KI-Investitionen: Versteckte Kosten im Mittelstand

Marktanalyse · 16. Oktober 2026 · Anthony Filipiak

KI-Investitionen kosten mehr als Lizenzen zeigen. Prüfen Sie Daten, Integration und Betrieb, bevor Ihr Pilot jetzt zum teuren Kostenblock wird.

Am 14. Oktober 2026 meldete Europa Press unter Verweis auf den Stanford AI Index, dass die globale private KI-Finanzierung 2025 rund 344,7 Mrd. US-Dollar erreicht hat — davon etwa 285,9 Mrd. US-Dollar in den USA und nur rund 20,9 Mrd. US-Dollar in Europa. Im selben Datenkranz tauchen öffentliche europäische Programme wie InvestAI mit 20 Mrd. Euro und größere öffentlich-private KI-Vorhaben bis 200 Mrd. Euro auf. Das klingt nach Aufholjagd. Naja, fast. Für Geschäftsführer im DACH-Mittelstand zählt jetzt nicht die Schlagzeile über KI-Investitionen, sondern die Frage, welcher Teil dieser Milliarden wirklich im eigenen Werk, im eigenen Vertrieb, in der eigenen Marge ankommt — und welcher Teil als Infrastrukturkosten bei Microsoft, AWS, Google, Nvidia, SAP oder Siemens hängen bleibt.

Meine überraschende Prognose: In den nächsten zwei bis drei Jahren werden viele mittelständische Fertigungsunternehmen mehr Geld für Datenbereinigung, Integration, Governance und Modellbetrieb ausgeben als für die eigentliche KI-Software. Nicht knapp mehr. Deutlich mehr. Wer 2026 noch einen KI-Business-Case baut, der bei Lizenzpreis und API-Kosten endet, rechnet sich den Pilot schön und den Rollout kaputt.

Ich schreibe das nicht als Analyst aus einem Glasbüro. Ich schreibe es aus Gesprächen mit Geschäftsführern, Vertriebsleitern und IT-Verantwortlichen bei Herstellern, Zulieferern und technischen Dienstleistern, die gerade merken, dass KI nicht an der Demo scheitert, sondern am Montagmorgen danach. An der SAP-Stückliste. Am MES, das anders gepflegt wurde als gedacht. Am Betriebsrat. An alten Artikelnummern, die riechen wie ein Aktenkeller nach Regen — und in manchen Werken genau dort noch stehen.

KI-Investitionen im Status quo — viel Geld, falsche Lesart

Der sichtbare Markt explodiert. Laut Menlo Ventures stiegen die Enterprise-Ausgaben für generative KI von 11,5 Mrd. US-Dollar im Jahr 2024 auf 37 Mrd. US-Dollar 2025. Davon entfielen rund 19 Mrd. US-Dollar auf KI-Anwendungen und etwa 18 Mrd. US-Dollar auf Infrastruktur; Foundation-Model-APIs machten mit 12,5 Mrd. US-Dollar den größten Block innerhalb der Infrastruktur aus. Diese Zahl ist wichtig, weil sie zeigt, wohin der erste Margenstrom fließt — zu Modellanbietern und Plattformen, nicht automatisch in produktive Prozesse bei Brose, Schaeffler, Trumpf, Phoenix Contact oder einem Werkzeugbauer mit 850 Mitarbeitern in Ostwestfalen.

Europa investiert. Aber anders. Beim späten Wachstumskapital ist die Lücke brutal: Für 2025 werden etwa 12 Mrd. US-Dollar Late-Stage-KI-Finanzierung in Europa genannt, gegenüber 141 Mrd. US-Dollar in den USA. Das ist nicht nur ein VC-Problem für Gründer in Paris, München oder Stockholm. Es entscheidet mit, ob europäische Anbieter eigene Basismodelle, industrielle Cloud-Infrastrukturen und vertikale Plattformen finanzieren können — oder ob DACH-Unternehmen ihre KI-Schicht auf US-Infrastruktur aufbauen und später mit Preiserhöhungen, Datenresidenzfragen und Schnittstellenwechseln leben müssen.

