KI für Entscheider | Teil 6: Was tun Sie am Montag morgen?

Vom Verstehen ins Handeln – eine 30-Minuten-Übung, die Klarheit bringt

Wenn Sie die ersten fünf Teile dieser Serie gelesen haben, kennen Sie jetzt die fünf gefährlichsten Missverständnisse über KI:

• Vibe Coding ist kein Engineering.

• ChatGPT-Nutzung ist keine KI-Strategie.

• Generalisten sind nie spitze.

• ChatGPT ist gar nicht die KI – die meisten Features sind klassische Software drumherum.

• Und nein, eine KI lernt nicht von selbst.

Sie haben mehr verstanden als 90 Prozent der Entscheider in Deutschland. Aber Verstehen ist nicht Handeln. Und genau hier scheitern die meisten KI-Initiativen: Die Entscheider verstehen das Thema, sehen das Potenzial – aber wissen nicht, wo sie anfangen sollen. Sie warten. Sie machen Workshops. Sie holen Berater. Sie testen ChatGPT. Sie kommen nicht voran.

Dieser Artikel gibt Ihnen einen klaren ersten Schritt. Eine konkrete Übung, die Sie am Montag früh in 30 Minuten machen können – allein, ohne uns, ohne irgendjemanden. Am Ende haben Sie Klarheit über den einen Prozess in Ihrem Unternehmen, an dem Applied AI den größten Hebel hat.

Die Übung: Vier Kriterien, ein Kandidat

Die Idee ist einfach: Statt KI als Selbstzweck zu suchen, suchen Sie einen Geschäftsprozess, der bestimmte Eigenschaften hat. Wenn ein Prozess diese Eigenschaften erfüllt, ist er ein guter Kandidat für Applied AI. Wenn nicht, lassen Sie es.

Nehmen Sie ein Blatt Papier. Listen Sie 5 bis 10 Geschäftsprozesse Ihres Unternehmens auf. Nicht IT-Prozesse, nicht Strategie-Prozesse – operative Abläufe, die Tag für Tag Arbeitszeit kosten. Auftragsabwicklung, Rechnungsprüfung, Kundenservice, Reklamationsbearbeitung, Personalbeschaffung, Vertragsprüfung, Lieferantenkommunikation.

Dann prüfen Sie jeden Prozess gegen vier Kriterien.

Kriterium 1: Hoher Aufwand

Der Prozess kostet mindestens 10 Stunden Mitarbeiterzeit pro Tag. Oder 50 pro Woche. Oder 200 pro Monat. Wichtig ist: messbar viel.

Warum? Weil Applied AI kein billiges Projekt ist. Die Investition lohnt sich erst, wenn der Mehrwert spürbar ist. Bei zwei Stunden Aufwand pro Woche wird die Rendite zu klein. Bei zehn Stunden pro Tag rechnet sich praktisch jede vernünftig umgesetzte Lösung.

Konkretes Rechenbeispiel: 10 Stunden pro Tag mal 220 Arbeitstage mal 50 Euro Stundensatz = 110.000 Euro pro Jahr. Das ist die untere Grenze, ab der Applied AI strategisch interessant wird.

Kriterium 2: Wiederholung mit Variationen

Der Prozess besteht im Kern aus Wiederholung. Gleiche Art von Aufgabe, immer wieder, mit Variationen.

Eingangsrechnungen sind ein Beispiel: Jede ist anders, aber strukturell gleich. Bewerbungen sind ein Beispiel: Jede ist individuell, aber die Bewertungslogik wiederholt sich. Reklamationen, Vertragsprüfungen, Lead-Qualifizierungen – alle haben dieses Muster: Variabel im Detail, repetitiv in der Struktur.

Gegenbeispiel: Strategieentwicklung, kreative Projekte, einmalige Entscheidungen mit besonderem Kontext – schlecht für Applied AI, weil keine Muster zum Lernen vorhanden sind.

Kriterium 3: Vorhandenes Wissen

Das benötigte Wissen liegt vor. In E-Mails, Dokumenten, Datenbanken, im Kopf von Mitarbeitern. Es ist nicht öffentlich zugänglich, aber es ist da. Es gibt Regeln, auch wenn sie nicht aufgeschrieben sind.

