Wo KI in einem Unternehmen wirklich passt

Im letzten Beitrag haben wir geklärt, was Menschen meinen, wenn sie von KI sprechen. Jetzt kommt die nützlichere Frage: nicht ob die Technologie real ist, sondern wo sie sich in deinem Unternehmen auszahlt.

Die ehrliche Antwort ist weniger glänzend als viele Überschriften. Diese Tools helfen an manchen Stellen viel, an anderen ein wenig und an einigen gar nicht, obwohl man sich dort am meisten Hilfe wünscht. Die Aufgabe ist, diese Fälle zu unterscheiden, bevor du Geld ausgibst.

Wo sie oft etwas bringt

In kleinen und mittleren Unternehmen zeigt sich ein klares Muster. Die besten Chancen liegen meist bei wiederkehrenden Aufgaben mit viel Text oder Daten, bei denen schon ein brauchbarer Entwurf Wert schafft.

• Kundensupport. Antworten entwerfen, Tickets zusammenfassen, nächste Schritte vorschlagen. In einer Studie mit 5.179 Support-Mitarbeitenden bei einem Softwareunternehmen erhöhte ein Assistent die pro Stunde gelösten Anliegen im Schnitt um 14 Prozent (Brynjolfsson, Li und Raymond, 2025).
• Internes Wissen. Fragen zu Richtlinien, Handbüchern, Abläufen oder früheren Projekten stellen, statt Ordner zu durchsuchen.
• Dokumentenverarbeitung. Daten aus Rechnungen, Verträgen oder Formularen ziehen und das Ergebnis einer Person zur Prüfung geben.
• Entwerfen und Zusammenfassen. Erste Entwürfe für E-Mails, Angebote und Berichte. Lange Verläufe auf wenige Zeilen bringen.
• Datenanalyse. Fragen in Alltagssprache an eine Tabelle stellen, Muster erkennen, ein erstes Diagramm erzeugen.
• Prognosen. Nachfrage, Personalbedarf, Cashflow oder operative Auslastung aus vorhandener Historie schätzen.

Der gemeinsame Nenner ist nicht Magie. Es ist Arbeit mit Sprache oder Zahlen, die oft wiederholt wird und bei der eine teilweise Entlastung schon zählt.

Wie du eine gute Aufgabe erkennst

Du brauchst kein Data-Science-Team, um eine vernünftige Chance zu erkennen. Achte auf drei Merkmale.

Sie ist wiederkehrend. Jemand erledigt sie mehrmals pro Woche, mit ähnlichen Schritten. Dort summieren sich kleine Einsparungen.

Sie arbeitet mit Text oder Daten. Das Rohmaterial sind Wörter, Zahlen oder Dokumente, die schon existieren. Keine körperliche Arbeit und kein Urteil, das nur vor Ort möglich ist.

Sie verträgt menschliche Prüfung. Eine Person kann das Ergebnis ansehen, bevor es eine Kundin, einen Regulator oder eine wichtige Entscheidung erreicht. Das ist die stille Voraussetzung fast jeder sicheren Nutzung heute. Das Tool kann schnell und nützlich sein, aber es sollte nicht als unfehlbar behandelt werden.

Ein vierter Punkt lohnt sich. In derselben Support-Studie lagen die größten Zugewinne bei neueren und weniger erfahrenen Mitarbeitenden, die sich um 34 Prozent verbesserten, während sich die erfahrensten kaum bewegten (Brynjolfsson, Li und Raymond, 2025).

Diese Systeme heben oft eher das Grundniveau als die Spitze. Sie verteilen einen Teil dessen, was deine besten Leute schon wissen, an Menschen, die noch lernen. Wenn eine Aufgabe stark von ungleicher Erfahrung im Team abhängt, kann das ein guter Startpunkt sein.

Wo KI enttäuscht

Diesen Teil lassen viele Anbieter weg. Er gehört trotzdem dazu.

