KrambergAIVom einzelnen KI-Werkzeug zum produktiven Betriebsmodell
Wie mittelständische Unternehmen tragfähige Anwendungsfälle auswählen, ihr Unternehmenswissen nutzbar machen und Künstliche Intelligenz sicher, wirtschaftlich und dauerhaft in ihre Abläufe einbinden.
Die Frage ist im Mittelstand nicht mehr, ob Unternehmen Künstliche Intelligenz einsetzen. Sie lautet, ob daraus belastbare Prozesse werden oder nur eine weitere Sammlung unverbundener Werkzeuge.
In den vergangenen Jahren haben viele Betriebe mit Chatbots, Textgeneratoren und einzelnen Assistenzfunktionen experimentiert. 2026 verschiebt sich der Schwerpunkt spürbar: KI wird mit dem eigenen Unternehmenswissen, mit Fachanwendungen und mit konkreten Arbeitsabläufen verbunden. Der Nutzen entsteht dabei nicht durch das Sprachmodell allein, sondern aus dem Zusammenspiel von einem klar umrissenen betrieblichen Problem, verlässlichen Daten, passenden Schnittstellen, eindeutigen Verantwortlichkeiten, menschlichen Kontrollpunkten und einem geregelten Betrieb.
Fünf Beobachtungen fassen die Ausgangslage zusammen.
„Wir möchten auch etwas mit KI machen“ ist kein tragfähiger Projektauftrag. Belastbare Vorhaben setzen an einem konkreten Engpass an: am hohen Aufwand in der Angebotsvorbereitung, an wiederkehrenden Rückfragen im Kundenservice, an lückenhaften Serviceberichten oder an einer technischen Dokumentation, die im Alltag kaum auffindbar ist.
Ein leistungsfähiges Sprachmodell kennt weder die aktuelle Preisliste noch die freigegebene Arbeitsanweisung, die projektspezifische Vereinbarung oder den Wartungsstand einer Anlage. Erst eine kontrollierte Wissensbasis macht aus einer allgemeinen KI eine Assistenz, die zum eigenen Betrieb passt.
Der wirtschaftlich sinnvolle Einstieg liegt fast immer bei vorbereitenden und unterstützenden Aufgaben: Informationen zusammentragen, Vorgänge einordnen, Texte vorformulieren, Dokumente prüfen, fehlende Angaben erkennen oder die nächsten Schritte vorbereiten.
Ein mittelständisches Unternehmen benötigt kein hundertseitiges Regelwerk. Es benötigt aber ein KI-Verzeichnis, benannte Verantwortliche, klare Nutzungsregeln, saubere Berechtigungen, Kontrollpunkte, eine Protokollierung und ein Verfahren für Fehler und Sicherheitsvorfälle.
Eine beeindruckende Demonstration ist schnell erstellt. Schwieriger sind aktuelle Wissensquellen, stabile Schnittstellen, nachvollziehbare Antworten, Kostenkontrolle, Support und die Anpassung an veränderte Prozesse. Genau hier entscheidet sich, ob ein Pilot zum Werkzeug des Alltags wird.
Das Whitepaper führt in fünf Teilen von der Marktlage über die Auswahl geeigneter Anwendungsfälle und die technischen Grundlagen bis zu Governance, Wirtschaftlichkeit und dauerhaftem Betrieb.
| A | Standort und Veränderung | Wo der Mittelstand 2026 steht und was sich gegenüber der ersten KI-Welle verschoben hat. |
| B | Auswahl | Welche Form von KI ein Unternehmen benötigt und wie sich der richtige Anwendungsfall bewerten lässt. |
| C | Praxis | Nutzenlandkarte und konkrete Anwendungsfälle für Industrie, Bau und Handwerk, Dienstleistung, Handel und Projektgeschäft. |
| D | Technik und Wissen | Company Brain, Autonomiestufen von Agenten, Betriebsarchitektur sowie Daten und Integration. |
| E | Steuerung | Governance und EU AI Act, Datenschutz und Sicherheit, Wirtschaftlichkeit, ein 100-Tage-Fahrplan, Betriebsmodell, Reifegrad und Entscheidungshilfe. |
Kennzahlen, Tabellen, Checklisten und der Selbstcheck sind so aufbereitet, dass sie sich unmittelbar in eigenen Workshops, Vorlagen und Entscheidungsunterlagen weiterverwenden lassen. Die rechtlichen Angaben entsprechen dem recherchierten Stand vom Juli 2026; die laufende Konkretisierung des EU AI Act sollte vor einer verbindlichen Nutzung erneut geprüft werden.
Die Nutzung steigt schnell – aber die Statistiken muss man richtig lesen. Unterschiedliche Quoten sind kein Widerspruch, sondern Folge unterschiedlicher Unternehmensgrößen, Definitionen und Erhebungszeiträume.
Das Statistische Bundesamt weist für 2025 aus, dass 26 Prozent der Unternehmen mit mindestens zehn Beschäftigten KI-Technologien nutzten. Die Spannbreite nach Größe ist erheblich: 23 Prozent bei 10 bis 49 Beschäftigten, 36 Prozent bei 50 bis 249 Beschäftigten und 57 Prozent bei Großunternehmen ab 250 Beschäftigten.
Eine Bitkom-Befragung vom Frühjahr 2026 kommt bei Unternehmen ab 20 Beschäftigten auf einen höheren Wert: 41 Prozent setzten KI bereits ein, weitere 48 Prozent planten oder diskutierten den Einsatz. Von den aktiven Nutzern berichteten 77 Prozent von einer verbesserten Wettbewerbsposition und 66 Prozent von geplanten weiteren Ausbauschritten. Die KfW betrachtet mit einem breiteren Mittelstandsbegriff auch sehr kleine Unternehmen; danach nutzten im Zeitraum 2022 bis 2024 rund 20 Prozent der mittelständischen Unternehmen KI – knapp 780.000 Betriebe.
Die abweichenden Zahlen erklären sich vor allem durch die Methodik: Destatis erfasst Unternehmen ab zehn Beschäftigten mit Auskunftspflicht, Bitkom befragt telefonisch ab 20 Beschäftigten, die KfW schließt auch Kleinstunternehmen ein. Drei Erkenntnisse lassen sich dennoch eindeutig ableiten: Die Nutzung nimmt rasch zu; größere und stärker digitalisierte Unternehmen sind deutlich weiter; und die größte Lücke besteht nicht beim Zugang zu einem Modell, sondern bei Wissen, Daten, Integration und Organisation.
Von den Unternehmen, die KI erwogen, aber nicht eingeführt haben, nennt das Statistische Bundesamt die folgenden Hemmnisse. Bemerkenswert ist, dass grundsätzliche Ablehnung kaum eine Rolle spielt.
| Hemmnis | Anteil der Unternehmen |
|---|---|
| Fehlendes Wissen | 72 % |
| Unklarheit über rechtliche Folgen | 62 % |
| Datenschutz- und Privatsphärebedenken | 60 % |
| Inkompatibilität mit vorhandenen Systemen | 45 % |
| Unzureichende Datenverfügbarkeit oder Datenqualität | 44 % |
| Zu hohe Kosten | 32 % |
| Ethische Überlegungen | 23 % |
Die Botschaft der Zahlen ist eindeutig: Es fehlt seltener der Wille als eine nachvollziehbare Vorgehensweise, klare Zuständigkeiten und die Fähigkeit, einen Anwendungsfall von der Idee bis in den geregelten Betrieb zu bringen. Genau daran setzt dieses Whitepaper an.
