e-laborat

/ Blog

Warum KI-Projekte ohne Dokumentation scheitern — und wie Sie es besser machen

e-laborat

Warum KI-Projekte ohne Dokumentation scheitern — und wie Sie es besser machen

87% der KI-Projekte im deutschen Mittelstand werden nach sechs Monaten nicht mehr aktiv genutzt. Diese Zahl stammt aus unserer Analyse von 23 Projekten, die wir zwischen Januar und Oktober 2024 begleitet haben. Der Grund ist fast nie die Technologie selbst. Es ist die fehlende oder mangelhafte Dokumentation.

Letzten Monat saß ich bei einem Maschinenbauer in Stuttgart. Der Geschäftsführer zeigte mir stolz ihre neue KI-Lösung für die Angebotsautomatisierung. "Hat uns 120.000 Euro gekostet", sagte er. Drei Monate später rief er an: "Keiner nutzt das System mehr. Der Kollege, der es eingeführt hat, ist weg. Niemand weiß, wie es funktioniert."

Das Dokumentations-Paradox des deutschen Mittelstands

Deutsche Mittelständler geben im Schnitt 50.000 bis 200.000 Euro für KI-Tools und -Beratung aus. Für die Dokumentation dieser Systeme? Meist null Euro. Bestenfalls wird ein Student beauftragt, "mal was zusammenzuschreiben". Das Ergebnis: Nach dem ersten Personalwechsel liegt das teure KI-System brach.

Das Paradoxe daran: Dieselben Unternehmen, die seit Jahrzehnten penibel ihre Maschinenhandbücher pflegen, behandeln ihre KI-Systeme wie Black Boxes. "Das macht die KI schon", höre ich oft. Nein, macht sie nicht. Ohne strukturierte Wissensbasis und dokumentierte Prozesse produziert auch die beste KI nur teuren Unsinn.

Ein Automobilzulieferer aus Wolfsburg hat das schmerzlich erfahren. Ihre KI für die Qualitätskontrolle funktionierte perfekt — bis sie nach einem Update plötzlich 40% Fehlalarme produzierte. Der Grund: Niemand hatte dokumentiert, mit welchen Parametern das System trainiert wurde. Die Neukalibrierung dauerte sechs Wochen und kostete 35.000 Euro. Mit einer ordentlichen Dokumentation wäre das in zwei Tagen erledigt gewesen.

Die zwei Säulen erfolgreicher KI-Integration

Nach drei Jahren KI-Beratung für den Mittelstand haben wir gelernt: Erfolgreiche KI-Projekte ruhen auf zwei Säulen.

Säule 1: Die Wissensdatenbank — was wirklich rein muss

Die meisten Unternehmen machen hier den ersten Fehler: Sie kippen alles in die Wissensdatenbank. Jedes Meeting-Protokoll, jede E-Mail, jeden Prozess der letzten 20 Jahre. Das Ergebnis ist digitaler Müll, mit dem keine KI arbeiten kann.

Was wirklich in Ihre Wissensdatenbank gehört:

Entscheidungsmuster: Nicht das Protokoll der Vorstandssitzung, sondern die Logik hinter Entscheidungen. Beispiel: "Aufträge über 50.000 Euro mit Lieferzeit unter 4 Wochen werden priorisiert, weil..." Ausnahmeregeln: KI versagt bei Ausnahmen. Dokumentieren Sie diese explizit. "Kunde XY bekommt immer Sonderkonditionen, weil er 1987 bei der Firmengründung geholfen hat" — solche Regeln muss die KI kennen. Fehlerhistorie: Was ist schiefgelaufen und warum? Ein Metallverarbeiter dokumentierte, warum bestimmte Legierungen bei Frost Probleme machen. Die KI warnt jetzt automatisch bei Winteraufträgen. Kundenwissen: Nicht die CRM-Datenbank kopieren, sondern das implizite Wissen. "Herr Meyer von Firma ABC ruft immer montags an und erwartet sofortige Antwort" — sowas steht in keinem CRM.

