Die meisten veröffentlichten Rahmenwerke für KI-Transformation sind für Organisationen geschrieben, die bereits ein eigenes KI-Plattformteam, eine zwanzigköpfige Data-Science-Funktion und eine Budgetzeile haben, die einen gescheiterten Piloten absorbiert, ohne dass es jemand bemerkt. Das ist nicht der deutsche Mittelstand. Ein Fertigungs- oder Industrie-B2B-Unternehmen mit 200 bis 2.000 Mitarbeitenden hat reale Beschränkungen, die der Enterprise-Fahrplan nicht berücksichtigt, und ein Plan, der sie ignoriert, ist am Ende ein Plan, den niemand tatsächlich umsetzen kann.
Warum der Enterprise-Fahrplan für KI nicht zum Mittelstand passt
Enterprise-Leitfäden für KI-Transformation setzen Dinge voraus, die ein typisches Mittelstandsunternehmen nicht hat: ein bereits vorhandenes Data-Plattform-Team, ein eigenes KI-Budget getrennt vom IT-Capex, und genug Größe, dass ein gescheiterter sechsstelliger Pilot ein Rundungsfehler ist. Ein 400-Personen-Industriezulieferer, der denselben Leitfaden prüft, arbeitet mit einer schlankeren IT-Funktion, die schon voll ausgelastet ist, einem Budget, das Projekt für Projekt geprüft wird, und deutlich weniger Toleranz für einen Piloten, der sechs Monate verbrennt und nichts Nutzbares liefert. Das macht KI-Transformation nicht zu einer schlechten Idee für den Mittelstand, deutsche Industrie- und Fertigungsunternehmen sitzen genau auf der Art proprietärer Prozess- und Maschinendaten, aus denen sich starke KI-Anwendungsfälle bauen lassen, aber es bedeutet, dass der Fahrplan für diese Beschränkungen gebaut werden muss, nicht komplett aus einer Fortune-500-Fallstudie übernommen werden kann.
Die eigentliche Beschränkung: das Talentzugangsproblem
Budget ist bei einem Mittelstandsunternehmen mit echtem Business Case für KI selten der eigentliche Blocker. Die eigentliche Beschränkung ist der Talentzugang. Ein Unternehmen, das um eine:n Senior-ML-Engineer oder Applied-AI-Lead konkurriert, konkurriert direkt gegen DAX-40-Konzerne, gut finanzierte Start-ups und globale Tech-Unternehmen, die alle Vergütung, Markenbekanntheit und Karrierenarrative bieten können, die ein 500-Personen-Maschinenbauunternehmen in einer mittelgroßen Stadt über eine klassische Festanstellung meist nicht mithalten kann. Diesen Markt frontal über Festanstellungen zu gewinnen, auf die perfekte Senior-Kandidatin zu warten, ist eine langsame und oft aussichtslose Strategie. Die praktische Alternative ist, sich Zugang zur Fähigkeit zu verschaffen, ohne sie zunächst vollständig zu besitzen: Forward-Deployed- oder Embedded-Spezialist:innen, die einen Piloten ausliefern und das Wissen an ein internes Team übergeben können, und fraktionale KI-Führung, jemand mit genug Erfahrung, um Richtung zu geben und technische Entscheidungen zu prüfen, ohne eine Vollzeitstelle zu sein, die das Unternehmen noch nicht rechtfertigen oder gewinnen kann. Das ist keine abgespeckte Version der Enterprise-Transformation, sondern die richtige Version für ein Unternehmen mit echten Anwendungsfällen, das aber keine zwanzigköpfige interne KI-Organisation hat, und auch keine braucht.
Betriebsrat und Mitbestimmung
In Deutschland löst der Einsatz von KI-Systemen, die berühren, wie die Arbeit von Mitarbeitenden überwacht, bewertet oder umstrukturiert wird, die Mitbestimmungsrechte des Betriebsrats aus, am unmittelbarsten nach § 87 BetrVG, der technische Einrichtungen erfasst, die geeignet sind, Leistung oder Verhalten der Mitarbeitenden zu überwachen. Das betrifft überraschend viele KI-Transformations-Anwendungsfälle: Systeme zur vorausschauenden Wartung, die Bedienerverhalten neben Maschinendaten protokollieren, Bildverarbeitungssysteme zur Qualitätskontrolle, die Arbeit an einzelnen Stationen prüfen, und Prozessautomatisierungstools, die verändern, wie eine Rolle gemessen wird. Das als rechtliche Hürde zu behandeln, die man umgeht, ist riskant und langsam zugleich. Es als Stakeholder-Gespräch zu behandeln, das früh geführt wird, bevor ein Pilot zugeschnitten wird statt nachdem er gebaut ist, ist in der Praxis schneller: Betriebsräte, denen klar und ehrlich erklärt wird, welche Daten genutzt werden, welche Entscheidungen das System vorbereitet statt trifft, und welcher Schutz für Mitarbeitende besteht, sind häufig kooperative Partner, besonders wenn der Anwendungsfall als Entlastung von eintöniger oder körperlich belastender Arbeit gerahmt wird statt als Personalabbau. Eine Betriebsvereinbarung zum KI-Einsatz, einmal zu Beginn des Transformationsvorhabens verhandelt statt Pilot für Pilot, spart später echte Zeit.
