Fünf Meilensteine strukturieren laut Plattform Lernende Systeme die KI-Einführung im Mittelstand: Von der Status-quo-Analyse über Nutzenbewertung und Strategieentwurf bis zu Pilotprojekten und dauerhafter Transformation, wobei Datenschutz, Datensicherheit und Change Management vor dem Go-live zu klären sind. Für mittelständische Entscheider ist die KI-Implementierung kein einmaliges Projekt, sondern ein iterativer Prozess mit konkreten Stolperfallen: Ungeklärte Datenschutzfragen, fehlende Datenstrategie und unvorbereitete Belegschaften gefährden den Projekterfolg. Wer die fünf Meilensteine der KI-Roadmap systematisch abarbeitet und die Frage “intern entwickeln oder extern einkaufen” frühzeitig beantwortet, reduziert Implementierungsrisiken und schafft die Voraussetzung für skalierbare KI-Lösungen.

KI-Implementierung im Mittelstand: Datenschutz, Legacy-Systeme und Change Management als zentrale Risikofaktoren

Die Einführung von KI in kleinen und mittelgroßen Unternehmen (KMU) scheitert laut Experten der Plattform Lernende Systeme häufig nicht an der Technologie selbst, sondern an ungelösten Fragen rund um Datenschutz, gewachsene IT-Infrastrukturen und die Unternehmenskultur. Eine strukturierte KI-Roadmap mit fünf Meilensteinen soll Abhilfe schaffen.

Leitfakt

Olga Mordvinova (CEO, incontext.technology GmbH) und Dr. Andreas Liebl (Geschäftsführer, appliedAI Initiative GmbH) beschreiben in ihrem gemeinsamen Expertenbeitrag für die Plattform Lernende Systeme fünf idealtypische Meilensteine für eine KI-Einführung im Mittelstand: Status-quo-Analyse, Nutzenbewertung, Strategieentwurf, Pilotprojekt und schließlich der skalierte Rollout. Die Autoren betonen ausdrücklich, dass KI-Implementierung kein einmaliges Projekt ist, sondern eine dauerhafte Transformation erfordert.

Drei Risikobereiche, die KMU unterschätzen

1. Datenschutz und Datenstrategie

Noch vor dem ersten Pilotprojekt müssen Unternehmen laut dem Beitrag Fragen zur langfristigen Datensicherheit und zum Datenschutz klären. Dieser Schritt ist nicht optional, sondern Voraussetzung für jede weitere Phase. Parallel dazu empfehlen die Experten, bereits in der Status-quo-Analyse eine belastbare Datenbasis und -strategie zu erarbeiten: Ziel ist es, relevante Daten zu identifizieren und zu sammeln, bevor technische Lösungen ausgewählt werden. Wer diesen Schritt überspringt, riskiert, KI-Systeme auf lückenhafter oder rechtlich angreifbarer Datengrundlage zu betreiben.

2. Legacy-Systeme und die Make-or-Buy-Entscheidung

Mittelständische Unternehmen stehen beim Start einer KI-Initiative vor einer grundlegenden strategischen Weichenstellung: interne Entwicklung oder Zukauf externer Lösungen. Die Autoren heben diese Entscheidung als zentralen Punkt innerhalb der KI-Strategie hervor. Gewachsene IT-Landschaften erschweren die Integration vorgefertigter KI-Dienste, während Eigenentwicklungen erhebliche Ressourcen binden. appliedAI unterstützt nach eigenen Angaben unter anderem internationale Konzerne wie Infineon, BMW und Siemens sowie mittelständische Unternehmen bei genau dieser Abwägung.

3. Unternehmenskultur und Change Management

Die Experten machen deutlich, dass Fragen der Unternehmenskultur und des Change Managements vor der eigentlichen KI-Einführung beantwortet und vorbereitet sein müssen. Konkret bedeutet das: Widerstände in der Belegschaft, fehlende interne Akzeptanz und mangelnde Qualifikation können einen technisch sauberen Rollout dennoch zum Stillstand bringen. Regelmäßige Qualifizierungsmaßnahmen und Weiterbildungen für Beschäftigte werden als dauerhafter Bestandteil der Transformation beschrieben, nicht als einmalige Schulungsmaßnahme.

