Die KI-Lüge im Mittelstand: Warum der gerade Strich auf der Roadmap eine Illusion ist.

Wer glaubt, der Weg von der ersten Idee zum produktiven Einsatz verläuft ohne Umweg, hat noch nie ein KI-System in einem deutschen Mittelständler implementiert. Diese Lüge wird nicht aus böser Absicht verbreitet. Sie wird verbreitet von Beratern, die noch nie eine echte Implementierung begleitet haben, von Anbietern, die nur ihre Demo verkaufen wollen, und manchmal auch von uns selbst, weil die Wahrheit unbequem ist.

Die Wahrheit ist: KI scheitert im Mittelstand selten am Modell oder an der Rechenleistung. Sie scheitert an dem, was darunter liegt.

Wunsch und Realität

Auf der Folie sieht es immer gleich aus. Pfeil von links nach rechts. „Idee“, „Pilot“, „Rollout“, „Skalierung“. Vier Boxen, drei Pfeile, ein gerader Kurs. Auf einem Whiteboard im Vorstandszimmer wirkt das logisch und überzeugend.

Im echten Leben sieht der Pfeil aus, als hätte man ihn fünf Mal verknotet, dreimal stecken bleiben lassen und nach vier neuen Hindernissen wieder abgesetzt. Das ist kein Versagen. Das ist das Normale.

Eine Episode aus der Beratungspraxis

Ein Projekt der letzten Monate, anonymisiert. Mittelständischer Maschinenbauer, Familienunternehmen, etwa 350 Mitarbeiter. Der Wunsch des Geschäftsführers: ein KI-Assistent, der Lastenhefte automatisch in strukturierte Anforderungslisten überführt. Klingt nach einem Stunde-Pilot, dann Rollout.

In der Audit-Phase stellte sich heraus: Die „aktuellsten“ Lastenheft-Vorlagen lagen in vier verschiedenen SharePoint-Bereichen. Drei davon stammten noch aus der Zeit vor dem letzten ERP-Wechsel. Niemand im Unternehmen konnte mit Sicherheit sagen, welche die führende Vorlage ist.

Der ursprünglich geschätzte Aufwand: drei Wochen Pilot. Realer Aufwand bis zum produktiven Einsatz: vier Monate. Davon drei Monate für die Aufräumarbeit an der Datenbasis. Erst dann hat sich überhaupt eine sinnvolle KI-Anwendung gerechnet.

Genau diese Geschichte erlebe ich in der einen oder anderen Variante in fast jedem Projekt. Die Details unterscheiden sich. Das Muster nicht.

Die vier Hindernisse, an denen KI im Mittelstand wirklich scheitert

1. Der Daten-Sumpf

Die erste Frage, die im Audit gestellt werden muss, lautet nicht: „Welches Modell setzen wir ein?“ Sie lautet: „Wem gehören diese Daten?“

Die Antwort ist im Mittelstand fast immer: niemandem so richtig. Stücklisten leben in vier Systemen parallel. Bauteilstände kennt nur ein bestimmter Mensch im Kopf. Reviews kommen per E-Mail-Anhang in Outlook und landen in einem persönlichen Ordner, den niemand außer dem Empfänger kennt. Die Excel-Datei, die als Wahrheit gilt, hat seit 2019 keiner mehr versioniert.

Das ist kein Vorwurf. Das ist die normale Datenrealität in Unternehmen, die in den letzten 30 Jahren organisch gewachsen sind. Aber es ist auch der Grund, warum eine KI-Anwendung, die auf diesen Daten ansetzt, von Tag eins an gegen die eigene Datenbasis kämpft.

Was als „Data Lake“ geplant wird, entpuppt sich oft als Sumpf, der erst Trockenlegung braucht. Drei Monate. Manchmal sechs.

2. Die „Es funktioniert“-Falle

Das Modell läuft im Test. In der kontrollierten Demo-Umgebung mit drei sauberen Beispielen sieht alles gut aus. Der Vorstand ist begeistert. Das Pilotprojekt wird genehmigt.

Dann kommt die Realität. Das Modell halluziniert eine DIN-Norm, die es so nie gegeben hat. Es erfindet eine Materialeigenschaft, weil im Trainingsdatensatz eine Lücke war. Es verwechselt zwei Bauteilversionen, weil die Bezeichnungen sich nur durch eine Endung unterscheiden, die der Vorlieferant intern nutzt, aber nicht der Hersteller.

Jeder gelöste Sonderfall produziert zwei neue. Das ist keine Fehlfunktion. Das ist die statistische Natur generativer Modelle. Sie interpolieren plausibel, sie garantieren nichts.

