Anwendungen erstellen und über Neugründungen kommerzialisieren.

2. Die Kernergebnisse

Der Bericht verdichtet die internationale Forschungsliteratur auf drei zentrale Ergebnisbereiche: Hemmnisse, Erfolgsfaktoren und Anwendungsfelder.

Ergebnis 1: 20 Hemmnisse der KI-Einführung in KMU. Auf Basis von Aarstad & Saidl (2019), Bunte et al. (2021) und Delponte & Tamburrini (2018) identifizieren die Autoren 20 Hemmnisse, die in sechs Kategorien gruppiert werden können. Die fünf häufigsten sind: fehlende KI-Kompetenz (genannt in allen drei Studien), Mangel an IT-Wissen, unklarer Nutzen der KI-Einführung, begrenzte finanzielle Ressourcen und Widerstand gegen Veränderungen. Besonders brisant: Die lange Lebensdauer von Produktionsmaschinen in KMU erschwert die Etablierung von Messsystemen. Wenn eine Maschine zwanzig Jahre läuft, wird sie inkrementell verbessert, nicht komplett ersetzt. KI-Anwendungen sind oft nicht mit dieser älteren Technik kompatibel.

Ergebnis 2: Positive Einstellung schlägt Fachkompetenz. Eine der überraschendsten Erkenntnisse kommt aus der Studie von Baabdullah et al. (2021). Die Akzeptanz von KI-Anwendungen wurde durch die IT-Infrastruktur und das Bewusstsein im Unternehmen beeinflusst, nicht aber durch die technischen Kompetenzen im engeren Sinne. Gute Planung der Einführung und eine im Unternehmen verbreitete positive Einstellung zu KI sind stärkere Erfolgsfaktoren als direkte KI-Fachkompetenz. Das widerspricht der landläufigen Annahme, dass KI nur von Spezialisten eingeführt werden kann.

Ergebnis 3: 60 Prozent nutzen externe Lösungen. Die ZEW-Studie im Auftrag des BMWi (2020) zeigt, dass von den KI-nutzenden Unternehmen nur 16 Prozent ihre Anwendungen selbst entwickelt haben. 60 Prozent nutzen extern entwickelte Anwendungen, 24 Prozent arbeiten in Kooperationen. Gleichzeitig suchten 30 Prozent der KI-Nutzer zusätzliche KI-Beschäftigte, wobei 43 Prozent dieser Stellen unbesetzt blieben. Das Fachkräfteproblem ist real und bremsst die Adoption aus.

Ergebnis 4: Einfache Anwendungen reichen. Kaiser et al. (2021) kommen zu dem Ergebnis, dass sogenannte "low-cost-Anwendungen" ausreichend sind. Komplexe Algorithmen sind für die konkreten Probleme der KMU nicht erforderlich. Einfache und kostengünstige Machine-Learning-Anwendungen lösen die meisten Herausforderungen. Diese Erkenntnis steht im Gegensatz zum Marketing großer Softwareanbieter, die KMU oft überteuerte und überdimensionierte Lösungen andrehen.

Ergebnis 5: Zehn Kernanwendungen für KMU. Drydakis (2022) definiert zehn Kernanwendungen, die KMU mit geringerem Geschäftsrisiko nutzen: Informationsgewinnung zu Kundenkäufen, individualisierte Kaufempfehlungen, präzise Online-Kundengewinnung, Chatbots, Cashflow-Vorhersage, Konkurrenzanalyse, Umgang mit Fake-Bewertungen, Datenschutz, juristische Beratung und Fachkräftegewinnung. Unternehmen, die Online-Kundengewinnung, Cashflow-Vorhersagen und HR-Aktivitäten über KI unterstützen, weisen ein geringeres Geschäftsrisiko auf.

3. Was die Forschung kritisch sieht

Die Autoren sind transparent bezüglich der Grenzen ihrer Zusammenfassung. Die internationale Forschungslage zu KI in KMU ist noch begrenzt. Das Forschungsinteresse wächst erst seit 2016, und die Technologiediffusion in den Unternehmen ist noch wesentlich geringer fortgeschritten als die öffentliche Diskussion vermuten lässt.

