KI-Strategie hat inzwischen jeder Mittelständler auf der Agenda — konkrete Anwendungsfälle mit belastbarer Rechnung haben die wenigsten. Wir bauen seit Jahren KI in produktive Software und haben sieben Muster gesammelt, die sich heute schon rechnen. Inklusive des Teils, der in Vorträgen fehlt: woran jedes einzelne scheitern kann.
Vorweg: Keiner dieser Anwendungsfälle ist ein Chatbot. Die KI, die im Mittelstand Geld verdient, sitzt unter der Oberfläche bestehender Abläufe — sie liest, sortiert, entwirft und extrahiert. Warum wir KI-Features grundsätzlich so bauen, steht in KI, die nicht auffällt; hier geht es um die Prozesse selbst.
Noch ein Wort zur Rechnung, bevor die Liste beginnt. „Rechnet sich“ heißt bei uns immer dasselbe: Stapelgröße mal Minuten pro Stück mal Wochen im Jahr — dagegen die Kosten für Bau und Betrieb. Kein Fall auf dieser Liste braucht dafür Fantasie-Annahmen; alle sieben leben von Vorgängen, die sich in jedem Betrieb zählen lassen. Und alle sieben teilen eine zweite Eigenschaft: Sie ersetzen niemanden. Sie nehmen den Teil der Arbeit, den niemand vermissen wird.
1. Belegauslese: Fotografieren statt abtippen
Rechnungen, Quittungen, Bewirtungsbelege kommen als Foto oder PDF an; ein Vision-Modell liest Datum, Betrag, Steuersatz und Lieferant und schreibt strukturierte Datensätze — direkt ins Buchhaltungssystem. Mit TaxCastle betreiben wir genau das für Steuerkanzleien: Beleg fotografieren, DATEV-konformer Buchungssatz. Der Unterschied zu klassischem OCR: Das Modell versteht auch Belege, die es nie gesehen hat — fremde Layouts, schiefe Fotos, gemischte Sprachen — statt an starren Vorlagen zu kleben. Realistisch spart das die Tipparbeit fast vollständig: Aus Minuten pro Beleg werden Sekunden, bei hunderten Belegen im Monat sind das ganze Arbeitstage.
Woran es scheitert: an den letzten Prozenten. Handschriftliches, ausgeblichene Thermobelege, exotische Layouts. Wer die unsicheren Fälle nicht in eine menschliche Prüf-Schleife leitet, hat statt Zeitersparnis ein Vertrauensproblem — und ein Buchhaltungsproblem obendrauf.
2. E-Mail-Triage: Das Sammelpostfach sortiert sich selbst
Das info@-Postfach ist in vielen Betrieben eine ungeliebte Halbtagsstelle: sichten, zuordnen, weiterleiten. Ein Modell klassifiziert eingehende Mails — Bestellung, Reklamation, Rechnung, Bewerbung — leitet sie an die richtige Stelle und legt für Standardfälle einen Antwortentwurf bei. Gespart wird die tägliche Sichtungszeit, und nichts bleibt drei Tage unbeantwortet liegen, weil es „irgendwem“ gehörte. Technisch ist das der dankbarste Einstieg: Die Mails liegen schon digital vor, die Anbindung ans Postfach ist Standard, und der Prozess lässt sich parallel zum Alltag testen, ohne irgendetwas umzustellen.
Woran es scheitert: an unscharfen Kategorien. Wenn intern niemand sagen kann, was eine Reklamation von einer Rückfrage unterscheidet, kann das Modell es auch nicht. Und eine Regel gilt immer: Entwürfe ja, automatisch senden nein.
3. Angebotsentwürfe: Die erste Fassung in Minuten
Aus der Kundenanfrage, der Preisliste und alten Angeboten entsteht ein Entwurf: Positionen, Mengen, Textbausteine. Der Vertrieb prüft und korrigiert, statt bei null zu beginnen — aus einer Stunde pro Angebot wird eine Viertelstunde, und Angebote gehen am selben Tag raus statt „bis Ende der Woche“. Gut funktioniert das dort, wo Angebote aus wiederkehrenden Bausteinen bestehen — Handwerk, Handel, Dienstleistung mit Katalog. Schlecht dort, wo jedes Angebot ein Unikat mit eigener Kalkulation ist.
Woran es scheitert: wenn die Preislogik in Köpfen statt in Daten liegt. Ohne gepflegte Preisliste erfindet das Modell Konditionen — und ein Angebot mit halluziniertem Rabatt ist teurer als gar keins.
4. Wissenssuche über interne Dokumente
Handbücher, Verträge, Protokolle, das Wiki, der Ordner „Wichtig_final_v3“: Ein Retrieval-System findet auf eine Frage die relevanten Passagen und formuliert die Antwort mit Quellenangabe. Die ehrlichste Beschreibung ist „Suche, die Antworten gibt“. Gespart wird Suchzeit, die Einarbeitung neuer Kollegen — und die Dauerbelastung des einen Kollegen, der alles weiß. Der unterschätzte Effekt zeigt sich nach Monaten: Fragen, die früher Meetings ausgelöst haben, beantworten sich zwischen Tür und Angel — und die Dokumentation wird besser, weil sie plötzlich gelesen wird.
