Künstliche Intelligenz gilt als größter Produktivitätshebel seit der Einführung des Internets. Doch zwischen dem Versprechen und der betrieblichen Realität klafft für viele mittelständische Unternehmen noch eine erhebliche Lücke. Tools werden eingeführt, Schulungen gebucht, Lizenzen erworben, und am Ende des Quartals fragt sich die Geschäftsführung, warum der erwartete Effizienzgewinn ausbleibt. Frank Stadler, Geschäftsführer der KIVOREX GmbH aus Augsburg und externer Chief AI Officer auf Zeit, kennt diese Situation aus der Beratungspraxis. Er arbeitet regelmäßig mit Mittelständlern daran, KI aus dem Stadium des teuren Experiments in echte, messbare Produktivitätssteigerung zu überführen. Im Interview mit effizienzpraxis.de spricht er über die Prozesse mit dem größten Hebel, die richtige Messung von KI-Investitionen und die häufigsten Fehler, die Projekte zum Scheitern bringen.
Wo KI am schnellsten wirkt: Text, Routine und hohe Volumina
Effizienzpraxis.de: Welche Prozesse im Mittelstand lassen sich durch KI am schnellsten und spürbarsten verbessern?
Frank Stadler: Am schnellsten dort, wo viel Text und wiederkehrende Routine zusammenkommen. Angebots- und Dokumentenerstellung, das Zusammenfassen und Aufbereiten von Informationen, erste Entwürfe für Korrespondenz, Recherche, die Auswertung von Freitext aus Tickets oder Reklamationen. Das sind Aufgaben, die in jedem Unternehmen anfallen, Zeit fressen und kein hohes Risiko tragen, solange ein Mensch am Ende drüberschaut. Im Kundenservice und im Vertrieb zeigt sich oft am schnellsten ein Effekt, weil dort viel kommuniziert wird. Wichtig ist die Reihenfolge: erst die Prozesse mit hohem Volumen und geringem Fehlerrisiko, dann die anspruchsvolleren. Wer mit dem komplexesten, regulatorisch heikelsten Fall anfängt, verbrennt Zeit und Vertrauen. Die schnellen, sichtbaren Verbesserungen finanzieren die schwierigeren Schritte mit.
Diese Einschätzung deckt sich mit den Erfahrungen, die Unternehmensberatungen und Branchenverbände in den letzten Jahren dokumentiert haben. Überall dort, wo Mitarbeitende viel Zeit mit textbasierter Kommunikation, dem Erstellen von Dokumenten oder dem Strukturieren von Informationen verbringen, zeigen KI-Assistenten schnell messbare Zeitgewinne. Das Erstellen eines Angebots, das früher zwei Stunden dauerte, kann mit KI-Unterstützung auf 45 Minuten reduziert werden, wenn Standardbausteine KI-generiert, Formulierungen vorgeschlagen und Kalkulationsgrundlagen automatisch eingespeist werden. Im Kundenservice lassen sich eingehende Nachrichten automatisch kategorisieren, priorisieren und mit Antwortvorschlägen versehen, was die Bearbeitungszeit pro Vorgang deutlich senkt.
Stadlers Hinweis auf die Reihenfolge ist dabei strategisch entscheidend. Unternehmen, die mit dem schwierigsten Anwendungsfall beginnen, riskieren lange Anlaufzeiten, hohe Fehlerquoten und Frustration bei den Beteiligten. Das Ergebnis ist häufig, dass das gesamte KI-Vorhaben in Frage gestellt wird, obwohl das Problem nicht die Technologie, sondern die Sequenz war. Niedrigschwellige, schnelle Erfolge schaffen dagegen Vertrauen, entwickeln intern Kompetenz und liefern die Überzeugungsarbeit, die für spätere, anspruchsvollere Vorhaben nötig ist.
ROI messen, ohne sich von Aktivität täuschen zu lassen
Effizienzpraxis.de: Wie misst man den echten ROI von KI-Initiativen, ohne sich von reiner Aktivität täuschen zu lassen?
