Die wichtigsten Erkenntnisse:
Eine KI-Potenzialanalyse für Unternehmen gleicht potenzielle KI-Anwendungsfälle bereits vor der Entscheidung für ein bestimmtes Tool mit Ihren tatsächlichen Prozessen und Daten ab – und nicht erst danach.
Die durch das EU-KI-Gesetz auferlegten Verpflichtungen für Allzweck-KI-Systeme traten im August 2025 in Kraft, wobei im August 2026 umfassendere Verpflichtungen für die Betreiber folgen. Damit wird eine strukturierte Risikobewertung zu einer Compliance-Anforderung für den deutschen Mittelstand.
Daten sind wichtiger als die Wahl des Modells: Der mit Abstand häufigste Grund dafür, dass Pilotprojekte schon in der Planungsphase scheitern, ist nicht ein schwaches Modell, sondern lückenhafte oder verunreinigte Daten.
Dieses vierstufige Rahmenkonzept (Erkundung, Entwurf, Pilotprojekt, Übergabe) verankert die Analyse in einem realistischen, umsetzbaren Zeitrahmen von 90 Tagen.
Es handelt sich um einen priorisierten 12-Monats-Arbeitsplan mit Verantwortlichkeiten und Kennzahlen – nicht um eine weitere Präsentation, die auf dem gemeinsamen Laufwerk landet.
Zwei Jahre, nachdem ChatGPT im Browser jedes Wissensarbeiters Einzug gehalten hat, haben die Vorstände deutscher mittelständischer Unternehmen genug von Pilotprojekten, die ins Leere laufen. Die Genehmigung für den Haushalt 2026 wird ohne Neugier und unter Berücksichtigung festgelegter KPIs unterzeichnet. Unterdessen traten im August 2025 die Anforderungen des EU-KI-Gesetzes für Allzweck-KI-Systeme in Kraft; die umfassenderen Anforderungen an Betreiber gelten ab August 2026 und verlangen von jedem Anbieter und Betreiber, dass er dokumentierte Risikoklassifizierungen für die von ihm betriebenen Systeme vorweisen kann. Diese Kombination verändert die Kalkulation. Eine unstrukturierte KI-Investition führt nun sowohl zu verschwendeten Ausgaben als auch zu einem späteren Prüfungsrisiko. Mit einer ordnungsgemäßen KI-Potenzialanalyse für Unternehmen lassen sich beide vermeiden. Dieser Leitfaden führt Sie durch ein vierstufiges Rahmenkonzept, stellt die Anwendungsfallkategorien vor, die sich in mittelständischen Unternehmen am schnellsten auszahlen, erklärt, wie Compliance von Anfang an in die Bewertung einbezogen wird, und zeigt auf, was in die zwölfmonatige Roadmap gehört, die die Analyse tatsächlich liefert.
Was eine KI-Potenzialanalyse für Unternehmen eigentlich ist (und was sie nicht ist)
Eine KI-Potenzialanalyse ist eine strukturierte Bewertung, bei der potenzielle KI-Anwendungsfälle den tatsächlichen Geschäftsprozessen, Datenbeständen und dem Risikoprofil eines Unternehmens gegenübergestellt und anschließend nach erwartetem Nutzen und Machbarkeit eingestuft werden. Es handelt sich um eine diagnostische Maßnahme, nicht um eine Anbieterauswahl. Das Ergebnis ist ein priorisiertes Backlog mit Verantwortlichen und Erfolgskennzahlen, nicht eine Einkaufsliste mit Tools.
Stellen Sie sich das als eine Art Due-Diligence-Prüfung vor, die Sie zunächst an Ihren eigenen Abläufen durchführen, bevor Sie sie auf einen Anbieter anwenden. Zwei identische Unternehmen derselben Branche können ein völlig unterschiedliches KI-Potenzial aufweisen, weil das eine über saubere CRM-Daten verfügt, während das andere drei sich überschneidende ERP-Systeme hat, die nur durch Excel zusammengehalten werden. Die Analyse deckt diese Lücke frühzeitig auf, sodass niemand eine 200.000-Euro-Plattform kauft, die auf unstrukturiertem Chaos aufbaut.
