KI-Strategie für den Mittelstand: 90-Tage-Plan, Kosten und Checkliste

KI-Strategie im Mittelstand bedeutet nicht, ein 50-seitiges Dokument zu schreiben. Sie bedeutet, vier Entscheidungen zu treffen: Welcher Prozess zuerst? Welche Daten sind vorhanden? Was ist das Minimum Viable Product? Und wer trägt die Verantwortung? Laut dem KI-Index des Deutschen Mittelstands-Bundes, veröffentlicht im Februar 2025, nutzen bereits 33 Prozent der mittelständischen Unternehmen Künstliche Intelligenz. Weitere 24 Prozent testen oder pilotieren entsprechende Lösungen. Doch 43 Prozent haben keine konkrete KI-Strategie. Diese Lücke ist der Grund, warum so viele KI-Projekte im Mittelstand scheitern. Die Projekte scheitern nicht an der Technologie. Sie scheitern daran, dass niemand vorab definiert hat, welches Geschäftsproblem gelöst werden soll, welche Daten dafür nötig sind und wie Erfolg gemessen wird.

Warum scheitern 43 Prozent der KI-Strategien im Mittelstand?

Das Ergebnis ist das Pilot-Paradoxon: viele kleine Experimente, kein skalierbarer Nutzen. Ein Chatbot hier, ein Forecasting-Modell dort, ein Dokumentenparser in der Buchhaltung. Alles spannend, nichts zusammenhängend. Laut der Studie von Stifterverband und McKinsey aus dem Januar 2025 sehen 86 Prozent der Führungskräfte ungenutztes KI-Potenzial in ihren Unternehmen. Gleichzeitig fehlen 79 Prozent der Unternehmen grundlegende KI-Kompetenzen bei den Mitarbeitern. Der Mittelstand weiß, dass er etwas verpasst. Er weiß nicht, wie er anfangen soll.

Das Problem ist nicht das Fehlen von Tools. Das Problem ist das Fehlen einer gemeinsamen Wissensbasis, die über Prozessgrenzen hinweg arbeitet. Ein Chatbot im Vertrieb weiß nicht, dass derselbe Kunde in der Buchhaltung gerade einen Zahlungsverzug hat. Ein Forecasting-Modell sieht nicht, dass der Einkauf bereits einen Lieferverzug signalisiert. Die Folge: Silos bleiben erhalten, Entscheidungen werden auf unvollständiger Basis getroffen.

Warum versagen klassische Beratungsansätze bei KMUs?

Die Standardantwort auf fehlende Strategie lautet: Berater hinzuziehen. Ein Big-Four-Unternehmen, eine Digital-Agentur, ein KI-Startup. Doch diese Ansätze sind für den Mittelstand meist ungeeignet. Drei Gründe:

Erstens: Die Methodik ist für Konzerne gebaut. Ein klassischer KI-Strategieprozess beginnt mit einem Reifegrad-Assessment, gefolgt von einer Use-Case-Priorisierung nach Business-Impact und technischer Umsetzbarkeit, dann einem Roadmap-Workshop über sechs Monate. Das funktioniert bei einem Unternehmen mit 5.000 Mitarbeitenden und einem halben Dutzend Spezialisten. Bei einem Mittelständler mit 80 Mitarbeitenden und einem IT-Administrator ist das überdimensioniert.

Zweitens: Die Kosten stehen in keinem Verhältnis zum Nutzen. Ein klassischer Strategie-Workshop kostet schnell 20.000 bis 50.000 Euro. Das ist für ein KMU, das sein erstes KI-Pilotprojekt mit 10.000 Euro budgetiert, keine Investition. Es ist eine Barriere. Der Mittelstand braucht keine Strategie auf Papier. Er braucht einen Plan, der in 90 Tagen zu einem ersten, messbaren Ergebnis führt.

Drittens: Der Fokus liegt auf Technologie statt auf Prozess. Die meisten KI-Berater kommen aus der analytischen Welt. Sie empfehlen neuronale Netze, Transformer-Modelle und Cloud-Infrastrukturen. Der Mittelstand braucht das nicht. Er braucht eine Antwort auf die Frage: Welcher meiner sieben Geschäftsprozesse hat den größten Hebel, und wie erkenne ich das frühzeitig?