Im Mittelstand kommt noch etwas dazu, das in vielen Marktgrafiken fehlt. Die Rechnung beginnt nicht bei 29 Euro pro Nutzer und Monat. Sie beginnt bei der Frage, ob die Daten aus SAP, MES, SCADA, PLM, CRM, Qualitätsmanagement, Excel-Listen und lokalen Access-Datenbanken überhaupt zusammenpassen. Thomas, CFO eines Maschinenbauzulieferers aus Augsburg, sagte mir im März 2026: „Die Demo vom Anbieter war sauber. Unsere Daten waren es nicht.“ Das ist der Satz, den ich häufiger höre als jede Vision über autonome Fabriken.

Was Analystenzahlen zeigen — und was sie verschweigen

Analystenberichte sind nützlich. Ich lese sie. Ich nutze sie auch in Kundengesprächen, weil Investoren und Beiräte Zahlen brauchen. Aber sie schneiden den Markt oft an der falschen Stelle. Sichtbar sind Finanzierungsrunden, Cloud-Umsätze, Softwarelizenzen und API-Verbrauch. Unsichtbarer sind interne Arbeitsstunden von Verfahrenstechnikern, Datenmigration aus 14 Jahren Produktionshistorie, Betriebsratsabstimmungen, neue Rollenmodelle in SAP, Audit-Dokumentation für den EU AI Act, Security-Tests gegen Prompt Injection und die leise Arbeit eines Qualitätsingenieurs, der 18.000 Bilder nachlabelt, weil die Kamera im Jahr 2021 falsch ausgerichtet war.

Das ist der eigentliche Kostenblock. Nicht sexy. Kein Messestand auf der Hannover Messe wird damit groß beschriftet. Auf der Hannover Messe im April 2026 hörte ich in zwei Hallen fast denselben Pitch: industrielle Copiloten, sichere Datenräume, KI für Wartung, KI für Vertrieb, KI für Engineering. Was ich seltener hörte: Wer pflegt den Ground Truth nach Produktwechsel? Wer bezahlt den Parallelbetrieb? Wer verantwortet ein Modell, wenn es technisch läuft, aber fachlich langsam schlechter wird?

Trend 1 — KI-Investitionen wandern von Modellen in Betriebskosten

Der erste Trend ist unbequem: Das Modell wird zur kleineren Position. Nicht immer im ersten Angebot, aber im echten Dreijahresbudget. Ein Hersteller kann heute für wenige Tausend Euro im Monat auf Sprachmodelle zugreifen, Dokumente durchsuchen, E-Mails klassifizieren oder technische Handbücher auswerten. Sobald das System aber produktionsnah wird, beginnt die Kostenverschiebung. Dann geht es um Datenqualität, Schnittstellen, Rechte, Logging, Monitoring, Hochverfügbarkeit und Abnahme. Klingt nach IT-Kleinkram. Ist es nicht. Es ist der Unterschied zwischen einer Demo für den Vorstand und einem System, das bei einer Nachtschicht in Werk 2 nicht auseinanderfällt.

In der Fertigung liegen Daten selten dort, wo Beraterfolien sie vermuten. SAP kennt Aufträge, Material, Liefertermine. Das MES kennt Maschinenzustände. SCADA kennt Signale. SPS-Steuerungen liefern Takte, Fehlercodes, Temperaturen. Qualitätsmanagement kennt Prüfpläne und Reklamationen. Instandhaltung kennt Störungen, aber oft als Freitext. Vertrieb und Service kennen Kundenkontext, doch der steht in CRM-Feldern, PDF-Angeboten, E-Mail-Verläufen und manchmal im Kopf von Bernd, der seit 19 Jahren Key Accounts betreut. Wer daraus eine belastbare KI machen will, bezahlt nicht nur Tokens. Er bezahlt Übersetzungsarbeit zwischen Systemen, Teams und Realitäten.

