KI-Automatisierung für KMUs: Was läuft

Der KI-Pilot-Zyklus ist vorhersehbar geworden. Ein Vendor präsentiert eine Lösung für ein echtes Problem Ihres Unternehmens. Der Vorstand genehmigt ein Budget. Ein dreimonatiger Pilot liefert im Demo-Umfeld etwas Beeindruckendes. Dann beginnt die Integrations-Arbeit, die internen Daten sind unordentlicher als erwartet, die Erfolgskennzahl wurde nie klar definiert, und drei Monate später läuft der Pilot stillschweigend ab. Das Projekt wird nicht eingestellt: Es wird einfach nicht mehr besprochen. Das passiert bei europäischen KMUs häufig, und der Grund ist selten die Technologie.

Der Fehlermodus ist strukturell. Das falsche Problem wird automatisiert: etwas, das im Pitch nach hohem Volumen aussah, aber eigentlich von einer Person in 20 Minuten pro Tag erledigt wird. Oder das richtige Problem wird ausgewählt, aber es gibt keinen klaren Owner im Unternehmen, keinen Integrationsplan, der den KI-Output mit den Systemen verbindet, die ihn brauchen, und keine definierte Erfolgskennzahl, die jemandem erlaubt, das Projekt für abgeschlossen zu erklären. Der Vendor geht. Die Automatisierung bleibt stehen.

Produktion bedeutet etwas Spezifisches: Das System läuft ohne den Vendor im Raum. Es verarbeitet echte Inputs aus Ihren tatsächlichen Systemen, produziert Outputs, auf die Ihr Team oder Ihre Kunden handeln, und scheitert kontrolliert, wenn es auf etwas Unerwartetes trifft. Ein Demo ist keine Produktion. Ein Prototyp mit manueller Überwachung ist keine Produktion. Produktion ist eine Automatisierung, über die Ihr Team nicht mehr nachdenkt, weil sie funktioniert.

Die Bandbreite ist gross, weil die Kostentreiber stark variieren. Die Anzahl der Datenquellen, auf die die Automatisierung zugreift, ist der grösste einzelne Kostentreiber: Ein Workflow, der aus einer sauberen Datenbank liest und in ein System schreibt, ist grundlegend einfacher als einer, der aus drei Legacy-Tools, einem gemeinsamen Postfach und einem PDF-Archiv mit inkonsistenter Formatierung zieht. Integrations-Touchpoints addieren Engineering-Zeit an jeder Schnittstelle. Ob ein Modell Fine-Tuning benötigt oder auf einer Allzweck-API laufen kann, beeinflusst die Kosten ebenfalls: Dokumentenextraktion bei sauberen, konsistenten Formaten braucht selten Fine-Tuning; Klassifizierung bei mehrdeutigem internem Fachjargon oft schon.

Was die Kosten senkt, ist Klarheit vor dem Build. Eine saubere, gut dokumentierte Datenquelle, ein einziger Workflow als Ausgangsumfang und eine definierte Erfolgskennzahl (nicht "das Team effizienter machen", sondern "Dokumentenverarbeitungszeit von 4 Stunden auf 30 Minuten pro Tag reduzieren, wöchentlich gemessen") reduzieren Build-Zeit und den Umfang des erforderlichen Testens. Die meisten teuren KI-Projekte sind teuer, weil der Umfang während des Builds wuchs: Ein Workflow wurde zu dreien, die Daten waren unordentlicher als erwartet und die Erfolgskennzahl bewegte sich ständig.

Infrastruktur-Kosten nach dem Launch sind real, aber meist überschaubar. API-Kosten für OpenAI, Anthropic oder vergleichbare Anbieter liegen typischerweise bei 200 bis 2.000 Euro pro Monat, abhängig von Volumen, Modellwahl und Prompt-Komplexität. Monitoring, Logging und Human-Review-Workflows kommen hinzu. Diese sind nicht in den Build-Phasen-Kosten enthalten. Berechnen Sie sie in die Gesamtbetriebskosten ein, bevor Sie das Projekt genehmigen, nicht danach.

Bevor wir ein Modell auswählen oder eine Zeile Code schreiben, kartieren wir den Workflow so, wie er heute läuft: Inputs, Entscheidungspunkte, Outputs, Fehlerfälle und die Menschen, die aktuell beteiligt sind. Diese Kartierung bringt meist die echte Komplexität ans Licht, die nicht im ursprünglichen Briefing stand, und hier verlieren sich die meisten Pilot-Projekte. Wir scopen einen Workflow, bauen ihn auf Produktions-Standard und messen ihn an der vereinbarten Erfolgskennzahl, bevor wir expandieren. Sehen Sie, wie wir KI-Automatisierungs-Engagements angehen.

Sobald der erste Workflow live und stabil ist, ist die Erweiterung schneller und günstiger, weil die Integrations-Muster etabliert sind. Wir bauen auch vom ersten Tag an mit Monitoring: Wenn die Automatisierung sich anders verhält, weil sich Eingabemuster ändern, wissen Sie das, bevor Ihr Team ein Problem bemerkt. Bereit, Ihren ersten Workflow zu scopen? Starten Sie ein Gespräch.