Was Sie getrost weglassen können:

  • Allgemeine Unternehmenshistorie
  • Marketing-Floskeln aus Präsentationen
  • Veraltete Prozessbeschreibungen
  • Redundante Meeting-Protokolle

Säule 2: Skills und Prozesse — KI-Workflows, die überleben

Die zweite Säule ist noch kritischer: Wie dokumentiert man KI-Workflows so, dass sie auch in sechs Monaten noch funktionieren? Hier versagen die meisten Projekte.

Ein konkretes Beispiel aus unserer Praxis: Ein Händler für Industriebedarf wollte seine Angebotsstellung automatisieren. Statt eines 200-seitigen Konzepts haben wir drei Dinge dokumentiert:

  1. Der Trigger-Katalog: Wann startet welcher KI-Prozess? "E-Mail mit Betreff 'Anfrage' → KI-Angebotsassistent". Simpel, aber entscheidend.
  1. Die Entscheidungsmatrix: Bei welchen Parametern entscheidet die KI selbst, wann muss ein Mensch ran? "Anfragen unter 5.000 Euro → automatisch. Sonderanfertigungen → immer manuell."
  1. Das Fehler-Playbook: Was tun, wenn die KI Mist baut? "Bei Preisfehlern über 20% → sofort Vertriebsleiter informieren, Angebot zurückziehen, Kunde anrufen."

Diese drei Dokumente passen auf 10 Seiten. Sie werden wöchentlich aktualisiert und monatlich reviewt. Das System läuft seit 14 Monaten stabil.

Praktische Umsetzung mit Claude — ohne Bullshit

Claude Projects hat die Dokumentation für KI demokratisiert. Aber Vorsicht: Wie bei jedem Werkzeug kommt es darauf an, wie man es nutzt. Hier unser erprobter Ansatz:

Schritt 1: Bestandsaufnahme mit System

Bevor Sie auch nur ein Dokument hochladen, machen Sie eine Bestandsaufnahme. Welches Wissen ist wirklich geschäftskritisch? Ein Prompt, der bei unseren Kunden funktioniert:

Analysiere folgende Geschäftsprozesse und identifiziere die Top 5 Wissenslücken, 
die eine KI-Automatisierung verhindern würden:
[Ihre Prozessliste]

Fokus auf:
- Implizites Wissen, das nur in Mitarbeiterköpfen existiert
- Ausnahmeregeln, die nirgends dokumentiert sind  
- Entscheidungslogiken, die "schon immer so gemacht wurden"

Schritt 2: Strukturierte Dokumentenerstellung

Statt PDF-Berge hochzuladen, erstellen Sie strukturierte Dokumente. Hier ein Python-Script, das wir für die Vorverarbeitung nutzen:

import json
from datetime import datetime

def create_knowledge_entry(title, context, decision_rules, exceptions):
    """Erstellt einen strukturierten Wissensbaustein für Claude"""
    return {
        "id": f"KB_{datetime.now().strftime('%Y%m%d_%H%M%S')}",
        "title": title,
        "context": context,
        "decision_rules": decision_rules,
        "exceptions": exceptions,
        "last_updated": datetime.now().isoformat(),
        "status": "active"
    }

# Beispiel-Nutzung
knowledge = create_knowledge_entry(
    title="Preisfindung Sonderanfertigungen",
    context="Kalkulation für kundenspezifische Produkte",
    decision_rules=[
        "Grundpreis = Materialkosten * 2.3",
        "Bei Stückzahl < 100: Aufschlag 25%",
        "Expresszuschlag: 15% bei Lieferzeit < 2 Wochen"
    ],
    exceptions=[
        "Kunde ABC: immer Grundpreis * 1.8 (Rahmenvertrag)",
        "Materialgruppe X: kein Expresszuschlag möglich"
    ]
)

# Speichern für Claude-Import
with open('knowledge_base.json', 'w', encoding='utf-8') as f:
    json.dump(knowledge, f, ensure_ascii=False, indent=2)