Frank Stadler: Indem man vor dem Start festlegt, woran man Erfolg erkennt. Das klingt banal, wird aber fast nie gemacht. Die meisten messen Aktivität: wie viele Lizenzen ausgerollt, wie viele Leute geschult, wie viele Tools im Einsatz. Das sagt nichts über den Wert aus. Ich frage stattdessen nach der Bezugsgröße im Prozess. Wie lange dauert die Angebotserstellung heute, wie viele Vorgänge schafft ein Mitarbeiter, wie hoch ist die Durchlaufzeit. Diese Zahl nimmt man vor dem KI-Einsatz auf und danach erneut. Dazwischen liegt der echte Effekt. Manchmal ist er kleiner als erhofft, manchmal taucht der Nutzen an einer ganz anderen Stelle auf. Ohne Ausgangsmessung diskutiert man über Gefühle. Und ein ehrlicher ROI verrechnet auch die Kosten, die gern vergessen werden: Lizenzen, Einarbeitung, Qualitätskontrolle.
Die Forderung nach Ausgangsmessungen vor der KI-Einführung klingt selbstverständlich, wird in der Praxis aber erschreckend selten konsequent umgesetzt. Viele Projekte starten mit dem Impuls, eine Technologie auszuprobieren, ohne vorher die Baseline zu definieren. Das führt dazu, dass nach sechs Monaten niemand belastbar sagen kann, ob sich das Projekt gelohnt hat. Anekdotische Berichte von zufriedenen Nutzern ersetzen dann die fehlende Messung, was Investitionsentscheidungen intransparent und schwer zu verteidigen macht.
Ein belastbarer ROI-Rahmen für KI-Initiativen im Mittelstand könnte folgende Dimensionen umfassen: Zeitersparnis pro Prozessschritt in Stunden, multipliziert mit dem relevanten Stundensatz. Fehlerquote vor und nach der KI-Unterstützung. Durchlaufzeiten für definierte Prozesse. Kundenzufriedenheit in KI-unterstützten Serviceprozessen. Kapazitätsgewinn, also wie viele zusätzliche Vorgänge das gleiche Team bearbeiten kann. Diesen Zahlen werden die tatsächlichen Kosten gegenübergestellt: Lizenzkosten, interne Zeitaufwände für Einführung und Schulung, laufende Qualitätskontrolle und gegebenenfalls externe Beratungskosten. Erst aus dieser Gegenüberstellung ergibt sich ein ehrliches Bild. Und Stadlers Hinweis, dass der Nutzen manchmal an einer anderen Stelle auftaucht als erwartet, ist aus der Praxis wichtig: Wer nur auf den ursprünglich definierten Prozess schaut, übersieht möglicherweise Nebeneffekte, die den eigentlichen Wert erzeugen.
Warum KI-Projekte scheitern, und wie man es besser macht
Effizienzpraxis.de: Viele KI-Projekte scheitern in der Umsetzung. Was sind die häufigsten Fehler, und wie vermeidest du sie?
Frank Stadler: Am häufigsten fehlt der klare Anwendungsfall. Man kauft eine Technologie und sucht hinterher ein Problem dafür, das funktioniert fast nie. Der zweite Fehler ist, dass niemand verantwortlich ist. Ein KI-Projekt ohne benannten Eigentümer versandet, sobald das Tagesgeschäft drückt. Dazu kommt, dass die Daten unterschätzt werden. Ist die Grundlage unsauber oder verstreut, hilft das beste Modell nichts. Und schließlich wird der Mensch im Prozess vergessen. Wenn die Leute nicht verstehen, warum sich etwas ändert, und keinen Vorteil für die eigene Arbeit sehen, nutzen sie es nicht. Ich vermeide das, indem ich klein anfange, mit einem konkreten Use-Case, einem Verantwortlichen und einer Messgröße, und erst skaliere, wenn das nachweisbar funktioniert. Pilot vor Plattform.
Diese vier Scheitergründe lassen sich in der Unternehmenspraxis leider regelmäßig beobachten. Der Kauf einer KI-Plattform oder eines Enterprise-Lizenzpaketes, ohne vorher definiert zu haben, welches konkrete Problem gelöst werden soll, ist einer der teuersten Fehler im KI-Kontext. Software-Anbieter sind gut darin, Möglichkeiten zu präsentieren. Die Frage, welche davon für das konkrete Unternehmen relevant sind und wie sie sich in den bestehenden Prozess integrieren, muss das Unternehmen selbst beantworten, bevor es kauft.
Der Datenpunkt zum Thema Verantwortung ist besonders relevant für den Mittelstand. Ohne benannten Eigentümer, der das Projekt aktiv vorantreibt und bei Hindernissen eingreift, verlagert sich die Aufmerksamkeit schnell zurück ins Tagesgeschäft. KI-Projekte haben die Eigenheit, dass sie anfangs viel Aufmerksamkeit erzeugen und dann in eine Phase der zähen Feinarbeit übergehen, in der die Begeisterung nachlässt. Genau dann braucht es jemanden, der dranbleibt.
