Lesezeit: ca. 6 Minuten
Jede Woche lese ich von einem neuen KI-Tool, das angeblich alles verändert. Jede Woche sitze ich in Gesprächen mit Unternehmern, die fragen: „Sollen wir da jetzt auch was machen?“ Die ehrliche Antwort: Ja. Aber nicht das, was Ihnen die meisten verkaufen wollen.
Künstliche Intelligenz ist kein Zukunftsthema mehr. Sie läuft bereits in Unternehmen, die Sie kennen. Nur eben nicht so, wie es auf LinkedIn aussieht.
Was funktioniert: Drei Use Cases, die heute Geld sparen
1. Produktbeschreibungen und Textarbeit
Wenn Sie 200 Produkte im Shop haben und jedes braucht einen einzigartigen Text für SEO, dann sitzen Sie entweder zwei Wochen dran oder Sie zahlen einen Texter. Mit einem Sprachmodell und einer sauberen Vorlage erledigen Sie das in einem Nachmittag.
Wichtig: Es geht nicht darum, ChatGPT einen Einzeiler zu geben und zu hoffen. Es geht um strukturierte Eingaben. Sie definieren Tonalität, Zielgruppe, Textlänge und technische Details. Das Ergebnis prüfen und nachbessern Sie selbst. Die KI liefert den Rohbau, Sie machen den Feinschliff.
Ein konkretes Beispiel aus dem E-Commerce: Sie haben eine CSV mit Artikelnummern, Produktnamen und technischen Daten. Ein Python-Script liest die Datei, schickt jeden Datensatz an ein Sprachmodell und schreibt die fertigen Beschreibungen zurück.
import csv
from openai import OpenAI
client = OpenAI()
def beschreibung_generieren(produkt: dict) -> str:
prompt = f"""Schreibe eine Produktbeschreibung (80-120 Wörter) für:
Produkt: {produkt['name']}
Kategorie: {produkt['kategorie']}
Eigenschaften: {produkt['eigenschaften']}
Tonalität: Sachlich, kompetent. Zielgruppe: Hobbygärtner.
Keine Superlative. Keine leeren Versprechen."""
antwort = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": prompt}],
temperature=0.7
)
return antwort.choices[0].message.content
with open("produkte.csv", encoding="utf-8") as f:
for produkt in csv.DictReader(f):
text = beschreibung_generieren(produkt)
print(f"{produkt['name']}: {text}\n")20 Zeilen Code. Keine Raketenwissenschaft. Aber das spart bei 200 Produkten locker 30 bis 40 Arbeitsstunden.
2. Dokumente und E-Mails analysieren
Stellen Sie sich vor, Sie bekommen jeden Tag 50 E-Mails von Kunden. Reklamationen, Bestellanfragen, Terminwünsche, Spam. Jemand muss das sortieren. Entweder ein Mitarbeiter oder ein Script, das die Mails liest, kategorisiert und an die richtige Stelle weiterleitet.
Das funktioniert heute zuverlässig. Nicht perfekt, aber gut genug, um die Vorarbeit zu übernehmen. Der Mitarbeiter, der vorher 90 Minuten am Tag mit Sortieren verbracht hat, bearbeitet jetzt nur noch die Fälle, die Aufmerksamkeit brauchen.
Gleiches Prinzip bei Dokumenten: Verträge scannen, Lieferscheine abgleichen, Rechnungsdaten extrahieren. Das sind Aufgaben, bei denen Menschen Fehler machen, weil sie langweilig sind. Maschinen machen keine Fehler aus Langeweile.
3. Interner Chatbot auf eigenen Daten
Der dritte Use Case, der in der Praxis funktioniert: Ein Chatbot, der auf Ihre internen Dokumente trainiert ist. Nicht auf das gesamte Internet, sondern auf Ihr Handbuch, Ihre Prozessdokumentation, Ihre FAQ.
Neue Mitarbeiter fragen den Bot statt den Kollegen, der zum zehnten Mal erklären muss, wie die Reisekostenabrechnung funktioniert. Kundenservice-Mitarbeiter finden Antworten in Sekunden statt in zehn Minuten.