Aus einzelnen Werkzeugen werden Bestandteile der Betriebsorganisation. Die erste Welle generativer KI war auf persönliche Produktivität ausgerichtet – Texte formulieren, zusammenfassen, Ideen entwickeln. 2026 treten sechs Entwicklungen in den Vordergrund.
An die Stelle eines allgemeinen Chatfensters treten Lösungen für definierte Aufgaben: Kundenanfragen erfassen und vorsortieren, Angebote vorbereiten, Serviceberichte vervollständigen, Ausschreibungen auswerten, Reklamationen einordnen, Projektunterlagen zusammenstellen oder Aufträge auf fehlende Angaben prüfen.
Dokumente aus Dokumentenmanagement, Dateiablagen, Wiki, ERP, CRM oder Ticketsystem werden kontrolliert nutzbar gemacht. Antworten lassen sich damit auf freigegebene Quellen stützen und mit Fundstellen versehen.
Moderne Systeme verarbeiten nicht nur Text, sondern auch Gesprächsinhalte, Fotos, Zeichnungen, Formulare und gescannte Dokumente gemeinsam. Das eröffnet neue Möglichkeiten bei Baustellendokumentation, Qualitätsprüfung, Wartung und Schadenserfassung.
Unter definierten Bedingungen können KI-Agenten Informationen abrufen, Datensätze anlegen, E-Mails vorbereiten, Termine vorschlagen oder Workflows auslösen. Der Nutzen steigt – und mit ihm das Risiko fehlerhafter oder nicht autorisierter Aktionen.
Für klar begrenzte Aufgaben können kleinere Sprachmodelle lokal oder in einer privaten Infrastruktur laufen, während komplexe Analysen weiterhin über leistungsfähigere Cloudmodelle erfolgen. Die Architekturfrage lautet damit nicht mehr allein „Cloud oder lokal“.
KI-Kompetenz, Transparenz, Risikobewertung, Dokumentation und menschliche Kontrolle sind nicht länger freiwillige Qualitätsmerkmale. Je nach Anwendungsfall ergeben sich konkrete Anforderungen aus dem EU AI Act, der DSGVO, dem Arbeitsrecht, branchenspezifischen Vorschriften und bestehenden Sicherheitsstandards. Die Aufsicht wird zudem konkret: In Deutschland ist die Bundesnetzagentur als zentrale Marktüberwachungs- und Koordinierungsstelle vorgesehen.
„KI“ fasst sehr unterschiedliche Lösungen zusammen. Für Investitionsentscheidungen ist eine klare Unterscheidung nötig – nicht jeder Anwendungsfall braucht einen Agenten.
| Lösungsform | Typische Aufgabe | Beispiel | Wesentliche Grenze |
|---|---|---|---|
| Persönliche KI-Assistenz | Formulieren, analysieren, zusammenfassen | Entwurf einer Kundenmail | Kennt interne Zusammenhänge nur begrenzt |
| Wissensassistenz / Company Brain | Fragen auf Basis interner Quellen beantworten | Suche in Arbeitsanweisungen und Projektakten | Qualität hängt von Quellen und Rechten ab |
| Prozessassistenz | Einen definierten Arbeitsschritt vorbereiten | Reklamation einordnen und Antwort entwerfen | Benötigt Regeln und klare Übergaben |
| KI-Agent / KI-Mitarbeiter | Mehrere Schritte und Systeme koordinieren | Anfrage erfassen, CRM prüfen, Rückruf vorbereiten | Benötigt eng begrenzte Rechte und Kontrolle |
| Analytische KI | Prognosen und Mustererkennung | Absatzprognose, Anomalieerkennung | Benötigt geeignete strukturierte Daten |
| KI in Maschinen / Produkten | Physische Prozesse beeinflussen | Optische Prüfung, autonome Steuerung | Höhere Anforderungen an Sicherheit und Validierung |
Ein KI-Mitarbeiter ist kein Beschäftigter im arbeitsrechtlichen Sinn. Gemeint ist eine digitale Lösung, die für eine definierte betriebliche Rolle mehrere Aufgaben bündelt. Ein KI-Mitarbeiter im Service könnte etwa eine Anfrage entgegennehmen, Kunde und Anlage identifizieren, fehlende Angaben abfragen, die Dringlichkeit einordnen, vorhandene Serviceinformationen suchen, einen Vorgang im Ticketsystem vorbereiten und die zuständige Person informieren. Der Nutzen liegt nicht in der menschlichen Bezeichnung, sondern in der rollenbezogenen Bündelung von Fähigkeiten.
Mit einer Assistenz beginnen, wenn …
|
Nicht mit voller Autonomie beginnen, wenn …
|
Nicht der spektakulärste Anwendungsfall ist der beste Einstieg. Ein geeigneter Pilot verbindet einen spürbaren betrieblichen Nutzen mit beherrschbarer Komplexität. Bewerten Sie jeden Kandidaten auf einer Skala von 0 bis 5 in drei Dimensionen.
Wie häufig tritt der Vorgang auf, wie viel Arbeitszeit bindet er, entstehen Wartezeiten oder Rückstände, beeinflusst er Umsatz, Qualität oder Kundenzufriedenheit, und ist qualifiziertes Personal schwer verfügbar?
Ist der Prozess dokumentiert, sind die benötigten Daten digital verfügbar, gibt es einen fachlichen Verantwortlichen, bestehen Schnittstellen oder Exportmöglichkeiten, und lässt sich die Nutzergruppe begrenzen?
Kann ein Mensch das Ergebnis prüfen, sind Fehler reversibel, werden keine besonders sensiblen Daten benötigt, trifft die KI keine Entscheidung über Personen, und lässt sich die Funktion zunächst ohne Schreibzugriff testen?
| Kategorie | Empfehlung |
|---|---|
| Hoher Nutzen, hohe Umsetzbarkeit, geringes Risiko | Sofort als Pilot prüfen |
| Hoher Nutzen, mittlere Umsetzbarkeit | Daten- oder Prozessvorbereitung starten |
| Hoher Nutzen, hohes Risiko | Governance- und Kontrollkonzept vorziehen |
| Niedriger Nutzen, hohe Umsetzbarkeit | Nur als Lern- oder Schulungsfall verwenden |
| Niedriger Nutzen, geringe Umsetzbarkeit | Nicht priorisieren |
Gute Einstiegsfälle
|
Schlechte Einstiegsfälle
|
Die größten Potenziale liegen häufig zwischen den bestehenden Systemen. Viele Prozesse scheitern nicht an fehlender Fachsoftware, sondern an Medienbrüchen, unvollständigen Angaben und der manuellen Übertragung zwischen E-Mail, Telefon, Dateiablage, CRM, ERP und Fachanwendung.
Berichte und Kennzahlen kommentieren, Abweichungen erläutern, Entscheidungsunterlagen vorbereiten, Risiken aus Projekt- oder Vertriebsdaten zusammenfassen und Sitzungsprotokolle in konkrete Maßnahmen überführen.