Das Thema Datenqualität wird bei KI-Diskussionen häufig auf technische Details reduziert. Tatsächlich ist es ein organisatorisches Problem: Wenn Kundendaten in drei verschiedenen Systemen liegen, Angebote als PDF-Dateien ohne Strukturierung im Laufwerk gespeichert sind und Servicefälle in unterschiedlichen Tools erfasst werden, dann kann eine KI diese Grundlage nicht sinnvoll nutzen. Die Datenaufräumung ist oft die zeitaufwendigste Vorarbeit, wird aber selten eingeplant. Stadlers Grundsatz Pilot vor Plattform ist daher auch eine Schutzmaßnahme: Ein klar abgegrenzter Pilot mit definierten Datenquellen ist handhabbar. Eine unternehmensweite Plattform auf unsauberer Datenbasis ist ein Rezept für Enttäuschung.
Schulung, die wirkt: Erst Use Cases, dann Training
Effizienzpraxis.de: KI-Schulungen zeigen oft wenig Wirkung, wenn vorher keine Use Cases definiert wurden. Wie gehst du das strukturiert an?
Frank Stadler: Die Reihenfolge ist der ganze Trick. Erst die Anwendungsfälle, dann die Schulung, die genau darauf einzahlt. Eine generische KI-Schulung erzeugt für ein paar Tage Begeisterung und verpufft, weil niemand weiß, wofür er das Gelernte am Montag konkret einsetzen soll. Ich gehe umgekehrt vor: Wir definieren erst, welche zwei, drei Aufgaben in einem Bereich mit KI besser laufen sollen. Dann wird genau dafür geschult, an echten Beispielen aus dem Haus, mit den eigenen Daten und Prozessen. Führungskräfte brauchen dabei etwas anderes als Fachbereiche. Die einen müssen steuern und Risiken einschätzen können, die anderen sauber und sicher anwenden. So wird aus Schulung kein Event, sondern ein Teil der Umsetzung. Und der Effekt ist messbar, weil man ihn an die vorher definierten Fälle hängen kann.
Die Differenzierung zwischen Schulungsinhalten für Führungskräfte und Fachbereiche ist ein Detail, das in der Praxis oft übersehen wird. Viele Unternehmen buchen eine einheitliche Schulung für alle, die entweder zu technisch für Führungskräfte oder zu oberflächlich für die Fachebene ist. Das Ergebnis: Niemand fühlt sich optimal vorbereitet. Führungskräfte brauchen ein Verständnis dafür, was KI kann und was sie nicht kann, welche Risiken bestehen und wie sie die Nutzung steuern. Sie müssen keine Prompts schreiben, aber sie müssen verstehen, welche Entscheidungen sie bei KI-gestützten Prozessen treffen müssen.
Fachbereiche hingegen brauchen handlungsorientierten Unterricht mit echten Beispielen aus ihrer Arbeit. Wer im Vertrieb arbeitet, will wissen, wie er mit KI schneller ein Angebot verfasst. Wer im HR-Bereich tätig ist, will wissen, wie er Bewerbungen strukturierter sichten kann. Die Verbindung von Schulungsinhalt und konkretem Arbeitsalltag ist entscheidend für den Transfer vom Training in die Praxis.
Minimale Steuerungsstruktur, maximale Wirkung: Was wirklich gebraucht wird
Effizienzpraxis.de: Was braucht ein Mittelständler mindestens an Steuerungsstruktur, bevor KI wirklich produktiv werden kann?
Frank Stadler: Erstaunlich wenig, aber das Wenige muss da sein. Eine Person, bei der die KI-Verantwortung zusammenläuft, auch wenn es nicht ihr einziger Job ist. Eine knappe, verständliche Leitlinie, welche Tools erlaubt sind und welche Daten hineindürfen, damit nicht jeder im Verborgenen sein eigenes Ding macht. Eine Handvoll priorisierter Use-Cases statt eines Wunschzettels. Und ein regelmäßiger Termin, in dem die Geschäftsführung den Stand anschaut und über die nächsten Schritte entscheidet. Das ist kein bürokratischer Apparat, das passt auf eine Seite. Es geht nicht darum, vorher alles zu regeln, sondern darum, dass jemand hinschaut und steuert. Ohne diese minimale Struktur bleibt KI ein Sammelsurium von Einzelinitiativen, das nie zu echter Produktivität führt.