Was bedeutet KI-Strategie im Mittelstand wirklich?

Eine KI-Strategie im Mittelstand ist kein 50-seitiges Dokument. Sie ist eine Abfolge von vier Entscheidungen:

Entscheidung 1: Welcher Prozess zuerst? Priorisieren Sie den schmerzhaftesten Prozess, nicht den aufregendsten. Der Prozess, bei dem der Geschäftsführer jede Woche persönlich eingreifen muss, weil keine Systeme früh genug warnen. Das kann der Sales Forecast sein, der Cashflow, die Lieferanten-Überwachung oder die Mitarbeiter-Retention.

Entscheidung 2: Welche Daten sind vorhanden? Nicht die idealen. Die realen. Excel-Tabellen, CRM-Exports, ERP-Berichte, E-Mail-Verläufe. Eine KI-Strategie im Mittelstand akzeptiert, dass Daten unvollständig, verteilt und teilweise analog sind. Die Strategie fragt nach den realen Datenquellen, nicht nach dem idealen Data-Warehouse-Zustand. Welche drei Datenquellen können in zwei Wochen verbunden werden?

Entscheidung 3: Was ist das Minimum Viable Product? Das Ziel ist der erste Alarm, nicht die vollständige Lösung. Ein Signal, das zwei Wochen früher warnt als die menschliche Intuition. Eine Regel, die bei Überschreitung eines Schwellenwerts eine Nachricht sendet. Ein Muster, das bei gleichzeitigem Auftreten zweier Anomalien eine Eskalation auslöst.

Entscheidung 4: Wer trägt die Verantwortung? Die Verantwortung trägt der Prozesseigner, nicht die IT-Abteilung. Der Vertriebsleiter für den Sales Forecast. Der CFO für den Cashflow. Der Operations-Leiter für die Lieferkette. KI im Mittelstand funktioniert nur, wenn der Fachbereich das Projekt führt und die IT unterstützt, nicht umgekehrt.

Wie sieht ein 90-Tage-Plan für die KI-Einführung aus?

Der folgende Plan ist nicht theoretisch. Er basiert auf der Arbeit mit über vierzig mittelständischen Unternehmen in den vergangenen zwei Jahren. Er ist bewusst begrenzt auf 90 Tage, weil ein längerer Zeitraum die Aufmerksamkeit des Managements verliert und die Wahrscheinlichkeit steigt, dass das Projekt durch Alltagsgeschäft versandet.

Phase 1: Audit & Problemwahl (Tag 1 bis 14). Der Geschäftsführer lädt die fünf Prozesseigner zu einem zweistündigen Workshop ein. Jeder beschreibt seinen größten Schmerzpunkt in einem Satz. Er beschreibt das Problem, das ihn jede Woche persönlich beschäftigt, nicht die Technologie, die er gerne hätte. Der ausgewählte Prozesseigner erstellt ein Daten-Inventory. Welche Systeme nutzen wir heute? Welche Daten exportieren wir monatlich? Welche E-Mails oder Tabellen entstehen, die nie in ein System gelangen? Das Inventory dauert nicht länger als drei Arbeitstage. Es muss nicht perfekt sein. Es muss ehrlich sein.

Phase 2: Pilot & Connector (Tag 15 bis 45). Ein Connector wird an die primäre Datenquelle angebunden. Das kann ein CRM-Export sein, ein ERP-Datenbank-Zugriff, ein Excel-Upload oder eine E-Mail-Integration. Keine Migration. Keine umfassende Datenaufbereitung. Lesen, nicht schreiben. Die Daten bleiben dort, wo sie sind. Erste Signale werden definiert. Nicht zwanzig. Drei bis fünf. Beispiel Finance: DSO-Drift, Buchhaltungs-Rückstau, Liquiditätslücke in 60 Tagen. Beispiel Vertrieb: Stalled Deals, Quote Aging, Forecast-Commit-Spike. Jede Regel wird als Ja-Nein-Entscheidung formuliert: Wenn X und Y, dann Z.

