Die richtige KI, nicht die spektakulärste

Dass Künstliche Intelligenz (KI) Kosten senkt, Prozesse beschleunigt und dem Fachkräftemangel entgegenwirken kann, ist im deutschen Mittelstand angekommen. Eine repräsentative Erhebung der Hochschule Karlsruhe zeigt: 40 Prozent der Betriebe setzen die Technologie bereits ein – Tendenz steigend. Zugleich verfügen jedoch lediglich 21 Prozent über eine ausgearbeitete KI-Strategie. Noch aufschlussreicher ist der Blick auf die Unternehmen, die KI bereits nutzen: Fast zwei Drittel von ihnen tun das ohne strategischen Rahmen.

Zahlen, die ein Orientierungsproblem offenbaren. Zwar prägen Technologietrends wie agentische KI-Systeme, lokale Sprachmodelle oder domänenspezifische Fach-KI die öffentliche Debatte. Doch fällt es vielen Unternehmen schwer, eine für sie passende Lösung zu finden. „Das liegt auch daran, dass der Markt sehr dynamisch ist und ständig neue Versprechen macht“, beobachtet Vanessa Just, Professorin für Wirtschaftsinformatik an der FOM Hochschule für Ökonomie und Management sowie Gründerin einer Digitalisierungsberatung. Das Risiko: Wer den falschen Ansatz wählt, investiert womöglich in Pilotprojekte, die nie Praxisreife erlangen.

Anspruchsvolle agentische KI

Während Sprachmodelle wie ChatGPT bei den meisten Aufgaben lediglich unterstützen, können KI-Agenten diese selbstständig ausführen. Multi-Agenten-Systeme kombinieren mehrere solcher Tools, um komplexe Geschäftsprozesse autonom abzuwickeln. Sie gehören zum Aufregendsten, was die KI-Welt derzeit zu bieten hat – spektakuläre Erfolgsmeldungen inklusive. Der deutsche Versicherungskonzern Allianz beispielsweise setzt auf dem australischen Markt eine Kombi­nation sieben spezialisierter Agenten zur Abwicklung einfacher Schadensfälle ein. Ergebnis: Bearbeitungszeiten von unter fünf Minuten und insgesamt 80 Prozent Zeitreduktion.

Doch warnt Just vor zu viel Euphorie angesichts solcher Nachrichten: „Die öffentliche Debatte suggeriert, dass autonome Agenten morgen ganze Abteilungen steuern. Das ist eine gefährliche Vereinfachung.“ Denn damit Projekte wie das der Allianz Erfolg haben können, müssen die nicht nur technische, sondern auch organisatorische Voraussetzungen stimmen: Es braucht etwa eine saubere Datengrundlage – die mittelständischen Unternehmen oft fehlt.

„Viele halten sich für digitaler, als sie tatsächlich sind“, schildert Maximilien Kintz, KI-Forscher am Fraunhofer-Institut für Arbeitswirtschaft und Organisation, seine Beobachtung. Träume von mächtigen Agenten-Lösungen zerplatzten in der Realität oft, wenn die Verantwortlichen feststellen, dass sie als ersten Schritt mühsam Adressdubletten in ihrer Datenbank beseitigen müssen. Agentische KI, da sind sich die beiden Experten einig, bietet enormes Potenzial. Doch Kintz mahnt: Um es auszuschöpfen, bedürfe es umfangreicher Vorarbeiten. Für die meisten Mittelständler sei es insofern zu früh, hier einzusteigen, ergänzt Just.

Günstige lokale Sprachmodelle

In der Praxis setzen viele Unternehmen bei ihrer KI-Strategie vor allem auf bekannte Cloud-Sprachmodelle wie ChatGPT von OpenAI oder Microsofts Copilot, beobachtet Just. Doch gäben sie dadurch Kontrolle über ihre Daten, über Kosten und Abhängigkeiten ab, warnt die Expertin: „Gerade im Mittelstand, wo Kundendaten, Fertigungswissen und Prozess-Know-how den Kern des Wettbewerbsvorteils bilden, ist das riskant.“ Eine Alternative sind lokal betriebene Sprachmodelle – sie kommen ohne Cloud-Anbindung und US-Provider aus und sind daher leichter datenschutzkonform zu gestalten.

So prüft beispielsweise der Regulierungsspezialist DZ Compliance Partner GmbH, der für Volksbanken und Raiffeisenbanken aufsichtsrechtliche Pflichten erfüllt, seine Verträge mit IT-Dienstleistern vollständig auf eigenen Servern. Ein lokal betriebenes Sprachmodell analysiert automatisch, ob alle Anforderungen aus der EU-Verordnung Digital Operational Resilience Act erfüllt sind. Ergebnis: 80 Prozent weniger Prüfungszeit. Für den Fraunhofer-Forscher Kintz ein klassischer Anwendungsfall: „Lokale Modelle sind vor allem für Firmen interessant, für die Vertraulichkeit und Datensouveränität eine Rolle spielen“, sagt er.