• Selektionsbias: Die meisten Studien konzentrieren sich auf produzierende Unternehmen oder wissensintensive Dienstleister. Das klassische Handwerk, der Einzelhandel und das Baugewerbe sind unterrepräsentiert.
• Großunternehmen-Bias: Stärker genutzt werden KI-Anwendungen von größeren, internationalen, wissensintensiven und serviceorientierten Unternehmen. Die Ergebnisse lassen sich nicht eins zu eins auf den klassischen Mittelstand übertragen.
• Technologiehype: Medial und gesellschaftlich stark erwartungsaufgeladene Technologien wie KI erhöhen das Risiko gescheiteter Innovationsprojekte. Sandkuhl (2019) zeigt, dass Unternehmen oft einen starken Fokus auf die Technologie selbst legen und dabei die Organisationsstrukturen vernachlässigen.
• KI-Ethik ist irrelevant für KMU: Die Autoren stellen fest, dass Themen der KI-Ethik, die in der öffentlichen Diskussion eine große Rolle spielen, für KMU bislang nicht relevant sind. Die täglichen Herausforderungen liegen woanders.

4. Was das für KMUs bedeutet

Aus dem ifh-Forschungsbericht lassen sich drei konkrete Handlungsempfehlungen für den Mittelstand ableiten:

1. Trennen Sie KI von der allgemeinen Digitalisierung. KI ist keine direkte Weiterführung der Digitalisierung, sondern ein eigenständiger Bereich mit höherer Komplexität. Ein Betrieb, der sein ERP erfolgreich eingeführt hat, ist damit nicht automatisch für KI gerüstet. Die Voraussetzungen sind andere: große Datenmengen in einem eng abgegrenzten Feld, technische Infrastruktur und ein klarer Business Case. Wer KI als nächsten Schritt nach der Digitalisierung versteht, unterschätzt die Hürden und überzeichnet die Erwartungen. Der Reifegrad-Check hilft, diese Unterscheidung konkret zu operationalisieren.

2. Setzen Sie auf niedrigschwellige Anwendungen statt Eigenentwicklung. Nur 16 Prozent der KI-nutzenden Unternehmen entwickeln selbst. 60 Prozent kaufen externe Lösungen. Für den Mittelstand ist das der realistischere Weg. Komplexe Algorithmen sind für die meisten KMU-Probleme nicht erforderlich. Einfache Muster-Erkennung in Prozessdaten, automatisierte Angebotsvergleiche oder Predictive Quality an einzelnen Maschinen liefern messbaren Wert, ohne dass ein Data-Science-Team nötig ist. Die Intelligenz-Schicht von NaveSight folgt genau diesem Prinzip: Sie liest Daten aus bestehenden Systemen, ohne diese zu migrieren oder zu ersetzen.

3. Investieren Sie in Akzeptanz vor Fachkompetenz. Die überraschendste Erkenntnis der Forschung: Positive Einstellung und gute Planung sind wichtigere Erfolgsfaktoren als direkte KI-Fachkompetenz. Ein Geschäftsführer, der seine Mitarbeiter früh einbindet, den Nutzen auf Personenebene kommuniziert und eine interne Change-Management-Struktur aufbaut, hat bessere Chancen als einer, der ein teures Tool kauft und von oben verordnet. Die fünf Schritte zur Überwindung von KI-Widerstand bauen auf genau dieser Erkenntnis auf.

5. Quelle und Kontext

Original-Paper: Meub, L. & Proeger, T. (2022). Künstliche Intelligenz in Handwerk und Mittelstand: Ein Forschungsüberblick. ifh Forschungsbericht, Nr. 1. Volkswirtschaftliches Institut für Mittelstand und Handwerk an der Universität Göttingen (ifh). DOI: 10.47952/gro-publ-105

Weitere referenzierte Studien im Bericht: Aarstad & Saidl (2019), Bunte et al. (2021), Delponte & Tamburrini (2018), Hansen & Bogh (2021), Kinkel et al. (2022), Kaiser et al. (2021), Drydakis (2022), Sandkuhl (2019), Baabdullah et al. (2021), Mittal et al. (2019).

Zusammenfassung erstellt von: NaveSight Research Team.

Haftungsausschluss: Diese Zusammenfassung ist eine redaktionelle Aufbereitung und ersetzt nicht das Original-Paper. Für wissenschaftliche Zwecke zitieren Sie bitte die Originalquelle.

Verwandte Inhalte

• KI-Reifegradmodell für den Mittelstand
• KI-Widerstand im Unternehmen überwinden
• KI-Pilotprojekt im Mittelstand
• Proof of Concept (PoC)
• Change Management