Phase 3: Muster & Kalibrierung (Tag 46 bis 75). Die Regeln werden in eine Rules Engine überführt. Nicht als undurchsichtige Schachtel. Als transparente, einstellbare Schwellen. Der Prozesseigner kann jeden Schwellenwert selbst verändern. Er versteht, warum ein Alarm ausgelöst wird. Er vertraut dem System, weil er es kontrolliert. Erste Muster-Erkennung wird aktiviert. Einzelne Signale sind noch kein Problem. Die Kombination ist es. Ein Lieferant, der sich verspätet, ist normal. Ein Lieferant, der sich verspätet, gleichzeitig eine Rechnung nicht bezahlt und ein Support-Ticket eröffnet hat, ist ein systematisches Problem. Die Wissensbasis lernt aus historischen Daten, welche Kombinationen im eigenen Unternehmen zu Problemen geführt haben.

Phase 4: Bewertung & Roadmap (Tag 76 bis 90). Der Geschäftsführer und der Prozesseigner bewerten das Pilotprojekt anhand einer einzigen Frage: Wurde ein Problem früher erkannt als vorher? Die zentrale Frage ist: Haben wir eine Entscheidung besser oder früher treffen können? Die Anzahl der Alarme oder die Prognosegenauigkeit sind sekundär. Wenn die Antwort Ja ist, wird ein Business-Case für die nächsten 12 Monate erstellt. Welche weiteren Prozesse profitieren von derselben Intelligenz-Schicht? Welche zusätzlichen Connectors sind sinnvoll? Welches Budget ist realistisch? Wenn die Antwort Nein ist, wird analysiert, warum. Falsche Regeln? Falsche Daten? Falsches Problem? Die Analyse dauert nicht länger als eine Woche. Sie verhindert, dass das Unternehmen in eine Sackgasse investiert.

Was kostet eine KI-Strategie für ein KMU?

Preisangaben im Markt reichen von einigen Hundert Euro bis zu fünfstelligen Summen für die Ersteinrichtung. Das verwirrt. Deshalb hier eine transparente Einordnung, wie sich die Kosten für den Mittelstand strukturieren.

Die Einrichtungskosten hängen maßgeblich von der Systemlandschaft ab. Ein Unternehmen, das DATEV, Personio und Pipedrive nutzt, ist schneller angebunden als eines mit einer proprietären ERP-Lösung aus den Neunzigerjahren. In solchen Fällen entstehen zusätzliche Kosten für Middleware-Schichten, die den Datenaustausch ermöglichen. Das ist lösbar, aber zeitintensiver.

Wichtig ist die Perspektive: Die belegten Effizienzgewinne liegen bei repetitiven Aufgaben zwischen 30 und 70 Prozent. Ein einzelner optimierter Prozess amortisiert die Investition typischerweise innerhalb von sechs bis zwölf Monaten. Der größte Kostenfaktor ist nicht die Software. Es ist die Zeit, die ohne sie weiter verloren geht.

Eigenbau, Einzel-Software oder Intelligenz-Schicht: Was passt zu wem?

Nicht jeder Ansatz passt zu jedem Unternehmen. Die Entscheidung hängt von drei Faktoren ab: der technischen Reife, dem Budget und der Dringlichkeit.

Wie sieht eine erfolgreiche KI-Strategie in der Praxis aus?

Die folgende Geschichte basiert auf einem zusammengefassten Praxisfall mehrerer mittelständischer Kunden. Die Zahlen sind realistisch, die Namen anonymisiert.

Ein Handelsunternehmen aus Bayern, 65 Mitarbeitende, 18 Millionen Euro Jahresumsatz. Der Geschäftsführer hatte ein wiederkehrendes Problem: Jeden zweiten Monat musste er kurzfristig einen Kontokorrentkredit aufnehmen, weil die Liquiditätsplanung nicht früh genug gewarnt hatte. Die Buchhaltung arbeitete mit DATEV. Der Vertrieb mit Pipedrive. Beide Systeme sprachen nicht miteinander.

Tag 1 bis 14: Der Workshop zeigte: Das Problem war nicht der Forecast an sich. Das Problem war die Zeitverzögerung. Die Buchhaltung wusste am 15. des Monats, welche Rechnungen überfällig waren. Der Vertrieb wusste am 20., welche Deals verschoben wurden. Der Geschäftsführer erfuhr es am 25., wenn die Zahlen in einer Excel-Tabelle zusammengeführt wurden. Zu spät für rechtzeitige Gegenmaßnahmen.