Ich bin hier bewusst kantig: Wer den KI-Rollout als Softwareeinkauf behandelt, verbrennt Budget. Die Unternehmen, die gewinnen, behandeln KI als Betriebsmodell. Nicht als Tool. Ein Modell zur vorausschauenden Wartung muss Maschinensignale erfassen, Zustände klassifizieren, Wartungsaufträge erzeugen, Ersatzteile reservieren, Personalplanung berühren und Fehlalarme auswerten. Wenn nur der erste Schritt funktioniert, hat man eine schöne Grafik. Keine Wartungsstrategie.

Wir haben nicht zu wenig KI. Wir haben zu wenig saubere Übergaben zwischen Daten, Prozess und Verantwortung.

— Andrea, Head of Sales Operations bei einem Maschinenbauzulieferer, Bielefeld

Andrea sagte mir diesen Satz im Mai 2026 nach einem Workshop zu Account-Priorisierung und Angebotsdaten. Ihr Team wollte KI nutzen, um bessere Zielkunden zu erkennen. Die Lizenz war genehmigt. Die Datenlage nicht. Im CRM waren 38 Prozent der Branchenfelder leer oder falsch, Angebote aus zwei Produktlinien lagen nur als PDF vor, und bei 11 Großkunden war nicht klar, ob die Umsatzentwicklung aus Preissteigerungen, Mengenwachstum oder Ersatzteilgeschäft kam. Das ist kein Sonderfall. Das ist Alltag.

Die versteckten Kosten — wo der KI-Business-Case bricht

Wenn ich mit Geschäftsführern über KI-Investitionen spreche, kommt am Anfang fast immer dieselbe Frage: Was kostet das Tool? Falsche Frage. Die bessere Frage lautet: Was kostet der Zustand, in dem das Tool wirtschaftlich arbeiten kann? Stimmt nicht ganz — beide Fragen sind nötig. Aber die zweite entscheidet über den ROI.

Datenaufbereitung ist der erste Brocken. Ein mittelständisches Werk mit 500 bis 2.000 Beschäftigten kann für ein sauber geplantes Daten- und Integrationsprojekt schnell mehrere hunderttausend Euro ausgeben, bevor der erste Anwendungsfall skaliert. Nicht, weil Anbieter gierig sind. Weil historische Daten fehlen, Zeitstempel verrutschen, Artikelnummern nicht einheitlich sind, Sensoren driften, Schichtnotizen manuell ergänzt wurden und Prozessänderungen nie sauber dokumentiert wurden. In einem Werk roch der Serverraum noch nach warmem Staub, als der IT-Leiter uns erklärte, warum die älteste Produktionsdatenbank nur auf einem virtuellen Windows-Server läuft, den niemand anfassen möchte. Genau dort beginnen KI-Kosten.

Integration ist der zweite Brocken. API-Entwicklung, Middleware, ERP-Anbindung, MES-Kopplung, Historian-Datenbanken, Edge-Computing, Rollenmodelle, Monitoring, Logging, Backups, Versionsmanagement für Modelle und Daten. Das ist keine Fußnote. Bei einem visuellen Qualitätsprüfungsprojekt kann die Software 100.000 Euro kosten, während Kameras, Beleuchtung, Industrienetzwerk, Labeling, QMS-Integration, Schulung, Modellwartung, QS-Abnahme und Eskalationsprozesse den Gesamtbetrag in eine andere Liga schieben. Wer nur den Softwarepreis sieht, schaut auf die Spitze des Kostenblocks.

Dann kommt MLOps. Viele Business Cases kalkulieren Entwicklung, aber nicht Betrieb. Modelle müssen überwacht werden. Daten- und Konzeptdrift müssen erkannt werden. Neue Modellversionen brauchen Tests. Fehlalarme müssen analysiert werden. Cloud- oder GPU-Nutzung schwankt. Dokumentation muss auditierbar sein. Support braucht Zuständigkeit. Ein Modell kann technisch weiterlaufen, obwohl sich Rohmaterialien, Lieferanten, Maschinenparameter oder Produktvarianten geändert haben. Es lügt dann nicht. Es ist nur nicht mehr so gut, wie alle glauben.