Kundentermine vorbereiten, CRM-Verläufe zusammenfassen, Anfragen qualifizieren, Angebotsbausteine auswählen, Ausschreibungen und Leistungsverzeichnisse auswerten sowie Nachfassaktionen vorbereiten.
Anliegen erkennen und kategorisieren, fehlende Angaben abfragen, Antwortentwürfe erstellen, passende Wissensartikel und Servicehinweise finden, Dringlichkeit und Zuständigkeit vorschlagen und Tickets dokumentieren.
Arbeitsanweisungen zugänglich machen, Schicht- und Störungsberichte strukturieren, Fehlerbilder klassifizieren, Wartungsinformationen suchen, Qualitätsabweichungen dokumentieren und technische Dokumentation vergleichen.
Projektakten zusammenfassen, offene Punkte und Entscheidungen extrahieren, Übergaben vorbereiten, Risiken und Abhängigkeiten erkennen, Protokolle mit Terminplan und Aufgabenliste abgleichen sowie Nachträge und Abweichungen dokumentieren.
Rechnungseingang vorprüfen, Dokumente klassifizieren, Stammdaten auf Unvollständigkeit prüfen, Richtlinien und Prozessbeschreibungen zugänglich machen und standardisierte Schreiben vorbereiten.
Schulungsunterlagen erstellen, interne Richtlinien erläutern, Stellenbeschreibungen vorbereiten und Onboarding-Informationen bereitstellen.
Bei Auswahl, Bewertung, Leistungsüberwachung oder Beförderung von Beschäftigten gelten deutlich strengere Anforderungen. Solche Systeme können als Hochrisiko-KI im Sinne des EU AI Act eingestuft sein. Zusätzlich ist in vielen Fällen die betriebliche Mitbestimmung zu beachten: Werden Verhalten oder Leistung von Beschäftigten überwachbar, greifen die Beteiligungsrechte des Betriebsrats nach dem Betriebsverfassungsgesetz.
In Industrieunternehmen liegt viel technisches Wissen vor – verteilt über Zeichnungen, Stücklisten, Prüfberichte, E-Mails, Schichtbücher, ERP-Daten und persönliche Erfahrung. KI muss sich in Auftragsabwicklung, Qualität und Instandhaltung bewähren.
Die KI prüft Anfragen auf fehlende Zeichnungen, Materialangaben, Toleranzen, Liefertermine oder Zertifikate. Sie erstellt keine technische Freigabe, sondern bereitet Rückfragen vor.
Reklamationen werden nach Produktgruppe, Fehlerbild, Charge und Dringlichkeit geordnet. Die Lösung sucht ähnliche Fälle und stellt Informationen für eine 8D-Bearbeitung oder Ursachenanalyse zusammen.
Freitext, Spracheingaben oder digitalisierte Notizen werden in eine einheitliche Struktur überführt: Anlage, Zeitpunkt, Störungsbild, Maßnahme, Stillstandszeit, offener Punkt und verantwortliche Stelle.
Techniker suchen nach bekannten Fehlerbildern, Ersatzteilen, Wartungsschritten und früheren Einsätzen. Die Antwort muss erkennen lassen, aus welcher Dokumentation und welchem Versionsstand sie stammt. Prüfberichte werden auf fehlende Felder oder unplausible Angaben geprüft – die fachliche Freigabe bleibt beim zuständigen Mitarbeiter.
Ausgangslage: Technische Anfragen laufen über mehrere Postfächer, Wissen steckt in Datenblättern, alten Angeboten und persönlichen Ablagen, zwischen Vertrieb und Konstruktion entstehen wiederkehrende Rückfragen.
Pilot: Ein interner Auftragsklärungsassistent greift lesend auf freigegebene Produktunterlagen, Vorlagen und Referenzaufträge zu und erzeugt eine Zusammenfassung der Anfrage, eine Liste fehlender Informationen, Hinweise auf ähnliche Aufträge sowie einen Entwurf für technische Rückfragen.
Kontrollpunkt: Der Vertriebsingenieur prüft und versendet die Rückfrage. Das System sagt weder Preis noch Liefertermin verbindlich zu.
Messgrößen: Bearbeitungszeit je Anfrage, Zahl interner Rückfrageschleifen, Anteil vollständig dokumentierter Vorgänge, Fehlerquote in der Angebotsvorbereitung, Nutzerakzeptanz.
Viele Informationen entstehen unterwegs: telefonisch, per Messenger, auf der Baustelle, in Aufmaßen, Fotos, Leistungsverzeichnissen und Serviceberichten. KI muss den Betrieb entlasten, nicht zusätzliche Büroarbeit erzeugen. Das Potenzial liegt in der Überführung unstrukturierter Informationen in belastbare Vorgänge.
Außerhalb der Bürozeiten oder bei hoher Auslastung kann eine KI-gestützte Telefonlösung den Anrufer begrüßen, das Anliegen erfassen, Objekt oder Anlage zuordnen, Erreichbarkeit aufnehmen, die Dringlichkeit erkennen und einen strukturierten Rückrufvorgang erzeugen. Notfälle, Gefahrensituationen und sicherheitsrelevante Störungen brauchen eindeutige Eskalationsregeln.
Aus E-Mail, Gesprächsnotiz, Aufmaß und Fotos entsteht eine strukturierte Zusammenfassung; fehlende Angaben werden sichtbar, bevor der Vorgang beim Kalkulator oder Meister landet. Bei Leistungsverzeichnissen kann die KI Positionen zusammenfassen, Anforderungen markieren, Fristen extrahieren und Auffälligkeiten kennzeichnen. Die kaufmännische und technische Prüfung wird unterstützt, nicht ersetzt.
Sprachaufnahmen und Fotos werden einem Auftrag zugeordnet und in ein Tagesprotokoll überführt; Abweichungen, Behinderungen, Zusatzleistungen und offene Entscheidungen lassen sich früh erfassen. Der Monteur dokumentiert per Sprache; die KI strukturiert Ausgangssituation, ausgeführte Arbeiten, Material, Messwerte, Empfehlungen und offene Folgearbeiten.
Ausgangslage: Hohe Telefonbelastung, Rückrufzettel ohne vollständige Objektangaben, verzögerte Angebotserstellung, Serviceberichte in stark schwankender Qualität.
Lösung: Eine digitale Serviceassistenz verbindet Telefonannahme, E-Mail-Erfassung und Servicebericht; alle Vorgänge landen strukturiert in einer zentralen Arbeitsliste.
Kontrollpunkte: Termine werden vorgeschlagen, nicht verbindlich bestätigt; Preise werden nicht automatisch zugesagt; Notfälle folgen einem freigegebenen Eskalationsschema; der Monteur bestätigt den fertigen Bericht.
Erwartbarer Nutzen: weniger Rückfragen, besser vorbereitete Einsätze, schnellere Weitergabe an Disposition und Kalkulation, vollständigere Dokumentation und bessere Nachvollziehbarkeit bei Gewährleistungsfällen.
