Zwischen Hype und Hilflosigkeit liegt der pragmatische Mittelweg: KI dort einsetzen, wo sie messbaren Nutzen bringt, und sie dort nicht einsetzen, wo sie Schaden anrichtet.
In zwei Jahren ist KI vom Forschungsthema zum Vorstandsgespräch geworden. Das Pendel schlägt in beide Richtungen: die einen wollen sie überall, die anderen halten sie für eine teure Spielerei. Beide Lager haben recht — nur jeweils in unterschiedlichen Use-Cases. Wer KI ernsthaft in einem Mittelstands-Setup einsetzen will, braucht weniger einen Lieblings-Anbieter und mehr eine ehrliche Kosten-Nutzen-Bewertung.
Wo LLMs heute echten Mehrwert liefern
Die Use-Cases mit messbarer Effizienz sind unspektakulärer, als die Marketing-Folien suggerieren. Sie funktionieren überall dort, wo Sprache strukturiert verarbeitet werden muss:
- Entwurfs- und Routine-Korrespondenz — Vorabentwürfe für Standard-Mails, Angebotstexte, Antwortvorlagen für Support-Anfragen. Die KI liefert den ersten Wurf, ein Mensch redigiert.
- Recherche- und Zusammenfassungs-Arbeit — lange PDFs, Verträge, Sitzungsprotokolle. Korrekt eingesetzt spart das Stunden, ersetzt aber nie die juristische oder fachliche Prüfung.
- Code-Hilfe für Routine-Aufgaben — Boilerplate, Tests, Refactoring kleiner Stellen. Bei komplexen Architektur-Fragen erzeugt KI mehr Probleme als sie löst.
- Datenextraktion aus unstrukturierten Quellen — Mails, Formularen, Faxen. Hier ist KI oft die einzige praktikable Lösung jenseits manueller Eingabe.
Wo der Einsatz mehr kostet, als er bringt
In drei Konstellationen ist Vorsicht geboten:
- Entscheidungen mit rechtlicher oder finanzieller Tragweite. Ein LLM liefert plausible Antworten — aber Plausibilität ist nicht Richtigkeit. Wer Verträge prüfen, Steuersachverhalte beurteilen oder medizinische Empfehlungen ableiten lässt, baut auf Sand.
- Kundenkommunikation ohne menschliche Endkontrolle. Halluzinationen passieren — und ein KI-Bot, der falsche Zusagen macht, ist ein juristisches und reputatives Risiko.
- Personalisierte Entscheidungen über Menschen. Bewerber-Vorauswahl, Kredit-Scoring, Performance-Bewertung. Hier greifen DSGVO und der EU AI Act mit konkreten Pflichten, die viele Unternehmen unterschätzen.
Die Datenschutz-Frage, die selten gestellt wird
“Welche Daten verlassen unser Haus?” ist die wichtigste Frage vor jedem KI-Pilotprojekt. Die meisten LLM-APIs laufen über US-Anbieter. Selbst bei “Azure OpenAI” oder vergleichbaren Setups gehört geprüft:
- Welche Daten werden zum Modell gesendet — und welche dürfen das nach DSGVO und AVV überhaupt?
- Bleiben die Daten im EU-Rechenzentrum oder werden sie zur Modell-Verbesserung zurückgeführt?
- Gibt es einen tragfähigen AV-Vertrag, der Daten-Subprozessoren transparent listet?
- Ist eine Datenklassifizierung vorhanden, die festlegt, welche Inhalte überhaupt in welches Modell dürfen?
Für sensitive Daten — Personalakten, Gesundheitsdaten, Finanzunterlagen — ist häufig nur ein lokal betriebenes Modell vertretbar. Die Open-Source-Landschaft ist hier inzwischen so weit, dass das für viele Use-Cases ohne große Qualitätsverluste machbar ist.
Was ein vernünftiges KI-Projekt enthält
Bevor irgendein Tool eingekauft wird, gehört das auf den Tisch:
- Use-Case-Steckbrief — was genau soll automatisiert werden, mit welchem Zeit- oder Geld-Nutzen, gemessen woran?
- Datenklassifizierung — welche Daten dürfen in welches Modell?
- Mensch in der Schleife — wo bleibt die letzte Entscheidung beim Menschen?
- Erfolgsmessung — Pilot über 8–12 Wochen mit klaren KPIs, nicht “gefühlt schneller”.
- Exit-Strategie — was passiert mit den Daten und Workflows, wenn der Anbieter Preise verdoppelt oder das Modell abkündigt?
Unser Fazit
KI ist kein Selbstzweck. Der ehrliche Zugang im Mittelstand ist: sie dort einsetzen, wo sie nachweisbaren Effizienzgewinn bringt, und sie dort raushalten, wo das Risiko größer ist als der Gewinn. Wer mit dieser Haltung in Pilotprojekte geht, kommt mit Substanz raus statt mit teuren Spielereien.