Warum hat das Jahr 2026 die Kalkulation verändert?
Das EU-KI-Gesetz wurde im Juli 2024 im Amtsblatt veröffentlicht. Die darin festgelegten Verpflichtungen für allgemeine KI-Modelle traten am 2. August 2025 in Kraft, während umfassendere Pflichten für Betreiber gemäß dem KI-Gesetz-Portal der Europäischen Kommission und dem vollständigen Text auf EUR-Lex schrittweise bis zum 2. August 2026 eingeführt wurden. Für die meisten mittelständischen Unternehmen erfordert jedes im Jahr 2026 eingesetzte KI-System eine dokumentierte Risikoklassifizierung, eine Transparenzbewertung und den Nachweis einer Aufsicht. Dies nachträglich zu tun, ist kostspielig. Im Rahmen der Potenzianalyse erfolgt dies fast ohne zusätzliche Kosten.
Eine ordnungsgemäß durchgeführte KI-Bereitschaftsbewertung im Mittelstand
Es gibt einen konkreten Grund, warum dies für den Mittelstand wichtiger ist als für ein DAX-40-Unternehmen. Große Unternehmen verfügen bereits über Compliance-Abteilungen, Data-Governance-Teams und interne KI-Kompetenzzentren, die diese Arbeit übernehmen. Ein Industriezulieferer mit 300 Mitarbeitern hat diese nicht. Eine einzige, gut abgesteckte KI-Bereitschaftsbewertung im Mittelstand-Maßstab ersetzt ein Dutzend fragmentierter Gespräche zwischen IT, Betrieb und Finanzen und gibt dem Geschäftsführer etwas Konkretes, das er absegnen kann.
Die vier Phasen einer strukturierten Analyse
Jede glaubwürdige Analyse folgt dem gleichen Schema, egal ob sie zwei Wochen oder drei Monate dauert. Überspringt man eine Phase, ist die daraus resultierende Roadmap reine Fiktion.
Phase | Dauer | Kernergebnis |
Erkundung | 1–2 Wochen | Prozesskarte, Bestandsaufnahme der Schwachstellen, Datenbestandsprüfung |
Entwurf | 2–3 Wochen | Bewertetes Use-Case-Backlog, Machbarkeitsmatrix |
Pilot | 6–10 Wochen | Zeitlich begrenzter Proof of Concept mit definierten KPIs |
Übergabe | 1 Woche | Roadmap-Dokument, Einrichtung der Governance, Vorbereitung des Teams |
In der Designphase werden die Ergebnisse der Discovery-Phase in ein bewertetes Backlog umgewandelt. Jeder potenzielle Anwendungsfall wird hinsichtlich Geschäftsnutzen, Implementierungskomplexität, Datenbereitschaft und regulatorischem Risiko bewertet. In dieser Phase wird auch der Pilotfall ausgewählt.
Der Pilot ist ein echter Proof of Concept anhand messbarer KPIs, keine Demo. Legen Sie ein festes Zeitfenster fest. Wenn das Pilotprojekt innerhalb von zehn Wochen kein überzeugendes Ergebnis vorweisen kann, wurde der Anwendungsfall falsch abgegrenzt oder die Daten waren nicht bereit.
Die Übergabe ist die Phase, die bei den meisten Projekten vernachlässigt wird. Sie sollte eine schriftliche Roadmap, ein Governance-Rahmenwerk, die Einarbeitung von Schlüsselanwendern und einen festgelegten Rhythmus für Nachberechnungen umfassen. Ohne diese Elemente wird die Analyse zu einem PDF, das schnell veraltet.
Hochwertige KI-Anwendungsfälle im Mittelstand 2026: Wo das Geld tatsächlich steckt
Die produktivsten KI-Anwendungsfälle in einem mittelständischen Unternehmen sind fast nie diejenigen, von denen sich die Geschäftsleitung bei einer Demo begeistern lässt. Der tatsächliche Nutzen konzentriert sich in der Regel auf einige wenige vorhersehbare Funktionsbereiche.
