KI als Turnaround-Hebel: Mittelstand wendet sich mit KI

7 Min. Lesezeit

Wer KI im Mittelstand sagt, meint meist ChatGPT auf dem Firmenlaptop. Die Realität ist spannender: Deutsche Mittelständler setzen Künstliche Intelligenz ein, um Produktionskosten zu senken, Kunden besser zu verstehen und ganze Geschäftsmodelle umzubauen. Vier Unternehmen zeigen, wie das in der Praxis aussieht.

Das Wichtigste in Kürze

Jenseits des Chatbot-Hypes

Die deutsche KI-Debatte leidet unter einem Wahrnehmungsproblem. In den Medien dominieren zwei Extreme: Auf der einen Seite die Dystopie — KI vernichtet Arbeitsplätze, ersetzt den Menschen, macht ganze Berufsgruppen überflüssig. Auf der anderen Seite der Silicon-Valley-Hype — jedes Problem ist ein KI-Problem, jede Lösung braucht ein Large Language Model.

Die Realität im deutschen Mittelstand sieht anders aus. Nüchterner. Pragmatischer. Und ergebnisreicher.

Vier Unternehmen — kein DAX-Konzern darunter, kein Start-up, kein Tech-Unternehmen — setzen KI ein, um konkrete Geschäftsprobleme zu lösen. Ihre Erfahrungen zeigen, was funktioniert, was nicht funktioniert und was andere davon lernen können.

1. Schott AG: Wenn die Maschine besser sieht als das menschliche Auge

Schott — der Mainzer Spezialglas-Hersteller mit 17.000 Mitarbeitenden — hatte ein Problem, das so alt ist wie die Glasindustrie: Qualitätskontrolle. Jede Glasscheibe, jede Pharmaverpackung, jedes Ceran-Kochfeld muss auf Fehler geprüft werden. Traditionell: von geschulten Mitarbeitenden, die am Fließband stehen und jedes Teil visuell inspizieren.

Die Fehlerquote war niedrig — 0,3 Prozent. Aber bei Millionen von Teilen pro Jahr bedeuten 0,3 Prozent Zehntausende fehlerhafte Produkte, die es durch die Kontrolle schaffen. Und die Mitarbeitenden konnten ihre Konzentration nicht über eine volle Acht-Stunden-Schicht halten. Menschlich verständlich, wirtschaftlich ein Problem.

Schotts Lösung: Ein KI-gestütztes Bilderkennungssystem, das jedes Teil in Echtzeit analysiert. Trainiert mit 2,4 Millionen Bildern von fehlerhaften und fehlerfreien Produkten. Die KI erkennt Einschlüsse, Kratzer und Blasen, die für das menschliche Auge unsichtbar sind — im Mikrometerbereich.

Die Ergebnisse nach sechs Monaten Produktivbetrieb: Die Fehlerquote in der Endkontrolle ist von 0,3 auf 0,04 Prozent gesunken. Die Prüfgeschwindigkeit hat sich verdreifacht. Und die Mitarbeitenden, die vorher am Fließband standen, arbeiten jetzt als KI-Trainer — sie füttern das System mit neuen Fehlerbildern und optimieren die Erkennungsmodelle.

„Wer KI im Mittelstand sagt, meint meist ChatGPT auf dem Firmenlaptop.“

2. Würth: Der Schraubenkönig wird zum Datenversteher

Würth — der Künzelsauer Befestigungstechnik-Riese mit 87.000 Mitarbeitenden weltweit — ist kein typischer KI-Anwender. Das Unternehmen verkauft Schrauben, Dübel und Werkzeug an Handwerker und Industriekunden. Ein Geschäft, das über Jahrzehnte von persönlichen Beziehungen, einem legendären Außendienst und einem Katalog mit 125.000 Artikeln gelebt hat.

