86% der deutschen KMUs erkennen die Relevanz von KI für ihr Geschäft. Aber nur 23% haben erfolgreich ein KI-Projekt umgesetzt. Das zeigt die KI-Studie 2025 von maximal.digital, für die 455 KI-Verantwortliche aus KMUs im DACH-Raum befragt wurden.
Warum scheitern drei von vier KI-Projekten? Ich habe in einem anderen Artikel bereits das Spezifikationsproblem beschrieben: Unternehmen schaffen es nicht, das zu lösende Problem klar zu benennen, bevor sie ein Tool evaluieren. Sie suchen nach "KI-Lösungen" statt nach Lösungen für konkrete Probleme.
Die strukturierte KI-Potenzialanalyse ist die Antwort auf dieses Problem. Sie stellt die richtigen Fragen in der richtigen Reihenfolge. Nicht "Wo können wir KI einsetzen?" sondern "Wo haben wir Probleme, die KI lösen kann?"
Was eine KI-Potenzialanalyse ist (und was nicht)
Eine KI-Potenzialanalyse ist eine strukturierte Bestandsaufnahme Ihrer Prozesse, Schmerzpunkte und Daten. Das Ergebnis ist keine PowerPoint-Präsentation mit bunten Grafiken. Es ist eine priorisierte Liste konkreter Use Cases mit Aufwandsschätzung, ROI-Einschätzung und Umsetzungs-Roadmap.
Was sie NICHT ist:
- Kein strategisches Whitepaper über "KI-Transformation"
- Keine Technologie-Evaluierung (welches Tool, welcher Anbieter)
- Kein Implementierungsprojekt (das kommt danach)
- Kein Workshop-Marathon ohne Ergebnis
Eine gute KI-Potenzialanalyse dauert ein bis zwei Wochen und kostet zwischen 2.000 und 5.000 Euro. Am Ende steht eine klare Entscheidungsgrundlage: Welche drei bis fünf Use Cases haben das beste Verhältnis aus Aufwand und Wirkung? Und mit welchem starten Sie zuerst?
Die 5 Schritte einer KI-Potenzialanalyse
In über zehn Jahren KI-Projekten im Mittelstand habe ich ein Muster erkannt. Erfolgreiche KI-Einführungen im Mittelstand folgen immer den gleichen fünf Schritten. Wer einen überspringt, scheitert fast immer.
Schritt 1: Prozesse erfassen
Wo fließt die meiste Zeit? Wo fließt das meiste Geld?
Ich spreche nicht von einer kompletten Prozesslandkarte nach BPMN-Standard. Ich spreche von den fünf bis zehn Prozessen, die wirklich wehtun. Bei einem Handwerksbetrieb mit 80 Mitarbeitern waren das: Angebotserstellung, Vorkalkulation, Materialbestellung, Baustellendokumentation, Nachkalkulation. Bei einem Fertigungsunternehmen: Produktionsplanung, Qualitätskontrolle, Wartungsplanung, Lieferantenmanagement, Kundenanfragen.
Pragmatischer Ansatz: Drei Tage, sechs bis acht Interviews mit Mitarbeitern aus verschiedenen Bereichen. Fragen Sie nicht "Was könnte besser sein?" sondern "Wo verlieren Sie täglich Zeit?". Die Antworten sind erstaunlich konkret.
Wer KI Use Cases identifizieren will, muss bei den echten Schmerzpunkten anfangen, nicht bei der Technologie.
Schritt 2: Pain Points identifizieren
Was nervt die Mitarbeiter wirklich?
Bei der Vorkalkulation eines Handwerksbetriebs war das Problem nicht fehlendes Wissen, sondern fehlende Struktur. Jeder Kalkulator hatte seine eigene Excel-Datei. Preise für Material waren veraltet. Stundensätze variierten je nach Baujahr der Vorlage. Das Ergebnis: Angebote schwankten um 20-30% für vergleichbare Projekte. Manche deckten nicht die Kosten.
Der häufigste Pain Point in KMUs ist nicht "zu wenig Daten" sondern "zu viele Silos". Daten existieren in Excel, im ERP, in E-Mails, auf Papier, in den Köpfen erfahrener Mitarbeiter. Sie sind nur nicht zentral verfügbar.
Wichtig: Fragen Sie die Menschen, die die Arbeit machen. Nicht nur die Abteilungsleiter. Ein Produktionsmitarbeiter kennt die Schmerzpunkte der Qualitätskontrolle besser als der Geschäftsführer.