Die Technik dafür heißt RAG (Retrieval Augmented Generation). Im Kern passiert folgendes: Ihre Dokumente werden in kleine Abschnitte zerlegt und in einer Datenbank gespeichert. Wenn jemand eine Frage stellt, sucht das System die relevanten Abschnitte und gibt sie zusammen mit der Frage an das Sprachmodell. Das Modell antwortet auf Basis Ihrer Daten, nicht auf Basis von Vermutungen.
Was nicht funktioniert: Drei Dinge, die Sie sein lassen können
„Wir bauen uns eine eigene KI“
Nein. Sie trainieren kein eigenes Sprachmodell. Das kostet Millionen und braucht ein Team aus Spezialisten. Was Sie tun: Sie nutzen bestehende Modelle (OpenAI, Anthropic, lokale Open-Source-Modelle) und passen sie an Ihren Anwendungsfall an. Das ist der Unterschied zwischen ein Auto bauen und ein Auto fahren.
„KI ersetzt unsere Mitarbeiter“
In den seltensten Fällen. Was KI ersetzt, sind Teilaufgaben. Das Sortieren, nicht das Entscheiden. Das Formulieren eines Entwurfs, nicht das Verhandeln mit dem Kunden. Wer seine Belegschaft durch KI ersetzen will, hat meistens weder KI noch die Aufgabe verstanden.
„Das regelt ein Praktikant mit ChatGPT“
Die gefährlichste Variante. Jemand tippt vertrauliche Kundendaten in ein öffentliches Tool, weil es schnell gehen muss. Kein Datenschutzkonzept, keine Prüfung der Ergebnisse, keine Dokumentation. Das geht so lange gut, bis es schief geht.
KI im Unternehmen braucht einen Plan: Welche Daten dürfen wohin? Wer prüft die Ergebnisse? Welches Modell wird für welchen Zweck eingesetzt? Ohne diese Grundlagen ist KI kein Werkzeug, sondern ein Risiko.
Was es kostet
Die Modelle selbst sind überraschend günstig. Ein API-Zugang bei OpenAI kostet für typische KMU-Anwendungen zwischen 20 und 100 Euro im Monat. Lokale Modelle (Ollama, LM Studio) laufen auf eigener Hardware ohne laufende Kosten, brauchen aber eine ordentliche Grafikkarte.
Die eigentliche Investition ist die Einrichtung: Use Case definieren, Daten aufbereiten, Script oder Tool bauen, testen, in den Arbeitsalltag integrieren. Das ist ein Projektaufwand, kein Software-Abo.
Realistisch: Ein sauberer E-Mail-Klassifizierer oder ein Produkttext-Generator steht in 2 bis 5 Tagen. Ein interner Chatbot mit RAG braucht je nach Dokumentenumfang 1 bis 3 Wochen.
Wo fängt man an?
Nicht mit der Technik. Sondern mit der Frage: Wo verbringen Ihre Mitarbeiter Zeit mit Aufgaben, die sie langweilen?
Das ist fast immer der richtige Ansatzpunkt. Langweilige Aufgaben sind repetitive Aufgaben. Repetitive Aufgaben sind automatisierbare Aufgaben.
Drei Schritte:
- Sammeln Sie eine Woche lang alle Aufgaben, bei denen jemand sagt: „Das mache ich jeden Tag und es nervt.“
- Bewerten Sie: Ist das strukturiert genug, dass ein Script es übernehmen kann? (Spoiler: Meistens ja.)
- Fangen Sie mit einer Aufgabe an. Nicht mit fünf.
Fazit
KI im Mittelstand ist kein Hexenwerk und kein Hype. Es ist ein Werkzeug. Wie jedes Werkzeug funktioniert es gut, wenn man weiß wofür man es einsetzt, und schlecht, wenn man es überall reindrückt.
Der Unterschied zwischen Unternehmen, die von KI profitieren, und solchen, die Geld verbrennen, ist kein Budget. Es ist Klarheit darüber, welches Problem gelöst werden soll.
Wenn Sie wissen wollen, ob sich ein KI-Projekt in Ihrem Unternehmen lohnt: Melden Sie sich. Ich sage Ihnen ehrlich, ob es Sinn ergibt.
Marc Weyhers ist Software Engineer und Gründer von MWP Software Engineering. Er entwickelt KI-Lösungen und Automatisierungen für Unternehmen, die Technik als Werkzeug verstehen, nicht als Selbstzweck.