Woran es scheitert: Müll rein, Müll raus. Wer veraltete Dokumente indexiert, bekommt selbstbewusst veraltete Antworten. Und Berechtigungen sind Pflicht: Die Wissenssuche darf nicht mehr wissen als derjenige, der fragt. Ein pragmatischer Start: erst nur einen gepflegten Korpus indexieren — das QM-Handbuch, die Technik-Doku —, dessen Antworten sich leicht überprüfen lassen.
5. Berichtszusammenfassungen
Lange Berichte, Besprechungsprotokolle, Prüfberichte — zusammengefasst nach festem Schema: Was ist passiert, wer ist zuständig, welche Punkte sind offen. Führungskräfte lesen fünf Minuten statt fünfzig, und die Vorbereitung der Montagsrunde macht sich fast von selbst. Dasselbe Muster trägt Besprechungen: Aus der Aufnahme wird ein Protokoll mit Aufgabenliste — vorausgesetzt, alle Beteiligten wissen davon und sind einverstanden.
Woran es scheitert: bei Zahlen und Zuständigkeiten. Eine Zusammenfassung, die eine Zahl falsch überträgt, ist gefährlicher als keine. Deshalb gehören Quellenverweise in jede Zusammenfassung — damit die kritische Stelle in Sekunden im Original prüfbar ist.
6. Übersetzung und Tonlage
Korrespondenz und Dokumentation zwischen Deutsch und Englisch, mit Firmen-Glossar und einheitlichem Ton — die förmliche Eskalationsmail genauso wie die freundliche Absage. Gespart wird das Übersetzungsbüro für Alltagstexte und vor allem Antwortzeit gegenüber internationalen Kunden. Das Glossar ist dabei kein Nice-to-have, sondern der halbe Wert: Wer einmal festlegt, wie Produktnamen und Fachbegriffe übersetzt werden, bekommt konsistente Texte — auch von Kollegen, die bisher um englische Mails einen Bogen gemacht haben.
Woran es scheitert: an Fachterminologie ohne Glossar — und an Verbindlichem. Verträge und sicherheitsrelevante Texte gehören weiterhin durch professionelle Prüfung, keine Diskussion.
7. Datenextraktion aus Formularen
Aufmaßzettel, Lieferscheine, Anträge, Prüfprotokolle — halbstrukturierte Papiere, die heute jemand in Masken abtippt. Ein Modell extrahiert die Felder in Datensätze, der Mensch prüft nur die als unsicher markierten. Das ist der klassische Fall unserer Dokumenten-Automatisierung — und meistens der Prozess mit dem schnellsten Rückfluss, weil der Stapel jeden Tag nachwächst. Über die Akzeptanz entscheidet die Prüf-Oberfläche: Original links, erkannte Felder rechts, unsichere Werte markiert — dann ist Prüfen eine Sache von Sekunden statt einer zweiten Erfassung.
Woran es scheitert: an Formularen, die keine sind. Freitext-Zettel, drei Handschriften, Kaffeefleck. Realistisch plant man eine Restquote ein, die beim Menschen landet — und misst sie, statt sie zu verdrängen.
Woran man erkennt, dass ein Prozess KI-tauglich ist
Die sieben Fälle haben ein gemeinsames Muster. Wer prüfen will, ob ein eigener Prozess dazugehört, legt fünf Kriterien an:
- Er wiederholt sich oft. Zehnmal im Monat lohnt selten ein Modell; hundertmal die Woche fast immer.
- Unstrukturiert rein, strukturiert raus. Foto, Mail oder PDF auf der einen Seite — Datensatz, Kategorie oder Entwurf auf der anderen. Genau dazwischen ist KI stark.
- Fehler sind erkennbar und korrigierbar. Ein Mensch kann das Ergebnis in Sekunden prüfen, und die Korrektur fließt zurück ins System.
- Es gibt Beispiele. Ein paar hundert historische Fälle, an denen sich die Qualität messen lässt, bevor der Prozess umgestellt wird.
- 80 % reichen. Wenn der Prozess nur bei 100 % Genauigkeit funktioniert, ist er (noch) kein KI-Fall. Wenn 80 % Automatik plus 20 % Mensch bereits Stunden sparen, ist er einer.
Und ein sechstes Kriterium, das keines der fünf ersetzt: Es gibt einen internen Kümmerer, der den Prozess kennt und die ersten Wochen begleitet. Werkzeuge ohne Paten verwaisen — bei KI schneller als sonst, weil die ersten Fehlklassifikationen sonst niemand auffängt und das Vertrauen weg ist, bevor die Qualität da ist.
Und der ehrlichste Rat zum Schluss: mit einem Prozess anfangen, nicht mit sieben. Mit dem, der den größten Stapel und die klarste Prüfbarkeit hat. Wie wir solche Werkzeuge bauen — Prototyp mit euren echten Daten zuerst, DSGVO-konform, zum Festpreis — steht auf unserer Seite zur KI-Entwicklung. Der zweite Prozess wird danach doppelt so leicht — weil dann Zahlen statt Meinungen auf dem Tisch liegen.
