„KI-Automatisierung“ ist gerade der Begriff, unter dem sehr unterschiedliche Dinge verkauft werden. Ein großer Teil davon ist schlicht Automatisierung — Regeln, Schnittstellen, Wenn-dann-Logik —, die es seit zwanzig Jahren gibt und die auch ohne Sprachmodell funktioniert. Das ist nicht schlimm, aber es verzerrt die Erwartungen und führt zu Projekten, die teurer sind als nötig.
Dieser Artikel zieht eine Trennlinie: Wo kann ein Sprachmodell tatsächlich etwas, das klassische Software nicht kann? Wo ist normale Automatisierung schneller, billiger und zuverlässiger? Und welche Prozesse im Mittelstand lohnen sich zuerst?
Die entscheidende Unterscheidung
Es gibt genau ein Kriterium, und es ist verlässlich:
Klassische Automatisierung eignet sich für strukturierte Eingaben mit festen Regeln. KI eignet sich für unstrukturierte Eingaben mit unscharfen Regeln.
Eine Rechnung aus dem ERP in die Buchhaltung übertragen: strukturierte Daten, feste Regeln — das ist eine Schnittstelle, keine KI-Aufgabe. Aus dreihundert eingehenden E-Mails am Tag herausfinden, welche eine Reklamation sind und worum es geht: unstrukturierte Eingabe, unscharfe Regeln — hier kann ein Sprachmodell etwas, was vorher nur Menschen konnten.
Ohne KI lösen
Regeln
Daten zwischen Systemen bewegen, Formulare verarbeiten, Termine planen, Berichte erzeugen, Freigaben weiterleiten
Mit KI lösen
Sprache
Texte einordnen, aus Dokumenten Daten ziehen, zusammenfassen, Entwürfe schreiben, in Wissensbeständen suchen
Kombiniert
Beides
KI wandelt Unstrukturiertes in Strukturiertes um — den Rest erledigt klassische Automatisierung
Die dritte Spalte beschreibt fast alle Projekte, die bei uns tatsächlich funktionieren. Das Sprachmodell macht genau einen Schritt: aus einer E-Mail, einem PDF oder einem Freitextfeld wird ein sauberer Datensatz. Alles danach ist normaler Code — überprüfbar, testbar, günstig. Wer das Modell dagegen den ganzen Prozess steuern lässt, bekommt ein System, das niemand mehr nachvollziehen kann.
Fünf Prozesse, die sich zuerst lohnen
Aus unseren Projekten im Mittelstand, sortiert nach Verhältnis von Aufwand zu Wirkung:
1. Eingangspost einordnen und weiterleiten
E-Mails oder Formulare nach Anliegen sortieren, Kundennummer und Vorgang erkennen, ins richtige Postfach oder Ticketsystem legen. Der Klassiker, weil das Volumen hoch und die Regel unscharf ist. Aufwand meist 4–8 Wochen.
2. Daten aus Dokumenten ziehen
Lieferscheine, Rechnungen, Bestellungen, Prüfberichte in strukturierte Datensätze überführen — auch wenn jeder Lieferant ein anderes Layout hat. Genau hier scheitern regelbasierte Systeme seit Jahrzehnten.
3. Interne Wissenssuche
Ein durchsuchbarer Zugang zu Handbüchern, Verträgen, Protokollen und Richtlinien, der Fragen mit Quellenangabe beantwortet. Wirkt vor allem dort, wo Wissen in vielen Dokumenten verstreut liegt.
4. Entwürfe für wiederkehrende Texte
Angebotstexte, Standardantworten, Ausschreibungsteile. Wichtig: als Entwurf, den ein Mensch freigibt — nicht als automatischer Versand.
5. Stammdaten prüfen und bereinigen
Dubletten finden, Kategorien vereinheitlichen, Produktbeschreibungen normalisieren. Unspektakulär, aber oft der Punkt, an dem andere Digitalisierungsvorhaben hängen.
Was es realistisch kostet
Grobe Orientierung für ein mittelständisches Unternehmen, ein Prozess:
| Posten | Größenordnung | Anmerkung |
|---|---|---|
| Analyse und Machbarkeit | 5.000–10.000 € | 1–2 Wochen, klärt vor allem die Datenlage |
| Erste produktive Version | 15.000–40.000 € | Anbindung, Modell, Oberfläche, Testfälle |
| Modellkosten laufend | 50–500 €/Monat | Meist überraschend niedrig |
| Betrieb und Pflege | 15–25 % p. a. | Der ehrliche Posten, der oft fehlt |
Die Modellkosten sind fast nie das Problem — das überrascht viele. Ein Prozess mit tausend Vorgängen im Monat kostet an Modellaufrufen oft weniger als ein Softwareabo. Der Aufwand steckt in der Anbindung an eure Systeme, in der Fehlerbehandlung und in der Frage, was passiert, wenn das Modell falsch liegt.