Folgenreiche Entscheidungen ohne Fehlertoleranz. Wenn eine falsche Ausgabe echten Schaden verursachen kann, ändert sich die Rechnung. Das Recht liefert ein öffentliches Warnsignal: Anwälte haben Schriftsätze eingereicht, in denen von generativen Tools erfundene Gerichtsfälle auftauchten, mit Namen und Zitaten, die echt klangen (Scientific American, 2025). Das Problem war nicht fehlende Intelligenz. Es war Vertrauen in eine sichere Antwort ohne Prüfung. Wenn eine Aufgabe diese Art Fehler nicht toleriert, kann das Tool unterstützen, aber nicht das letzte Wort haben.

Dünne oder unordentliche Daten. Modelle brauchen Beispiele oder Kontext. Wenn deine Aufzeichnungen lückenhaft, verstreut oder in Systemen liegen, die nicht miteinander sprechen, fehlt die Grundlage. Mit zwei Jahren sauberer Historie zu prognostizieren, kann sinnvoll sein. Aus einem Ordner halb gepflegter Tabellen heraus eher nicht.

Aufgaben, die jedes Mal exakt stimmen müssen. Steuererklärungen, Sicherheitsberechnungen, medizinische Beratung, sensible Lohnläufe, kritische Verträge. Ein Tool kann einer qualifizierten Person helfen, aber es kann die Verantwortung nicht tragen.

Das Muster ist einfach: Je teurer ein Fehler ist und je schwerer du ihn rechtzeitig erkennst, desto vorsichtiger musst du sein.

Aufwand gegen Wirkung

Wenn du ein paar mögliche Aufgaben hast, ordne sie mit einer einfachen Matrix: Aufwand gegen Wirkung.

Wirkung ist das, was du gewinnst, wenn es funktioniert: Stunden zurück, schnellere Antworten, weniger Fehler, weniger Rückstau.

Aufwand ist das, was nötig ist, um dorthin zu kommen: ein Tool kaufen, es konfigurieren, Systeme anbinden, das Team schulen, Sicherheit prüfen, einen Prozess ändern.

Beginne mit hoher Wirkung und geringem Aufwand. Ein Support-Team mit vielen wiederkehrenden Tickets und einem fertigen Assistenten liegt oft dort. Sei vorsichtig bei hohem Aufwand und unklarer Wirkung. Dort entstehen viele teure Enttäuschungen.

Du brauchst kein anspruchsvolles Diagramm. Eine Liste und ein ehrliches Gespräch reichen. Die Disziplin liegt darin, den Aufwand nicht zu unterschätzen. Genau das passiert leicht, wenn eine Demo zu einfach aussieht.

Kaufen vor Bauen

Eine praktische Regel für kleine und mittlere Unternehmen: Du musst mit hoher Wahrscheinlichkeit kein eigenes Modell trainieren.

Die Verbreitung ist inzwischen breit. Stanford berichtet, dass 78 Prozent der Organisationen diese Technologien in mindestens einem Bereich nutzen, nach 55 Prozent im Vorjahr (Stanford HAI AI Index, 2025). Die große Mehrheit hat das Basismodell nicht selbst gebaut. Sie hat ein Tool gekauft, konfiguriert und in einen Prozess eingebunden.

Von Grund auf zu bauen kostet viel, braucht schwer zu findendes Talent und bringt dauerhafte Wartung mit sich. Für fast jedes kleine oder mittlere Unternehmen ist es sinnvoller, mit bestehenden Tools zu beginnen, sie sauber an die richtigen Daten anzubinden und menschliche Prüfung dort einzubauen, wo sie nötig ist.

Behandle “bauen” als Ausnahme, nicht als Startpunkt.

Wo du anfängst

Das Bild ist enger, als der Hype vermuten lässt. Das hilft. Du musst nicht abstrakt “KI machen”. Du musst zwei oder drei wiederkehrende Aufgaben finden, mit viel Text oder Daten, bei denen eine teilweise Verbesserung Wert hat und geprüft werden kann, bevor Risiko entsteht.

Der schwierige Teil ist nicht die Technologieauswahl. Es ist der ehrliche Blick auf deine Abläufe und die Trennung zwischen echten Chancen und losen Tests. Erst analysieren, dann umsetzen.