Voraussetzungen vor dem KI-Start: die Checkliste für Mittelständler

Wer mit KI anfangen will, fragt meist als Erstes: Welches Tool nehmen wir? Diese Frage ist richtig. Aber sie kommt zu früh.

Bevor ein Betrieb KI einführt, müssen vier Dinge stehen: ein konkreter Use Case mit ROI-Bezug, eine ausreichende Datenbasis, ein namentlich benannter interner Verantwortlicher und eine geklärte DSGVO- und AI-Act-Situation. Vor allem prädiktive Anwendungen scheitern an der Datenbasis, nicht am Modell. Die Reihenfolge ist daher: erst die Datengrundlage aufbauen, dann das KI-Projekt starten. Ein KI-Audit prüft genau diesen Reifegrad vorab.

Was schiefläuft, wenn die Vorbereitung fehlt

Über 80 Prozent der KI-Projekte scheitern, laut RAND Corporation etwa doppelt so häufig wie andere IT-Vorhaben. Die Ursachen sind fast nie technischer Natur. Eine McKinsey-Analyse aus dem Jahr 2025 zeigt: Unternehmen mit messbaren KI-Erträgen haben doppelt so häufig ihre Prozesse neu aufgesetzt, bevor sie überhaupt eine Technologie ausgewählt haben. Was dahintersteckt, beschreiben wir ausführlich im Beitrag zu den häufigsten KI-Projekt-Fehlern im Mittelstand.

Die drei Muster, die wir in der Projektarbeit am häufigsten sehen:

• Ein Use Case wird gewählt, weil er technisch spannend klingt, nicht weil er ein konkretes und teures Problem löst.
• Das Projekt startet, obwohl die nötigen Daten in vier oder fünf Systemen liegen und niemand weiß, wie vollständig oder sauber sie sind.
• Nach drei Monaten ist kein Mensch mehr persönlich verantwortlich, weil der ursprüngliche Ansprechpartner das Team gewechselt hat oder nie wirklich Entscheidungsbefugnis besaß.

Diese vier Voraussetzungen sind keine Qualitätsanforderungen für Fortgeschrittene. Sie sind Mindestbedingung für ein Projekt, das nicht nur startet, sondern auch landet.

Voraussetzung 1: Ein Use Case mit ROI-Bezug

Die häufigste Fehlentscheidung ist, KI einzuführen, weil alle anderen es tun. Laut Bitkom (2025) setzten 36 Prozent der Unternehmen ab 20 Beschäftigten KI ein, aber 43 Prozent hatten keine konkrete KI-Strategie. KI wird ausprobiert, selten aber an ein klares Ergebnis gebunden.

Ein Use Case mit ROI-Bezug bedeutet: Wir können vor dem Projekt in Stunden und Euro benennen, welcher manuelle Schritt heute wie viel Aufwand kostet, und was eine realistische Automatisierung davon einspart. Ohne diese Zahl fehlt die Entscheidungsgrundlage, sowohl für den Start als auch für die Bewertung nach sechs Monaten.

Drei Fragen reichen für einen ersten Selbstcheck:

1. Welche Aufgaben wiederholen sich in Ihrem Betrieb täglich oder wöchentlich?
2. Wie viele Mitarbeiter-Stunden kosten diese Aufgaben zusammengerechnet pro Woche?
3. Folgen diese Abläufe klaren Regeln, oder steckt in jedem Fall eine Sonderentscheidung?

Ab etwa zehn Stunden pro Woche in regelbasierten Prozessen lohnt sich ein strukturierter Check. Alles darunter ist oft noch nicht reif für den Einführungsaufwand.

Voraussetzung 2: Eine belastbare Datenbasis

Das ist die Voraussetzung, an der die meisten Projekte still sterben. Nicht weil niemand daran denkt, sondern weil der wahre Zustand der Datenlage erst sichtbar wird, wenn das Projekt läuft.

KI lernt aus Daten. Fehlen relevante Daten, sind sie inkonsistent oder über mehrere Systeme verstreut, baut das Projekt auf Sand. Prädiktive Anwendungen wie Nachfrageplanung, Churn-Prognose oder Qualitätskontrolle sind ohne ausreichende historische Daten technisch nicht durchführbar. Generative Anwendungen kommen mit einer schlechteren Datenbasis weiter, aber auch hier bestimmt die Qualität der Eingaben direkt die Qualität der Ausgaben.

Ein typisches Ausgangsbild in Betrieben mit 50 bis 500 Mitarbeitern: Kundenstammdaten leben in der Warenwirtschaft, Bestellhistorien im ERP, Kommunikation in Outlook-Postfächern, und handschriftliche Lieferscheine werden gescannt, aber nie strukturiert erfasst. Wer auf dieser Basis ein Vorhersagemodell bauen will, baut auf Lücken.

Die Fragen, die wir in einer Bestandsaufnahme prüfen:

• Liegen die Daten, die der Use Case braucht, strukturiert vor, oder stecken sie in PDF-Anhängen, E-Mails und handgeschriebenen Listen?
• Gibt es einen einheitlichen Kundenstamm, einen einheitlichen Artikelstamm, eine klare Datenbankstruktur, oder wurde das über Jahre in parallelen Systemen gepflegt?
• Wie vollständig sind die historischen Daten? Bei Vorhersagemodellen brauchen wir in der Regel mindestens ein bis zwei Jahre sauberer Vergangenheitsdaten als Grundlage.

