Viel Buzzword, wenig Praxis
Auf jeder Industriemesse steht inzwischen "KI" am Stand. Die Beratungshäuser versprechen Millionenpotenziale. Und in der Geschäftsführung wächst das Gefühl, etwas zu verpassen.
Gleichzeitig passiert im Tagesgeschäft wenig. Die Fragen sind immer die gleichen: Wer soll das machen? Was kostet das? Brauchen wir dafür einen Data Scientist?
Nein. In meiner Beratungspraxis setze ich seit über einem Jahr konsequent auf KI-gestützte Werkzeuge. Nicht als Forschungsprojekt, sondern als Arbeitsmittel. Die Ergebnisse sind konkret, messbar und ohne sechsstellige Budgets entstanden. Im Folgenden zeige ich vier Bereiche, in denen das heute schon funktioniert.
Wo KI heute schon Sinn ergibt
1. Datenanalyse und Mustererkennung
Ihr ERP sammelt seit Jahren Daten. Aufträge, Lieferzeiten, Reklamationen, Produktionskennzahlen. Die Frage war immer: Wer wertet das aus? Der Controller macht Excel, aber ab einer gewissen Komplexität reicht das nicht.
Konkrete Anwendungsfälle:
- Anomalie-Erkennung: Automatisch erkennen, wenn ein Kunde weniger bestellt, eine Maschine auffällige Kennzahlen liefert oder ein Lieferant Qualitätsprobleme bekommt
- Trendanalyse: Saisonale Muster, Nachfrageentwicklung, Kapazitätsbedarf
- Korrelationen: Zusammenhänge, die in der manuellen Analyse untergehen
Aus der Praxis: Für meine Kunden habe ich ein Management Cockpit entwickelt, das genau das tut. Es nimmt ERP-Exporte, erkennt automatisch Ausreißer und Trends, und fasst die wichtigsten Erkenntnisse in einer Management Summary zusammen. Klare Kategorien: positiv, Warnung, kritisch. Keine Blackbox, sondern nachvollziehbare Regeln. Über 30 KPIs auf einen Blick, mit Drill-Down bis auf Kundenebene.
2. Automatisierte Reports und Dokumentation
Der Controller exportiert Daten, formatiert Excel, baut Diagramme, verschickt PDFs. Das wiederholt sich monatlich. Manchmal wöchentlich. In manchen Häusern täglich.
- Datenaggregation: Daten aus verschiedenen Quellen automatisch zusammenführen
- Dynamische Dashboards: Interaktive Visualisierungen, die sich bei jedem Datenimport aktualisieren
- Textgenerierung: Zusammenfassungen und Bewertungen automatisch erstellen
- Schwellenwert-Überwachung: Auffälligkeiten sofort erkennen, nicht erst im Monatsbericht
Aus der Praxis: Ich nutze in meiner eigenen Beratungsarbeit automatisierte Meeting-Protokolle. Audio-Transkripte aus Kundenterminen werden analysiert, nach Themen strukturiert und mit konkreten Aufgaben versehen. Pro Meeting spare ich damit 30 bis 45 Minuten Nacharbeit. Die Qualität der Protokolle ist gleichzeitig gestiegen, weil nichts mehr vergessen wird.
Der Effekt beim Reporting ist ähnlich: Statt zwei Tage pro Monat für den Management-Report investiert der Controller diese Zeit in die Analyse der Zahlen. Die Aufbereitung läuft automatisch.
3. Schnittstellen und Datenintegration
Ein unterschätzter Bereich: das Verbinden von Systemen. Neben dem ERP laufen in den meisten Unternehmen spezialisierte Anwendungen für Zeiterfassung, CRM, Qualität oder Projektsteuerung. Die Daten liegen in Silos, der Abgleich passiert manuell.
Individuelle Schnittstellen lassen sich heute schneller und günstiger umsetzen als noch vor wenigen Jahren:
- Datenimport aus externen Systemen ins ERP
- Automatischer Stammdatenabgleich zwischen Systemen
- Intelligentes Mapping bei abweichenden Feldnamen und Formaten
- Automatische Fehlerbehandlung und Protokollierung
Aus der Praxis: Für einen Fertigungsbetrieb habe ich eine vollautomatische Schnittstelle zwischen dem ERP-System und der Service-Software eines externen Partners gebaut. Über 1.600 Standorte, regelmäßige Serviceaufträge. Vorher: manuelle Übertragung jedes einzelnen Auftrags. Nachher: der Datenfluss läuft vollständig automatisch in beide Richtungen. Auftragsanlage, Statusrückmeldung, Dokumenten-Upload. Das Ergebnis: null manuelle Eingabe, deutlich weniger Fehler, und die Mitarbeiter können sich auf die eigentliche Arbeit konzentrieren.