Tag 15 bis 45: Ein Connector wurde an DATEV und Pipedrive angebunden. Drei Signale wurden definiert: DSO-Drift (Rechnungen werden langsamer bezahlt), Quote Aging (Angebote verbleiben länger als 30 Tage unbeantwortet), Forecast-Commit-Spike (Vertriebsmitarbeiter sind plötzlich zu optimistisch). Die Datenqualität war unvollständig, aber ausreichend. Nicht jede Rechnung war digitalisiert. Aber 80 Prozent reichten für erste Muster.

Tag 46 bis 75: Die Rules Engine wurde mit zwei Regeln konfiguriert. Regel 1: Wenn DSO um mehr als 15 Prozent gegenüber dem Vorquartal steigt und gleichzeitig mehr als drei Angebote älter als 30 Tage sind, Alarm an den Geschäftsführer. Regel 2: Wenn ein Vertriebsmitarbeiter seine Forecast-Commitments um mehr als 25 Prozent gegenüber dem Vorquartal erhöht, Alarm an den Vertriebsleiter mit Hinweis auf Validierung. Die Schwellenwerte wurden zweimal angepasst. Nach der zweiten Anpassung sank die Fehlalarm-Rate auf unter 10 Prozent.

Tag 76 bis 90: Die Bewertung fiel positiv aus. In zwei von drei Fällen wurde eine Liquiditätslücke zwei bis drei Wochen früher erkannt als vorher. Einmal war der Alarm falsch positiv. Der Geschäftsführer entschied, das System für weitere zwölf Monate zu betreiben und zusätzlich das Kunden-Churn-Modul anzubinden. Die Investition für den Pilot betrug 8.500 Euro. Die eingesparten Kontokorrentkosten im ersten Halbjahr betrugen geschätzte 12.000 Euro.

Welche rechtlichen Vorgaben gelten ab 2026?

Seit August 2024 gilt der EU AI Act. Die Umsetzung erfolgt gestaffelt. Für den Mittelstand sind vor allem drei Daten relevant:

Für die meisten KMU-Use-Cases ist der AI Act noch kein Showstopper. 93 Prozent der betroffenen Unternehmen sehen zwar einen hohen Umsetzungsaufwand, aber die meisten Mittelstandsanwendungen fallen unter niedriges oder minimales Risiko. Wenn ein KMU KI für interne Prozessoptimierung, Dokumentenanalyse oder Frühwarnung nutzt, sind die Anforderungen überschaubar. Erst bei hochriskanten Anwendungen greifen strenge Regulierungen. Die Empfehlung: Den AI Act kennen, aber nicht davon blockieren lassen. Eine datensouveräne On-Premise-Lösung reduziert ohnehin die regulatorische Komplexität.

Checkliste: Ist Ihr Unternehmen bereit für eine KI-Strategie?

Bevor Sie Budget freigeben: Fünf Fragen, die Sie intern klären sollten.

• Wir haben mindestens einen Excel-Export pro Monat aus unserem ERP oder CRM.
• Wir können drei Geschäftsprozesse benennen, die regelmäßig Schmerz bereiten.
• Ein Geschäftsführer oder Prozesseigner kann zwei Stunden pro Woche für ein Pilotprojekt freischaufeln.
• Wir wissen, welche Rechnung überfällig ist, bevor sie überfällig wird (oder wir würden es gerne wissen).
• Wir haben keine Erwartung, dass alles perfekt sein muss, bevor wir starten.

Wenn Sie mindestens drei der fünf Punkte ankreuzen können, ist Ihr Unternehmen bereit. Nicht perfekt. Bereit.

Verwandte Inhalte

• KI-Roadmap für den Mittelstand: 90-Tage-Fahrplan mit Checkliste
• KI-Pilotprojekt im Mittelstand: Vom Proof of Concept zur produktiven Lösung in 90 Tagen
• KI Use Cases für den Mittelstand: 25 Anwendungsfälle, die wirklich funktionieren
• KI-Strategieberatung im Mittelstand: Wann lohnt sie sich, und wann reicht ein Werkzeug?
• EU AI Act im Mittelstand: Was Mittelständler wirklich tun müssen
• KI-Agenten im Mittelstand: Was sie kosten, wo sie wirken und wie der Einstieg gelingt
• Modul Sales & Pipeline
• Modul Finance, Buchhaltung & Cashflow