Realistische Pilot-Anwendungsfälle für den Mittelstand
Der Instinkt, mit einem kundenseitigen Chatbot zu starten, ist für dieses Segment meist der falsche. Chatbots konkurrieren über Marke und Kundenvolumen, das der Mittelstand selten in Konsumgüter-Größenordnung hat, und sie werden Kund:innen sofort sichtbar, wenn die erste Version noch grob ist, was den Einsatz eines frühen Piloten erhöht, bei sehr wenig proprietärem Vorteil. Die stärkeren Startpunkte für ein Fertigungs- oder Industrie-B2B-Unternehmen liegen näher an der Werkshalle, wo das Unternehmen bereits einen echten Datenvorsprung hat.
- Prozessautomatisierung: dokumentenlastige, regelbasierte Workflows automatisieren (Auftragsabwicklung, Qualitätsdokumentation, Compliance-Berichte), die derzeit überproportional viel administrative Zeit im Verhältnis zur Kopfzahl binden.
- Qualitätskontrolle: Computer-Vision-Systeme zur Fehlererkennung am Produktionsband, ein Bereich, in dem jahrzehntelanges proprietäres Prozesswissen und vorhandene Maschinendaten einem mittelständischen Fertiger einen echten Vorsprung gegenüber einem generischen Anbieter-Tool verschaffen.
- Vorausschauende Wartung: vorhandene Sensor- und Maschinendaten nutzen, um Ausfälle vorherzusagen, bevor sie zu Stillstand führen, hoher, klar messbarer ROI (weniger ungeplanter Stillstand) bei Daten, die oft bereits erfasst, aber ungenutzt sind.
- Kundenseitige KI (Chatbots, generative Inhalte) als späterer Anwendungsfall, sobald die Organisation ein bis zwei operative Pilotprojekte ausgeliefert und internes Vertrauen sowie Fähigkeiten aufgebaut hat, nicht als Startpunkt.
Der Fahrplan, verkleinert für die Ressourcen des Mittelstands
Der Phasenansatz, Datenreife bewerten, einen Piloten wählen, das Team aufbauen, messen, dann skalieren, gilt weiterhin, aber jede Phase muss auf die Realität des Mittelstands zugeschnitten werden. Ein Pilot, nicht zwei, ist oft die richtige Startzahl, wenn das interne Team, das die Datenreife bewertet, gleichzeitig den Rest der IT stemmt. Die Teamaufbauphase sollte von Embedded- oder fraktionalem Talent ausgehen statt von einem mehrköpfigen Festanstellungsplan ab Tag eins, eine Umwandlung in feste Rollen erst, sobald sich ein Anwendungsfall bewiesen hat und ein klarer, dauerhafter Bedarf besteht. Zeitpläne strecken sich leicht, eine Bewertungsphase dauert vielleicht 4-6 statt 2-4 Wochen, weil dieselben Menschen das neben ihrem regulären Job stemmen, aber die Reihenfolge selbst, und die Disziplin, einen Anwendungsfall zu beweisen, bevor ein zweiter startet, zählt hier sogar noch mehr als im Großkonzern, weil es kein Budgetpolster gibt, um parallele Pilotprojekte aufzufangen, die nicht landen.
Starten ohne großes internes KI-Team
Ein realistischer erster Schritt für die meisten Mittelstandsunternehmen: einen operativen Anwendungsfall mit klar gemessenem Schmerzpunkt wählen (ein Qualitätsproblem mit bekannten Kosten, ein Wartungsausfallmuster mit bekannten Stillstandskosten), Embedded- oder fraktionale Spezialist:innen hinzuziehen, um einen abgegrenzten Piloten zu skizzieren und auszuliefern, statt vorab ein volles internes Team einzustellen, den Betriebsrat von Beginn an ins Gespräch einbeziehen statt erst, wenn ein System bereits gebaut ist, und den Erfolg des ersten Piloten als Business Case dafür behandeln, ob weitere interne Fähigkeiten aufgebaut werden, nicht als Einzelprojekt. Nichts davon erfordert, die KI-Kopfzahl eines DAX-40-Konzerns zu erreichen, es erfordert, schnell genug echte Fähigkeiten aufzubauen, um Wert zu beweisen, bevor die Entscheidung über den internen Aufbau getroffen werden muss.