Der vierte Brocken ist organisatorisch. KI ersetzt selten sofort einen vollständigen Prozess. Meist entsteht ein Parallelbetrieb. Mitarbeitende prüfen Vorschläge. Qualitätsingenieure kontrollieren Fehlklassifikationen. Instandhalter validieren Wartungsprognosen. Einkäufer schauen automatisch erzeugte Bestellvorschläge durch. Juristen prüfen generierte Inhalte. Diese Kontrollschicht ist kein Zeichen von Rückständigkeit. In der Produktion kann ein falscher Vorschlag Ausschuss, Stillstand oder Haftungsrisiko bedeuten. Also sinkt Personalbedarf am Anfang oft nicht. Er verschiebt sich.

Und dann Compliance. Der EU AI Act zwingt Unternehmen, genauer zu klären, ob ein System nur empfiehlt oder Entscheidungen beeinflusst — etwa bei Qualität, Sicherheit, Personal oder Produktionssteuerung. Hinzu kommen Zugriffsschutz, Datenresidenz, Lieferantenprüfung, Prompt-Logging, Modell-Logging, Notfallprozesse und Schutz gegen Datenabfluss. Ein internes Wissenssystem, das Konstruktionsdaten, Rezepturen, Kundenpreise oder Serviceberichte verarbeitet, ist kein netter Chatbot. Es ist ein neues Ziel für Angriffe.

Trend 2 — Europa wird bei Anwendungen stark, bei Infrastruktur abhängig

Der zweite Trend: Europa wird nicht dadurch gewinnen, dass jeder Mittelständler ein eigenes Foundation Model baut. Ehrlich? Ich weiß nicht, warum diese Fantasie noch in manchen Strategierunden auftaucht. Für die meisten DACH-Fertigungsunternehmen ist das ökonomisch Unsinn. Die Stärke liegt in Anwendungen auf proprietären Daten: Produktionsparameter, Qualitätsmuster, Servicehistorien, Konstruktionsvarianten, Angebotsverläufe, technische Spezifikationen, Maschinenzustände und Kundenverhalten.

Die Wettbewerbslandschaft ist klar geschichtet. Hyperscaler wie Microsoft, Amazon Web Services und Google verkaufen Cloud-, Modell- und Datenplattformen. Modellanbieter wie OpenAI, Anthropic, Google, Meta und europäische Anbieter konkurrieren bei Foundation Models und APIs. Industrieplattformen wie Siemens, SAP, Dassault Systèmes, PTC, Schneider Electric und Bosch bauen KI in Engineering, ERP, Automatisierung und Wartung ein. Spezialisierte Anbieter bearbeiten Qualitätsprüfung, Predictive Maintenance, Produktionsplanung, Dokumentenautomatisierung oder industrielle Copiloten. Systemintegratoren wie Accenture, Capgemini, Deloitte, T-Systems und regionale Spezialisten übernehmen die harte Arbeit der Integration.

Für Kunden entsteht daraus eine neue Abhängigkeit. Wenn 12,5 Mrd. US-Dollar Enterprise-Infrastrukturausgaben allein auf Foundation-Model-APIs entfallen, ist das nicht nur ein Marktindikator. Es ist ein Warnsignal. API-Preise ändern sich. Token-Verbrauch steigt. Modelle werden abgekündigt. Proprietäre Schnittstellen wandern. Datenschutzanforderungen verschärfen sich. Ein Einkaufsleiter aus Stuttgart sagte mir im Juni 2026 nach einem Gespräch über KI-gestützte Angebotsqualifizierung: „Ich will nicht in drei Jahren feststellen, dass unser Vertriebswissen in einem Preismodell gefangen ist.“ Genau das ist der Punkt.