Das Bild der einseitigen Steuerungsstruktur ist einprägsam und bewusst antibürokratisch formuliert. Im Mittelstand ist die Ablehnung gegenüber umfangreichen Governance-Dokumenten und Regelwerken verständlich, weil die Ressourcen begrenzt sind. Stadlers Antwort nimmt diese Bedenken ernst, ohne die Notwendigkeit von Struktur zu verneinen. Eine verantwortliche Person, eine einfache Leitlinie, eine kurze Prioritätenliste und ein regelmäßiger Überblickstermin: Das sind vier Elemente, die jedes Unternehmen unabhängig von Größe und Ressourcen umsetzen kann.
Die zentrale Aussage dahinter ist, dass Struktur nicht Bürokratie bedeuten muss. Struktur bedeutet, dass jemand den Überblick behält, dass Entscheidungen nicht zufällig getroffen werden und dass aus dem Ausprobieren ein gesteuertes Vorgehen wird. Diese minimale Ordnung ist die Voraussetzung dafür, dass KI-Investitionen nicht in Einzelinitiativen versickern, sondern kumulativ zu echter Produktivitätssteigerung führen.
Frank Stadler von der KIVOREX GmbH vertritt damit einen Ansatz, der strategische Klarheit mit operativer Pragmatik verbindet. Für Mittelständler, die aufgehört haben zu experimentieren und jetzt Ergebnisse sehen wollen, ist das eine belastbare Orientierung.
Warum der Mittelstand beim KI-ROI klarer denken muss als Konzerne
Große Unternehmen können sich Experimente leisten. Sie haben Budgets für Piloten, die scheitern, Teams, die sich ausschließlich mit Innovationsthemen beschäftigen, und die Geduld, auf langfristige Wirkungen zu warten. Im Mittelstand sind diese Spielräume enger. Jede Investition muss sich rechtfertigen lassen, und der Druck des Tagesgeschäfts lässt wenig Raum für Projekte, die keinen messbaren Beitrag leisten. Das macht die ROI-Frage im Mittelstand nicht nur relevant, sondern existenziell für die Glaubwürdigkeit von KI-Initiativen innerhalb des Unternehmens.
Wer als Geschäftsführer oder Projektverantwortlicher KI im Betrieb einführen will, muss früh eine belastbare Antwort auf die Frage haben: Was bringt das, und woran messen wir es? Ohne diese Antwort bleibt jede Initiative anfällig für den ersten Gegenwind aus dem operativen Tagesgeschäft. Mit einer klaren Messgröße, einem definierten Ausgangswert und einem realistischen Zeithorizont lässt sich dagegen auch intern überzeugend argumentieren, sowohl gegenüber skeptischen Führungskollegen als auch gegenüber Mitarbeitenden, die den Aufwand der Umstellung scheuen.
Die von Stadler beschriebene Methodik, Bezugsgrößen vor dem KI-Einsatz zu erheben und danach erneut zu messen, ist deswegen nicht nur betriebswirtschaftlich sinnvoll, sondern auch ein Instrument der internen Kommunikation. Ein Angebotsprozess, der messbar schneller geworden ist, ist das überzeugendste Argument für den nächsten Schritt.
Fazit: Effizienz durch KI ist kein Selbstläufer, aber erreichbar
KI-gestützte Effizienzgewinne im Mittelstand sind real, aber sie entstehen nicht automatisch. Sie erfordern die richtige Sequenz, klare Verantwortlichkeiten, eine saubere Datenbasis, zielgerichtete Schulungen und eine minimale Steuerungsstruktur. Das klingt nach viel Voraussetzung, ist aber in der Praxis weniger aufwendig als die meisten Unternehmen befürchten, wenn man es mit der richtigen Methodik angeht.
Frank Stadler und die KIVOREX GmbH zeigen mit ihrem Ansatz des externen Chief AI Officers auf Zeit, dass diese Struktur von außen eingebracht werden kann, ohne dauerhaft interne Ressourcen zu binden. Das Ergebnis ist ein Unternehmen, das KI nicht zufällig nutzt, sondern gesteuert, messbar und mit echtem wirtschaftlichem Effekt. Für Mittelständler, die aufgehört haben zu experimentieren und jetzt Resultate sehen wollen, ist das eine belastbare Perspektive.
Weitere Informationen zum Mandatsmodell und den Leistungen der KIVOREX GmbH finden sich unter kivorex.de.
