KI-Strategie für den Mittelstand: Ein 90-Tage-Plan ohne Data Scientists

1. Das Problem: 43 Prozent der Mittelständler haben keine KI-Strategie

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. Das klingt nach Fortschritt. Doch dieselbe Studie offenbart eine entscheidende Lücke: 43 Prozent der Mittelständler haben keine konkrete KI-Strategie.

Diese Lücke ist kein akademisches Problem. Sie 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. 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.

Die Konsequenz ist teuer. 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.

2. Warum klassische Beratungsansätze versagen

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 Data-Maturity-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 Data Scientists. 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 Data-Science-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?

3. Was eine KI-Strategie im Mittelstand wirklich bedeutet

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 CFOController 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.

4. Der 90-Tage-Plan: Vier Phasen, ein messbares Ergebnis

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)

Ziel: Ein Prozess ist gewählt. Ein Schmerzpunkt ist benannt. Ein Daten-Inventory ist erstellt.

Woche 1: 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. Beispiele: "Ich erfahre erst am Quartalsende, dass der Forecast daneben liegt." "Ich merke erst, wenn ein Lieferant ausfällt." "Ich sehe nicht, welcher Mitarbeiter überlastet ist, bevor er kündigt."

Woche 2: 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 & Daten-Check (Tag 15 bis 45)

Ziel: Die ersten Daten sind verbunden. Erste Signale sind sichtbar. Die Datenqualität ist bewertet.

Woche 3 bis 4: 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.

Woche 5 bis 6: 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. Beispiel Operations: Lieferantenverzug, Kapazitätskonflikt, Lagerbestandsabweichung. Jede Regel wird als Ja-Nein-Entscheidung formuliert: Wenn X und Y, dann Z.

Phase 3: Muster-Erkennung & Rules Engine (Tag 46 bis 75)

Ziel: Die Rules Engine läuft. Erste Alarme werden ausgelöst. Das Team kalibriert Schwellenwerte.

Woche 7 bis 8: Die Regeln werden in eine Rules Engine überführt. Nicht als Black Box. 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.

Woche 9 bis 10: Erste Muster werden erkannt. 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)

Ziel: Der Pilot ist bewertet. Ein Business-Case ist erstellt. Die nächsten Schritte sind definiert.

Woche 11: 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.

Woche 12: 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.

5. Praxisbeispiel: Wie ein Handelsunternehmen in 90 Tagen seine Liquiditätsplanung veränderte

Hinweis: 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 False-Positive-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.