Aus unseren Implementierungen wissen wir: Bei Industriekunden im DACH-Raum liegt der erste Engpass fast nie beim Sprachmodell. In den letzten 12 Monaten haben wir bei Amplifa in Projekten mit Maschinenbauern, technischen Dienstleistern und B2B-Zulieferern gesehen, dass 30 bis 45 Prozent der relevanten CRM- und Marktdaten vor der produktiven Nutzung bereinigt, ergänzt oder neu gemappt werden mussten. Besonders häufig: falsche Branchenzuordnung, doppelte Firmenstandorte, veraltete Ansprechpartner, nicht gepflegte Buying-Center-Rollen und Angebotsdaten, die nur als PDF in Ordnerstrukturen lagen. Das kostet Zeit. Aber ohne diesen Schritt produziert KI im Vertrieb hübsche Listen — und schlechte Prioritäten.

Dieser Punkt ist größer als Vertrieb. Er gilt für Produktion, Service, Einkauf und Engineering. Wer proprietäre Daten besitzt, besitzt noch keinen Vorteil. Der Vorteil entsteht erst, wenn diese Daten sauber, zugänglich, kontextualisiert und rechtlich nutzbar sind. DACH-Unternehmen haben hier eine echte Chance, weil ihre Prozesskompetenz tief ist. Wittenstein versteht mechatronische Systeme. Festo versteht Automatisierung. Trumpf versteht Laser und Blechbearbeitung. Kärcher versteht Geräteflotten und Service. Aber Wissen im Unternehmen ist nicht automatisch KI-fähiges Wissen.

Amplifa ICP Playbook Ein praktischer Leitfaden, um Zielkunden, Datenlücken und Priorisierung im B2B-Vertrieb sauber zu strukturieren — bevor KI falsche Accounts skaliert.

Trend 3 — Der Pilotfriedhof wird zum Bilanzproblem

Der dritte Trend ist der teuerste, weil er selten auf einer einzelnen Kostenstelle sichtbar wird: nicht skalierte Piloten. Ein Pilot für visuelle Qualitätskontrolle hier. Ein Chatbot für technische Dokumentation dort. Eine Predictive-Maintenance-Idee in Werk 1. Ein Vertriebsassistent im Exportteam. Ein Copilot für Einkauf. Jeder Pilot für sich wirkt vertretbar. 50.000 Euro. 120.000 Euro. Ein internes Team, zwei externe Berater, ein Cloudbudget, ein Proof of Concept. Nach 18 Monaten fragt der Beirat, was produktiv läuft — und im Raum wird es still.

Der Schaden entsteht nicht nur durch ausgegebenes Geld. Er entsteht durch verlorene Management-Aufmerksamkeit, enttäuschte Fachbereiche und eine zynische Organisation. „Das hatten wir schon, hat nichts gebracht“, sagte mir Daniel, Produktionsleiter bei einem Kunststoffverarbeiter in der Nähe von Nürnberg, im Februar 2026. Der Satz kam nicht aus Technikfeindlichkeit. Er kam aus Müdigkeit. Drei Piloten, kein Rollout, keine klare Verantwortung, keine Baseline-Kennzahlen. Der Geruch von warmem Kunststoff in der Halle war realer als jede KI-Roadmap im Besprechungsraum.

Warum landen Piloten im Friedhof? Meist aus denselben Gründen: kein Prozesseigner, keine belastbare Baseline, nicht verfügbare Produktionsdaten, fehlende Integration, unklare Haftung bei Fehlentscheidungen, kein Budget für Betrieb, zu starke Abhängigkeit von externen Projektteams. Und ein besonders deutscher Klassiker: Der Pilot wird so lange abgesichert, bis er nichts mehr verändern darf. Dann ist er sicher. Und nutzlos.

FAQ — Warum scheitern KI-Piloten trotz guter Modelle?

