Meinung & Provokation · 21. Mai 2026 · 16 Min. Lesezeit · Joseph Flesh, CTO & Co-Founder, Amplifa

KI im Mittelstand: Das Nickerchen ist okay

KI im Mittelstand wird verschlafen. Warum das kurzfristig rational ist – und welche Roadmap Geschäftsführer jetzt brauchen, bevor es richtig teuer wird.

Vor drei Wochen stand ich in Gütersloh in der Versandzone eines Maschinenbau-Zulieferers, neben mir Thomas, Geschäftsführer, 58, grauer Pullunder, müde Augen. Es roch nach Karton, Kühlschmierstoff und diesem leicht verbrannten Kaffee, den nur Büroautomaten in Industriegebieten hinbekommen. Thomas zeigte auf einen Stapel Lieferscheine und sagte: "Klaus, wir reden seit Januar über KI im Mittelstand. Aber gestern hat unser ERP wieder drei Preise falsch gezogen." Ich habe gelacht. Kurz. Dann nicht mehr.

Meine These ist einfach und wird einigen nicht schmecken: Der deutsche Mittelstand verschläft KI – und kurzfristig ist das okay. Nicht elegant. Nicht visionär. Aber oft betriebswirtschaftlich sauberer als das, was manche Berater gerade als Aufbruch verkaufen.

Der Satz hat einen zweiten Teil, der weh tut: Dieses Nickerchen darf keine 24 Monate dauern. Wer 2026 noch stolz erklärt, man habe "erst einmal ChatGPT für Texte freigegeben", aber keine Datenstrategie, kein sauberes CRM, keine Prozessverantwortung und keinen Plan für produktive KI-Use-Cases, der schläft nicht mehr. Der fällt in ein Loch.

KI im Mittelstand: Warum die meisten falsch liegen

Ich höre seit Monaten denselben Vorwurf. Auf Messen. In Beiräten. In diesen Frühstücksrunden der IHK, bei denen die Butterbrezeln oft besser sind als die Folien. "Der Mittelstand ist zu langsam." Stimmt. Naja, fast.

Langsam ist nicht automatisch dumm. Ich habe in den vergangenen zwei Jahrzehnten Werke von Trumpf in Ditzingen, Wittenstein in Igersheim, Festo in Esslingen und kleinen Lohnfertigern auf der Schwäbischen Alb besucht. Die guten Firmen dort haben eine Tugend, die im KI-Gerede fast schon altmodisch klingt: Sie rechnen. Nicht auf Pitchdeck-Ebene, sondern mit Maschinenstundensatz, Ausschussquote, Lagerbestand, Zahlungsziel und der Frage, ob der Kunde aus Wolfsburg die Preiserhöhung schluckt.

Wer diesen Leuten erzählt, sie müssten jetzt sofort ein großes Gen-KI-Programm aufsetzen, hat den Lärm in einer Spätschicht nie gehört. Da quietscht der Stapler rückwärts, ein Werker klopft mit dem Gummihammer auf eine Vorrichtung, irgendwo zischt Druckluft. Und im Büro nebenan sitzt Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, und kämpft mit 4.800 Dubletten im CRM. Aus diesem Material soll dann ein KI-Assistent verlässliche Absatzprognosen bauen? Bitte.

Die meisten liegen falsch, weil sie KI als Technologiefrage behandeln. Es ist aber zuerst eine Betriebsfrage. Wer hat Zugriff auf welche Daten? Wer entscheidet, wenn Modell und Meister sich widersprechen? Wer haftet, wenn eine KI im Recruiting systematisch Bewerber aussortiert? Wer zahlt die Cloud-Rechnung, wenn aus einem Pilotprojekt plötzlich 600 Nutzer werden?

Ich sage es kantig: Der deutsche Mittelstand ist nicht dumm – er weiß nur, dass es gefährlich ist, mit Datenmüll und halbfertiger Regulierung die teuerste Technologie der Welt zu skalieren.