Betrieb und Lieferkette: Nachfrageprognosen, Bestandsoptimierung und automatisierte Entscheidungsunterstützung auf Basis strukturierter Betriebsdaten. Diese Anwendungsfälle basieren auf Daten, die Sie ohnehin bereits erheben, und die Auswirkungen lassen sich in Wochen an Betriebskapital messen.
Finanzen und Controlling. Automatisierte Managementberichterstattung, Erkennung von Anomalien bei Transaktionen und Cashflow-Modellierung. Daten zur Einführungsrate auf Funktionsebene aus der KI-Monitor-/Wirtschaft-Digital-Umfragereihe von Bitkom zeigen, dass Finanzen, Verwaltung und IT zu den ersten Bereichen in deutschen Unternehmen gehören, die KI in den produktiven Einsatz überführen.
Vertrieb und Marketing. Lead-Scoring, Personalisierung von Inhalten und KI-gestützter Kundendialog. Die aktuelle Generation von Business-Chatbots ist hier wirklich nützlich. Wir gehen in unserer Übersicht „Die besten KI-Chatbots für Unternehmen“ näher auf die praktischen Empfehlungen ein.
Personalwesen und Wissensmanagement. Dokumentenverarbeitung, Onboarding-Assistenten und dialogbasierter Zugriff auf internes Know-how. Letzteres ist überraschend wertvoll: Ingenieure und Vertriebsmitarbeiter müssen ihre Kollegen nicht mehr dreimal pro Woche wegen derselben Antwort anschreiben.
Bewertung und Priorisierung: Die ROI-Reifegrad-Matrix
Jeder Anwendungsfall erhält zwei Bewertungen. Der Wert gibt an, welchen Beitrag er leisten wird, wenn er funktioniert. Die Umsetzungsreife gibt an, wie wahrscheinlich es ist, dass er in Ihrer Umgebung tatsächlich funktioniert. Die Datenqualität ist für die Umsetzungsreife entscheidend. Ein bescheidener Anwendungsfall mit sauberen Daten ist jedes Mal besser als ein spektakulärer, der auf fragmentierten Datensätzen läuft.
Der häufigste Fehler bei der Priorisierung besteht darin, das technisch beeindruckendste Modell auszuwählen, anstatt dasjenige, das am besten zu einem echten Geschäftsproblem passt. Ein durch Suchfunktionen erweiterter Assistent auf der Grundlage ordentlicher Dokumentation wird umgesetzt. Ein Projekt zum „digitalen Zwilling der Anlage“, das sechs Monate Sensorintegration erfordert, wird dies in der Regel nicht.
Bei der Festlegung von Zielen sollten Sie zwei Dinge voneinander trennen. Veröffentlichte Fallstudien aus dem Mittelstand beschreiben kumulative Einsparungen in zweistelliger Millionenhöhe über mehrere Jahre, bei denen zunächst ein gut ausgewählter Prozess automatisiert wurde – doch das sind Best-Case-Obergrenzen, keine Planungszahlen.
Schnelle Erfolge versus strategische Wetten
Eine brauchbare Roadmap schafft einen Ausgleich zwischen beidem: zwei schnelle Erfolge im ersten Quartal, um das Vertrauen der Organisation zu stärken und Budget freizusetzen, sowie eine sorgfältig ausgewählte strategische Wette zur Finanzierung der nächsten Generation von Fähigkeiten. Besteht die Roadmap nur aus schnellen Erfolgen, wird sie zur Aufgabenliste; besteht sie nur aus strategischen Wetten, geht das politische Kapital zur Neige, bevor überhaupt etwas umgesetzt wird.
Agentische KI, vertikale Modelle und die Einhaltung des EU-KI-Gesetzes durch KMU
Drei Aspekte der Analyse selbst haben sich im Jahr 2026 geändert, und jedes Rahmenwerk, das diese ignoriert, führt zu einer veralteten Roadmap.
