Du hast eine funktionierende Software. Kunden nutzen sie, das Geschäft läuft. Und jetzt kommt von allen Seiten die Frage: „Können wir da KI einbauen?"

Die ehrliche Antwort: Ja, wahrscheinlich. Aber nicht überall, nicht sofort, und nicht für alles. Hier ist der Leitfaden, den ich mir gewünscht hätte, bevor wir bei diepen.io angefangen haben, KI-Integrationen für Mittelständler zu bauen.

Erst die Frage: Wofür eigentlich KI?

Bevor du eine Zeile Code schreibst, beantworte diese Frage: Welches konkrete Problem soll KI lösen, das du mit klassischer Software nicht lösen kannst?

Gute Antworten:

„Unsere Mitarbeiter verbringen 3 Stunden pro Tag mit dem Klassifizieren von E-Mails"
„Kunden stellen immer die gleichen 50 Fragen — unser Support-Team schafft es nicht"
„Wir haben 10.000 Dokumente und niemand findet die richtige Information"
„Telefonanrufe gehen verloren, weil niemand abnehmen kann" (das war unser Problem bei Rezeptiona)

Schlechte Antworten:

„Weil alle KI machen"
„Für Innovation"
„Weil der Vorstand es will"

KI ohne klares Problem ist ein teures Experiment mit vorhersagbarem Ausgang.

Die 5 häufigsten KI-Integrationen im Mittelstand

1. Dokumentenverarbeitung und -suche

Das Problem: Informationen sind verstreut in PDFs, E-Mails, Verträgen, Excel-Tabellen. Mitarbeiter suchen 20 Minuten nach einer Information, die in irgendeinem Dokument steht.

Die KI-Lösung: Retrieval-Augmented Generation (RAG) — ein System, das deine Dokumente indexiert und Fragen in natürlicher Sprache beantworten kann.

Realistischer Aufwand:

Einfaches RAG-System (< 1.000 Dokumente): 2–4 Wochen, 10.000–25.000 €
Fortgeschrittenes System (Multi-Source, Zugriffsrechte, Feedback-Loop): 6–10 Wochen, 30.000–60.000 €

Wichtig: Die Qualität steht und fällt mit der Datenaufbereitung. Wenn deine PDFs schlecht formatiert sind, liefert auch das beste Modell schlechte Antworten.

2. Automatisierte Kundenkommunikation

Das Problem: Support-Anfragen, Standardfragen, Terminanfragen — alles landet bei Menschen, die eigentlich produktivere Dinge tun könnten.

Die KI-Lösung: Chatbots, E-Mail-Automatisierung, Telefonassistenten (wie Rezeptiona). Der Schlüssel: Nicht 100 % automatisieren, sondern die 80 % Standardfälle abfangen und den Rest an Menschen weiterleiten.

Realistischer Aufwand:

Einfacher FAQ-Chatbot: 1–2 Wochen, 5.000–15.000 €
Kontextbezogener Assistent (mit CRM-Anbindung): 4–6 Wochen, 20.000–40.000 €
Telefonassistent (Sprache + Logik): 6–12 Wochen, 40.000–80.000 €

3. Datenanalyse und Reporting

Das Problem: Du hast Daten, aber niemanden der sie auswertet. Oder die Auswertung dauert zu lange, um noch relevant zu sein.

Die KI-Lösung: Natural Language Queries auf deine Datenbank — Mitarbeiter stellen Fragen in normaler Sprache, bekommen Tabellen und Charts zurück.

Realistischer Aufwand:

Dashboard mit KI-Abfragen: 3–5 Wochen, 15.000–35.000 €
Automatisierte Reports + Anomalie-Erkennung: 6–8 Wochen, 30.000–50.000 €

Vorsicht: Text-to-SQL klingt einfach, ist es aber nicht. Komplexe Datenbankstrukturen brauchen viel Feinarbeit.

4. Prozessautomatisierung

Das Problem: Wiederkehrende manuelle Schritte — Daten von System A nach System B kopieren, Rechnungen prüfen, Bestellungen abgleichen.

Die KI-Lösung: Intelligente Automatisierung, die auch mit unstrukturierten Daten umgehen kann. Beispiel: Eine KI liest Lieferscheine ein, extrahiert die relevanten Daten und legt sie im ERP-System an.

Realistischer Aufwand:

Einfache Dokumentenextraktion: 2–3 Wochen, 8.000–20.000 €
End-to-End Prozessautomatisierung: 6–12 Wochen, 30.000–70.000 €

5. Produktempfehlungen und Personalisierung

Das Problem: Online-Shop oder Plattform zeigt allen Nutzern das Gleiche. Relevante Produkte gehen unter.

Die KI-Lösung: Empfehlungssystem basierend auf Nutzerverhalten, Kaufhistorie und Produktähnlichkeit.

Realistischer Aufwand:

Einfaches Collaborative Filtering: 2–4 Wochen, 10.000–25.000 €
Kontextbezogene Empfehlungen (Echtzeit, Multi-Signal): 6–10 Wochen, 30.000–60.000 €

Der Integrations-Fahrplan: 6 Schritte

Schritt 1: Use-Case-Workshop (1 Tag)

Setzt euch zusammen und beantwortet:

Welche Aufgaben kosten am meisten Zeit?
Wo entstehen die häufigsten Fehler?
Welche Daten habt ihr bereits?
Was würde sich ändern, wenn diese Aufgabe 10x schneller wäre?