Diese Unternehmen arbeiten meist mit einer Kombination aus CRM, ERP, Ticketsystem, Projektablage und E-Mail. Die eigentliche Schwierigkeit liegt in den Übergängen – vom Vertrieb in die Abwicklung, vom Projekt in den Service, vom Außendienst ins Backoffice, von der Anfrage in ein belastbares Angebot.
Serviceanfragen nach SLA, Kunde, Produkt und Dringlichkeit klassifizieren, Wartungshistorien und frühere Störungen zusammenfassen, Ersatzteilinformationen bereitstellen, Einsatzberichte auf Vollständigkeit prüfen, wiederkehrende Fehlerbilder sichtbar machen und Kundeninformationen für den Techniker vorbereiten.
Produktanfragen mit Katalog- und Stammdaten abgleichen, Alternativprodukte vorschlagen, technische Datenblätter vergleichen, Anfragen nach Potenzial und Dringlichkeit vorsortieren, Vertriebsaktivitäten auf CRM-Basis vorbereiten sowie Rücksendungen und Reklamationen strukturieren.
Projektübergaben standardisieren, Protokolle und Aufgabenlisten abgleichen, offene Entscheidungen und Abhängigkeiten identifizieren, Projektrisiken zusammenfassen, Abweichungen vom vereinbarten Leistungsumfang markieren und Statusberichte vorbereiten.
Ausgangslage: Techniker brauchen oft Informationen aus Handbüchern, alten Tickets und internen Erfahrungsberichten. Die Suche dauert lange und hängt stark von einzelnen erfahrenen Mitarbeitern ab.
Lösung: Ein Company Brain stellt freigegebene Produktunterlagen, Serviceanweisungen und abgeschlossene Tickets über eine gemeinsame Such- und Dialogoberfläche bereit.
Qualitätsanforderungen: Anzeige der verwendeten Quellen, Berücksichtigung von Produktversion und Baujahr, Trennung zwischen Herstellerdokumentation und Erfahrungswert, Warnhinweis bei widersprüchlichen Angaben und keine Ausgabe sicherheitsrelevanter Anweisungen ohne freigegebene Quelle.
Betrieblicher Effekt: Das Erfahrungswissen wird nicht ersetzt, sondern schneller auffindbar, besser übertragbar und weniger abhängig von der Erreichbarkeit Einzelner.
Ein Sprachmodell ist noch kein Unternehmensgedächtnis. Ein Company Brain verbindet freigegebenes Unternehmenswissen mit einer kontrollierten KI-Oberfläche. Es ersetzt kein Dokumentenmanagement, kein ERP und kein CRM – es macht Inhalte übergreifend auffindbar und nutzbar.
Typische Wissensquellen sind Arbeits- und Verfahrensanweisungen, technische Dokumentation, Produktinformationen, Preis- und Leistungsbeschreibungen, Verträge und Projektvereinbarungen, abgeschlossene Servicefälle, Qualitätsdokumente, Schulungsunterlagen, Richtlinien, freigegebene Vorlagen sowie Daten aus ERP-, CRM- oder Ticketsystemen.
Bei einem RAG-System (Retrieval Augmented Generation) geht eine Nutzerfrage nicht direkt und ausschließlich an ein Sprachmodell. Zunächst werden passende Informationen aus freigegebenen Quellen gesucht und der Anfrage als Kontext beigefügt. Das kann falsche Ausgaben und Halluzinationen reduzieren, beseitigt sie aber nicht vollständig. Zweckbindung, Transparenz, Zugriffsrechte und Betroffenenrechte müssen für das Gesamtsystem geprüft werden.
Sind die wichtigsten Wissensquellen bekannt? Gibt es Dubletten oder widersprüchliche Versionen? Sind Verantwortliche benannt? Lassen sich gültige Dokumente von Entwürfen unterscheiden? Sind Zugriffsrechte dokumentiert? Liegen Inhalte maschinenlesbar vor? Gibt es eine Regel für veraltete Inhalte? Sind personenbezogene und vertrauliche Informationen klassifiziert? – Je mehr Fragen Sie mit Nein beantworten, desto stärker muss die Wissensorganisation Teil des Projekts sein.
Eine Wissensassistenz beantwortet Fragen; ein Agent kann zusätzlich Aktionen ausführen – einen Datensatz anlegen, eine E-Mail vorbereiten, einen Workflow auslösen. Mit jedem zusätzlichen Recht steigt der Nutzen und das Risiko. Für den Mittelstand empfiehlt sich ein stufenweises Autonomiemodell.
| Stufe | Prinzip | Beispiel |
|---|---|---|
| 0 · Information | KI liefert Inhalte oder Vorschläge; der Nutzer führt jede Aktion selbst aus. | Zusammenfassung eines Kundenverlaufs |
| 1 · Vorbereitung | KI bereitet eine Aktion vollständig vor; ein Mensch prüft und bestätigt. | Antwortmail oder CRM-Eintrag als Entwurf |
| 2 · Begrenzte Ausführung | KI führt freigegebene, reversible Aktionen aus. | Internes Ticket mit festen Feldern anlegen |
| 3 · Bedingte Ausführung | KI führt mehrere Schritte aus, solange Regeln erfüllt sind; Abweichungen werden eskaliert. | Standardanfrage klassifizieren, Unterlagen anfordern, Vorgang zuweisen |
| 4 · Hohe Autonomie | KI plant und koordiniert weitgehend selbstständig – nur für eng abgegrenzte, gut überwachte, risikoarme Prozesse. | Automatisierte Teilprozesse mit enger Überwachung |
Ein Agent benötigt eine eigene technische Identität, minimale Berechtigungen, festgelegte erlaubte Werkzeuge, Betrags-, Mengen- oder Aktionsgrenzen, eine Protokollierung, Abbruch- und Eskalationsregeln, Freigaben für kritische Schritte sowie eine regelmäßige Überprüfung seiner Rechte.
Die Architektur muss zum Risiko und zum Betriebsmodell passen – nicht zur Ideologie. Weder Cloud noch lokale Installation sind automatisch sicher, günstig oder zukunftsfest.
| Kriterium | Standard-Cloud | Private Cloud / EU-Hosting | Lokaler Betrieb | Hybrid |
|---|---|---|---|---|
| Einführungsaufwand | niedrig | mittel | hoch | mittel–hoch |
| Modellleistung | meist sehr hoch | hoch | hardwareabhängig | bedarfsgerecht |
| Datenkontrolle | vertragsabhängig | höher steuerbar | sehr hoch | differenziert |
| Betriebsaufwand | gering | mittel | hoch | mittel |
| Internetabhängigkeit | hoch | hoch | gering | prozessabhängig |
| Kostenstruktur | nutzungsabhängig | Vertrag und Nutzung | Hardware und Betrieb | kombiniert |
Standard-Cloud eignet sich, wenn schnell gestartet werden soll, keine besonders schutzwürdigen Daten verarbeitet werden, die beste Modellleistung benötigt wird und der Anbieter vertraglich wie technisch geeignet ist.
Private Cloud oder EU-Hosting eignet sich, wenn Standort, Auftragsverarbeitung und Unterauftragnehmer stärker kontrolliert werden müssen, Unternehmensdaten zentral verarbeitet werden und ein professioneller Betrieb ohne eigene Hardware gewünscht ist.
