Erster Durchstich
2–4 Wochen
Modellkosten typisch
50–500 € / Monat
Datenverarbeitung
EU, mit AV-Vertrag
Sechs Anwendungen, die sich in der Praxis rechnen
Dokumente auswerten
Rechnungen, Lieferscheine, Prüfberichte in strukturierte Daten überführen — auch wenn jeder Lieferant ein anderes Layout hat. Hier scheitern regelbasierte Systeme seit Jahrzehnten.
Interne Wissenssuche
Handbücher, Verträge, Protokolle durchsuchbar machen, mit Antworten samt Quellenangabe. Wirkt dort, wo Wissen über viele Dokumente verstreut liegt.
Eingangspost einordnen
E-Mails und Formulare nach Anliegen sortieren, Vorgang erkennen, ins richtige Postfach legen. Der Klassiker, weil das Volumen hoch und die Regel unscharf ist.
Stammdaten bereinigen
Dubletten finden, Kategorien vereinheitlichen, Produkttexte normalisieren. Unspektakulär, aber oft der Punkt, an dem andere Vorhaben hängen.
Assistenz im Fachsystem
Ein Assistent, der eure Daten kennt und im Kontext der Anwendung hilft — statt eines allgemeinen Chatfensters daneben.
Entwürfe für Standardtexte
Angebotsbausteine, Standardantworten, Ausschreibungsteile. Als Entwurf zur Freigabe, nicht als automatischer Versand.
Aufwand und Wirkung im Vergleich
| Anwendung | Aufwand erste Stufe | Voraussetzung | Wirkt, wenn |
|---|---|---|---|
| Dokumente auswerten | 25.000–45.000 € | Belege digital vorhanden | über 200 Belege im Monat |
| Interne Wissenssuche | 20.000–40.000 € | Dokumente an einem Ort | Wissen verstreut, viele Rückfragen |
| Eingangspost einordnen | 20.000–35.000 € | Zugriff auf Postfach oder Ticketsystem | über 300 Vorgänge im Monat |
| Stammdaten bereinigen | 10.000–25.000 € | Exportierbare Datenbasis | Datenqualität blockiert anderes |
| Assistenz im Fachsystem | 35.000–70.000 € | Eigene Anwendung mit API | tägliche Nutzung durch viele |
| Entwürfe für Standardtexte | 10.000–20.000 € | Beispiele guter Texte | wiederkehrende Formulierungen |
Die Spalte ganz rechts ist die wichtigste. Fast jede dieser Anwendungen ist technisch machbar — ob sie sich lohnt, entscheidet das Volumen. Deshalb steht am Anfang jedes Projekts eine Woche Messung: Wie viele Vorgänge dieser Art gibt es tatsächlich, und wie lange dauert die Bearbeitung heute?
Kaufen oder bauen?
Standardprodukt nehmen
Meeting-Protokolle, Übersetzung, allgemeine Schreibassistenz, Bildbearbeitung. Verbreitete Anwendungsfälle mit guten Produkten am Markt — Eigenentwicklung wäre hier Geldverbrennung, und wir sagen das auch.
Selbst bauen
Sobald eure Daten, eure Berechtigungen und eure Abläufe im Spiel sind. Standardprodukte scheitern regelmäßig nicht am Modell, sondern an der Anbindung an gewachsene Systeme.
Datenschutz entscheidet mit
Wo Daten das Haus nicht verlassen dürfen, fallen viele Produkte aus. Dann bleiben offene Modelle auf eigener Hardware — machbar, aber mit spürbaren Abstrichen bei der Qualität.
Der Zwischenweg
Häufig die beste Lösung: ein Standardprodukt für den allgemeinen Teil, eine schmale Eigenentwicklung für die Anbindung an eure Systeme. Weniger Aufwand als ein Eigenbau, weniger Grenzen als reine Standardsoftware.