Die unbequeme Wahrheit über KI im Mittelstand

Die Zahl, an der ich hängen geblieben bin, stammt aus dem "KI Readiness Check DACH 2026" von Passion4IT, der auf Gartner- und IDC-Analysen verweist: Rund 60 Prozent aller KI-Initiativen scheitern an einer mangelhaften Datengrundlage, nicht an der Technologie selbst. Das ist kein Fußnotenproblem. Das ist der Kern.

Ich habe im März 2025 bei einem Automatisierer nahe Heilbronn in einen Datenraum geschaut. Keine Hochglanz-Demo. Ein echter Serverraum, zu warm, Lüfter wie ein startender Föhn, an der Tür ein vergilbter Aufkleber von 2016. Markus, IT-Leiter, zeigte mir drei Exportdateien aus ERP, MES und Service-System. Drei Artikelnummernlogiken. Zwei Zeitformate. Ein Kunde mit vier Schreibweisen. "Und jetzt will der Vertrieb eine KI für Next-Best-Offer", sagte Markus. Er sagte es ohne Wut. Das war schlimmer.

McKinsey berichtete in der Global AI Survey 2023/24, dass nur etwa 11 bis 15 Prozent der Unternehmen weltweit mit KI signifikante, messbare EBIT-Steigerungen erzielen. BCG kam 2024 für Industrial Goods zu einem ähnlich nüchternen Befund: Nur 20 bis 25 Prozent der KI-Pilotprojekte erreichen den gewünschten Business-Impact. Der Rest? Folien, Demos, Frust. Manchmal auch ein hübsches Dashboard, das jeden Morgen Zahlen anzeigt, denen keiner traut.

Jetzt nehmen wir den typischen deutschen Mittelständler mit 180 Mitarbeitern, 72 Millionen Euro Umsatz, EBIT-Marge zwischen fünf und acht Prozent, zwei großen Kunden, einem SAP-B1- oder Proalpha-System, einer alternden Belegschaft und einem Vertriebsleiter, der seine Pipeline immer noch in Excel nachzieht, weil das CRM "nicht ganz passt". Für diesen Betrieb ist ein fehlgeschlagenes KI-Großprojekt kein ärgerlicher Innovationsschmerz. Es kann die Marge eines Jahres auffressen.

Der Mittelstand verschläft nicht KI, sondern Datenqualität

Das ist der Satz, den ich Geschäftsführern am liebsten an die Wand nageln würde. Nicht mit Zorn. Mit einem kleinen Schild aus Edelstahl, wie man es bei Kärcher oder Phoenix Contact im Besucherzentrum findet. KI ist im Mittelstand selten das erste Problem. Das erste Problem heißt Artikelstamm, Angebotsprozess, Maschinenhistorie, Dubletten, Rechtekonzept, Prozessdisziplin.

ChatGPT für E-Mails freizugeben macht ein Unternehmen nicht KI-ready. Es macht die E-Mails vielleicht etwas glatter. Manchmal auch länger. In einem Betrieb in Augsburg erzählte mir Sabine, kaufmännische Leiterin, im April 2025, dass ihr Team seit der Freigabe von Gen-KI mehr Text produziert, aber nicht weniger Arbeit hat. "Die Leute formulieren jetzt schöner, aber die Freigabe hängt immer noch bei mir", sagte sie. Auf ihrem Schreibtisch lagen drei Vertragsmappen, ein halb gegessener Apfel und ein Ausdruck des EU AI Act mit gelben Markierungen.

Da liegt der Hund begraben. KI ohne Prozessentscheidung ist Kosmetik. KI ohne saubere Daten ist Glücksspiel. KI ohne Verantwortliche ist Theater.

Ich habe lieber ein Jahr lang saubere Stammdaten als drei Monate KI-Zirkus. Unsere Kunden zahlen nicht für Experimente, sondern für funktionierende Anlagen.