Schritt 3: DSGVO-konforme Integration

Claude in Unternehmen einzusetzen bedeutet, Datenschutz ernst zu nehmen. Unsere Checkliste:

  • Keine Personendaten: Namen und persönliche Infos durch Platzhalter ersetzen
  • Vertragsprüfung: Anthropics DPA unterschreiben lassen (dauert 2-3 Wochen)
  • Zugriffskontrolle: Wer darf was? Dokumentieren Sie das bevor Sie starten
  • Datenminimierung: Nur geschäftskritisches Wissen, keine "nice to have"-Infos

Ein Kunde wollte seine komplette E-Mail-Historie der letzten 5 Jahre hochladen. Wir haben stattdessen 50 repräsentative Kundenanfragen anonymisiert und kategorisiert. Ergebnis: Gleiche Leistung, DSGVO-konform, 1/100 der Datenmenge.

Was Claude kann — und was nicht

Nach hunderten Stunden Arbeit mit Claude Projects die Realität:

Claude ist exzellent bei:
  • Strukturierung von unstrukturiertem Wissen
  • Erkennen von Mustern in Geschäftsprozessen
  • Generierung von Dokumentationsvorlagen
  • Konsistenzprüfungen über große Dokumentmengen
Claude versagt bei:
  • Echtzeitdaten (alles nach April 2024 kennt er nicht)
  • Mathematisch präzisen Kalkulationen ohne Kontext
  • Firmenpolitischen Nuancen ("Der Chef mag das nicht")
  • Integration in Legacy-Systeme ohne API

Der e-laborat-Ansatz: Dokumentation in 3 Wochen statt 3 Monaten

Ein mittelständischer Softwarehersteller aus München kam zu uns mit einem typischen Problem: KI-Tool gekauft, niemand nutzt es, Dokumentation nicht vorhanden. Unser Ansatz:

Woche 1: Wissens-Archäologie

Wir haben nicht mit Workshops angefangen, sondern mit Beobachtung. Drei Tage lang haben wir den Mitarbeitern über die Schulter geschaut. Wann greifen sie zum Telefon statt zur KI? Welche Entscheidungen treffen sie aus dem Bauch heraus?

Ergebnis: 23 undokumentierte Entscheidungsmuster identifiziert. Beispiel: "Bei Anfragen aus der Schweiz immer 15% Aufschlag, weil Zollabwicklung nervt." Stand in keinem Handbuch.

Woche 2: Strukturierte Erfassung

Statt eines Dokumentations-Marathons: Jeden Tag 30 Minuten mit einem anderen Mitarbeiter. Konkrete Fragen zu konkreten Fällen. Die Python-Automatisierung half beim Strukturieren.

Tool-Setup:

  • Obsidian für die Wissenserfassung (kostenlos, offline-fähig)
  • Python-Scripts für die Aufbereitung
  • Claude Projects für die Validierung
  • Git für die Versionierung (ja, auch für Nicht-Entwickler)
Woche 3: Integration und Test

Die fertige Dokumentation direkt in echten Anwendungsfällen testen. Kann die KI jetzt die Schweizer Anfrage richtig bearbeiten? Erkennt sie die Sonderkondition für Bestandskunden?

Die Zahlen nach 2 Monaten

  • Zeitersparnis: 40% bei Routineanfragen (vorher: 45 Min/Anfrage, nachher: 27 Min)
  • Fehlerquote: Von 12% auf 3% gesunken
  • Mitarbeiterakzeptanz: 8 von 10 nutzen das System täglich (vorher: 2 von 10)
  • ROI: Break-even nach 73 Tagen

Was wir heute anders machen würden

Perfektion ist der Feind des Fortschritts. Unsere Learnings:

  1. Früher live gehen: Wir haben zwei Wochen an der "perfekten" Struktur gefeilt. Verschwendete Zeit. Besser: Nach einer Woche mit 80% starten und iterieren.
  1. Mehr Visualisierung: Mitarbeiter verstehen Flowcharts besser als Textbeschreibungen. Heute nutzen wir Mermaid-Diagramme für jeden Prozess.
  1. Skeptiker einbinden: Der größte Kritiker wurde unser bester Botschafter, nachdem wir seine Spezialfälle als Erste dokumentiert hatten.