Wie ein Projekt abläuft
Messen
1 Woche
Volumen und Bearbeitungszeit des Vorgangs erheben — sonst ist der Erfolg später Ansichtssache
Machbarkeit
1–2 Wochen
An echten Daten prüfen, ob die Trefferquote ausreicht. Ergebnis kann auch „lohnt sich nicht“ sein
Durchstich
Woche 3–8
Ein Anwendungsfall End-to-End, angebunden an ein echtes System, mit Prüfliste für unsichere Fälle
Härtung
Woche 8–14
Evaluation, Kostendeckel, Rückfallebene, Berechtigungen, Datenschutzdokumentation
Betrieb
danach
Monitoring, Nachjustierung, Ausbau auf weitere Vorgänge
Häufige Fragen zu KI-Anwendungen
Welche KI-Anwendungen lohnen sich für Unternehmen am ehesten?
Die verlässlichsten sind unspektakulär: Dokumente auswerten, interne Wissensbestände durchsuchbar machen, eingehende Anfragen einordnen und weiterleiten, Entwürfe für wiederkehrende Texte erzeugen. Gemeinsam ist ihnen, dass unstrukturierte Eingaben in strukturierte Daten überführt werden — genau dort kann ein Sprachmodell etwas, das klassische Software nicht kann.
Was ist der Unterschied zwischen KI-Software und normaler Software?
KI-Software liefert Ergebnisse mit einer Wahrscheinlichkeit, normale Software mit einer Garantie. Eine Rechnung wird von klassischem Code immer gleich berechnet; ein Modell, das aus einem PDF Daten liest, liegt in einem Teil der Fälle falsch. Deshalb braucht jede KI-Anwendung eine Prüfstufe für unsichere Fälle — das ist der Konstruktionsunterschied, nicht das Modell.
Was kostet eine KI-Lösung für ein Unternehmen?
Ein abgegrenzter Prototyp zur Prüfung einer Annahme ab etwa 10.000 Euro, eine erste produktive Ausbaustufe mit Anbindung an eure Systeme zwischen 25.000 und 60.000 Euro. Die laufenden Modellkosten sind meist überraschend niedrig — oft 50 bis 500 Euro monatlich. Der Aufwand steckt in der Anbindung, der Fehlerbehandlung und der Frage, was passiert, wenn das Modell falsch liegt.
Standard-KI-Software kaufen oder eigene Lösung bauen?
Kaufen, wenn euer Anwendungsfall verbreitet ist: Meeting-Protokolle, Übersetzung, allgemeine Assistenz. Dafür gibt es gute Produkte, und Eigenentwicklung wäre Verschwendung. Bauen, wenn die Anwendung auf eure Daten und Abläufe zugreifen muss — dort scheitern Standardprodukte regelmäßig an Schnittstellen und Berechtigungen.
Wie lange dauert es bis zur ersten nutzbaren KI-Anwendung?
Ein erster Durchstich, der an echten Daten arbeitet, ist in zwei bis vier Wochen machbar. Bis daraus etwas wird, auf das sich Mitarbeitende verlassen, vergehen weitere zwei bis drei Monate — für Evaluation, Fehlerbehandlung, Berechtigungen und Datenschutz. Wer das erste Ergebnis mit dem fertigen System verwechselt, plant zu knapp.
Wann ist KI die falsche Antwort?
Wenn der Ablauf feststeht und die Regeln klar sind. Daten zwischen zwei Systemen zu übertragen ist eine Schnittstelle, keine KI-Aufgabe — auch wenn es gerade als solche verkauft wird. Ebenso bei Entscheidungen mit Rechtsfolge und bei zu geringem Volumen: Unter etwa hundert Vorgängen im Monat trägt sich die Automatisierung selten.
Verwandte Seiten
Umsetzung
KI-Agentur Berlin — wer es baut
Mehr erfahren →Organisation
KI-Transformation — Einführung im Team
Mehr erfahren →Technik
Python Agentur — der Stack dahinter
Mehr erfahren →Kostenlos
KI-Readiness-Check — wo steht ihr?