Beispiel positiv: „Wir wissen, welche Lieferanten zuverlässig sind, welche Rabatte wir gewähren, wann wir Kulanz geben. Es steht teilweise in Dokumenten, teilweise nicht – aber es ist konsistentes Wissen."

Beispiel negativ: „Bei uns entscheidet der CEO aus dem Bauch heraus. Es gibt keine Regeln. Jede Entscheidung ist anders." Schlecht für Applied AI, weil es nichts gibt, was man dem System beibringen könnte.

Kriterium 4: Spürbare Fehlerkosten

Ein Fehler in diesem Prozess kostet Sie spürbar. Geld, Kunden, Reputation, Zeit.

Wenn der Prozess egal wäre – wenn ein Fehler keine Konsequenzen hätte – lohnt sich der Aufwand nicht. Wenn ein Fehler aber weh tut, lohnt sich Applied AI besonders, weil saubere Systeme die Fehlerquote dramatisch senken.

Beispiel: Falsche Rechnungsbuchung kostet Skonto und führt zu Mahnungen. Falsche Lead-Qualifizierung kostet verlorene Vertriebszeit oder verpasste Deals. Falsche Vertragsprüfung kostet bei Streitfällen Anwaltskosten.

Was Sie nach dieser Übung haben

Wenn ein Prozess alle vier Kriterien erfüllt, haben Sie Ihren Kandidaten gefunden. Nicht zwei, nicht drei – einen. Den, bei dem alle vier Kriterien am stärksten zutreffen.

Das ist der Prozess, an dem Applied AI in Ihrem Unternehmen den größten Hebel hat. Nicht weil ein Berater es Ihnen empfiehlt, sondern weil die Mathematik stimmt:

• Hoher Aufwand → Investition rechnet sich

• Wiederholung → KI kann Muster lernen

• Vorhandenes Wissen → die KI kann darauf zugreifen

• Spürbare Kosten → Qualitätsverbesserung zahlt sich aus

Jetzt der wichtige nächste Schritt: Schreiben Sie eine Zahl daneben.

Was kostet Sie dieser Prozess pro Jahr? Mitarbeiterstunden mal Stundensatz. Plus die direkten Fehlerkosten. Plus die indirekten Kosten – verschenkte Skontos, verlorene Kunden, verzögerte Aufträge, Reputationsschäden.

Diese Zahl ist Ihre Orientierungsgröße. Sie sagt Ihnen, was die Lösung Ihnen maximal wert sein darf. Eine gute Applied-AI-Lösung wird typischerweise einen Bruchteil dieser Jahreskosten als Investition erfordern – und sich damit innerhalb von Monaten amortisieren.

Drei Beispiele aus der Praxis

Um die vier Kriterien greifbarer zu machen, hier drei typische Kandidaten, die in vielen Unternehmen genau passen:

Beispiel 1: Eingangsrechnungsprüfung

• Aufwand: Ein Mittelständler mit 500 Eingangsrechnungen pro Monat hat schnell 60 bis 80 Stunden Aufwand pro Monat allein in der Buchhaltung – nur fürs Prüfen, Zuordnen, Buchen.

• Wiederholung: Hoch. Jede Rechnung ist anders, aber die Logik gleich.

• Wissen vorhanden: Ja. Bestellungen im ERP, Lieferantenstammdaten, Vertragskonditionen.

• Fehlerkosten: Spürbar. Skonto-Verluste, doppelte Zahlungen, Mahnungen.

Beispiel 2: Service- und Reklamationsbearbeitung

• Aufwand: Hängt stark von der Branche ab, aber bei B2B-Unternehmen oft 20 bis 40 Stunden pro Woche allein für die Erstbearbeitung.

• Wiederholung: Sehr hoch. 80 Prozent der Anfragen sind Standardfälle.

• Wissen vorhanden: Ja. Produkthandbücher, FAQs, Kundenhistorie, frühere Vorgänge.

• Fehlerkosten: Hoch. Unzufriedene Kunden, lange Bearbeitungszeiten, Reputationsschäden.

Beispiel 3: Lead-Qualifizierung im Vertrieb

• Aufwand: Bei 100 Anfragen pro Woche schnell 15 bis 20 Stunden Vorqualifizierung.

• Wiederholung: Hoch. Immer dieselben Bewertungsfragen.