Lokaler Betrieb eignet sich, wenn Informationen das Unternehmen nicht verlassen dürfen, die Anwendung auch ohne Internet funktionieren muss, ein begrenzter, stabiler Aufgabenbereich besteht und ausreichende Hardware und Betriebskompetenz vorhanden sind.
Hybridbetrieb ist häufig die beste Wahl: vertrauliche Dokumente lokal verarbeiten, einfache Klassifikationen mit einem kleinen Modell erledigen, nur anonymisierte Fragestellungen an ein externes Modell senden und je nach Kosten, Risiko und Aufgabe unterschiedliche Modelle wählen.
Auch lokale Systeme brauchen Patch- und Updateprozesse, Identitäts- und Berechtigungsmanagement, Protokollierung, Backup, Netzwerksegmentierung, Schwachstellenmanagement und eine Überwachung ihrer Komponenten und Abhängigkeiten.
Für den ersten produktiven Anwendungsfall braucht es keinen unternehmensweiten Data Lake. Meist genügen drei bis fünf verlässliche Daten- oder Wissensquellen – viele Projekte werden unnötig groß geplant.
Eine KI-Anwendung sollte keinen unklaren Prozess erraten müssen. Vor der Umsetzung sollten diese Fragen beantwortet sein: Wo beginnt der Prozess? Welche Angaben sind zwingend? Welches System führt den Vorgang? Wer entscheidet bei Ausnahmen? Welche Information darf geschrieben oder verändert werden? Wo endet die Verantwortung der KI?
RAG eignet sich für
|
Fine-Tuning eignet sich eher für
|
Fine-Tuning ist selten die erste Wahl, um einem Modell aktuelle Produktinformationen, Preise oder Richtlinien beizubringen. Solche Inhalte lassen sich über eine kontrollierte Wissensanbindung leichter aktualisieren und wieder zurückziehen.
Sind die Informationen vollständig genug und fachlich freigegeben? Sind die Formate lesbar und konsistent? Gibt es stabile Identifikatoren für Kunde, Auftrag, Anlage oder Projekt? Sind personenbezogene Daten wirklich erforderlich, oder lassen sie sich minimieren und anonymisieren? Werden bestehende Zugriffsrechte übernommen? Sind Löschung und Aktualisierung technisch möglich? Gibt es Testdaten ohne unnötige Echtdaten? Können Ein- und Ausgaben angemessen protokolliert werden?
Der EU AI Act folgt einem risikobasierten Ansatz. Entscheidend ist nicht allein, welches Modell eingesetzt wird, sondern zu welchem Zweck, in welcher Rolle und mit welchen Auswirkungen ein konkretes KI-System verwendet wird. Der Mittelstand braucht sieben Bausteine – kein Konzernhandbuch.
Der sogenannte Digital Omnibus hat den Zeitplan Mitte 2026 spürbar entzerrt. Der Rat der Europäischen Union erteilte am 29. Juni 2026 die endgültige Zustimmung; das Europäische Parlament hatte am 16. Juni 2026 zugestimmt. Maßgeblich ist die Veröffentlichung im EU-Amtsblatt.
| Ab | Regelungsbereich |
|---|---|
| 2. Februar 2025 | Verbotene Praktiken und Pflicht zur KI-Kompetenz gelten. |
| 2. August 2025 | Pflichten für Anbieter von Modellen mit allgemeinem Verwendungszweck (GPAI); unverändert. |
| 2. August 2026 | Transparenzpflichten nach Artikel 50 (u. a. Kennzeichnung KI-generierter Inhalte) bleiben in Kraft. Start der nationalen Marktüberwachung; in Deutschland ist die Bundesnetzagentur als zentrale Stelle vorgesehen. |
| 2. Dezember 2026 | Neue Verbote für nicht einvernehmliche intime Darstellungen und Missbrauchsmaterial; verkürzte Übergangsfrist für Kennzeichnungslösungen bei bereits eingesetzten Systemen. |
| 2. Dezember 2027 | Hochrisikoregeln für eigenständige Systeme nach Annex III (u. a. Beschäftigung, Bonität, Bildung). |
| 2. August 2028 | Hochrisikoregeln für in Produkte eingebettete Systeme nach Annex I (u. a. Maschinen, Medizinprodukte). |
Der Digital Omnibus führt Erleichterungen für kleinere Unternehmen und „Small Mid-Caps“ ein (bis rund 750 Beschäftigte). Zugleich bleibt die Registrierungspflicht für Annex-III-Systeme bestehen, die ein Anbieter selbst als nicht hochriskant einstuft – die Selbsteinschätzung wird damit zu einem dokumentierten Vorgang. Die Sanktionen sind unverändert hoch: bis zu 35 Mio. Euro oder 7 Prozent des weltweiten Jahresumsatzes bei verbotenen Praktiken, bis zu 15 Mio. Euro oder 3 Prozent bei sonstigen Verstoßen.
1. KI-Verzeichnis – erfassen Sie Anwendung, Anbieter, Zweck, verantwortlichen Fachbereich, Nutzergruppe, verwendete Daten, angebundene Systeme, Risikoeinstufung, menschliche Kontrollpunkte und Betriebsstatus.
2. Rollenmodell – Management-Sponsor, fachlicher Prozessverantwortlicher, technischer Betreiber, Datenschutz- und Sicherheitsansprechpartner, Freigabestelle und Supportverantwortlicher.
3. Nutzungsrichtlinie – zulässige Werkzeuge, erlaubte Datenklassen, Umgang mit personenbezogenen Informationen, Ergebnisprüfung, Kennzeichnungspflichten, verbotene Anwendungsfälle und Fehlermeldung.
4. Freigabeverfahren – nicht jede kleine Assistenz braucht ein Großprojekt, aber einen nachvollziehbaren Weg von der Idee über die Risikoprüfung bis zur Freigabe.
5. Kompetenz und Schulung – rollenbezogen: ein Sachbearbeiter braucht anderes Wissen als ein Administrator oder Freigabeverantwortlicher.
6. Qualitäts- und Kontrollverfahren – Testfälle, Mindestqualität, Kontrollstichproben und Eskalationsregeln.
7. Regelmäßiger Review – mindestens halbjährlich Anwendungen, Anbieter, Berechtigungen, Vorfälle, Nutzung und Nutzen prüfen.
KI erweitert die bekannte IT-Risikolandschaft. Neben klassischen Sicherheitsrisiken entstehen neue Angriffsmöglichkeiten und Fehlerquellen, die man kennen und begrenzen muss.
Vertrauliche Eingaben – Beschäftigte geben Kundendaten, Vertragsinhalte, Quellcode oder Kalkulationen in nicht freigegebene Dienste ein. Prompt Injection – manipulierte Inhalte versuchen, Systemanweisungen zu umgehen oder einen Agenten zu unerlaubten Aktionen zu bewegen. Vergiftete Wissensquellen – fehlerhafte oder gezielt manipulierte Dokumente verfälschen Antworten. Übermäßige Berechtigungen – ein Agent erhält Zugriff auf mehr als für seine Aufgabe nötig. Halluzinationen – das System erzeugt plausible, aber falsche Angaben. Modell- und Serviceänderungen – ein Anbieter aktualisiert Modell, Filter oder Schnittstelle und verändert damit die Qualität eines bestehenden Prozesses. Unkontrollierte Protokollierung – Prompts und Antworten werden gespeichert, obwohl sie vertrauliche Inhalte enthalten.
