KI-Beratung ist seit mehreren Jahren ein fester Teil unserer Arbeit. Wir helfen KMUs dabei, KI sinnvoll in ihre Prozesse zu integrieren - von der Strategie bis zur konkreten Tool-Einführung. In dieser Zeit haben wir eine Menge Fehler gesehen. Nicht weil KMUs nachlässig wären, sondern weil der Druck, "irgendetwas mit KI zu machen", von überall kommt: von der Geschäftsführung, von Mitbewerbern, von der Fachpresse.
Diese fünf Fehler sehen wir am häufigsten. Jeder davon ist vermeidbar - wenn man ihn kennt.
KI als Allheilmittel ohne klares Problem
Das Symptom kennen wir gut: "Wir brauchen KI" - ohne dass dahinter ein konkretes Problem steht. Die Entscheidung kommt vom Druck von oben, vom Artikel in der Wirtschaftspresse oder vom Gespräch auf einer Messe. Aber keiner hat sich gefragt, was genau die KI lösen soll.
Ein typisches Beispiel aus der Praxis: Ein mittelständisches Unternehmen im Handel kauft ein ChatGPT-Enterprise-Paket für alle 40 Mitarbeiter. Budget: mehrere tausend Euro pro Jahr. Nach drei Monaten nutzen zwei Personen das Tool regelmäßig. Die anderen haben es ausprobiert, keine klare Anwendung gefunden und wieder aufgehört. Das Tool läuft weiter - bezahlt, ungenutzt.
Das Problem ist nicht die KI. Das Problem ist die Reihenfolge. Werkzeuge kauft man für Probleme - nicht umgekehrt.
Die Lösung: Problem-First-Denken. Welche Aufgaben kosten euch am meisten Zeit? Wo passieren die meisten Fehler? Was würde sich lohnen zu automatisieren, wenn die Kosten kein Hindernis wären? Erst wenn die Antworten konkret sind, kommt die Frage, ob und welche KI-Werkzeuge hier helfen können.
Tool-Kauf ohne Prozess-Analyse
KI-Tools sind relativ günstig - im Vergleich zu dem, was schief gehen kann, wenn man sie ohne Vorbereitung einführt. Die Logik klingt verlockend: Wenn das Tool gut genug ist, wird es sich schon einpassen.
Beispiel: Ein Dienstleistungsunternehmen kauft ein KI-gestütztes Dokumentenmanagement-Tool. Das Tool ist technisch gut. Aber die eigentliche Ursache für Ineffizienz war nicht das Dokumentenmanagement selbst - es war der Workflow, wie Dokumente überhaupt entstehen und weitergegeben werden. Drei verschiedene Abteilungen nutzten drei verschiedene Ablagesysteme, ohne klare Übergabepunkte. Das neue Tool macht diesen kaputten Prozess nur schneller kaputt - und teurer.
Digitalisiere niemals einen schlechten Prozess. Das gilt auch für KI.
Die Lösung: Vor jeder Tool-Einführung eine ehrliche Prozess-Map erstellen. Wo sind die echten Engpässe? Welche Schritte sind eigentlich unnötig? Welche Daten fließen wohin? Ein neues Tool kann einen guten Prozess verbessern. Einen schlechten Prozess kann es nur schneller machen - oder kostspielig verschlimmern.
Keine Qualitätskontrolle für KI-Outputs
KI-generierter Content ist oft gut genug, um gut auszusehen - und falsch genug, um echten Schaden anzurichten. Trotzdem beobachten wir immer wieder, dass KI-Outputs direkt in die Produktion gehen: ohne Review, ohne Gegenchecks, ohne klare Verantwortung.
Ein konkretes Beispiel: Ein E-Commerce-Unternehmen nutzt KI für Produktbeschreibungen. Der Workflow: Produktdaten rein, Text raus, direkt ins Shopsystem. Resultat nach zwei Monaten: Mehrere hundert Produktbeschreibungen mit falschen Maßangaben, erfundenen technischen Features und - in einigen Fällen - komplett falschen Produktnamen. Der Schaden durch Kundenbeschwerden, Retouren und Vertrauensverlust übersteigt die Zeitersparnis um ein Vielfaches.
KI-Sprachmodelle halluzinieren. Das ist keine Fehlfunktion - das ist ein bekanntes Merkmal dieser Technologie. Sprachmodelle generieren plausibel klingende Texte, nicht zwingend faktisch korrekte. Wer das weiß und einkalkuliert, kann KI sinnvoll einsetzen. Wer es ignoriert, zahlt früher oder später die Rechnung.
