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 unserer Projektpraxis setzen wir 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 zeigen wir 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 unsere Kunden haben wir 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: Wir nutzen in unserer eigenen Projektarbeit automatisierte Meeting-Protokolle. Audio-Transkripte aus Kundenterminen werden analysiert, nach Themen strukturiert und mit konkreten Aufgaben versehen. Pro Meeting sparen wir 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 haben wir 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 haben wir 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 wir selbst mit KI umsetzen
Bevor wir unseren Kunden etwas empfehlen, setzen wir es selbst ein. Ein Überblick über die Werkzeuge, die in unserem 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.
Lots of buzz, little practice
"AI" is on every trade fair booth. Consulting firms promise million-euro potential. And management feels they're missing something.
At the same time, little happens in day-to-day operations. The questions are always the same: who's going to do this? What does it cost? Do we need a data scientist?
No. In our project practice we've consistently used AI-supported tools for over a year. Not as a research project but as a daily work tool. The results are concrete, measurable, and achieved without six-figure budgets. Below we show four areas where this already works today.
Where AI already makes sense today
1. Data analysis and pattern recognition
Your ERP has been collecting data for years. Orders, delivery times, complaints, production KPIs. The question was always: who analyzes it? Controlling uses Excel, but beyond a certain complexity that's no longer enough.
Concrete use cases:
- Anomaly detection: automatically detect when a customer orders less, a machine produces unusual KPIs, or a supplier develops quality issues
- Trend analysis: seasonal patterns, demand development, capacity needs
- Correlations: connections that get lost in manual analysis
From the field: For our customers we developed a Management Cockpit that does exactly this. It takes ERP exports, automatically detects outliers and trends, and summarizes the most important insights in a management summary. Clear categories: positive, warning, critical. No black box, but transparent rules. 30+ KPIs at a glance, with drill-down to customer level.
2. Automated reports and documentation
The controller exports data, formats Excel, builds charts, sends PDFs. This repeats monthly. Sometimes weekly. In some companies daily.
- Data aggregation: automatically merge data from different sources
- Dynamic dashboards: interactive visualizations that refresh on every data import
- Text generation: generate summaries and assessments automatically
- Threshold monitoring: detect anomalies immediately, not only in the monthly report
From the field: We use automated meeting notes in our own project work. Audio transcripts from customer meetings are analyzed, structured by topic, and tagged with concrete action items. We save 30-45 minutes of follow-up work per meeting. At the same time, the quality of the notes has improved because nothing gets forgotten.
The effect in reporting is similar: instead of two days per month on the management report, the controller invests that time in analyzing the numbers. The preparation runs automatically.
3. Interfaces and data integration
An underrated area: connecting systems. Alongside the ERP, most companies run specialized applications for time tracking, CRM, quality, or project management. Data sits in silos, reconciliation happens manually.
Custom interfaces can now be built faster and more cheaply than just a few years ago:
- Import data from external systems into the ERP
- Automatic master data sync between systems
- Smart mapping for differing field names and formats
- Automatic error handling and logging
From the field: For a manufacturing company we built a fully automated interface between the ERP system and an external partner's service software. Over 1,600 locations, regular service orders. Before: manual transfer of every single order. After: data flow runs fully automatic in both directions. Order creation, status feedback, document upload. The result: zero manual input, significantly fewer errors, and employees can focus on real work.
4. Document processing
Invoices, delivery notes, credit notes: documents that are still captured, sorted and reconciled manually in many companies. Modern OCR goes beyond pure text recognition. It understands the structure of a document, extracts invoice numbers, amounts and supplier data, and matches them against the ERP.
From the field: For a manufacturing company we built an OCR tool that automatically classifies scanned documents: invoice, delivery note, quote, credit note, assembly report. The system identifies the document type, extracts relevant metadata and renames files automatically. Hours of manual pre-sorting eliminated.
What AI in mid-market is not
Equally important: knowing the limits.
- AI does not replace strategy. It delivers data and patterns. Decisions are still made by humans.
- AI is only as good as your data. If master data isn't maintained, even the best analysis won't help.
- AI does not need a perfect infrastructure. No data warehouse, no cloud platform. A clean CSV is enough to start.
- AI is not a one-off project. Value comes from continuous use.
The pragmatic entry
1. Problem first, technology second
Not "we want to deploy AI" but "we have the following problem":
- Which analysis is missing for your monthly steering?
- Where do employees spend the most time on repetitive tasks?
- Where do information losses occur between systems?
2. Start small, show fast
Pick one concrete use case, implement it in a few weeks, present results. When management sees that a dashboard delivers more transparency in two weeks than the previous monthly analysis, appetite for more grows on its own.
3. Keep competence in-house
The solution must not be a black box. Your employees must understand what the system does and where its limits are. Not everyone has to code. But the data sources, the logic and the interpretation of results should be traceable.
What we use AI for ourselves
Before we recommend something to our customers, we use it ourselves. An overview of the tools running in our daily work:
- Management Cockpit: rule-based detection of outliers and anomalies in ERP data. 30+ KPIs, automatic management summary, drill-down to customer level. Setup in days, not months.
- Automated interfaces: connect systems that were previously reconciled manually. Bidirectional data flow, error handling, status feedback.
- OCR document processing: classify documents automatically, extract metadata, file them in a structured way.
- Meeting notes: analyze transcripts, structure topics, extract action items. 30-45 minutes saved per meeting.
- Code refactoring: systematically analyzed a product configurator with hundreds of modules that had grown over years, eliminated redundancies, surfaced hidden bugs, and prepared the entire codebase for maintenance. Manually this would have been weeks of pure analysis effort.
No machine learning, no neural network. Pragmatic tools that deliver value immediately.
Conclusion
AI in mid-market is not a budget question. It is a question of approach. Anyone waiting for the perfect overall concept waits forever. Anyone starting with a concrete problem has results in a few weeks.
The technology is there. The data is there. What's missing is the first step.