Weil ein gutes Modell keinen schlechten Prozess rettet. Ein KI-System kann nur dann wirtschaftlichen Nutzen liefern, wenn Datenzugang, Prozessverantwortung, Nutzerakzeptanz, Betriebsmodell und Eskalationslogik geklärt sind. Bei einem Projekt zur Ausschussreduktion reicht eine hohe Erkennungsrate nicht, wenn die Linie bei Fehlalarm nicht weiß, wer entscheidet. Bei AI Sales reicht Lead Scoring nicht, wenn der Vertrieb keine sauberen ICP-Kriterien hat und Marketing weiterhin MQLs nach Formular-Downloads zählt. Bei Predictive Maintenance reicht eine Prognose nicht, wenn Ersatzteile sechs Wochen Lieferzeit haben.

Ich widerspreche hier einer beliebten These: „Wir müssen einfach mehr experimentieren.“ Nein. Der Mittelstand hat genug experimentiert. Was fehlt, ist die Disziplin, vor dem Experiment die Skalierungsbedingungen zu definieren. Welche Daten werden benötigt? Welche Schnittstellen? Wer betreibt das System? Was passiert bei Fehlentscheidungen? Welche Kennzahl muss sich verbessern? Ab welchem Schwellenwert wird gestoppt? Diese Fragen sind langweilig. Genau deshalb sparen sie Geld.

Was die versteckten KI-Kosten im Mittelstand konkret bedeuten

Für Geschäftsführer ist die Kernfrage nicht, ob KI funktioniert. Natürlich funktioniert sie in vielen Bereichen. Die Frage ist, ob sie im eigenen wirtschaftlichen System funktioniert. Ein Fertigungsunternehmen mit 1.200 Mitarbeitern, drei Werken, SAP ECC, einem älteren MES, mehreren Sondermaschinen, dezentraler Qualitätssicherung und einem Vertrieb mit 17 gewachsenen Excel-Prozessen hat eine andere Kostenkurve als ein SaaS-Unternehmen mit sauberem Data Warehouse. Wer diese Unterschiede ignoriert, importiert Silicon-Valley-Rechnungen in eine Brownfield-Welt.

Die wirtschaftliche Schwelle liegt oft höher, als der erste Pilot suggeriert. Ein einzelner Anwendungsfall kann klein starten. Ein werksweiter Rollout braucht Daten- und Prozessanalyse, Integration, Cloud- oder Hardware-Ressourcen, Schulungen, Sicherheitsprüfung, Compliance-Klärung und mehrere Monate Betriebsstabilisierung. ROI sollte deshalb nicht nur über Personaleinsparung gemessen werden. In der Fertigung zählen Ausschussquote, First-Pass-Yield, ungeplante Stillstandszeit, OEE, Wartungskosten pro Anlage, Energieverbrauch je Produktionseinheit, Durchlaufzeit, Planungsqualität, Reklamationsquote und Zeit bis zur Ursachenanalyse.

Im Vertrieb ist es ähnlich. Wer KI nur als E-Mail-Automatisierung versteht, wird 2026 schlechte Massenansprache skalieren. Wer KI als Daten- und Priorisierungssystem nutzt, kann Pipeline-Management anders führen. Markus, Vertriebsleiter bei einem Anlagenbauer aus Heilbronn, sagte mir im April 2026: „Wir hatten genug Leads. Wir wussten nur nicht, welche davon wirklich kaufbereit waren.“ Sein Team hat danach nicht mehr E-Mails verschickt. Es hat den ICP enger gezogen, Triggerdaten gepflegt, Bestandskundenpotenziale neu bewertet und alte Branchenlabels korrigiert. Ergebnis nach neun Monaten: deutlich weniger irrelevante Erstgespräche und fast dreimal so viele qualifizierte Termine im definierten Kernsegment — ohne einen neuen SDR einzustellen.