Schritt 3: Daten-Readiness prüfen
Welche Daten existieren, in welcher Qualität und wo liegen sie?
Gartner prognostiziert, dass bis 2026 rund 60% der KI-Projekte aufgegeben werden, weil die Datenbasis nicht stimmt. Nicht weil keine Daten existieren, sondern weil sie nicht nutzbar sind.
Ich unterscheide drei Kategorien:
Grün: Strukturierte Daten, digital, zentral verfügbar. Beispiel: ERP-Verkaufsdaten der letzten drei Jahre. Sofort verwendbar.
Gelb: Daten existieren, aber verteilt oder inkonsistent. Beispiel: Wartungsprotokolle in Excel, Tickets im System, handschriftliche Notizen. Mit Aufwand verwendbar.
Rot: Daten existieren nicht oder nur analog. Beispiel: "Wir wissen das, aber es steht nirgends." Hier muss zuerst ein Prozess her, der Daten erzeugt. KI kommt später.
Die meisten Unternehmen haben 20% grün, 50% gelb, 30% rot. Der pragmatische Ansatz: Mit den grünen Daten starten, die gelben schrittweise integrieren und die roten bewusst zurückstellen, wenn der Aufwand den erwarteten Impact nicht rechtfertigt.
Das ist die KI-Readiness: Nicht ob Sie theoretisch KI nutzen könnten, sondern ob Ihre Daten es praktisch erlauben.
Schritt 4: Use Cases bewerten
Aufwand versus Impact. Welche Projekte haben das beste ROI-Potenzial?
Aber zuerst eine Warnung: Nicht jeder Use Case wird durch KI besser. Die Harvard Business School hat mit BCG untersucht, wo KI tatsächlich hilft und wo nicht. Das Ergebnis: KI hat eine "Jagged Frontier" – eine gezackte Grenze. Bei Aufgaben innerhalb dieser Grenze sind Nutzer mit KI deutlich besser. Bei Aufgaben außerhalb sind sie 19 Prozentpunkte schlechter als ohne KI. Der Grund: KI liefert plausible, aber falsche Ergebnisse. Und Menschen vertrauen ihnen, statt sie zu prüfen.
Deshalb braucht jeder Use Case eine ehrliche Bewertung. Ich nutze eine einfache Matrix mit zwei Achsen:
Aufwand: Niedrig, Mittel, Hoch (in Euro)
Impact: Niedrig, Mittel, Hoch (in Euro pro Jahr)
Was "niedrig" oder "hoch" bedeutet, hängt von Ihrem Unternehmen ab. Definieren Sie die Schwellenwerte so, dass sie zu Ihrer Kostenstruktur passen. Die besten Kandidaten: Niedriger Aufwand, hoher Impact. Das sind Ihre Quick Wins.
Ein Beispiel aus der Fertigung: Predictive Maintenance für drei kritische Maschinen. Aufwand: 15.000 Euro. Bisherige Ausfallkosten: Zwei ungeplante Stillstände pro Jahr, je drei Tage Produktionsausfall bei zehn Produktionsstunden und 1.300 Euro Deckungsbeitrag pro Stunde = 78.000 Euro. Realistisch lassen sich durch frühzeitige Erkennung etwa 60% der ungeplanten Stillstände vermeiden, also rund 47.000 Euro pro Jahr. Die Investition rechnet sich nach knapp vier Monaten.
Aber ROI allein reicht nicht. Sie brauchen eine Baseline und eine Zielgröße, sonst können Sie Erfolg nicht messen. Für jeden Use Case vier Punkte definieren: Was ist der Ist-Zustand? Was ist das Ziel? Bis wann? Und wie messen Sie es? "Effizienter werden" ist keine Zielgröße. "Angebotsdauer von 4 Tagen auf 1 Tag senken" schon.
Ich habe Einsparungen von 15% bis 40% in den adressierten Prozessen gesehen, je nach Reifegrad und Komplexität.
Vermeiden Sie den größten Fehler: Zu viele Use Cases gleichzeitig. McKinsey's State of AI 2025 zeigt: Erfolgreiche Unternehmen fokussieren sich auf drei bis fünf strategische Use Cases. Starten Sie mit einem. Liefern Sie Ergebnisse. Dann den nächsten.