3. Die Compliance-Wand

IT-Sicherheit und Recht sind keine Bremsen. Sie sind der Kern der Arbeit. Wer das ignoriert, baut ein technisches Luftschloss, das die erste Sicherheitsprüfung nicht überlebt.

Im Mittelstand kommt erschwerend hinzu, dass die IT-Sicherheits-Funktion oft halbtags besetzt ist oder fehlt. Compliance-Anforderungen sind aber dieselben wie im Konzern. DSGVO, Auftragsverarbeitungsverträge, Datenresidenz, Audit-Fähigkeit. Bei manchen Branchen kommen Spezifika dazu: IATF 16949 in der Automotive-Zulieferindustrie, Medical Device Regulation in der Medizintechnik, Geheimschutz in der Verteidigungsbranche.

Was funktioniert, sind technische Maßnahmen, die Compliance erzwingen statt nur dokumentieren. Logging jeder Tool-Nutzung. Prüf-Hooks, die Werte ohne Quellenangabe blockieren. Klare Permission-Strukturen. Das ist machbar, kostet aber Aufwand, und der muss eingeplant sein, nicht hinterhergeschoben.

4. Der Faktor Mensch

Das Tool ist fertig, aber das Team wurde nicht mitgenommen. Die Nutzungsrate bleibt bei null. Drei Monate später wird das Projekt eingestampft, weil „es niemand verwendet“.

Change-Management ist im Mittelstand das am häufigsten unterschätzte Risiko. Es ist nicht der nachgelagerte Roll-out-Workshop. Es ist der Kern. Wenn Mitarbeiter Angst haben, ihren Job an die KI zu verlieren, oder wenn sie nicht wissen, wie sie das Werkzeug sinnvoll einsetzen, oder wenn die Führung kein klares Signal gibt, dass Lernzeit erlaubt ist, passiert nichts. Egal wie gut das Modell ist.

Das löst sich nicht durch eine Schulung. Es löst sich durch Co-Training: Mensch und Maschine arbeiten gemeinsam, lernen gemeinsam, machen gemeinsam Fehler. Wer das nicht plant, hat ein Tool ohne Nutzer.

Das Muster hinter den vier Hindernissen

In allen vier Hindernissen taucht dasselbe Problem auf: Technische Teams bauen isoliert. Die organisatorische Reibung tötet den Rollout. Niemand integriert die Bestandsaufnahme von Daten, Compliance, Tools und Menschen miteinander. Jeder Bereich macht sein Ding, und das Ergebnis ist ein Pilotprojekt, das auf isolierten Annahmen basiert.

Wenn diese Reibung nicht in die Roadmap eingebaut wird, entsteht nicht KI im Mittelstand. Es entsteht eine teure Demo.

Was wirklich hilft: die ehrliche Methodik

Ich habe AImation genau aus diesem Grund um eine klare Vorabphase aufgebaut, bevor das erste Modell zum Einsatz kommt. Wir nennen das Landkarten-Erstellung. Vier Bestandsaufnahmen, die zusammen ergeben, ob ein KI-Projekt überhaupt lebensfähig ist.

Klingt unspektakulär. Ist aber der Unterschied zwischen einem Pilot, der nach drei Monaten produktiv ist, und einem, der nach drei Monaten als „lernreiches Experiment“ beerdigt wird.

Die Landkarten-Erstellung ist nicht das, was Vorstände hören wollen. Sie hören lieber Demos. Aber sie spart in der Implementierung typisch das Drei- bis Fünffache an Zeit und Budget. Ein Projekt, das ohne Audit für zwölf Monate und 200.000 Euro angesetzt war, läuft mit Audit oft in sechs Monaten und 80.000 Euro durch. Vor allem aber liefert es am Ende, was die Demo versprochen hat.

Plane das Chaos ein

Drei Empfehlungen, die ich jedem Geschäftsführer mitgebe, der über ein KI-Projekt nachdenkt:

Ein ehrliches KI-Audit zu Beginn spart am Ende Geld, Nerven und manchmal das ganze Projekt.

Wenn du wissen willst, wie das produktive Setup danach aussieht

Diese Diagnose ist die eine Hälfte der Geschichte. Die andere ist: Was kommt nach dem Audit? Wie sieht ein Setup aus, das tatsächlich produktiv läuft?

Genau das habe ich im nächsten Beitrag im Detail beschrieben: KI-Projekte scheitern nicht am Modell. Sie scheitern an dem, was darunter liegt. Dort geht es konkret um die Werkzeugkette, mit der sich KI im Engineering-Alltag etabliert, und zwei echte PoC-Beispiele zeigen, was ein Audit in der Praxis wirklich bringt.