Was den Unterschied macht: die Rückfallebene
Der wichtigste Konstruktionsentscheid ist nicht das Modell, sondern was passiert, wenn es unsicher ist. Ein System, das in 90 Prozent der Fälle richtig liegt, ist entweder sehr nützlich oder unbrauchbar — je nachdem, wie mit den übrigen 10 Prozent umgegangen wird.
Bewährt hat sich ein dreistufiger Aufbau:
- Sicher: Das Modell ist eindeutig — automatisch verarbeiten, im Protokoll nachvollziehbar.
- Unsicher: In eine Prüfliste legen. Ein Mensch entscheidet mit einem Klick, das Ergebnis fließt in die Testfälle zurück.
- Fehlerfall: Modell nicht erreichbar, Format unerwartet — auf den bisherigen manuellen Weg zurückfallen, ohne dass jemand etwas merkt.
Die mittlere Stufe ist der Kern. Sie macht aus einem System, dem man nicht ganz trauen kann, ein System, das trotzdem den Großteil der Arbeit abnimmt — und sie liefert nebenbei die Daten, mit denen sich die Trefferquote über die Zeit verbessern lässt.
Wie man den Nutzen ehrlich misst
Vor dem Projekt, nicht danach. Drei Zahlen genügen:
- Volumen. Wie viele Vorgänge dieser Art gibt es pro Monat? Unter etwa hundert lohnt sich Automatisierung selten.
- Zeit pro Vorgang. Wie lange dauert die Bearbeitung heute wirklich — nicht geschätzt, sondern eine Woche lang gemessen.
- Anteil der Standardfälle. Wie viel Prozent laufen ohne Besonderheiten durch? Das ist die realistische Obergrenze der Automatisierung.
Aus diesen drei Zahlen ergibt sich eine belastbare Erwartung. Ein Prozess mit 800 Vorgängen im Monat, 6 Minuten Bearbeitung und 70 Prozent Standardfällen bindet rund 56 Stunden monatlich, davon sind etwa 39 automatisierbar. Das ist eine Zahl, gegen die sich ein Angebot prüfen lässt — und ehrlicher als jede Prozentangabe aus einer Anbieterbroschüre.
Die häufigsten Fehler
| Fehler | Was stattdessen |
|---|---|
| Mit dem komplexesten Prozess anfangen | Mit dem mit dem höchsten Volumen und den klarsten Regeln |
| Vollautomatisierung als Ziel | 70–80 % automatisch, Rest in die Prüfliste |
| Ohne Messung starten | Eine Woche den Ist-Zustand messen, sonst ist der Erfolg später Ansichtssache |
| Betroffene erst beim Rollout einbeziehen | Von Anfang an — sie kennen die Ausnahmen, die im Konzept fehlen |
| Modell entscheidet den ganzen Prozess | Modell strukturiert nur, Code entscheidet |
| Datenschutz am Ende klären | Vor dem ersten Prototyp — er bestimmt die Architektur |
Der vorletzte Punkt ist der teuerste. Ein Sprachmodell, das über einen Freigabeprozess entscheidet, ist nicht überprüfbar und im Zweifel nicht verantwortbar. Ein Sprachmodell, das aus einer E-Mail einen strukturierten Datensatz macht, über den dann normaler Code entscheidet, ist beides.
Prozess prüfen lassen
Wir sehen uns einen konkreten Prozess an und sagen ehrlich, ob KI dafür das richtige Werkzeug ist — oder ob eine Schnittstelle schneller und billiger wäre. Mehr zur KI-Transformation oder direkt zur Umsetzung als Python Agentur.
Erstgespräch vereinbaren →Fazit
KI-Automatisierung lohnt sich im Mittelstand — aber deutlich schmaler, als der Begriff vermuten lässt. Der Nutzen liegt fast immer an einer einzigen Stelle im Prozess: dort, wo unstrukturierte Eingaben in strukturierte Daten überführt werden müssen. Alles davor und danach ist klassische Softwareentwicklung, und die sollte es auch bleiben.
Wer damit anfangen will, braucht keine Strategie und kein Werkzeugvergleichsprojekt. Es genügt, eine Woche lang zu messen, welcher wiederkehrende Vorgang das meiste Volumen bindet — und dann genau diesen anzugehen, mit einer Prüfliste für die unsicheren Fälle und einem Rückweg für den Fehlerfall.
Das ist unspektakulärer als das, was auf Konferenzen gezeigt wird. Es funktioniert dafür.