Schritt 5: Roadmap erstellen
Quick Wins zuerst. Dann strategische Projekte.
Eine typische Roadmap für die KI-Einführung im Mittelstand sieht so aus:
Q1-Q2: Ein Quick Win (niedriger Aufwand, hoher Impact). Ziel: Vertrauen aufbauen, erstes Ergebnis liefern.
Q3-Q4: Ein strategisches Projekt (mittlerer Aufwand, hoher Impact). Ziel: Nachhaltige Wirkung.
Jahr 2: Die nächsten drei Use Cases parallel oder sequentiell, je nach Kapazität.
Die Roadmap enthält für jeden Use Case:
- Geschätzter Aufwand (Zeit, Budget)
- Geschätzter Impact (Euro/Jahr)
- Voraussetzungen (Daten, Prozesse, Know-how)
- Risiken (technisch, organisatorisch)
Sie ist eine Arbeitshypothese. Sie wird sich verändern, sobald die Umsetzung beginnt.
Was eine gute KI-Potenzialanalyse kostet
Die Frage "Was kostet eine KI-Potenzialanalyse?" beantworte ich mit einer Gegenfrage: Was kostet ein gescheitertes KI-Projekt?
Eine externe KI-Potenzialanalyse für KMUs mit 50-200 Mitarbeitern kostet typischerweise zwischen 2.000 und 5.000 Euro. Dauer: ein bis zwei Wochen. Dafür bekommen Sie einen Senior-Berater mit Branchenerfahrung, strukturierte Interviews, Use-Case-Bewertung und eine Roadmap.
Wer die Analyse intern durchführen will, braucht jemanden mit KI- und Prozess-Erfahrung. Zeitaufwand ist ähnlich: ein bis zwei Wochen. Das Risiko dabei ist Betriebsblindheit. Man sieht die gleichen Probleme die man seit Jahren sieht.
Was bringt es? Korrekt identifizierte Use Cases liefern erfahrungsgemäß Einsparungen von 15% bis 40% in den adressierten Prozessen. Bei einem Prozess mit jährlichen Kosten von 200.000 Euro sind das 30.000 bis 80.000 Euro pro Jahr. Die Analyse amortisiert sich nach zwei Monaten.
Bei HSLR ist die KI-Potenzialanalyse Teil unserer Digitalen Standortbestimmung. Sie enthält zusätzlich eine Analyse des digitalen Reifegrads, eine Bewertung Ihrer bestehenden IT-Landschaft und konkrete Handlungsempfehlungen.
Wo steht Ihr Unternehmen? Ein Ehrlichkeitscheck
Nicht jedes Unternehmen ist bereit für jedes KI-Projekt. Der Stifterverband und McKinsey zeigen: 79% der Unternehmen fehlen KI-Kompetenzen. Das ist kein Vorwurf. Das ist Realität. Und es hat Konsequenzen für die Use-Case-Auswahl.
Ich unterscheide vier Stufen:
Stufe 1 – Keine digitale Struktur: Keine systematische Datenhaltung, keine dokumentierten Prozesse, keine klaren Verantwortlichkeiten. Was hilft: Erst Prozesse klären und digitalisieren. KI kommt später. Auch ohne KI gibt es hier Quick Wins – eine saubere Excel-Struktur spart mehr als ein Dashboard, wenn die Daten aktuell in E-Mails liegen.
Stufe 2 – Digitale Inseln: Tools vorhanden, aber fragmentiert. Daten in Silos. Was hilft: Einfache Assistenz-Tools (ChatGPT für Textentwürfe, automatisierte Vorlagen). Nichts, was in kritische Prozesse eingreift.
Stufe 3 – Zentrale Datenbasis: Dokumentierte Prozesse, zentrale Datenhaltung, klare Verantwortlichkeiten. Was hilft: Workflow-Automatisierung, Klassifikation, einfache Vorhersagen. Hier beginnt der Bereich, in dem KI echten Hebel hat.
Stufe 4 – Data Governance: Integrierte Systeme, Change-Management-Kultur, Datenqualität wird aktiv gepflegt. Was hilft: Komplexe Automatisierung, strategische KI-Anwendungen, agentenbasierte Systeme.
Die meisten KMUs stehen auf Stufe 1 oder 2. Das ist kein Problem, solange der Use Case zur Stufe passt. Ein Unternehmen auf Stufe 1, das ein agentenbasiertes System plant, wird scheitern. Dasselbe Unternehmen, das zuerst seine Prozesse strukturiert, kann nach sechs Monaten auf Stufe 2 sein und erste KI-Tools sinnvoll nutzen.
