KI-Pilotprojekt im Mittelstand: Vom Proof of Concept zur produktiven Lösung in 90 Tagen

Vier von fünf KI-Pilotprojekten im Mittelstand scheitern. Nicht an der Technologie, sondern am Übergang vom Versuch zum Regelbetrieb. Dieser Artikel zeigt, wie der Sprung gelingt - mit einem klaren 90-Tage-Plan, realistischem Budget und messbaren Meilensteinen.

Die These: Der PoC ist der einfache Teil

Ein Proof of Concept zu bauen, ist heute einfacher denn je. Mit vortrainierten Modellen, Cloud-Diensten und No-Code-Tools lässt sich in zwei Wochen ein Prototyp erstellen, der beeindruckt. Das Problem: Der Prototyp ist keine Lösung. Er funktioniert im Labor, nicht im Betrieb. Er nutzt saubere Testdaten, nicht die chaotischen Daten der Realität. Er hat keine Benutzeroberfläche, keine Integration, keine Wartung, keinen Support.

Die wahre Herausforderung beginnt nach dem PoC. Wie wird der Prototyp zum produktiven System? Wie integriert man ihn in bestehende Prozesse? Wie schult man die Mitarbeiter? Wie misst man den Erfolg? Und wie finanziert man den nächsten Schritt? Diese Fragen werden in den meisten Pilotprojekten nicht beantwortet. Das Ergebnis: Der Prototyp landet in der Schublade.

Der Beleg: Warum so viele Piloten scheitern

Die Zahlen sind ernüchterend. Eine Studie von ITtrail zeigt, dass vier von fünf KI-Pilotprojekten im Mittelstand den Sprung in die Produktion nicht schaffen. Flexhub berichtet, dass 33 Pilotprojekte analysiert wurden - nur vier erreichten den produktiven Betrieb. Die Hauptursachen: unklare Ziele, mangelnde Datenqualität, fehlende Übergabe-Protokolle und unterschätzter organisatorischer Aufwand.

Die gute Nachricht: Diese Fehler sind vorhersehbar und vermeidbar. Wer einen strukturierten Ansatz wählt, erhöht seine Erfolgsquote drastisch. Der Schlüssel ist nicht mehr Technologie, sondern Projektmanagement. Ein KI-Pilotprojekt ist ein Change-Projekt mit technologischer Komponente, nicht ein Technologieprojekt mit Change-Komponente.

Phase 1: Vorbereitung und Zielfindung (Woche 1 bis 2)

Bevor eine Zeile Code geschrieben wird, muss geklärt werden, was erreicht werden soll. Nicht abstrakt, sondern konkret. Nicht "Wir wollen KI nutzen", sondern "Wir wollen die Fehlerquote in der Qualitätskontrolle um 30 Prozent senken" oder "Wir wollen die Angebotsverarbeitung um 50 Prozent beschleunigen".

Diese Ziele müssen drei Kriterien erfüllen. Erstens: messbar. Ein Prozentsatz, eine Zeitspanne, ein Geldbetrag. Zweitens: realistisch. Ein Sprung von 0 auf 100 Prozent in drei Monaten ist unrealistisch. Ein Sprung von 0 auf 30 Prozent ist machbar. Drittens: relevant für das Geschäft. Das Ziel muss einen messbaren Geschäftswert haben, nicht nur technologischen Nutzen.

Parallel zur Zielfindung wird das Projektteam zusammengestellt. Minimalbesetzung: Geschäftsführer als Sponsor, ein Projektleiter mit Entscheidungsbefugnis, ein IT-Verantwortlicher, ein Fachvertreter aus dem betroffenen Bereich und ein externer KI-Partner. Ohne Geschäftsführer-Sponsor scheitert das Projekt mit hoher Wahrscheinlichkeit.

Phase 2: Proof of Concept (Woche 3 bis 4)

Der Proof of Concept hat ein Ziel: beweisen, dass die Technologie prinzipiell funktioniert. Nicht mehr, nicht weniger. Der PoC nutzt einen begrenzten Datensatz, eine einfache Modellarchitektur und manuelle Prozesse. Das Ziel ist nicht Perfektion, sondern Validierung.

Für den Mittelstand sollte der PoC zwischen 5.000 und 20.000 Euro kosten. Das ist genug, um ein erstes Modell zu trainieren, erste Ergebnisse zu zeigen und die Machbarkeit zu beweisen. Aber nicht genug, um in die Produktion zu gehen. Das ist beabsichtigt. Der PoC ist eine Investition in Information, nicht in Infrastruktur.

Am Ende der PoC-Phase gibt es drei mögliche Ergebnisse. Grün: Die Technologie funktioniert, die Daten sind ausreichend, das Ziel ist erreichbar. Weiter mit dem Pilotprojekt. Gelb: Die Technologie funktioniert, aber Herausforderungen sind erkennbar. Eine angepasste Planung ist notwendig. Rot: Die Technologie funktioniert nicht oder die Daten reichen nicht. Projekt beenden oder neu ausrichten. Alle drei Ergebnisse sind wertvoll. Ein frühes Scheitern spart Geld.