Das Problem: Bei 4 Millionen aktiven Kunden und 125.000 Artikeln ist es unmöglich, jedem Kunden zum richtigen Zeitpunkt das richtige Produkt anzubieten. Der Außendienst kann 20 Kunden pro Tag besuchen. Ein Algorithmus kann 4 Millionen Kunden gleichzeitig analysieren.

Würths KI-System analysiert Bestellhistorien, Branchenzugehörigkeit, saisonale Muster und externe Daten (Baugenehmigungen, Konjunkturdaten, Wetterdaten), um für jeden einzelnen Kunden eine individuelle Empfehlungsliste zu generieren. Der Außendienst sieht morgens auf seinem Tablet nicht mehr eine generische Produktliste, sondern eine KI-kuratierte Auswahl: „Kunde Müller Elektrotechnik braucht wahrscheinlich in den nächsten zwei Wochen Kabelbinder M8 und Isolierschrauben — seine letzte Bestellung ist 43 Tage her, der typische Nachbestellzyklus liegt bei 35 Tagen.“

Die Ergebnisse: 14 Prozent höhere Trefferquote bei Erstansprachen. 8 Prozent mehr Umsatz pro Kundenbesuch. Und eine Reduktion der Kundenabwanderung um 11 Prozent — weil das System frühzeitig erkennt, wenn ein Kunde sein Bestellverhalten ändert.

3. Welser Profile: KI in der Walzstraße

Welser Profile aus dem österreichisch-bayerischen Grenzgebiet — 2.400 Mitarbeitende, spezialisiert auf Spezialprofile aus Stahl, Aluminium und Edelstahl — stand vor einer klassischen Fertigungsherausforderung: Jedes Profil hat andere Spezifikationen, jede Walzstraße andere Eigenheiten, und die optimalen Prozessparameter (Temperatur, Geschwindigkeit, Anpressdruck) mussten bisher von erfahrenen Einrichtern manuell ermittelt werden.

Das Wissen steckte in den Köpfen von Mitarbeitenden mit 20, 30 Jahren Erfahrung. Mitarbeitende, die in den nächsten Jahren in Rente gehen. Ein klassisches Wissensverlust-Problem.

Welsers Ansatz: Ein KI-System, das die Prozessdaten von 15 Jahren Walzproduktion analysiert — 2,8 Milliarden Datenpunkte — und daraus optimale Einstellparameter für jede Profil-Geometrie ableitet. Das System empfiehlt dem Einrichter die Parameter, lernt aus seinen Korrekturen und wird mit jedem Durchlauf besser.

Die Ergebnisse: 22 Prozent weniger Ausschuss in der Ersteinrichtung. 35 Prozent schnellere Rüstzeiten bei neuen Profilen. Und — der vielleicht wichtigste Effekt — die Möglichkeit, das Erfahrungswissen der Senior-Mitarbeitenden systematisch zu digitalisieren und für die nächste Generation verfügbar zu machen.

4. Die Bayerische: Versicherung wird persönlich

Die Bayerische — ein Versicherungskonzern mit 5.500 Mitarbeitenden — hat mit einem Problem zu kämpfen, das die gesamte Branche betrifft: Kundenanfragen. Schadenmeldungen, Vertragsänderungen, Rückfragen zu Deckungssummen — der Kundenservice bearbeitet täglich Tausende von Vorgängen, die meisten davon repetitiv und zeitaufwändig.

Die KI-Lösung der Bayerischen geht über einen simplen Chatbot hinaus. Das System analysiert eingehende E-Mails und Anrufe, kategorisiert sie automatisch, zieht die relevanten Vertrags- und Schadendaten und erstellt einen Lösungsvorschlag für den Sachbearbeiter. Der Mensch prüft, korrigiert wenn nötig und versendet — aber die 80 Prozent Recherche- und Formulierungsarbeit erledigt die KI.