Vertikale Modelle sind in den meisten Fällen im Mittelstand generischen Modellen überlegen. Branchenoptimierte Modelle, die auf domänenspezifischen Daten (Recht, Gesundheitswesen, Fertigung, Finanzdienstleistungen) trainiert wurden, übertreffen nun Allzweckmodelle in deren eigenem Bereich. Unabhängige Marktforschungsergebnisse deuten auf ein anhaltendes zweistelliges Wachstum für branchenspezifische Unternehmens-KI im Laufe des Jahrzehnts hin; die zugrunde liegenden Zahlen für das Software-Segment finden Sie in der aktuellen Ausgabe von Gartners Prognose: Software für künstliche Intelligenz, weltweit. Für ein mittelständisches Industrieunternehmen ist ein kleineres vertikales Modell mit fundiertem Fachwissen oft einem größeren allgemeinen Modell überlegen.
Die Governance für agentische KI im Mittelstand ist mittlerweile eine eigenständige Kategorie. Autonome, mehrstufige Arbeitsabläufe ersetzen die „Dashboard-Klick“-Logik, was sowohl die Produktivitätsgrenze als auch die Anforderungen an die Governance erhöht. Wenn ein Agent Buchungen vornehmen, Rückerstattungen bearbeiten oder Unterlagen ablegen kann, benötigt er vom ersten Tag an begrenzte Berechtigungen, Prüfpfade und Eskalationswege für menschliche Eingriffe.
Die Einhaltung des EU-KI-Gesetzes für KMU muss in die Bewertung einfließen. Risikoklassifizierung, Transparenzdokumentation und Anforderungen an die menschliche Aufsicht gehören in das Bewertungsblatt für Anwendungsfälle und nicht in eine separate Checkliste, die am Ende überprüft wird. Praktische Governance für ein mittelständisches Unternehmen erfordert keine 40-seitige Richtlinie. Es braucht Rollendefinitionen, Prüfpfade, Eskalationswege und ein dokumentiertes Modellinventar.
Von der Analyse zur Roadmap: Erstellen Ihrer KI-Roadmap
Die Analyse dient dazu, eine Roadmap zu erstellen. Wenn das Endergebnis eine Präsentation ohne Verantwortliche, Kennzahlen und Termine ist, ist das Projekt gescheitert – unabhängig davon, wie gut die Diagnose war.
Eine funktionsfähige 12-Monats-Roadmap enthält mindestens:
Ein priorisiertes Use-Case-Backlog, wobei jeder Punkt nach Wert und Umsetzungsreife bewertet wird.
Namentlich benannte, verantwortliche Ansprechpartner für jede Initiative, und zwar aus dem Geschäftsbereich, nicht nur aus der IT.
Vor Beginn der Umsetzung definierte Erfolgskennzahlen mit einer festgelegten Ausgangsbasis.
Ein Governance-Rahmenwerk, das Datenzugriff, Modellbestandsaufnahme, Risikoklassifizierung und Eskalation abdeckt.
Eine vierteljährliche Überprüfungsrunde mit dem verantwortlichen Geschäftsführer.
Die Stakeholder-Besprechung am Ende der Analyse ist wichtiger als das Dokument selbst. Wenn der Geschäftsführer nach einer 30-minütigen Präsentation nicht die drei wichtigsten Anwendungsfälle und deren erwartete Auswirkungen zusammenfassen kann, wurde die Analyse für Berater verfasst, nicht für das Unternehmen.
Wann sollte dies intern durchgeführt werden und wann sollte externe Hilfe hinzugezogen werden?
Mit einem internen Daten- oder KI-Verantwortlichen, der über die nötigen Kapazitäten verfügt, einem ansprechbaren Prozessverantwortlichen in jedem Funktionsbereich und einem Compliance-Mitarbeiter, der sich mit dem KI-Gesetz auskennt, können Sie die Analyse intern durchführen. Die meisten Unternehmen mit 100 bis 500 Mitarbeitern verfügen in ihrem Organigramm nicht über diese Kombination. Ein gezielter externer Auftrag soll den Zeitrahmen von sechs Monaten interner Diskussionen auf etwa acht Wochen strukturierter Arbeit verkürzen.