Praktische Implikationen für Entscheider in KMU

• Datenstrategie vor Technologieauswahl: Klären Sie intern, welche Daten vorhanden, qualitativ ausreichend und datenschutzkonform nutzbar sind, bevor Sie KI-Anbieter evaluieren.
• Nutzenbewertung vor Strategieentwurf: Laut dem Beitrag sollte eine detaillierte KI-Strategie erst dann entwickelt werden, wenn klar ist, wo ein realistischer und skalierbarer Kundennutzen mit entsprechender Zahlungsbereitschaft liegt. Strategie ohne validierten Nutzen erhöht das Fehlinvestitionsrisiko.
• Pilotprojekte als Prüfinstanz nutzen: Die Pilotphase dient explizit dazu zu prüfen, ob die eingeschlagene Strategie funktioniert, ob ein Nutzen für Pilotkunden entsteht und ob KI und Daten in der beabsichtigten Qualität bereitstehen. Frühes Scheitern im kontrollierten Umfeld ist kostengünstiger als ein fehlgeschlagener Vollrollout.
• Change Management als Daueraufgabe begreifen: Wer KI-Einführung als rein technisches Projekt plant, unterschätzt den personellen und kulturellen Aufwand. Iterative Anpassungen und Weiterbildung sind laut den Experten strukturell einzuplanen.

Einordnung

Der Beitrag erschien auf der Website der Plattform Lernende Systeme, einem deutschen Expertennetzwerk zur Gestaltung des gesellschaftlichen und wirtschaftlichen Wandels durch KI. Dr. Andreas Liebl ist dort Mitglied. appliedAI beschäftigt nach eigenen Angaben über 100 Mitarbeitende an Standorten in München und Heilbronn.

Quellen

• Olga Mordvinova & Dr. Andreas Liebl: Praxistipps: Einführung von KI im Mittelstand, Plattform Lernende Systeme
• Plattform Lernende Systeme: Praxistipps: Einführung von KI im Mittelstand (Reden und Beiträge)

Häufige Fragen

Welche Datenschutz- und Datensicherheitsfragen müssen KMU vor der KI-Einführung klären?

Fragen zur langfristigen Datensicherheit und zum Datenschutz müssen laut Experten der Plattform Lernende Systeme zwingend vor der eigentlichen KI-Einführung beantwortet werden. Dazu gehört zunächst eine Bewertung der vorhandenen Datenbasis: Welche Daten sind vorhanden, welche sind für KI-Anwendungen relevant, und wie werden sie erhoben und gespeichert? Erst auf dieser Grundlage lässt sich eine tragfähige Datenstrategie entwickeln, die regulatorische Anforderungen von Anfang an berücksichtigt.

Wie gehen Mittelständler mit veralteten IT-Systemen um, wenn sie KI einführen wollen?

Die Analyse des Status quo im eigenen Unternehmen ist der erste empfohlene Schritt auf dem Weg zur KI-Einführung. In dieser Phase sollten Unternehmen prüfen, ob KI und die benötigten Daten in der erforderlichen Qualität und rechtzeitig zur Verfügung stehen. Bestehende Legacy-Systeme sind dabei ein zentrales Thema: Sie können die Datenqualität beeinträchtigen und müssen vor dem Start von Pilotprojekten auf ihre KI-Tauglichkeit bewertet werden.

Warum scheitern viele KI-Projekte im Mittelstand an unternehmensinternen Faktoren statt an der Technologie?

Fragen der Unternehmenskultur und des Change Managements sind laut dem Expertenbeitrag von Olga Mordvinova (incontext.technology GmbH) und Dr. Andreas Liebl (appliedAI Initiative GmbH) in der Pilotphase entscheidend. Sie müssen vor der eigentlichen KI-Einführung vorbereitet werden. Da KI-Implementierung keine einmalige Maßnahme, sondern eine dauerhafte Transformation darstellt, sind zudem regelmäßige Qualifizierungsmaßnahmen und Weiterbildungen für Beschäftigte notwendig, um Akzeptanz und Kompetenz im Unternehmen aufzubauen.

Sollte ein mittelständisches Unternehmen KI intern entwickeln oder externe Lösungen einkaufen?

Diese Frage steht laut den Experten der Plattform Lernende Systeme am Beginn jeder konkreten KI-Einführung und ist ein zentraler Bestandteil der KI-Strategie. Die Entscheidung zwischen interner Entwicklung und dem Einkauf externer Dienste hängt von den verfügbaren Ressourcen, dem vorhandenen Know-how und den identifizierten Anwendungsfällen ab. Eine klare KI-Strategie, die übergeordnete Ziele definiert und den konkreten Nutzen für Produkte oder Prozesse beschreibt, sollte diese Entscheidung fundiert vorbereiten.

Wie lässt sich sicherstellen, dass ein KI-Pilotprojekt im Mittelstand tatsächlich einen messbaren Nutzen erzeugt?

Bevor eine detaillierte KI-Strategie entworfen wird, empfehlen Mordvinova und Liebl, zunächst den realistischen und möglichst skalierbaren Kundennutzen mit entsprechender Zahlungsbereitschaft für die vielversprechendsten KI-Lösungen zu ermitteln. Im Pilotprojekt selbst müssen Unternehmen prüfen, ob die eingeschlagene Strategie funktioniert, ob ein Nutzen für Pilotkunden entsteht und ob Daten in der beabsichtigten Qualität bereitstehen. Da KI-Einführung ein iterativer Prozess ist, muss kontinuierlich nachjustiert werden.