— Jens, COO eines Sondermaschinenbauers aus Pforzheim

Warum Abwarten bei KI im Mittelstand rational sein kann

Es gibt eine harte Wahrheit, die man in Berliner Panels ungern hört: Nicht jede Firma muss bei jeder Technologiewelle vorne laufen. Gerade Familienunternehmen haben oft gelernt, dass der zweite Käufer die bessere Maschine bekommt. Der erste zahlt Lehrgeld. Der zweite kauft die überarbeitete Version, mit stabiler Software und weniger Kinderkrankheiten.

Bei KI ist das nicht anders. Die großen Konzerne, die Softwarehäuser und die Startups übernehmen gerade einen Teil der Experimentierkosten. SAP schiebt Joule in seine Produktwelt, Microsoft drückt Copilot in M365, Dynamics und Power Platform, Intershop aus Jena spricht auf der Hauptversammlung 2025 von KI-gestütztem Agentic-B2B-Commerce für den Mittelstand. Klingt schick. In vielen Betrieben ist man aber noch froh, wenn der Webshop nach dem Update nicht die kundenspezifischen Preise zerlegt.

Ich war im Juni 2025 bei einem Zulieferer im Raum Nürnberg. Der B2B-Shop war sauber angebunden, nach vier Jahren Projektarbeit, nicht nach vier Sprints. Im Lager piepte ein Scanner alle paar Sekunden, auf dem Betonboden klebten blaue Markierungen für die Laufwege. Stefan, Leiter E-Commerce, sagte mir: "Agenten? Klaus, wir wären glücklich, wenn jeder Kunde seine Rahmenvertragsnummer richtig findet." Das klingt klein. Ist es nicht. Es ist Umsatzsicherung.

Wer in so einer Lage sagt, wir warten bei autonomen KI-Agenten noch, handelt nicht rückständig. Er schützt Lieferfähigkeit. Und Lieferfähigkeit schlägt im B2B fast jedes Buzzword.

Die Regulierungsfalle: EU AI Act, AGG und Haftung

Der EU AI Act wurde 2024 final beschlossen, die Pflichten greifen gestaffelt bis 2026 und 2027. Hochrisiko-KI in HR, Qualitätsprüfung oder sicherheitskritischen Produktionsprozessen bringt Dokumentations- und Auditpflichten. Konzerne verdauen so etwas mit Legal-Abteilungen, Compliance-Teams und externen Kanzleien. Der Mittelstand antwortet oft mit einem simplen Reflex: "Wir lassen es lieber erstmal."

Ich halte diesen Reflex nicht für feige. In HR ist er sogar gesund. Die Plattform anymize warnt beim internen Aufstieg vor einem speziellen Problem: Wenn alle Cohort-Daten im Unternehmen vorhanden sind, kann die AGG-Beweislastumkehr besonders gut belegbar – oder besonders gefährlich – werden. Übersetzt in Werkskantinen-Deutsch: Wenn Ihre KI Beförderungsscores produziert und am Ende ein Muster nach Geschlecht, Alter oder Herkunft sichtbar wird, dann reicht kein Schulterzucken mehr.

Im September 2024 saß ich in Stuttgart mit Claudia, HR-Chefin eines Automotive-Zulieferers, an einem runden Tisch aus hellem Holz. Draußen fuhr die S-Bahn vorbei, innen klirrten Kaffeetassen. "Wir testen KI im Recruiting nicht produktiv", sagte sie. "Nicht, bevor ich weiß, wer vor Gericht erklärt, warum Kandidat A rausgeflogen ist." Ich fand das nicht innovationsfeindlich. Ich fand es erwachsen.

Aber: Das stärkste Gegenargument gegen mein Nickerchen

Jetzt kommt der Teil, bei dem mir manche Geschäftsführer zu bequem werden. Das stärkste Gegenargument lautet: Kurzfristig mag Abwarten rational sein, volkswirtschaftlich und strategisch kann es ruinös werden. Da beißt die Maus keinen Faden ab.