Die Ergebnisse nach neun Monaten: Die durchschnittliche Bearbeitungszeit pro Vorgang ist von 14 auf 4 Minuten gesunken. Die Erstlösungsquote (Anfrage beim ersten Kontakt abschließend bearbeitet) ist von 62 auf 84 Prozent gestiegen. Und die Kundenzufriedenheit — gemessen am NPS — hat sich um 18 Punkte verbessert.

Kein einziger Arbeitsplatz wurde abgebaut. Stattdessen bearbeiten die gleichen Mitarbeitenden mehr Vorgänge in höherer Qualität. Die freigewordene Zeit nutzen sie für komplexe Beratungsgespräche — Tätigkeiten, bei denen menschliche Empathie und Erfahrung unersetzbar sind.

Was alle vier gemeinsam haben

Die vier Beispiele kommen aus verschiedenen Branchen, haben unterschiedliche Unternehmensgrößen und setzen KI für unterschiedliche Zwecke ein. Aber sie teilen vier Erfolgsfaktoren:

1. KI löst ein konkretes Geschäftsproblem. Keines dieser Unternehmen hat „KI eingeführt, weil man KI einführen muss“. Jedes hatte ein spezifisches, messbares Problem — und KI war die beste verfügbare Lösung dafür. Nicht die einzige, nicht die coolste. Die beste.

2. Die Daten waren schon da. Schott hatte Millionen von Bildern. Würth hatte Bestellhistorien. Welser hatte Prozessdaten. Die Bayerische hatte Kundenvorgänge. Kein Unternehmen musste erst eine teure Dateninfrastruktur aufbauen. Der Datenschatz lag im Keller — die KI hat ihn gehoben.

3. Der Mensch bleibt im Loop. In keinem Fall hat die KI den Menschen ersetzt. Überall arbeiten Mensch und Maschine zusammen: Die KI übernimmt die repetitive Analyse, der Mensch trifft die Entscheidung. Das schafft Akzeptanz und reduziert Risiken.

4. Der ROI kam schnell. Alle vier Projekte haben sich innerhalb von 4 bis 14 Monaten amortisiert. Der Grund: Die Unternehmen haben keine Multi-Millionen-Plattformen gebaut, sondern gezielte Anwendungen entwickelt, die schnell Wirkung zeigen. Klein anfangen, schnell lernen, dann skalieren.

Was andere davon lernen können

Für Mittelständler, die 2026 in KI investieren wollen, ergeben sich aus diesen Erfahrungen fünf praktische Empfehlungen:

• Beginnen Sie mit dem Problem, nicht mit der Technologie. Fragen Sie nicht „Was können wir mit KI machen?“, sondern „Welches unserer Geschäftsprobleme kostet uns am meisten Geld — und kann KI es besser lösen als der Status quo?“
• Nutzen Sie vorhandene Daten. Die meisten Mittelständler sitzen auf Datenschätzen, die sie nie systematisch ausgewertet haben. ERP-Daten, Maschinendaten, Kundendaten — die Grundlage für KI-Projekte ist oft schon vorhanden.
• Starten Sie klein und schnell. Ein Pilotprojekt mit 50.000 bis 100.000 Euro Budget, das in drei Monaten Ergebnisse liefert, überzeugt mehr als eine 2-Millionen-Strategie, die 18 Monate Vorlauf braucht.
• Investieren Sie in Menschen, nicht nur in Technologie. KI-Tools sind günstig geworden. Was fehlt, sind Mitarbeitende, die wissen, wie man sie einsetzt. Schulung, Change Management und interne KI-Champions sind wichtiger als das nächste Tool.
• Messen Sie konsequent. Definieren Sie vor dem Start, welche KPI sich verbessern soll — und messen Sie nach. KI ohne Erfolgsmessung ist ein Hobby, kein Investitionsprojekt.

Häufige Fragen

Weiterführende Lektüre

• Edge Computing und Industrie 4.0 — cloudmagazin
• KI-Projekte in der Fertigung — cloudmagazin
• Cloud-Trends 2026 — cloudmagazin

Quelle Titelbild: Pexels / Pixabay