Wo stehen Sie ehrlich? Nicht wo Sie sein wollen. Wo Sie tatsächlich stehen. Passt der geplante Use Case zu dieser Stufe?
Eine Warnung noch: Nutzen Sie die Analyse nicht als Entscheidungs-Aufschub. Manche Unternehmen beauftragen eine KI-Potenzialanalyse, um nicht entscheiden zu müssen. Zwei Monate später liegt der Report vor. Sechs Monate später ist nichts passiert. Wenn Sie eine Potenzialanalyse starten: Committen Sie sich vorher darauf, mindestens einen Quick Win umzusetzen.
Selbsttest: Sind Sie bereit?
Fünf Fragen. Für jede brauchen Sie eine konkrete Antwort, nicht "ja" oder "nein", sondern einen Satz.
- Können Sie Ihr größtes Prozessproblem in einem Satz beschreiben, der eine Zahl enthält? Nicht "wir sind zu langsam". Sondern: "Unsere Angebotserstellung dauert durchschnittlich 4 Tage." Wenn Sie keine Zahl nennen können, fehlt die Baseline.
- Können Sie die Datenquelle, die Sie für Ihren KI-Use-Case brauchen, in 5 Minuten öffnen und 10 Datensätze exportieren? Wenn die Antwort "theoretisch ja, aber ich müsste erst..." lautet, haben Sie ein Datenproblem. Das ist lösbar, aber es muss vor dem KI-Projekt passieren.
- Können Sie zwei Namen aufschreiben: Wer ist Projektverantwortlicher, wer ist Endnutzer? Nicht "die IT-Abteilung". Konkrete Personen. Wenn Sie keinen Endnutzer benennen können, fehlt die Verankerung im Tagesgeschäft.
- Können Sie diesen Satz vervollständigen: "Erfolg bedeutet, dass [Metrik] von [Ist] auf [Ziel] innerhalb von [Zeitraum] verbessert wird."? Wenn nicht, fehlt die Messbarkeit. Ohne Zielgröße kein ROI-Nachweis. Ohne ROI-Nachweis kein Budget für den Rollout.
- Auf welcher der vier Stufen steht Ihr Unternehmen und passt der geplante Use Case dazu? Ehrlich antworten. Ein Stufe-1-Unternehmen, das ein Stufe-4-Projekt startet, wird scheitern. Ein Stufe-1-Unternehmen, das zuerst seine Prozesse strukturiert, kann nach sechs Monaten erste KI-Tools sinnvoll nutzen.
5 konkrete Antworten: Sie sind besser vorbereitet als 90% der KI-Initiativen im Mittelstand. Starten Sie.
3-4 Antworten: Sie wissen, wo die Lücken liegen. Schließen Sie diese zuerst.
Weniger als 3: Noch nicht starten. Aber das heißt nicht "nie". Es heißt: erst die Grundlagen schaffen.
Fazit: Vom Problem zur Lösung
Die KI-Potenzialanalyse ist kein Selbstzweck. Sie ist der erste Schritt von vielen. Sie verhindert das Spezifikationsproblem: Sie stellen sicher, dass Sie das richtige Problem lösen, bevor Sie Geld für Tools ausgeben.
In meiner Erfahrung liefern etwa 40% der Unternehmen nach einer KI-Potenzialanalyse einen Quick Win innerhalb von drei Monaten. Das baut Vertrauen auf und überzeugt auch die Skeptiker im Unternehmen.
Die Unternehmen, die scheitern, überspringen diesen Schritt. Sie kaufen Tools und suchen dann nach Problemen.
Wenn Sie wissen wollen, wo KI in Ihrem Unternehmen tatsächlich Wirkung hat, ist die Digitale Standortbestimmung der richtige erste Schritt. Sie enthält eine vollständige KI-Potenzialanalyse, eine Bewertung Ihrer digitalen Reife und eine konkrete Roadmap. Sie arbeiten direkt mit mir als Senior-Berater.
Wenn Sie bereits wissen, wo KI helfen soll und eine Potenzialanalyse überflüssig ist, springen Sie direkt zur Pilot-Umsetzung. In vier bis zwölf Wochen liefern wir ein funktionierendes System.