Mehr erfahren →Überblick
Software Agentur — individuelle Entwicklung
Mehr erfahren →Referenzen
Portfolio — Projekte ansehen
Mehr erfahren →Weiterführende Artikel
Automatisierung
KI-Automatisierung im Mittelstand: Wo sie sich rechnet
Artikel lesen →Use Cases
KI-Anwendungsfälle nach Branche im Überblick
Artikel lesen →Wissenssuche
RAG-System aufbauen: Von Dokumenten zur intelligenten Suche
Artikel lesen →Agenten
MCP-Server bauen: Interne Systeme für KI öffnen
Artikel lesen →Datenschutz
KI und DSGVO: Was Unternehmen beachten müssen
Artikel lesen →Mittelstand
KI im Mittelstand einführen: Ein pragmatischer Leitfaden
Artikel lesen →/ Hintergrund & Wissen
Was KI-Software von normaler Software unterscheidet
Der Unterschied liegt nicht im Können, sondern in der Verlässlichkeit. Klassische Software liefert bei gleicher Eingabe immer dasselbe Ergebnis. Eine KI-Anwendung liefert ein wahrscheinlich richtiges Ergebnis — bei gut gebauten Systemen in 85 bis 95 Prozent der Fälle.
Daraus folgt die wichtigste Konstruktionsentscheidung, und sie hat nichts mit der Modellwahl zu tun: Was passiert mit den übrigen fünf bis fünfzehn Prozent? Ein System, das eindeutige Fälle automatisch verarbeitet, unsichere in eine Prüfliste legt und bei Ausfall auf den bisherigen Weg zurückfällt, ist trotz Fehlerquote sehr nützlich. Dasselbe Modell ohne diese Stufen ist unbrauchbar.
Wer KI-Software einkauft oder beauftragt, sollte deshalb nicht nach der Trefferquote fragen, sondern danach, was bei einem Fehler passiert. Die Antwort verrät mehr über die Qualität der Lösung als jede Prozentangabe.
Warum viele KI-Projekte im Prototyp stecken bleiben
Fast jedes Unternehmen, mit dem wir sprechen, hat bereits etwas gebaut — ein Notebook, ein Chatfenster, eine Demo, die im Meeting funktioniert hat. Der Weg von dort zu einem System, auf das sich Menschen verlassen, ist der eigentliche Aufwand, und er besteht fast vollständig aus klassischer Softwareentwicklung:
- Kontextbeschaffung: Woher kommen die Daten, wie aktuell müssen sie sein, wer darf welche sehen?
- Fehlerverhalten: Was passiert bei Rate-Limits, Timeouts oder einem abgekündigten Modell?
- Kostenkontrolle: Budgets pro Nutzer, Caching, günstigere Modelle für einfache Teilschritte.
- Qualitätsmessung: Referenzfälle, gegen die jede Prompt- oder Modelländerung läuft.
- Datenschutz: Auftragsverarbeitung, EU-Verarbeitung, Löschkonzept — vor dem Prototyp geklärt, nicht danach.
Keiner dieser Punkte ist exotisch. Genau deshalb scheitern KI-Projekte selten am Modell und häufig daran, dass sie als Experiment gestartet und nie in ein Produkt überführt wurden.
KI-Lösungen für den Mittelstand
Große Konzerne bauen Plattformen, der Mittelstand braucht Lösungen für einzelne Vorgänge. Das ist kein Nachteil, sondern der bessere Ausgangspunkt: Ein klar umrissener Vorgang mit messbarem Volumen lässt sich in Wochen umsetzen und liefert eine Zahl, mit der man weiterarbeiten kann.
Unsere Empfehlung ist deshalb konsequent unspektakulär: keine KI-Strategie, kein Werkzeugvergleichsprojekt, sondern eine Woche messen, welcher wiederkehrende Vorgang die meiste Zeit bindet — und genau den angehen. Aus zwei oder drei umgesetzten Anwendungen entsteht eine belastbare Strategie fast von selbst. Aus einem Strategiepapier ohne Umsetzung entsteht keine.