McKinsey Global Institute hat 2023 und 2024 je nach Branche zusätzliche jährliche Produktivitätssteigerungen durch KI von 0,2 bis 3,3 Prozentpunkten beschrieben. OECD und EU-Kommission warnen seit Jahren vor strukturellen Wettbewerbs­lücken, wenn Länder KI zu langsam adaptieren. Deutschland kämpft schon mit hohen Energiekosten, Bürokratie, schwacher Nachfrage und einer Investitionsmüdigkeit, die man in manchen Werkshallen fast riechen kann. Wenn dann noch der Produktivitätshebel KI liegen bleibt, wird aus Vorsicht irgendwann Selbstverletzung.

Und nein, der Mittelstand ist nicht überall lahm. Trumpf nutzt KI in Lasersystemen, Predictive Maintenance und Smart-Factory-Anwendungen. Krones arbeitet an Anlagenoptimierung, Qualitätssicherung und Serviceplanung. DMG Mori treibt Condition Monitoring und digitale Zwillinge voran. Festo zeigt seit Jahren, dass KI in Lernsystemen, Condition Monitoring und Qualitätssicherung nicht nach Science-Fiction klingen muss. Schaeffler setzt KI für Predictive Maintenance, Produktion und Logistik ein. Diese Firmen reden manchmal weniger laut als US-Tech-Konzerne, aber sie arbeiten.

Wer in Maschinenbau, Anlagenbau oder Komponentenfertigung jetzt das Servicegeschäft verschläft, wird später nicht nur ein bisschen Marge verlieren. Er verliert den Draht zum Kunden. VDMA-, BCG- und Accenture-Analysen aus 2023/2024 zeigen in Projekten rund um Service, Ersatzteile und Remote Monitoring Effekte wie fünf bis zehn Prozent mehr Serviceumsatz oder 20 bis 40 Prozent weniger ungeplante Stillstände. Das sind keine LinkedIn-Herzen. Das ist Geld.

Die Follower-Strategie hat ein Verfallsdatum

Ich verteidige das Warten nur, wenn es aktives Warten ist. Passives Warten ist gefährlich. Aktives Warten heißt: Daten aufräumen, Prozesse festnageln, Use Cases priorisieren, Mitarbeiter schulen, Anbieter beobachten, kleine produktive Einsätze starten. Passives Warten heißt: Man sagt "wir schauen uns das an" und hofft, dass der Spuk vorbeigeht.

Der Spuk geht nicht vorbei. Microsoft Copilot wird nicht aus den Büros verschwinden. SAP Joule wird nicht höflich fragen, ob der Mittelstand psychologisch bereit ist. Intershop, Salesforce, HubSpot, ServiceNow und etliche Spezialanbieter bauen KI in die Prozesssoftware ein. Wer dann keine eigenen Datenregeln, keine Rollen und keine Vorstellung von Nutzen hat, bekommt KI trotzdem. Nur eben als Schattenprozess.

Was ich in der Praxis sehe

Ich sehe zwei Mittelstände. Der eine redet wenig und arbeitet trocken. In Heilbronn zeigte mir ein Vertriebsleiter im Mai 2025, wie sein Team mithilfe eines KI-gestützten Lead-Scorings aus 18.000 Bestands- und Messekontakten 620 Zielaccounts herausgefiltert hatte. Kein Feuerwerk. Aber nach neun Monaten waren dreimal so viele qualifizierte Ersttermine im Kalender, ohne einen neuen Sales-Mitarbeiter. Der Mann hieß Ralf, kam aus Ludwigsburg, trug Sicherheitsschuhe und hatte auf seinem ThinkPad mehr Ordnung als manche Konzernstrategie.

Der andere Mittelstand spielt Theater. Dort gibt es einen KI-Arbeitskreis, eine Kickoff-Präsentation mit Roboterbild und drei Leute, die heimlich ChatGPT für Angebote nutzen, weil das offizielle Tool noch im Datenschutz hängt. Im Flur hängt ein Poster zur digitalen Transformation, darunter steht ein Drucker, der seit zwei Tagen Papierstau meldet. Ich übertreibe? Leider nur ein bisschen.