Die Datenschutzkonferenz empfiehlt, Datenschutz von Beginn an nach dem Prinzip „Data Protection by Design“ einzubeziehen. Zu den Gewährleistungszielen zählen Datenminimierung, Verfügbarkeit, Vertraulichkeit, Integrität, Intervenierbarkeit, Transparenz und Nichtverkettung.
| Ebene | Inhalt |
|---|---|
| Technische Kontrolle | Zugriff, Filter, Protokollierung, Isolation, Tests und Überwachung. |
| Prozessuale Kontrolle | Freigaben, Vier-Augen-Prinzip, Stichproben, Zuständigkeiten und Eskalation. |
| Menschliche Kontrolle | Fachliche Prüfung, Kontextverständnis und Übernahme der Verantwortung. |
Keine Ebene ersetzt die anderen. Wo KI Verhalten oder Leistung von Beschäftigten erfassen kann, kommt die betriebliche Mitbestimmung hinzu: Solche Systeme sind frühzeitig mit dem Betriebsrat abzustimmen.
Zeitersparnis allein ist noch kein Business Case. Ein tragfähiger Nachweis berücksichtigt Nutzen, Kosten, Risiko und Einführungsaufwand gemeinsam.
Produktivität: geringerer Bearbeitungsaufwand, weniger Suchzeit, schnellere Dokumentation, weniger Rückfragen, schnellere Übergaben. Qualität: vollständigere Vorgänge, weniger Übertragungsfehler, einheitlichere Kommunikation, bessere Nachvollziehbarkeit. Kapazität: mehr Vorgänge mit gleichem Personal, Entlastung knapper Spezialisten, kürzere Reaktionszeiten. Umsatz und Kundenbindung: schnellere Angebote, weniger verlorene Anfragen, bessere Nachverfolgung, zusätzliche digitale Dienstleistungen.
Lizenzen und Modellnutzung, Implementierung, Schnittstellen, Daten- und Wissensaufbereitung, Infrastruktur, Datenschutz und Informationssicherheit, Schulung, fachliche Tests, Support, laufende Pflege sowie ein möglicher Modell- oder Anbieterwechsel.
Zwölf Mitarbeiter sparen durch eine Wissens- und Vorgangsassistenz im Schnitt 25 Minuten pro Arbeitstag. Bei 20 Arbeitstagen im Monat sind das rund 100 eingesparte Stunden monatlich. Bei kalkulatorischen Personalkosten von 48 Euro je Stunde entspricht das einem jährlichen Bruttonutzen von rund 57.600 Euro.
| Einführung | 28.000 € |
| Laufender Betrieb im ersten Jahr | 18.000 € |
| Gesamtkosten erstes Jahr | 46.000 € |
| Rechnerischer Überschuss (Jahr 1) | 11.600 € |
Amortisation nach knapp zehn Monaten. Nicht enthalten sind Effekte aus besserer Qualität, schnelleren Reaktionszeiten oder zusätzlichen Aufträgen. Die Annahmen sind bewusst konservativ und sollten mit den eigenen Ausgangswerten hinterlegt werden.
| Prozess | Mögliche Kennzahl |
|---|---|
| Kundenanfrage | Zeit bis zur qualifizierten Bearbeitung |
| Angebot | Durchlaufzeit und Rückfragen je Angebot |
| Service | Erstlösungsquote und Dokumentationsqualität |
| Wissenssuche | durchschnittliche Suchzeit |
| Reklamation | Bearbeitungsdauer und Wiederholungsfehler |
| Projektübergabe | Anzahl fehlender Informationen |
| KI-System | fachliche Trefferquote und Eskalationsquote |
Nicht ausreichend sind reine Aktivitätszahlen wie die Menge generierter Texte, gestellter Prompts oder registrierter Nutzer. Sie zeigen Bewegung, aber noch keinen betrieblichen Nutzen.
Ein produktiver Pilot braucht einen klaren Takt. Jede Phase hat ein Ergebnis und eine Leitfrage – und darf auch mit einem begründeten Abbruch enden.
Ergebnisse: klar beschriebener Geschäftsprozess, Ausgangswerte und Zielkennzahlen, benannter Management-Sponsor, fachlicher Prozessverantwortlicher, erste Risiko- und Datenschutzprüfung, Entscheidung über den Pilotumfang. Leitfrage: Welcher konkrete Arbeitsschritt soll nach 100 Tagen messbar besser funktionieren?
Ergebnisse: Sollprozess, benötigte Datenfelder, ausgewählte Wissensquellen, Zugriffs- und Rollenmodell, Liste kritischer Ausnahmen, Testfallkatalog. Leitfrage: Welche Informationen braucht ein qualifizierter Mitarbeiter, um die Aufgabe korrekt auszuführen?
Ergebnisse: funktionsfähiger Prototyp, erste Integration, definierte Antwort- und Aktionsgrenzen, Qualitätsmessung mit realistischen Fällen, dokumentierte Fehlerbilder. Leitfrage: Versagt das System erkennbar und kontrolliert – oder überzeugend und unbemerkt?
Ergebnisse: begrenzte Nutzergruppe, Schulung, Supportkanal, Feedback- und Fehlermeldung, wöchentliche Qualitätsauswertung, Vergleich mit den Ausgangswerten. Leitfrage: Wird der Prozess tatsächlich einfacher – oder verlagert sich der Aufwand nur?
Ergebnisse: Nutzen- und Risikobewertung, Betriebs- und Supportkonzept, Kostenmodell, Entscheidung über Skalierung, Anpassung oder Abbruch. Leitfrage: Kann das Unternehmen die Lösung über die erste Projektphase hinaus verlässlich betreiben?
Skalieren – Nutzen und Qualität sind ausreichend. Nachbessern – der Fall ist sinnvoll, braucht aber bessere Daten oder Prozesse. Beenden – Nutzen oder Beherrschbarkeit reichen nicht aus. Auch ein begründet beendeter Pilot ist ein gutes Projektergebnis.
Rollen können kombiniert werden, Verantwortlichkeiten nicht. Ein mittelständisches Unternehmen braucht nicht für jede Aufgabe eine eigene Abteilung, aber die wesentlichen Rollen müssen benannt sein.
| Rolle | Verantwortung |
|---|---|
| Geschäftsführung / Sponsor | Ziel, Budget, Priorität und Risikoakzeptanz |
| Fachlicher Prozessverantwortlicher | Prozess, Regeln, Qualität und fachliche Freigabe |
| IT-Verantwortlicher | Architektur, Integration, Identitäten und Betrieb |
| Datenschutz | Prüfung personenbezogener Verarbeitung und Schutzmaßnahmen |
| Informationssicherheit | Bedrohungsanalyse, technische Kontrollen und Vorfälle |
| Inhaltseigentümer | Aktualität und Freigabe von Wissensquellen |
| Key User | Praxistest, Feedback und Unterstützung der Nutzer |
| Anbieter / Implementierungspartner | Umsetzung, Dokumentation, Support und Änderungen |
Ein monatlicher oder quartalsweiser KI-Betriebsreview sollte Nutzung und aktive Nutzer, Prozesskennzahlen, Ergebnisqualität, Fehlermeldungen, Sicherheits- und Datenschutzvorfälle, Änderungen an Modell oder Anbieter, die Kostenentwicklung, neue Datenquellen, Berechtigungen und offene Verbesserungsmaßnahmen behandeln.