Die Lösung: Review-Prozess vor dem produktiven Einsatz definieren. Wer prüft KI-Outputs? Nach welchem Standard? Wie wird das dokumentiert? Das kostet Zeit - aber deutlich weniger Zeit als nachträgliche Korrekturen und Schadensbegrenzung.
Mitarbeiter nicht einbinden
KI-Einführungen, die von oben verordnet werden, erzeugen Widerstand. Das ist keine Überraschung - das ist eine Gesetzmäßigkeit jedes Change-Prozesses. Trotzdem werden KI-Projekte auffällig oft Top-Down eingeführt: Die Geschäftsführung entscheidet, IT setzt um, Mitarbeiter bekommen das Ergebnis präsentiert.
Ein Beispiel aus dem Dienstleistungsbereich: Ein Unternehmen führt KI-gestützte Gesprächsscripts im Callcenter ein - ohne die Mitarbeiter in die Entwicklung einzubinden. Die Scripts sind technisch kompetent. Aber sie fühlen sich für die Mitarbeiter maschinell an, passen nicht zu ihrer Art zu kommunizieren, und berücksichtigen keine der Ausnahmesituationen, die im Alltag ständig auftreten. Die Mitarbeiter arbeiten die neuen Prozesse passiv gegen - nicht aus Böswilligkeit, sondern weil sie sich nicht gehört fühlen. Das Ergebnis: Schlechtere Kundengespräche als vorher, frustriertes Team, Projekt nach sechs Monaten still eingestampft.
Mitarbeiter sind keine Hindernisse bei der KI-Einführung. Sie sind die Experten für die Prozesse, die verbessert werden sollen. Wer sie ignoriert, ignoriert das wertvollste Wissen im Raum.
Die Lösung: Change Management von Anfang an mitdenken. Welche Mitarbeiter sind Schlüsselpersonen in den betroffenen Prozessen? Wie werden sie in die Planung eingebunden? Welche Befürchtungen gibt es - nicht abstract, sondern konkret - und wie werden sie ernst genommen? Ein KI-Projekt, das Mitarbeiter mitgestalten, hat deutlich bessere Überlebenschancen als eines, das ihnen präsentiert wird.
ROI-Erwartungen unrealistisch
"KI spart uns 50% der Kosten" - diese Aussage hören wir regelmäßig in ersten Gesprächen. Sie ist fast nie richtig. Nicht weil KI keine Einsparungen bringt - das tut sie, wenn sie richtig eingesetzt wird. Aber die Einsparungen kommen selten sofort, selten vollständig und selten ohne Investition in Einführung, Schulung und Prozessanpassung.
Ein typisches Muster: Ein Marketingteam mit fünf Personen erwartet, durch KI-Tools die Contenterstellung zu halbieren. Tatsächlich werden in den ersten drei Monaten ähnlich viele Stunden aufgewendet wie vorher - für das Erlernen der Tools, für Korrekturen von KI-Output, für die Anpassung des Review-Prozesses, für interne Abstimmungen über neue Workflows. Erst im vierten Monat beginnen echte Effizienzgewinne sichtbar zu werden. Im sechsten Monat sind die Erwartungen von Anfang an realistisch erfüllt.
Das Problem ist nicht, dass KI zu langsam ist. Das Problem ist, dass die Erwartung sofortiger Produktivitätssteigerung die Einführungsphase unterschätzt. Wenn nach drei Monaten noch keine 50% Ersparnis messbar ist, wird das Projekt oft als gescheitert betrachtet - obwohl die echten Gewinne kurz dahinter lagen.
Die Lösung: Kleine, messbare Pilotprojekte vor dem großen Rollout. Einen klaren Use-Case definieren, KPIs festlegen, nach drei Monaten ehrlich bewerten: Was hat funktioniert? Was nicht? Dann auf Basis dieser Daten skalieren - nicht auf Basis von Versprechen.
Vorbereitung schlägt Tool-Kauf
Diese fünf Fehler haben gemeinsam, dass sie durch Vorbereitung vermeidbar sind. Keiner davon ist eine Überraschung - alle tauchen in der Literatur auf, und trotzdem sehen wir sie immer wieder in der Praxis. Der Grund ist meistens nicht Unwissen, sondern Zeitdruck und der externe Druck, schnell sichtbare Ergebnisse zu liefern.
KI-Implementierung ist kein Selbstläufer - aber auch kein Hexenwerk. Wer problem-orientiert startet, Prozesse analysiert, Qualität kontrolliert, Menschen einbindet und realistische Erwartungen hat, kann echten Nutzen aus KI ziehen. Das ist keine Garantie. Aber es ist ein deutlich besserer Start als "wir kaufen das Tool und schauen, was passiert".