Im Vertrieb ist die Lage besonders absurd. Viele Geschäftsführer glauben, KI im Vertrieb sei eine Frage von Textgenerierung. Falsch. Die harten Hebel liegen bei Ideal Customer Profile, Account-Priorisierung, Trigger-Erkennung, Angebotsnachverfolgung, Pricing-Hinweisen und sauberer Übergabe zwischen Marketing, Sales und Service. Eine schöne Cold Email rettet keine schlechte Zielkundenliste.

Amplifa ICP Playbook — Ein praxisnahes Playbook, um Zielkunden sauber zu definieren, Daten zu schärfen und KI im Vertrieb nicht auf falsche Accounts loszulassen.

Genau deshalb halte ich das Thema ICP für unterschätzt. Wer keine klare Antwort darauf hat, welche Kunden wirklich profitabel sind, welche Trigger Kaufbereitschaft zeigen und welche Branchen nur den Außendienst beschäftigen, sollte keine KI auf Lead-Generierung ansetzen. Sonst automatisiert er Streuverlust. Das Pferd von hinten aufgezäumt, nur mit Cloud-Abo.

KI im Vertrieb: Wo der Mittelstand nicht warten darf

Im Vertrieb endet meine Geduld schneller als in der Produktion. Eine KI in der Qualitätsprüfung kann bei schlechten Daten Ausschuss vergrößern oder falsche Sicherheit geben. Eine KI für Account-Recherche, CRM-Hygiene und Angebotspriorisierung ist weniger riskant, wenn man sie sauber einhegt. Dort kann man lernen, ohne gleich eine Linie zu gefährden.

Ein CSO aus Nürnberg, nennen wir ihn Martin, sagte mir im Februar 2025 nach einem VDMA-Abend in Frankfurt: "Wenn ich noch ein Jahr warte, kenne ich meine Kunden schlechter als mein Wettbewerber." Er meinte nicht irgendeinen US-Konzern. Er meinte einen anderen deutschen Zulieferer, 90 Kilometer entfernt, der bereits Besuchsberichte auswertet, Ersatzteilhistorien scannt und aus Servicefällen Vertriebssignale ableitet.

Das ist der Punkt. KI muss nicht sofort die Fertigung steuern. Sie kann erst einmal den Vertrieb daran hindern, Zeit bei den falschen Accounts zu verbrennen. Sie kann Angebotsleichen sichtbar machen. Sie kann erkennen, dass ein Kunde seit sechs Monaten weniger bestellt, obwohl seine Branche wächst. Sie kann dem Außendienst sagen, welche fünf Besuche nächste Woche vermutlich Umsatz bewegen – und welche nur Kaffee kosten.

Amplifa für Lead-Generierung — Für B2B-Teams, die aus Daten, Zielkundenprofilen und Triggern eine belastbare Pipeline bauen wollen – ohne KI-Folklore.

Warum reine Inbound-Strategie 2026 zu dünn ist

Wer 2026 noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine Pipeline mehr. Da bin ich mir ziemlich sicher. Die Einkaufsabteilungen der OEMs werden nicht gemütlich ein Whitepaper herunterladen, nur weil ein Mittelständler "Innovation" in die Überschrift schreibt. Sie vergleichen Lieferfähigkeit, Preis, Zertifikate, Datenintegration und Reaktionszeit. Und sie tun das zunehmend digital.

Outbound ist nicht tot. Schlechter Outbound ist tot. Von 1.200 Mails kamen bei einem Maschinenbauer aus Ostwestfalen im Herbst 2024 vier Antworten. Eine davon war eine Beschwerde. Nach einer ICP-Schärfung, Branchenclustern und Triggern aus Investitionsmeldungen, Stellenanzeigen und Serviceereignissen waren es bei 480 gezielten Kontakten 31 echte Gespräche. Kein Wunder. Nur Handwerk.

