Welche Leistung ist nur Prozessreibung?

Kurzfassung: KI im Mittelstand wird strategisch relevant, wo profitable Leistungen aus Suche, Vorstrukturierung und Wartezeit bestehen. Der Prüfpunkt ist nicht das ganze Geschäftsmodell, sondern ein einzelner Leistungsbaustein: Kann ein kleines KI-gestütztes Team ihn in 60 bis 90 Tagen brauchbar nachbilden?

Eine aktuelle Debatte über Bitcoin, neue Claude-Modelle von Anthropic und NewLimits 435-Millionen-Dollar-Finanzierung für Zell-Reprogrammierung wirkt auf den ersten Blick weit entfernt vom Alltag eines deutschen KMU. Der gemeinsame Punkt liegt nicht in Krypto, Modellnamen oder Biotechnologie. Er liegt in der Arbeitsweise: Kleine spezialisierte Teams konzentrieren Kapital, Software, Daten und Fachprüfung auf eng definierte Probleme. Für Geschäftsführungen entsteht daraus eine nüchterne Frage: Wo bezahlen Kunden heute für einen Teilnutzen, der in der eigenen Organisation größer, langsamer und schwerer zugänglich wirkt, als er sein müsste?

Der Auslöser: enge Probleme, hohe Wertdichte

Anthropic hat neue Claude-Modelle unter den Namen Claude Fable 5 und Claude Mythos 5 angekündigt. NewLimit meldete eine Series-C-Finanzierung über 435 Millionen US-Dollar und beschreibt seinen Forschungsansatz so, dass das Alter von Zellen verändert werden soll, ohne den Zelltyp zu wechseln. In derselben Technologiediskussion wurde Bitcoin als „digitales Gold“ und möglicher Bestandteil künftiger wirtschaftlicher Infrastruktur behandelt.

Für den Mittelstand folgt daraus keine Pflicht, diese Felder operativ zu verfolgen. Entscheidend ist das Muster: Wert entsteht dort, wo ein klarer Ausschnitt eines großen Problems neu bearbeitet wird. Nicht die gesamte Organisation wird nachgebaut, sondern ein enges Ergebnis mit hohem Nutzen.

Übertragen auf KI im Mittelstand heißt das: Ein Wettbewerber muss keinen Maschinenbauer, technischen Händler oder Engineering-Dienstleister vollständig kopieren. Er kann eine einzelne Leistungseinheit herauslösen: technische Vorprüfung, Angebotsentwurf, Service-Ersteinschätzung, Variantenvergleich, Dokumentationspaket oder Projektstatus. Genau solche Bausteine eignen sich für einen 60- bis 90-Tage-Test mit agentischen Arbeitsabläufen.

Der relevante Prüfpunkt lautet deshalb nicht: „Kann KI unser Unternehmen ersetzen?“ Sondern: „Welcher bezahlte Teilnutzen ist so wiederholbar, datenbasiert und prüfbar, dass ein kleines Team ihn schneller vorbereiten könnte?“

Nicht jede profitable Leistung ist gleich geschützt

Hohe Erträge können sehr unterschiedliche Ursachen haben. Für die Prozessauswahl ist diese Unterscheidung wichtiger als eine allgemeine KI-Eignung.

Relativ robust sind Leistungen, bei denen Verantwortung verkauft wird: technische Zusagen, Gewährleistung, Integration, Lieferfähigkeit, Sonderfälle und Kundennähe. Ein Anlagenbauer, der eine belastbare Lösung zusagt, verkauft nicht nur Information. Er verkauft fachliches Urteil, Umsetzung und Haftungsfähigkeit. Schnellere Text- oder Analysewerkzeuge ersetzen diesen Kern nicht.

Anders liegt der Fall bei Leistungen, deren Wert stark aus Vorarbeit entsteht. In vielen Unternehmen verbringen Vertriebsingenieure, Kalkulatoren, Servicefachleute oder Projektleiter viel Zeit mit Suchen, Vergleichen, Zusammenstellen und Dokumentieren. Diese Arbeit ist notwendig, aber nicht immer der Grund, aus dem der Kunde den Anbieter wählt.

Besonders offen sind Arbeitsstücke, bei denen interne Unübersichtlichkeit als Aufwand im Preis landet. Dazu gehören Medienbrüche, verstreute Daten, wiederholte Abstimmungen, manuelle Übertragung und lange Wartezeiten bis zur ersten verwertbaren Antwort. Aus Kundensicht ist das selten Differenzierung. Ein fokussierter Anbieter muss dann nicht fachlich überlegen sein. Es reicht, denselben Zwischennutzen schneller, verständlicher und prüfbar zu liefern.