Besonders effizient sind sogenannte Small Language Models, also kleinere Modelle, deren Trainingsdaten auf den konkreten Anwendungsfall zugeschnitten sind. Sie sind zudem erschwinglich: War die Hardware für den Betrieb solcher Modelle noch vor zwei Jahren sehr teuer, genügt laut Kintz inzwischen eine Investition von wenigen Tausend Euro. Just: „Für Unternehmen mit klar umrissenen Anwendungsfeldern in Fertigung, Logistik oder Recht sind kleine Modelle, die auf handelsüblicher Hardware laufen, häufig die bessere Wahl.“

Lösungsorientierte Fach-KI

Mittelständlern, die einen Einstieg in das Thema Künstliche Intelligenz suchen, empfiehlt die Expertin sogenannte domänenspezifische KI. „Es handelt sich um spezialisierte Lösungen für ein konkretes Problem in einem bekannten Kontext. Das reduziert Komplexität, macht Ergebnisse leicht bewertbar und schafft so Akzeptanz im Team“, erklärt sie. Entsprechende Anwendungen können speziell für einen Fachbereich trainierte Small Language Models sein – doch es gibt auch andere Beispiele.

Eines davon nutzt der Mittelständler Heismann Drehtechnik aus dem nordrhein-westfälischen Velbert. Aufgrund von Materialschwankungen, Temperatureinflüssen und Werkzeugverschleiß kämpfte der Hersteller von Präzisionsdrehteilen jahrelang mit einem hohen Ausschuss. Heute analysiert ein KI-System die Sensordaten der Maschinen in Echtzeit und gibt Handlungsempfehlungen zur Nachjustierung – noch bevor unbrauchbare Teile entstehen. Das Einsparpotenzial beziffert Heismann auf zehn Tonnen Stahl, Aluminium und Messing pro Jahr und rund 20.000 Kilowattstunden Strom.

Ein Fallbeispiel, das aus Justs Sicht das ideale Vorgehen beim KI-Einsatz illustriert: „Man sollte nicht mit der Technologie anfangen, sondern mit dem Problem.“ Es gelte, die Frage zu stellen, welche Herausforderung den Betrieb gerade am meisten Geld kostet – aus der Antwort ergebe sich in der Regel ein sinnvoller Einsatzbereich für die neue Technologie.

Juristische Risiken der KI-Nutzung

Wer künstliche Intelligenz gewinnbringend einsetzen möchte, muss auch rechtliche Fallstricke beachten. So sieht etwa der öffentlich viel diskutierte AI Act – die KI-Regeln der Europäischen Union – ab August dieses Jahres teils strenge Pflichten bei der KI-Nutzung vor. Zwar sei, wer KI-Anwendungen eines Dritt­anbieters nutzt und sie außerhalb regulierter Hochrisikofelder wie Kreditvergabe oder Personalentscheidungen einsetzt, von den meisten Regeln gar nicht betroffen, erklärt Adina Weiss, Rechtsexpertin mit Spezialisierung auf KI-Regulierung. Die meisten Unternehmen müssten lediglich die entsprechende KI-Kompetenz ihrer Mitarbeiter sicherstellen oder beispielsweise ihre Kunden informieren, wenn diese mit einem KI-System interagieren.

Wesentlicher sind aus Weiss’ Sicht oftmals bestehende Regeln zum Datenschutz und zur Informationssicherheit, deren Einhaltung angesichts der Komplexität von KI-Anwendungen herausfordernd sein kann. Denn kommt es aufgrund unzureichend gesicherter Systeme zum Abfluss sensibler Daten, drohten teils empfindliche Bußgelder – von den Reputationsschäden abgesehen. Die Expertin rät aus diesem Grund zur strukturierten Prüfung neuer Tools unter Beteiligung von Fachleuten vor allem für Datenschutz und IT-Sicherheit. Zudem sollten Unternehmen in der internen KI-Richtlinie festhalten, dass die Mitarbeiter ausschließlich geprüfte und freigegebene Anwendungen nutzen dürfen.

Allen Herausforderungen zum Trotz ist Expertin Just überzeugt, dass KI-Nutzung in Zukunft einen entscheidenden Faktor für den Unternehmenserfolg darstellt – gerade im Mittelstand. Doch um die Technologie sinnvoll einzusetzen, brauche es Erfahrung. Just: „Wer die Suche nach für ihn passenden Lösungen frühzeitig beginnt, kann sich einen Vorsprung verschaffen.“