• Wissen vorhanden: Ja. CRM-Daten, frühere Conversion-Muster, Kundensegmente.

• Fehlerkosten: Hoch. Wertvolle Vertriebszeit wird auf falsche Leads verschwendet, gute Leads verkühlen.

Wenn einer dieser drei Prozesse in Ihrem Unternehmen so läuft wie oben beschrieben – Sie haben Ihren ersten Applied-AI-Kandidaten.

Was Sie nicht tun sollten

Genauso wichtig wie zu wissen, wo man anfängt, ist zu wissen, wo man nicht anfängt. Drei häufige Fehler, die wir in Erstgesprächen immer wieder sehen:

1. „Wir machen erstmal einen großen KI-Workshop für alle Mitarbeiter." Schöne Idee, aber sie führt zu nichts Messbarem. Workshops produzieren Folien, keine funktionierenden Systeme. Wenn Sie KI strategisch nutzen wollen, starten Sie mit einem konkreten Prozess, nicht mit einem Awareness-Programm.

2. „Wir warten, bis die Technologie ausgereift ist." Die Technologie ist ausgereift. Sie hat in den letzten zwei Jahren mehr Sprünge gemacht als in den 20 Jahren davor. Wer jetzt nicht startet, baut sich keinen Vorsprung auf – er fällt zurück. Der Reifegrad ist da. Die Frage ist, ob Sie bereit sind.

3. „Wir kaufen erstmal ChatGPT-Lizenzen für alle und schauen, was passiert." Das ist das Gegenteil einer Strategie. Sie lernen damit nichts über die strategisch wichtigen Anwendungsfälle in Ihrem Unternehmen. Sie geben Geld aus und produzieren Aktivität ohne Hebel. Erinnern Sie sich an Teil 2: Mitarbeiter mit ChatGPT ist nicht „KI im Unternehmen".

Die nächsten drei Fragen

Wenn Sie die Übung gemacht haben und Ihren Kandidaten gefunden haben, sind es noch drei Fragen bis zur Entscheidung, ob das Projekt sinnvoll umsetzbar ist:

1. Welches Wissen muss zugänglich gemacht werden? Wo liegt das Wissen heute? In welcher Form? Was muss strukturiert, dokumentiert, digitalisiert werden, damit es ein System nutzen kann?

2. Welche Systeme müssen angebunden werden? ERP? CRM? Mail-Eingang? Dokumentenmanagement? Was muss verbunden werden, damit der Prozess durchgängig automatisiert ablaufen kann?

3. Wer baut das? Inhouse? Mit externem Partner? Welche Anforderungen an Datenschutz, Souveränität, Wartbarkeit haben Sie?

Diese drei Fragen sind der Übergang von der Analyse zur Umsetzung. Genau hier setzen wir bei dataso an.

Wie dataso Sie weiterbringt

Wenn Sie Ihren Kandidaten gefunden haben und die nächsten drei Fragen beantworten wollen, helfen wir Ihnen dabei. In einem 60-minütigen Potenzial-Check:

• Wir prüfen Ihren Kandidaten gegen unsere Erfahrungswerte

• Wir schätzen Aufwand, Nutzen und Zeitrahmen realistisch ein

• Wir zeigen Ihnen, welche technische Architektur Sinn macht – modular, souverän, DSGVO-konform

• Wir machen klar, was Sie selbst tun müssen und wo wir Sie unterstützen können

Der Potenzial-Check ist kostenlos und ohne Verkaufsdruck. Wenn wir nicht der richtige Partner für Sie sind, sagen wir das auch.

Aber selbst wenn Sie nie mit uns sprechen: Die Übung oben funktioniert. Sie ist die wertvollste 30 Minuten, die Sie in dieser Woche investieren können.

Danke

Sechs Teile, sechs Wochen, eine Mission: Entscheidern im Mittelstand klar machen, was KI ist und was sie nicht ist. Damit Sie strategische Entscheidungen treffen können, statt sich von Hypes treiben zu lassen.

Wenn die Serie Ihnen etwas gebracht hat – teilen Sie sie. Es gibt da draußen viele Geschäftsführer, die ohne Bullshit-Filter durch die KI-Welt navigieren müssen. Mit diesen sechs Artikeln haben sie ein Werkzeug, das echte Klarheit schafft.