KI scheitert selten am Text

Kurzfassung: KI im Mittelstand wird nicht dadurch produktiv, dass sie schneller formuliert. Der betriebliche Nutzen entsteht, wenn agentische Arbeitsabläufe aus verstreuten Informationen ein prüfbares Arbeitsergebnis machen: mit belastbaren Annahmen, klarer fachlicher Kontrolle und weniger manueller Rekonstruktion vor Entscheidungen.

Ein KI-Projekt kann technisch funktionieren und dennoch wenig verändern. Der Angebotstext ist schneller fertig, aber die Kalkulation bleibt unklar. Die Serviceantwort klingt sauber, aber der Mitarbeiter prüft weiterhin Kundenhistorie, Gewährleistung und Produktstand in mehreren Systemen. Dann wurde nicht der betriebliche Vorgang verbessert, sondern nur ein sichtbares Zwischenprodukt beschleunigt.

Der Impuls liegt in der Vorbereitung

Die aktuelle Entwicklung agentischer Systeme verschiebt den Maßstab. Anthropic beschreibt wirksame Agenten als Systeme, die Werkzeuge nutzen, Informationen abrufen, Aufgaben in Zwischenschritte zerlegen und Ergebnisse iterativ verbessern. Claude Code wird als agentisches Werkzeug für Softwareentwicklung positioniert: Es kann Codebasen lesen, Änderungen vorbereiten, Aufgaben ausführen und in bestehende Entwicklungsumgebungen eingebunden werden.

Für Geschäftsführer im Mittelstand ist daran nicht das einzelne Entwicklerwerkzeug entscheidend. Relevanter ist das Prinzip: KI wird wertvoll, sobald sie mehrere vorbereitende Schritte zu einem fachlich prüfbaren Ergebnis verbindet. Das unterscheidet agentische Arbeitsabläufe von einfachen Textassistenten. Ein Textassistent erzeugt Material. Ein gut zugeschnittener Agent trägt Informationen zusammen, erkennt Lücken, macht Annahmen sichtbar und bereitet eine Entscheidung vor.

Viele Unternehmen beginnen verständlicherweise anders. Sie setzen KI in vorhandene Dokumente, Eingabemasken, E-Mail-Abläufe oder Freigaben. Ein Mitarbeiter startet eine Anfrage, übernimmt einen Vorschlag, kopiert Inhalte weiter und prüft danach wie bisher. Das ist als Einstieg oft sinnvoll. Es beantwortet aber noch nicht die Frage, ob der Betrieb weniger Sucharbeit, weniger Rückfragen und bessere Entscheidungsqualität bekommt.

Der alte Ablauf bleibt der Taktgeber

In alten Arbeitsabläufen ist KI meist nur ein schnellerer Zuarbeiter. Das System schreibt, fasst zusammen oder klassifiziert. Die eigentliche Arbeit bleibt aber bei Menschen, die Daten zusammensuchen, Regeln interpretieren, Versionen vergleichen und fachliche Verantwortung übernehmen müssen. So entsteht der typische Effekt: Die Oberfläche wirkt moderner, der Vorgang dahinter bleibt gleich langsam.

In der Angebotserstellung zeigt sich das besonders klar. Ein System kann in Sekunden ein überzeugendes Angebot formulieren. Für die Geschäftsführung zählt aber, ob der Entwurf kalkulatorisch belastbar ist. Dafür braucht es freigegebene Produktdaten, aktuelle Preislogiken, frühere Angebote, Kundenvorgaben und klare Regeln zu technischen Varianten. Fehlt eine verbindliche Datenquelle, entsteht kein entscheidungsreifes Arbeitspaket, sondern ein plausibler Vorschlag mit hoher Prüflast.