Phase 3: Pilotprojekt mit produktivem Betrieb (Woche 5 bis 12)

Der Pilot unterscheidet sich vom PoC in drei entscheidenden Punkten. Erstens: Er läuft im realen Arbeitsumfeld, nicht im Labor. Zweitens: Er nutzt echte Daten, nicht Testdaten. Drittens: Er hat echte Nutzer, nicht nur Entwickler.

Die technische Architektur muss jetzt ernsthaft geplant werden. Die Intelligenz-Schicht muss mit bestehenden Systemen verbunden werden. Die Middleware stellt sicher, dass Daten aus dem ERP, der Produktionssteuerung oder dem CRM fließen, ohne dass Systeme migriert werden müssen. Die Wissensbasis speichert die extrahierten Informationen zentral. Die Rules Engine stellt sicher, dass keine Compliance-Anforderung verletzt wird.

Parallel zur technischen Entwicklung läuft das Change Management. Die Mitarbeiter müssen geschult werden. Die Lotsengruppe muss aufgebaut werden. Die Kommunikation muss laufen. Ohne diese Maßnahmen akzeptiert niemand das neue System, egal wie gut es technisch ist.

Die Kosten für den Pilot liegen zwischen 20.000 und 80.000 Euro. Das ist ein realistischer Rahmen für den Mittelstand. Wer Fördermittel nutzt, kann die Kosten deutlich senken. Der BAFA-Investitionszuschuss für KI übernimmt bis zu 50 Prozent der Kosten. Die Antragstellung sollte vor Projektstart erfolgen.

Phase 4: Übergabe und Skalierung (Woche 13 bis 24)

Der kritischste Moment eines KI-Projekts ist die Übergabe vom Projekt in den Regelbetrieb. Hier scheitern die meisten Piloten. Die Lösung funktioniert, aber niemand ist für den Betrieb verantwortlich. Keiner wartet das System. Keiner schult neue Mitarbeiter. Keiner passt das Modell an veränderte Bedingungen an.

Deshalb muss die Übergabe geplant werden, nicht improvisiert. Drei Elemente sind essenziell. Erstens: Ein Betriebsmodell. Wer ist für die Wartung zuständig? Wer überwacht die Modell-Performance? Wer entscheidet über Updates? Zweitens: Ein Schulungskonzept. Neue Mitarbeiter müssen geschult werden. Bestehende Mitarbeiter brauchen regelmäßige Auffrischung. Drittens: Ein Erfolgsmonitoring. Welche KPIs werden gemessen? Wie oft? Wer berichtet wem?

Die Skalierung folgt demselben Muster. Nicht alle Prozesse auf einmal, sondern Schritt für Schritt. Der erste Pilot beweist das Konzept. Der zweite Pilot erweitert es auf einen verwandten Prozess. Der dritte Pilot bringt eine neue Abteilung ins Boot. Nach zwölf bis achtzehn Monaten hat der Mittelständler ein Portfolio von drei bis fünf produktiven KI-Anwendungen, die zusammen einen messbaren Geschäftswert erzeugen.

Praxisbeispiel: Ein 90-Tage-Sprint bei einem Maschinenbauer

Die Bauer Maschinenbau GmbH, ein Betrieb mit 45 Mitarbeitern, wollte KI in der Auftragsbearbeitung einführen. Das Ziel: Die manuelle Erfassung von Kundenanfragen automatisieren. Der Geschäftsführer buchte einen Maturity Check bei NaveSight.

Phase 1, Woche 1 bis 2: Zielfindung. Das Ziel war konkret: Die Erfassungszeit pro Kundenanfrage von 20 Minuten auf unter 3 Minuten senken. Das Projektteam bestand aus dem Geschäftsführer, einem Projektleiter aus der IT-Abteilung, der Leiterin der Auftragsbearbeitung und NaveSight als externem Partner.

Phase 2, Woche 3 bis 4: Proof of Concept. Wir trainierten ein erstes Modell mit 500 historischen Kundenanfragen. Das Modell erkannte Produktkategorie, Menge und Liefertermin aus unstrukturierten E-Mails. Die Erkennungsgenauigkeit lag bei 87 Prozent. Ergebnis: Grün.

Phase 3, Woche 5 bis 12: Pilot. Die NLP-basierte Analyse wurde in den E-Mail-Workflow integriert. Die API-Verbindung zum ERP-System wurde über die Middleware hergestellt. Die Auftragsbearbeitung testete das System vier Wochen lang. Nach Optimierung lag die Genauigkeit bei 94 Prozent. Die durchschnittliche Erfassungszeit sank auf 2,5 Minuten.

Phase 4, Woche 13 bis 24: Übergabe und Skalierung. Ein Betriebsmodell wurde etabliert. Monatliche Performance-Reviews wurden eingeführt. Nach drei Monaten wurde das System auf die Angebotsbearbeitung erweitert. Nach sechs Monaten auf die Reklamationsbearbeitung. Die Gesamteinsparung lag bei 320 Arbeitsstunden pro Monat.