So geht's jetzt weiter — Ihre 3-Punkte-Checkliste

1. Der Montag-Morgen-Start

Nehmen Sie sich eine Stunde Zeit und identifizieren Sie Ihren schmerzhaftesten Wissensverlust. Welcher Prozess bricht zusammen, wenn Ihr Spezialist krank wird? Dokumentieren Sie genau diesen einen Prozess. Nicht mehr, nicht weniger.

Format-Vorlage:

PROZESS: [Name]
TRIGGER: [Wann startet das?]
SCHRITTE: [1. dies, 2. das, 3. jenes]
ENTSCHEIDUNGEN: [Wenn X, dann Y]
AUSNAHMEN: [Kunde Z immer anders]
ANSPRECHPARTNER: [Wer hilft bei Problemen?]

2. Die Falle der Tool-Gläubigkeit

Kaufen Sie nicht sofort das nächste KI-Tool. Die meisten Mittelständler haben bereits 3-5 ungenutzte Lizenzen in der Schublade. Starten Sie mit dem, was da ist. Claude's Free Tier reicht für erste Tests völlig aus.

Was Sie wirklich brauchen:

  • Einen strukturierten Ablageort (kann ein geteiltes Laufwerk sein)
  • Eine Person, die Verantwortung übernimmt (nicht "das Team")
  • 2 Stunden pro Woche für Updates

Was Sie nicht brauchen:

  • Eine 500.000-Euro-Enterprise-Lösung
  • Externe Berater für die Strategieentwicklung (die Strategie kennen Sie selbst am besten)
  • Perfekte Prozesse vor dem Start

3. Das Angebot, das wir ungern machen

Für 1.500 Euro (plus MwSt.) machen wir einen Dokumentations-Audit Ihrer bestehenden KI-Projekte. Warum ungern? Weil 80% der Unternehmen das selbst hinbekommen, wenn sie strukturiert rangehen.

Was Sie bekommen:

  • 2 Tage Vor-Ort-Analyse
  • Konkrete Dokumentationslücken-Liste
  • Python-Scripts für Ihre Anwendungsfälle
  • 30-Tage-Nachbetreuung per Slack

Was Sie nicht bekommen:

  • 200-Seiten-Strategiepapiere
  • PowerPoint-Schlachten
  • Berater-Sprech

Wenn Sie lieber selbst starten: Respekt. Die wichtigsten KI-Metriken haben wir bereits gebloggt.

Die unbequeme Wahrheit zum Schluss

KI-Dokumentation ist unsexy. Sie bringt keine Schlagzeilen, keine Innovations-Preise, keine Standing Ovations auf Konferenzen. Aber sie ist der Unterschied zwischen einem KI-Projekt, das funktioniert, und einem, das nach sechs Monaten im digitalen Friedhof landet.

Ein letztes Beispiel: Ein Kunde hat gegen unseren Rat 200.000 Euro in eine "KI-getriebene Vertriebsplattform" investiert. Dokumentation? "Macht der Anbieter." Nach vier Monaten war der Anbieter pleite, die Dokumentation nicht existent, das System nicht mehr nutzbar. Die Neuentwicklung mit ordentlicher Dokumentation kostete 80.000 Euro und funktioniert seit 18 Monaten problemlos.

Die Wahl liegt bei Ihnen: 50.000 Euro für das nächste glänzende KI-Tool oder 10.000 Euro für eine Dokumentation, die Ihre bestehenden Systeme endlich nutzbar macht. Wir wissen, was wir empfehlen.

Fangen Sie morgen an. Nicht mit einem Strategie-Workshop. Nicht mit einem Tool-Vergleich. Sondern mit der Dokumentation dessen, was Sie bereits haben. Das ist der Unterschied zwischen KI-Theater und echter Transformation.