Im Kundendienst liegt der Nutzen ebenfalls nicht in schöneren Sätzen. Entscheidend ist die fachliche Einordnung: Standardproblem, Bedienfehler, Gewährleistungsfall, Kulanzthema oder Hinweis auf ein wiederkehrendes Produktproblem. Dafür muss ein System Kundenhistorie, Servicefälle, Produktinformationen und geltende Regeln zusammenführen. Ohne diese Grundlage wandert die Arbeit nur von der Antworterstellung zur Kontrolle.

KI-Governance wird dadurch konkreter

KI-Governance beginnt hier nicht mit einer abstrakten Richtlinie. Sie beginnt bei der Definition eines brauchbaren Zwischenergebnisses. Ein Managementteam muss festlegen, wann ein KI-Ergebnis als prüfbar gilt: Liegen die zugrunde liegenden Quellen offen? Sind Annahmen gekennzeichnet? Ist erkennbar, wo Informationen fehlen? Gibt es eine fachliche Person, die das Ergebnis abnimmt?

Diese Klärung ist keine Bürokratie. Sie bestimmt, ob KI im Mittelstand Produktivität erzeugt oder zusätzliche Kontrollarbeit. Wenn ein Agent fünf Informationen zusammenträgt, aber niemand weiß, welche Quelle verbindlich ist, steigt die Unsicherheit. Wenn er einen Vorschlag liefert, aber keine Prüfpunkte nennt, muss der Fachbereich den Weg zum Ergebnis erneut rekonstruieren. Dann bleibt das Betriebsmodell unverändert.

Auch die Prozessauswahl wird nüchterner. Geeignet sind Vorgänge mit wirtschaftlicher Relevanz, wiederkehrenden Schritten und klaren Prüfkriterien: Angebotsvorbereitung, Serviceklassifikation, Projektstatus, technische Dokumentation oder interne Entscheidungsunterlagen. Weniger geeignet sind Bereiche mit veralteten Daten, vielen Ausnahmen oder nicht dokumentiertem Erfahrungswissen. Dort kann KI zwar helfen, Schwachstellen sichtbar zu machen, ersetzt aber keine Prozessarbeit.

Der Maßstab ist Entscheidungsreife

Für KMU ist der beste Prüfmaßstab nicht die Menge erzeugter Inhalte. Entscheidend ist, ob ein KI-Einsatz den nächsten fachlichen Schritt belastbarer macht. Ein gutes Ergebnis reduziert Suchzeit, benennt offene Punkte, bündelt relevante Unterlagen und trennt Annahmen von geprüften Fakten. Dadurch wird ein Vorgang nicht nur schneller, sondern besser steuerbar.

In der Projektabwicklung kann das bedeuten, offene Punkte aus Besprechungen, E-Mails, Tickets und Projektplänen zusammenzuführen. In der technischen Dokumentation kann ein Agent Änderungsstände, Spezifikationen und Prüfhinweise vorbereiten. In der Vertriebssteuerung kann er Kundenvorgaben, frühere Angebote und Kalkulationsregeln so bündeln, dass ein Verantwortlicher schneller entscheiden kann. In allen Fällen bleibt der Mensch für die fachliche Entscheidung zuständig. Die Maschine verbessert die Vorbereitung.

Damit verändert sich die Leitfrage. Nicht: Wo lässt sich KI einbauen? Sondern: An welcher Stelle fehlt heute entscheidungsreife Vorarbeit? Diese Perspektive schützt vor Tool-Aktionismus. Sie zwingt ein Unternehmen, den wirtschaftlichen Nutzen dort zu suchen, wo Arbeit heute durch Suchen, Abgleichen, Nachfragen und unsichere Datenstände gebremst wird.

Für einen Geschäftsführer ist die Konsequenz konkret: Ein KI-Projekt sollte erst dann skaliert werden, wenn es nachweisbar weniger manuelle Rekonstruktion, klarere fachliche Prüfung und bessere Entscheidungen in einem realen Vorgang erzeugt. Sonst bleibt KI eine schnellere Schreibmaschine im alten Ablauf.