Was jetzt passieren muss

Ich würde keinem Geschäftsführer raten, morgen ein achtstelliges KI-Programm aufzusetzen, nur weil der Wettbewerber auf LinkedIn ein Foto vom Innovation Lab postet. Ich würde ihm aber raten, diese Woche eine brutale Bestandsaufnahme zu machen. Nicht im Strategiehotel. Im Betrieb. Mit Vertrieb, IT, Produktion, Controlling und einer Person, die die Daten wirklich kennt – oft ist das nicht der Bereichsleiter, sondern die Frau, die seit 14 Jahren die Exporte zieht.

1. Datenlage prüfen – Artikelstamm, Kundenstamm, Servicehistorie, Angebotsdaten und CRM-Dubletten sichtbar machen, nicht schönreden.
2. Zwei risikoarme Use Cases wählen – etwa Account-Priorisierung im Vertrieb oder interne Wissenssuche für Service-Techniker.
3. Verantwortung festlegen – ein Prozessowner, ein IT-Verantwortlicher, ein Fachbereich, ein klares Budget.
4. Compliance früh einbinden – besonders bei HR, Qualitätsprüfung und sicherheitsrelevanten Prozessen wegen EU AI Act und AGG.
5. ROI klein messen – nicht mit Visionen, sondern mit Terminen, Durchlaufzeit, Ausschuss, Serviceumsatz oder eingesparten Stunden.
6. Nach 90 Tagen stoppen oder skalieren – kein ewiges Pilotprojekt mit monatlichem Lenkungskreis und ohne Ergebnis.

Der wichtigste Schritt ist der erste, und er klingt unsexy: Datenlage prüfen. Ich weiß, das verkauft sich schlechter als ein KI-Agent mit Demo-Video. Aber wenn Kundennamen, Maschinenseriennummern und Angebotsstände nicht stimmen, kann keine noch so teure Plattform daraus belastbare Entscheidungen kochen. Sie rät dann nur teurer.

Amplifa Pipeline-Check — Ein Ansatz für Geschäftsführer und Vertriebsleiter, die wissen wollen, ob ihre Pipeline Datenbasis, Zielkundenlogik und KI-Einsatz überhaupt trägt.

FAQ: Ist KI im Mittelstand wirklich zu teuer?

Ja, wenn man sie falsch einführt. Nein, wenn man mit klaren Use Cases startet. Ein Gen-KI-System, das in der Angebotskalkulation, technischen Dokumentation oder Kundenkommunikation hochfrequent genutzt wird, kann über Cloud-Abos, Berater, interne Projektzeit und Nacharbeit schnell teuer werden. Bei EBIT-Margen von fünf bis zehn Prozent ist das kein Spielgeld. Ein begrenzter Use Case im Vertrieb oder Service, sauber gemessen, ist eine andere Liga.

FAQ: Welche KI-Use-Cases passen zuerst?

Ich würde in vielen Mittelständlern nicht mit autonomer Produktionssteuerung starten. Zu heikel. Zu viele Schnittstellen. Zu hohe Haftung. Besser sind Use Cases, die Wissen verdichten und Entscheidungen vorbereiten: Service-Tickets zusammenfassen, Ersatzteilchancen erkennen, Bestandskunden nach Potenzial clustern, technische Dokumentation auffindbar machen, Vertriebsbesuche priorisieren. Mensch entscheidet, KI sortiert vor.

FAQ: Was ist mit den Leuchttürmen wie Trumpf und Festo?

Trumpf, Festo, Schaeffler, Krones oder DMG Mori beweisen, dass KI in der Industrie funktioniert, wenn Datenbasis, Engineering-Kultur und Prozessdisziplin zusammenkommen. Sie widerlegen aber nicht, dass viele kleinere Firmen noch nicht so weit sind. Sie zeigen eher den Abstand. Und genau dieser Abstand ist gefährlich, wenn er zur Ausrede wird.