Mindestens einmal jährlich: Wird die Anwendung noch benötigt? Entspricht der Zweck weiterhin der Freigabe? Haben sich Daten oder Schnittstellen verändert? Sind Rechte noch angemessen? Hat sich die rechtliche Einordnung geändert? Sind Schulungen aktuell? Gibt es günstigere oder sicherere Alternativen? Ist ein Anbieterwechsel vorbereitet? Können Anwendungen stillgelegt werden?
Auch bei vollständig eingekaufter Software bleibt das einsetzende Unternehmen für die betriebliche Verwendung verantwortlich. Anbieterunterlagen ersetzen nicht die eigene Prüfung des konkreten Anwendungsfalls.
Reife zeigt sich nicht an der Zahl der Lizenzen, sondern daran, wie kontrolliert und wirksam KI in die Organisation eingebettet ist.
| Stufe | Merkmale | Priorität |
|---|---|---|
| 0 · Unkontrollierte Nutzung | private oder kostenlose Werkzeuge, keine Richtlinie, keine Übersicht, vertrauliche Eingaben möglich | Transparenz schaffen, sichere Basisangebote bereitstellen |
| 1 · Einzelne Assistenz | freigegebene Standardtools, persönliche Produktivität, kaum Prozessintegration, Nutzen nicht gemessen | geeignete betriebliche Anwendungsfälle auswählen |
| 2 · Kontrollierte Pilotprojekte | definierter Anwendungsfall, Verantwortlicher, begrenzte Nutzergruppe, Testfälle, erste Governance | Qualität, Integration und Betrieb nachweisen |
| 3 · Integrierte Prozesse | Verbindung zu DMS, CRM, ERP oder Ticketsystem, Rollen und Rechte, messbarer Nutzen, geregelter Support | wiederverwendbare Architektur und Standards schaffen |
| 4 · Skalierbares Betriebsmodell | zentrales KI-Verzeichnis, wiederverwendbare Komponenten, Modell- und Kostensteuerung, standardisierte Freigaben | Portfolio steuern, redundante Lösungen vermeiden |
| 5 · KI-gestützte Differenzierung | neue Leistungen und Geschäftsmodelle, tiefe Prozessintegration, systematisches Lernen aus Nutzung | Wettbewerbsvorteil sichern, Abhängigkeiten kontrollieren |
Die meisten mittelständischen Unternehmen bewegen sich 2026 zwischen Stufe 1 und Stufe 3. Der Sprung von Stufe 1 zu Stufe 2 gelingt über die Auswahl eines geeigneten Anwendungsfalls; der Sprung von Stufe 2 zu Stufe 3 entscheidet sich an Integration, Betrieb und nachgewiesenem Nutzen.
Bewerten Sie jede Aussage mit 0 Punkten (nicht vorhanden), 1 Punkt (teilweise) oder 2 Punkten (ausreichend vorhanden). Der Selbstcheck ersetzt keine Detailanalyse, zeigt aber, wo Voraussetzungen fehlen.
| Strategie und Nutzen | Punkte |
|---|---|
| 1 · Wir können mindestens ein konkretes Geschäftsproblem benennen. | 0–2 |
| 2 · Für den Anwendungsfall existiert eine messbare Ausgangsgröße. | 0–2 |
| 3 · Ein Management-Sponsor ist benannt. | 0–2 |
| Prozess und Wissen | Punkte |
|---|---|
| 4 · Der betroffene Arbeitsprozess ist ausreichend beschrieben. | 0–2 |
| 5 · Die benötigten Wissens- und Datenquellen sind bekannt. | 0–2 |
| 6 · Für wesentliche Inhalte sind Verantwortliche benannt. | 0–2 |
| 7 · Veraltete und freigegebene Dokumente sind unterscheidbar. | 0–2 |
| Organisation | Punkte |
|---|---|
| 8 · Ein fachlicher Prozessverantwortlicher ist benannt. | 0–2 |
| 9 · Die geplante Nutzergruppe ist klar begrenzt. | 0–2 |
| 10 · Kontroll- und Eskalationspunkte sind beschrieben. | 0–2 |
| 11 · Support und Fehlermeldung sind vorgesehen. | 0–2 |
| Technik und Sicherheit | Punkte |
|---|---|
| 12 · Zugriffsrechte sind dokumentiert. | 0–2 |
| 13 · Personenbezogene und vertrauliche Daten sind klassifiziert. | 0–2 |
| 14 · Der technische Betriebsort wurde bewusst gewählt. | 0–2 |
| 15 · Kritische Aktionen werden protokolliert. | 0–2 |
| 16 · Ein Sicherheits- und Datenschutzcheck ist Teil der Einführung. | 0–2 |
| Betrieb und Skalierung | Punkte |
|---|---|
| 17 · Qualitätskriterien und Testfälle sind definiert. | 0–2 |
| 18 · Laufende Kosten können gemessen werden. | 0–2 |
| 19 · Änderungen an Modell oder Anbieter werden kontrolliert. | 0–2 |
| 20 · Eine Entscheidung über Fortführung oder Abbruch ist vorgesehen. | 0–2 |
| Auswertung | Einordnung |
|---|---|
| 0–14 | Wesentliche Grundlagen fehlen. |
| 15–25 | Ein begrenzter Pilot ist mit Vorbereitung möglich. |
| 26–33 | Gute Ausgangslage für einen produktiven Pilot. |
| 34–40 | Voraussetzungen für Integration und Skalierung vorhanden. |
Der sinnvolle nächste Schritt hängt von Ihrer Ausgangslage ab. Fünf typische Situationen – und der jeweils passende Einstieg.
| Situation | Nächster Schritt |
|---|---|
| A · Mitarbeiter nutzen bereits frei verfügbare KI | Nutzung sichtbar machen, freigegebene Alternative bereitstellen, Grundregeln und Schulung einführen, besonders kritische Datenklassen sperren. |
| B · Viele Ideen, aber keine Priorität | Prozesse und Engpässe aufnehmen, Anwendungsfälle bewerten, ein Portfolio nach Nutzen, Aufwand und Risiko erstellen, einen Pilot auswählen. |
| C · Dokumente und Wissen schwer auffindbar | relevante Wissensquellen bestimmen, Verantwortlichkeiten und Versionen klären, ein begrenztes Company Brain für eine Nutzergruppe aufbauen. |
| D · Ein Pilot funktioniert, wird aber nicht genutzt | Arbeitsablauf statt Modell prüfen, Nutzer einbeziehen, Medienbrüche messen, das System in die bestehende Oberfläche integrieren. |
| E · Mehrere KI-Lösungen entstehen parallel | KI-Verzeichnis erstellen, Architektur und Anbieter konsolidieren, gemeinsame Identitäts-, Wissens- und Governance-Bausteine festlegen, Kosten und Risiken zentral steuern. |
KI ist 2026 kein isoliertes Technologiethema mehr. Sie betrifft Prozesse, Unternehmenswissen, Organisation, Datenschutz, Informationssicherheit und Führung. Erfolgreiche mittelständische Unternehmen verfolgen dabei keinen maximalistischen Ansatz. Sie automatisieren nicht alles, was technisch möglich ist, sondern wählen Aufgaben, bei denen der betriebliche Nutzen erkennbar ist, Daten und Wissen beherrschbar sind, Verantwortlichkeiten geklärt sind, Ergebnisse geprüft werden können und der laufende Betrieb wirtschaftlich bleibt.