Agentische Arbeitsabläufe sind dafür relevant, weil sie mehrere Schritte verbinden können: Dokumente auslesen, ähnliche Fälle finden, Regeln anwenden, Rückfragen formulieren, Entwürfe erzeugen und Ergebnisse an eine Fachrolle übergeben. Das ist keine autonome Entscheidung. Es ist vorbereitete Arbeit mit klarer Übergabe.

Angebotsentwürfe zeigen die Angriffsfläche

Die Angebotserstellung ist ein guter Testfall, weil sie nah am Umsatz liegt und häufig an knappe Fachkräfte gebunden ist. Ein qualifiziertes B2B-Angebot entsteht oft aus CRM-Einträgen, ERP-Daten, Preislisten, technischen Datenblättern, früheren PDF-Angeboten, E-Mail-Verläufen und Erfahrungswissen einzelner Mitarbeitender.

Diese Verteilung wirkt manchmal wie ein Schutz. Tatsächlich ist sie oft ein Produktivitätsverlust. Wer die eigene Wissensbasis nur mit viel Suche nutzen kann, skaliert langsam – intern wie gegenüber Kunden.

Ein kleines KI-gestütztes Team müsste nicht sofort ein verbindliches Angebot abgeben. Bereits eine Vorleistung kann den Vergleichsmaßstab verschieben: Anfrage klassifizieren, passende Produktgruppen vorschlagen, fehlende Informationen markieren, ähnliche Fälle finden, Annahmen dokumentieren, technische Risiken nennen und Rückfragen vorbereiten. Die fachliche Prüfung bleibt beim Unternehmen. Der Weg zum ersten brauchbaren Entwurf wird jedoch kürzer.

Für die Geschäftsleitung sind dabei wenige Kennzahlen aussagekräftig:

• Zeit bis zum ersten qualifizierten Angebotsentwurf
• fachliche Prüfzeit pro Fall
• Nacharbeitsquote
• Vollständigkeit der Eingangsdaten
• Annahmequote der vorbereiteten Vorschläge

Damit wird KI-Governance konkret. Es geht nicht um abstrakte Modellkontrolle, sondern um Entscheidungsqualität: Welche Annahme ist belegt? Welche Quelle wurde genutzt? Wo fehlt eine Kundeninformation? Welche Aussage darf erst nach Freigabe nach außen?

Eine verbindliche Datenquelle ist dafür zentral. Nicht als perfektes IT-Projekt, sondern als betriebliche Grundlage: Welche Preisliste gilt? Welcher Produktdatensatz ist aktuell? Welche technischen Regeln sind verbindlich? Ohne diese Klärung erzeugt KI zusätzliche Entwürfe, aber keine organisatorische Anschlussfähigkeit.

Servicewissen muss schneller verwendbar werden

Im Kundendienst zeigt sich dieselbe Logik. Viele KMU besitzen tiefes Wissen über Maschinen, Fehlerbilder, Ersatzteile, Einsatzberichte und typische Prüfabläufe. Der operative Wert entsteht aber erst, sobald dieses Wissen im konkreten Fall schnell verfügbar ist.

Meldet ein Kunde eine Störung, beginnt häufig eine verteilte Klärung: Seriennummer prüfen, ähnliche Fälle suchen, Handbücher öffnen, Ersatzteile abgleichen, Einsatzberichte lesen, Zuständigkeit klären. Fachwissen ist vorhanden, aber nicht immer verwendbar organisiert.

Ein KI-gestützter Ablauf kann hier eine strukturierte Vorleistung erzeugen: Fehlerbild ordnen, vergleichbare Fälle anzeigen, wahrscheinliche Ursachen sortieren, Zusatzinformationen abfragen, relevante Dokumente verknüpfen und den Fall an die passende Servicerolle übergeben. Die Verantwortung bleibt beim Fachpersonal. Die erste Orientierung entsteht schneller und vollständiger.

Der sinnvolle Test ist eng: zehn abgeschlossene Angebotsfälle, zehn Servicefälle einer Maschinenfamilie oder zehn Projekte mit ähnlicher Dokumentationslogik. Daraus erstellt ein KI-gestützter Ablauf einen prüfbaren Entwurf mit Quellenhinweisen, offenen Punkten und Übergabe an die zuständige Rolle. Bewertet wird nicht technische Eleganz, sondern betrieblicher Nutzen: weniger Wartezeit, weniger Suchaufwand, bessere Vollständigkeit, geringere Prüfzeit, bessere Kundenreaktion.

Am Ende steht eine klare Entscheidung. Ein Leistungsbaustein kann intern beschleunigt, enger an die Kernleistung gebunden, als neues Serviceelement angeboten oder bewusst unverändert gelassen werden. Für KMU ist das der praktische Wert der Analyse: Sie trennt echte Differenzierung von Prozessreibung – und macht sichtbar, wo KI nicht nur Produktivität erhöht, sondern die eigene Wertschöpfung neu zuschneidet.