4. Dokumentenverarbeitung
Rechnungen, Lieferscheine, Gutschriften: Dokumente, die in vielen Unternehmen manuell erfasst, sortiert und abgeglichen werden. Moderne OCR geht über reine Texterkennung hinaus. Sie versteht die Struktur eines Dokuments, extrahiert Rechnungsnummern, Beträge und Lieferantendaten und gleicht sie gegen das ERP ab.
Aus der Praxis: Für ein produzierendes Unternehmen habe ich ein OCR-Tool entwickelt, das gescannte Belege automatisch klassifiziert: Rechnung, Lieferschein, Angebot, Gutschrift, Montagerapport. Das System erkennt die Belegart, extrahiert die relevanten Metadaten und benennt die Dateien automatisch um. Stunden manueller Vorsortierung entfallen komplett.
Was KI im Mittelstand nicht ist
Genauso wichtig: die Grenzen kennen.
- KI ersetzt keine Strategie. Sie liefert Daten und Muster. Entscheidungen treffen weiterhin Menschen.
- KI ist so gut wie Ihre Daten. Wenn die Stammdaten nicht gepflegt sind, hilft auch die beste Analyse nichts.
- KI braucht keine perfekte Infrastruktur. Kein Data Warehouse, keine Cloud-Plattform. Eine saubere CSV reicht zum Starten.
- KI ist kein einmaliges Projekt. Der Wert entsteht durch kontinuierliche Nutzung.
Der pragmatische Einstieg
1. Problem zuerst, Technologie danach
Nicht "Wir wollen KI einsetzen", sondern "Wir haben folgendes Problem":
- Welche Auswertung fehlt Ihnen für Ihre monatliche Steuerung?
- Wo verbringen Mitarbeiter die meiste Zeit mit repetitiven Aufgaben?
- An welcher Stelle gehen Informationen zwischen Systemen verloren?
2. Klein anfangen, schnell zeigen
Einen konkreten Anwendungsfall auswählen, in wenigen Wochen umsetzen, Ergebnisse vorlegen. Wenn die Geschäftsführung sieht, dass ein Dashboard in zwei Wochen mehr Transparenz liefert als die bisherige Monatsauswertung, entsteht von allein Appetit auf mehr.
3. Kompetenz im Haus behalten
Die Lösung darf keine Blackbox sein. Ihre Mitarbeiter müssen verstehen, was das System tut und wo seine Grenzen liegen. Nicht jeder muss programmieren. Aber die Datenquellen, die Logik und die Interpretation der Ergebnisse sollten nachvollziehbar sein.
Was ich selbst mit KI umsetze
Bevor ich meinen Kunden etwas empfehle, setze ich es selbst ein. Ein Überblick über die Werkzeuge, die in meinem Arbeitsalltag laufen:
- Management Cockpit: Regelbasierte Erkennung von Ausreißern und Auffälligkeiten in ERP-Daten. Über 30 KPIs, automatische Management Summary, Drill-Down bis auf Kundenebene. Einrichtung in Tagen, nicht Monaten.
- Automatische Schnittstellen: Systeme verbinden, die bisher manuell abgeglichen wurden. Bidirektionaler Datenfluss, Fehlerbehandlung, Statusrückmeldung.
- OCR-Belegverarbeitung: Dokumente automatisch klassifizieren, Metadaten extrahieren, strukturiert ablegen.
- Meeting-Protokolle: Transkripte analysieren, Themen strukturieren, Action Items extrahieren. 30-45 Minuten Zeitersparnis pro Termin.
- Code-Refactoring: Einen über Jahre gewachsenen Produktkonfigurator mit mehreren hundert Bausteinen systematisch analysiert, Redundanzen eliminiert, versteckte Fehler aufgedeckt und die gesamte Codebasis für die Wartung aufbereitet. Manuell wäre das Wochen reiner Analyseaufwand gewesen.
Kein Machine Learning, kein neuronales Netz. Pragmatische Werkzeuge, die sofort etwas bringen.
Fazit
KI im Mittelstand ist keine Frage des Budgets. Es ist eine Frage der Herangehensweise. Wer auf das perfekte Gesamtkonzept wartet, wartet ewig. Wer mit einem konkreten Problem startet, hat in wenigen Wochen Ergebnisse.
Die Technologie ist da. Die Daten sind da. Es fehlt der erste Schritt.