Der Preis des Nickerchens

Der Mindestlohn steigt laut Beschluss der Mindestlohnkommission von 12,82 Euro auf 13,90 Euro im Jahr 2026 und 14,60 Euro im Jahr 2027. In der Industrie liegen die relevanten Lohnkosten ohnehin weit darüber. Fachkräfte werden knapper, administrative Arbeit wird nicht billiger, Kunden erwarten schnellere Reaktionen und Banken schauen bei Finanzierung und Nachfolge genauer auf digitale Reife. Wer glaubt, er könne Büroarbeit, Vertriebsvorbereitung und Servicekoordination dauerhaft wie 2018 betreiben, wird nicht von KI überrollt. Er wird von Kosten erdrückt.

Private-Equity-Leute fragen längst nach Automatisierungspotenzialen. Family Offices auch. Ich saß im Januar 2025 in München mit Nora, Investmentmanagerin bei einem Family Office, in einem Besprechungsraum mit Blick auf nassen Asphalt und die Leopoldstraße. "Wenn ein Zielunternehmen keine Daten- und KI-Roadmap hat, diskontieren wir das", sagte sie. Nicht dramatisch. Nicht mit Silicon-Valley-Grinsen. Eher wie jemand, der eine Maschine bewertet, bei der eine Wartung überfällig ist.

Auch Großkunden werden ungeduldiger. Automotive, Aerospace, Medtech, Maschinenbau – überall wachsen Anforderungen an digitale Lieferketten, Qualitätsdaten, Rückverfolgbarkeit und Reaktionszeit. Heute fragt der OEM freundlich nach Schnittstellen. Morgen fliegt der Zulieferer aus der engeren Auswahl, weil ein Wettbewerber die Daten besser liefert. Das steht dann nicht als "KI-Problem" im Protokoll. Es steht als "mangelnde Prozessfähigkeit" drin. Klingt harmloser. Ist tödlicher.

Meine eigentliche Provokation

Der deutsche Mittelstand verschläft KI – und das ist okay, wenn er gerade die Matratze wechselt. Sprich: Wenn er Daten bereinigt, Prozesse klärt, Compliance versteht und erste Use Cases mit echtem ROI vorbereitet. Es ist nicht okay, wenn er die Decke über den Kopf zieht und hofft, dass die nächste Technologiewelle wieder an ihm vorbeiläuft.

Ich habe Verständnis für die Müdigkeit. ERP-Einführungen, MES-Projekte, CRM-Rollouts, Cloud-Migrationen, Energiekrise, Lieferkettenstress, Zinswende, Fachkräftemangel – viele Organisationen sind nicht innovationsfeindlich, sie sind erschöpft. In einem Betrieb in der Nähe von Ulm sagte mir Peter, Produktionsleiter, im Oktober 2024: "Wir haben keine Angst vor KI. Wir haben Angst vor dem nächsten Projekt, das halb fertig bleibt." Dieser Satz ist ehrlicher als 80 Prozent der Keynotes, die ich 2025 gehört habe.

Trotzdem: Erschöpfung ist keine Strategie. Der Mittelstand muss nicht jedem Hype hinterherrennen, aber er muss wissen, wo er stehen will. In 90 Tagen. In zwölf Monaten. Vor allem in zwei Jahren, wenn KI-Funktionen nicht mehr als Extra verkauft werden, sondern in jeder Software stecken, die im Büro und in der Werkhalle läuft.

Als ich Thomas in Gütersloh zum Abschied fragte, was er jetzt mit KI mache, zog er den Reißverschluss seiner grauen Fleecejacke hoch und zeigte auf die Versandpapiere. "Erst räumen wir den Mist hier auf", sagte er. Dann grinste er. "Aber diesmal so, dass eine Maschine ihn später lesen kann." Draußen sprang ein Lkw an, Dieselgeruch im Regen. Vielleicht beginnt KI im Mittelstand genau so. Nicht mit einem Roboter auf der Bühne, sondern mit einem Geschäftsführer, der endlich seine Daten ernst nimmt.