Output: 3–5 priorisierte Use Cases mit grober Aufwandschätzung.

Schritt 2: Datenbewertung (1–2 Wochen)

Die unbequeme Wahrheit: Die meisten KI-Projekte scheitern nicht am Modell, sondern an den Daten.

Prüfe:

Sind die Daten digital und strukturiert?
Wie vollständig sind sie?
Gibt es Datenschutzbedenken (DSGVO)?
Wie aktuell sind sie?

Schritt 3: Proof of Concept (2–3 Wochen)

Bau einen funktionierenden Prototyp für den vielversprechendsten Use Case. Nicht schön, nicht skalierbar — aber funktional genug, um zu beweisen, dass es funktioniert.

Wichtig: Definiere vorher Erfolgskriterien. „Die KI muss in 80 % der Fälle die richtige Antwort geben" ist ein Kriterium. „Es soll gut funktionieren" ist keins.

Schritt 4: Pilotphase (4–6 Wochen)

Integriere den Prototyp in den echten Workflow — aber begrenzt. Ein Team, eine Abteilung, ein Prozess. Sammle Feedback und messe die tatsächliche Zeitersparnis.

Schritt 5: Produktion (4–8 Wochen)

Wenn der Pilot funktioniert: Baue es richtig. Das heißt:

Fehlerbehandlung
Monitoring und Logging
Skalierbarkeit
Benutzeroberfläche
Dokumentation

Schritt 6: Iteration

KI-Systeme werden besser, wenn du sie nutzt. Sammle Nutzerfeedback, analysiere Fehlerfälle, verbessere die Prompts und Datenaufbereitung kontinuierlich.

Die häufigsten Fehler

„Wir bauen das selbst"

Wenn du ein internes Entwicklerteam mit KI-Erfahrung hast — großartig. Wenn nicht, ist „wir stellen einen KI-Entwickler ein" oft die teuerste und langsamste Option. Ein Senior Machine Learning Engineer kostet 80.000–120.000 € pro Jahr. Ein externes Team kann in 6 Wochen liefern, was ein einzelner Entwickler in 6 Monaten schafft.

„Wir brauchen ein eigenes Modell"

In 95 % der Fälle: Nein. Vortrainierte Modelle (GPT-4, Claude, Llama) mit guter Prompt-Strategie und RAG decken die allermeisten Business-Anwendungen ab. Eigene Modelle trainieren lohnt sich erst ab sehr großen Datenmengen und sehr spezifischen Anforderungen.

„KI ersetzt unsere Mitarbeiter"

Nein. KI automatisiert Aufgaben, nicht Jobs. Der Mitarbeiter, der 3 Stunden am Tag E-Mails klassifiziert, hat danach 3 Stunden für produktivere Arbeit. Das ist der Pitch an dein Team — und der einzige, der funktioniert.

„Das muss 100 % korrekt sein"

Kein KI-System ist 100 % korrekt. Wenn dein Anwendungsfall keine Fehlertoleranz hat (medizinische Diagnosen, rechtlich bindende Entscheidungen), ist KI als alleinige Entscheidungsinstanz der falsche Ansatz. KI + menschliche Kontrolle funktioniert. KI allein in kritischen Prozessen nicht.

DSGVO — was du beachten musst

Kurz und konkret:

Auftragsverarbeitungsvertrag (AVV) mit jedem KI-Anbieter (OpenAI, Anthropic, etc. bieten das an)
EU-Server bevorzugen — Azure EU, AWS Frankfurt, oder Self-Hosted
Keine personenbezogenen Daten ins Modell-Training — die meisten Business-APIs trainieren nicht auf deinen Daten, aber prüfe die AGB
Löschkonzept — Daten, die du an die API sendest, müssen nach Verarbeitung löschbar sein
Transparenzpflicht — informiere Nutzer, wenn sie mit einer KI interagieren
DPIA (Datenschutz-Folgenabschätzung) — bei personenbezogenen Daten im größeren Umfang verpflichtend

Was eine KI-Integration bei uns kostet

| Projekttyp | Zeitrahmen | Investition | |------------|------------|-------------| | Use-Case-Workshop + Machbarkeitsstudie | 1–2 Wochen | 3.000–8.000 € | | Proof of Concept | 2–4 Wochen | 8.000–20.000 € | | Produktions-Integration | 4–10 Wochen | 20.000–60.000 € | | Ende-zu-Ende (Workshop bis Go-Live) | 8–16 Wochen | 30.000–80.000 € |

Wir arbeiten mit festen Wochen-Budgets, nicht mit Stundenzetteln. Du weißt vorher, was es kostet — und wenn der PoC zeigt, dass KI nicht die richtige Lösung ist, sagen wir das auch.

Nächster Schritt

Wenn du überlegst, KI in dein bestehendes Produkt oder deine internen Prozesse zu integrieren: Lass uns in einem kurzen Gespräch herausfinden, ob und wo es Sinn macht.

Kostenloses Gespräch vereinbaren →

30 Minuten, keine Slides, kein Sales-Pitch. Wir schauen uns gemeinsam an, welche deiner Prozesse von KI profitieren könnten — und welche nicht.