Verwandte Dienstleistung: Business Intelligence
Häufig gestellte Fragen
Was ist eine KI-Potenzialanalyse in einem Satz?
Eine strukturierte Bewertung, die ermittelt, wo KI in einem bestimmten Unternehmen Mehrwert schaffen kann, indem potenzielle Anwendungsfälle hinsichtlich Geschäftsprozessen, Datenbereitschaft und regulatorischer Rahmenbedingungen bewertet werden, um anschließend eine priorisierte Roadmap mit Verantwortlichen und Kennzahlen zu erstellen.
Mit welcher KI sollte ein Unternehmen am besten beginnen?
Der richtige Ausgangspunkt ist kein bestimmtes Modell, sondern der Anwendungsfall mit der höchsten KI-Bewertung aus Ihrer Analyse. In der Praxis beginnen die meisten mittelständischen Unternehmen mit dokumenten- oder berichtintensiven Arbeitsabläufen, bei denen ein durch Suchfunktionen erweiterter Assistent auf Basis eines etablierten Anbieters schnell einen Mehrwert liefert, bevor sie zu autonomeren Agenten übergehen.
Was sind die vier häufig genannten Arten von KI?
Die klassische Taxonomie umfasst reaktive Maschinen, Systeme mit begrenztem Speicher, KI mit „Theory of Mind“ und selbstbewusste KI. Aus heutiger geschäftlicher Sicht sind die relevanten Kategorien prädiktives maschinelles Lernen, generative Modelle, durch Informationsabruf erweiterte Systeme und agentenbasierte Arbeitsabläufe.
Wie kann ich KI in meinem Unternehmen einsetzen, ohne gegen das EU-KI-Gesetz zu verstoßen?
Beginnen Sie jeden Anwendungsfall mit einer Risikoklassifizierung anhand der Kategorien des Gesetzes, dokumentieren Sie Datenquellen und Modellanbieter, legen Sie eine menschliche Aufsicht für alle kundenbezogenen oder entscheidungsrelevanten Vorgänge fest und führen Sie ein aktuelles Modellinventar. Dies ist unkompliziert, wenn es von Anfang an in die Analyse integriert wird.
Wie lange dauert eine vollständige KI-Potenzialanalyse?
Für ein Unternehmen mit 100 bis 500 Mitarbeitern sollten Sie insgesamt sechs bis zwölf Wochen einplanen: ein bis zwei Wochen für die Discovery-Phase, zwei bis drei Wochen für die Design-Phase und sechs bis zehn Wochen für die Pilotphase, die parallel zum Übergabeprozess läuft.
Wie viel kostet das?
Interne Analysen kosten in etwa die Arbeitszeit des beteiligten Teams, in der Regel zwei bis vier Mitarbeiter, die zwei Monate lang in Teilzeit ausgelastet sind. Externe Aufträge für ein mittelständisches Unternehmen liegen in der Regel im mittleren fünfstelligen bis niedrigen sechsstelligen Bereich, je nach Umfang und je nachdem, ob ein Pilotprojekt enthalten ist.
Wie geht es nun weiter?
Betrachten Sie die Analyse als den kleinstmöglichen ersten Schritt, nicht als den größten. Wählen Sie zwei Anwendungsfälle aus – einen „Quick Win“ und eine strategische Wette – und ermitteln Sie innerhalb von sechs Wochen eine fundierte Bewertung für beide. Sollte diese Bewertung aufgrund von Datenqualität oder Zuständigkeiten ins Stocken geraten, ist dies an sich schon die wertvollste Erkenntnis: Bevor ein Modell in die engere Auswahl kommt, müssen Vorbereitungsarbeiten erfolgen. Wenn Sie dieses Rahmenwerk lieber mit einem externen Team auf Ihre eigenen Abläufe anwenden möchten, vereinbaren Sie einen Erstgesprächstermin mit unserer KI-Strategiegruppe.