Ein tragfähiger Einstieg baut in drei Schritten aufeinander auf – von der nüchternen Standortbestimmung bis zum begrenzten Pilot mit klaren Zielkennzahlen.
Kurze, sachliche Bewertung von Ausgangslage, Reifegrad, Chancen und kritischen Voraussetzungen.
Priorisierte Anwendungsfälle mit Nutzen, Machbarkeit, Risiken und empfohlenem Vorgehen.
Umsetzung eines klar definierten Anwendungsfalls mit Zielkennzahlen, Kontrollpunkten und einer belastbaren Betriebsentscheidung.
KrambergAI unterstützt mittelständische Unternehmen bei der Auswahl, Einführung und dem Betrieb praxisnaher KI-Lösungen. Der Anspruch ist bewusst zurückhaltend: Technik soll die Arbeit ruhiger machen und für Entlastung, Kontrolle und Sicherheit sorgen – nicht für zusätzliche Komplexität.
Schwerpunkte sind KI-Mitarbeiter und Prozessassistenzen, Company Brain und Unternehmenswissen, UnternehmensGPT und lokale KI, digitale Kundenschnittstellen, KI-Telefonie, KI-Governance sowie Sichtbarkeit in KI- und Suchsystemen.
KrambergAI GmbH
krambergai.com
Zentrale Begriffe dieses Whitepapers – kurz und praxisnah erklärt.
| Begriff | Bedeutung |
|---|---|
| Sprachmodell (LLM) | Auf großen Textmengen trainiertes Modell, das Sprache versteht und erzeugt. Kennt kein unternehmensspezifisches Wissen, solange es nicht angebunden wird. |
| Generative KI | KI, die neue Inhalte wie Texte, Bilder oder Code erzeugt. |
| Company Brain | Kontrollierte Verbindung aus freigegebenem Unternehmenswissen und einer KI-Oberfläche. Macht Inhalte übergreifend auffindbar, ersetzt aber kein DMS, ERP oder CRM. |
| RAG | Retrieval Augmented Generation: Verfahren, das vor der Antwort passende Informationen aus freigegebenen Quellen sucht und dem Modell als Kontext beifügt. |
| Fine-Tuning | Nachtraining eines Modells, um Stil, Format oder Verhalten anzupassen. Für aktuelle Fakten wie Preise oder Richtlinien meist ungeeignet. |
| KI-Assistenz | Unterstützt einen Menschen bei einer Aufgabe (formulieren, suchen, prüfen), ohne selbst zu handeln. |
| KI-Agent | KI, die unter definierten Regeln Aktionen ausführen kann, etwa einen Datensatz anlegen oder eine E-Mail vorbereiten. |
| KI-Mitarbeiter | Digitale Lösung, die für eine definierte Rolle mehrere Aufgaben bündelt. Kein Beschäftigter im arbeitsrechtlichen Sinn. |
| Prompt | Eingabe oder Anweisung an ein KI-System. |
| Prompt Injection | Angriff, bei dem manipulierte Inhalte Systemanweisungen umgehen oder unerlaubte Aktionen auslösen. |
| Halluzination | Plausibel wirkende, aber sachlich falsche Ausgabe eines Modells. |
| EU AI Act | Europäische Verordnung mit risikobasiertem Ansatz für KI-Systeme. |
| GPAI | Modelle mit allgemeinem Verwendungszweck. Für ihre Anbieter gelten eigene Pflichten. |
| Hochrisiko-KI | KI in sensiblen Bereichen wie Beschäftigung oder Bonität mit erhöhten Anforderungen. |
| DSGVO | Datenschutz-Grundverordnung. Regelt die Verarbeitung personenbezogener Daten in der EU. |
| Data Protection by Design | Grundsatz, Datenschutz von Beginn an in Entwicklung und Betrieb einzubauen. |
| Governance | Regeln, Rollen und Kontrollen für den sicheren und nachvollziehbaren KI-Einsatz. |
Die zentralen Kennzahlen und rechtlichen Angaben stützen sich auf die folgenden öffentlich verfügbaren Quellen (Stand Juli 2026).
Statistisches Bundesamt (Destatis) – Nutzung von IKT in Unternehmen 2025, Ergebnisse zur KI-Nutzung und zu Einführungshemmnissen.
destatis.de
KfW Research – Einsatz von Künstlicher Intelligenz im Mittelstand (Februar 2026) sowie KfW-Digitalisierungsbericht Mittelstand 2025.
kfw.de
Bitkom e. V. – Digitalisierung der
Wirtschaft: Unternehmen und KI (März 2026); Künstliche Intelligenz in
Deutschland (Studie 2026 auf Basis von Befragungen 2025).
bitkom.org
Eurostat – Use of artificial intelligence in enterprises (Datenstand Dezember 2025).
ec.europa.eu/eurostat
OECD – Generative AI and the SME Workforce: New Survey Evidence (2025).
oecd.org
Europäische Kommission – AI Act: Regulatory Framework for Artificial Intelligence; Leitlinien zu Transparenz- und Hochrisikoregeln.
digital-strategy.ec.europa.eu
Rat der Europäischen Union – Artificial
Intelligence: Council gives final green light to simplify and streamline
rules (29. Juni 2026), Digital Omnibus / Omnibus VII.
consilium.europa.eu
Datenschutzkonferenz (DSK) –
Orientierungshilfe zu technischen und organisatorischen Maßnahmen bei
KI-Systemen (2025); Besonderheiten generativer KI mit RAG-Methode
(2025).
datenschutzkonferenz-online.de
Bundesamt für Sicherheit in der Informationstechnik (BSI) – Generative KI-Modelle: Chancen und Risiken für Industrie und Behörden (aktualisierte Fassung 2025).
bsi.bund.de
Bundesnetzagentur – Informationen zur nationalen Marktüberwachung und Koordinierung im Rahmen des EU AI Act.
bundesnetzagentur.de
Dieses Whitepaper bietet eine betriebliche und technische Orientierung. Es ersetzt keine Rechtsberatung, Datenschutzprüfung oder sicherheitstechnische Bewertung des konkreten Anwendungsfalls. Die rechtlichen Angaben entsprechen dem recherchierten Stand vom Juli 2026. Aufgrund der laufenden Umsetzung des EU AI Act – einschließlich der Veröffentlichung des Digital Omnibus im EU-Amtsblatt und der nationalen Durchführung – sollten Fristen, Leitlinien und Zuständigkeiten unmittelbar vor einer verbindlichen Nutzung erneut geprüft werden.