Wer diese Fragen ehrlich beantwortet und merkt, dass die Datenbasis noch nicht trägt, muss zuerst aufräumen. Aus unserer Projekterfahrung dauert das, je nach Ausgangslage, drei bis sechs Monate. Das ist kein Rückschlag, sondern die richtige Reihenfolge. Wer diesen Schritt überspringt, verbrennt Projektbudget an einem Grundlagenproblem, das früher oder später sowieso gelöst werden muss.

Voraussetzung 3: Ein namentlich benannter Verantwortlicher

Kein KI-Projekt funktioniert dauerhaft ohne einen Menschen, der persönlich verantwortlich ist. Nicht "das Team", nicht "die IT-Abteilung", nicht "der Geschäftsführer, falls Fragen kommen".

Dieser Ansprechpartner muss zwei Dinge mitbringen: Prozesswissen und Entscheidungsbefugnis. Er muss den Ablauf kennen, den die KI übernehmen soll, und er muss Entscheidungen treffen dürfen, ohne bei jedem Schritt eskalieren zu müssen. Technisches KI-Know-how ist kein Kriterium.

Was passiert, wenn diese Person fehlt: Der externe Dienstleister liefert, aber intern fehlt jemand, der abnimmt, bewertet und steuert. Das Projekt läuft auf Sparflamme, bis irgendwann niemand mehr weiß, wer sich kümmert. Das ist kein theoretisches Risiko, sondern ein verbreitetes Muster.

Sie erledigen die Benennung in wenigen Minuten. Sie ist aber eine der wirksamsten Maßnahmen, um sicherzustellen, dass ein Projekt nach dem Start nicht aufhört, voranzukommen.

Voraussetzung 4: DSGVO und EU AI Act klären

Der EU AI Act ist seit August 2024 in Kraft. Für die meisten Mittelständler bedeutet das weniger bürokratischen Aufwand als befürchtet, aber er bedeutet etwas.

Wer KI in Entscheidungen einbindet, die Personen betreffen, also Mitarbeiter, Kunden oder Bewerber, muss prüfen, in welche Risikoklasse das eingesetzte System fällt. Hochrisikoklassen lösen Dokumentations- und Transparenzpflichten aus. Die meisten typischen Mittelstands-Anwendungen wie E-Mail-Assistenz, Angebotserstellung und Dokumentenanalyse liegen darunter, aber das muss explizit geprüft sein, nicht einfach angenommen.

Drei Fragen für den ersten Überblick:

1. Welche KI-Tools setzen wir bereits ein oder planen es, einschließlich ChatGPT, Microsoft Copilot und Dokumentenanalyse-Software?
2. Auf welche Daten greifen diese Tools zu, und sind Personendaten darunter?
3. Liegen Auftragsverarbeitungsverträge mit den Anbietern vor, und sitzen die Server innerhalb der EU?

Das ist kein Gutachten, das ein Anwalt in Wochen ausarbeitet. Es ist eine Liste, die intern jemand an einem halben Arbeitstag durcharbeiten kann. Was bei der Klärung von EU AI Act und DSGVO im Betrieb konkret zu prüfen ist, steht im Artikel zum EU AI Act und DSGVO im Mittelstand.

Die vier Voraussetzungen auf einen Blick

Voraussetzung	Kernfrage	Warnsignal
Use Case mit ROI-Bezug	Was kostet der Prozess heute in Stunden und Euro?	Wir können es nicht konkret beziffern
Belastbare Datenbasis	Liegen die nötigen Daten strukturiert vor?	Daten in mehreren Systemen, Lücken unklar
Interner Verantwortlicher	Wer ist namentlich für das Projekt zuständig?	„Wir klären das noch"
Rechtliche Klärung	DSGVO und AI Act: Was gilt für unsere Anwendung?	Noch nie geprüft

Alle vier lassen sich vorab prüfen. Genau das erledigt ein strukturierter KI-Audit.

Was ein KI-Audit hier leistet

Die vier Voraussetzungen klingen überschaubar. In der Praxis braucht die ehrliche Bestandsaufnahme Zeit, weil niemand im Tagesgeschäft die Ruhe hat, alle Fragen konsequent durchzuarbeiten.

Ein KI-Audit nimmt diese Bestandsaufnahme ab: Welche Prozesse kosten wie viel, welche Datenbasis ist belastbar, wo gibt es Lücken, welche Use Cases können mit vorhandener Grundlage starten. Das Ergebnis ist ein priorisierter Fahrplan mit konkreten Zahlen aus Ihrem Betrieb, kein Ideenkatalog.

Wenn alle vier Voraussetzungen stehen, hat der erste Use Case eine reale Erfolgschance. Wenn eine fehlt, ist das kein Grund, nichts zu tun, sondern ein Hinweis, was Sie zuerst angehen müssen.

Was jetzt? Wenn Sie wissen wollen, welche Ihrer Prozesse die Voraussetzungen bereits erfüllen und wo der erste Hebel am meisten bringt: Der KI Impact Audit (1.500 €, Report in 48 Stunden) prüft das mit Zahlen aus Ihrem Betrieb, ohne Verkaufsgespräch.

KI Impact Audit buchen →