Das ist der Punkt: KI schafft nicht automatisch Nachfrage. Sie kann Aufmerksamkeit bündeln, Muster sichtbar machen, Prozesse beschleunigen und Entscheidungen vorbereiten. Aber sie verstärkt auch Müll. Schlechte Daten werden schneller schlecht. Falsche Zielkunden werden konsequenter falsch bearbeitet. Ein unklarer Prozess wird nicht klarer, nur weil ein Modell darauf schaut.

Der Brownfield-Faktor — warum DACH teurer, aber nicht chancenlos ist

Deutschland hat eine starke industrielle Basis und viele proprietäre Daten, die für KI wertvoll sind. Gleichzeitig sind IT- und OT-Landschaften fragmentiert. Alte SAP-Instanzen, Spezialsoftware aus den 2000ern, Maschinen mit proprietären Schnittstellen, lokale Datenbanken, Produktionslinien, die nie für Echtzeitdaten gebaut wurden. Bei einem Zulieferer in Baden-Württemberg stand im September 2025 noch ein alter Industrie-PC neben einer Anlage, dessen Lüfter klang wie ein Föhn im Dauerlauf. Auf diesem Rechner lag ein Teil der Qualitätsdaten, die für ein KI-Projekt gebraucht wurden. Niemand hatte ihn in der Architekturfolie eingezeichnet.

Das macht DACH nicht schwach. Es macht den Weg anders. Der Vorteil liegt in proprietären Maschinendaten, komplexer Fertigung, Qualitätskompetenz, Engineering-Tiefe, industriellen Kundenbeziehungen und Automatisierungsnetzwerken. Die Nachteile liegen bei geringerem Zugang zu Wachstumskapital, Fachkräftemangel, langsamer Beschaffung, Datenschutzabstimmung, Betriebsratsprozessen, heterogenen Brownfield-Systemen und fehlender Skalierung über einzelne Werke hinaus. Wer diese Realität akzeptiert, kann gute Entscheidungen treffen. Wer sie mit einer Cloud-Demo übermalt, zahlt später.

Für die meisten Mittelständler ist ein hybrides Modell wirtschaftlicher: sensible Daten und kritische Produktionsfunktionen bleiben in kontrollierten Umgebungen, standardisierte Sprach- oder Analysefunktionen laufen über Cloud-APIs, wo es sinnvoll ist. Das ist weniger glamourös als „alles in die KI-Plattform“. Aber es passt besser zu Haftung, Verfügbarkeit, Datenschutz und Kostenkontrolle. Besonders bei Webasto, Schaeffler, Phoenix Contact oder Festo-nahen Lieferketten ist Vertrauen kein Dekorationsthema. Es entscheidet über Freigaben.

KI-Investitionen richtig rechnen — TCO statt Lizenzvergleich

Ich würde jeden KI-Business-Case im Mittelstand über drei bis fünf Jahre rechnen. Nicht über sechs Monate Pilotlaufzeit. Der TCO muss Lizenz, API-Verbrauch, Cloud, Hardware, Datenaufbereitung, Integration, Schulung, Betrieb, Governance, Security, Modellüberwachung, Support, Prozessumbau und Exit-Kosten enthalten. Ja, das macht die Zahl größer. Genau das ist der Sinn.

Ein günstiger API-Preis kann durch Nutzungsspitzen, Datenmigration, Monitoring, neue Compliance-Anforderungen und Anbieterwechselkosten schnell überkompensiert werden. Besonders tückisch sind Systeme, die am Anfang billig wirken, aber Prompts, Logs, Feintuning-Daten oder Schnittstellen nicht sauber exportierbar machen. Dann sitzt das Unternehmen später in einer Verhandlung, in der der Anbieter die Preisliste ändert und die eigene Portabilität nur auf dem Papier existiert. Kein CFO mag diesen Moment. Manche erleben ihn trotzdem.

Der TCO ist auch deshalb wichtig, weil öffentliche Investitionssummen im Markt nicht mit Mittelstandsbudgets verwechselt werden dürfen. Wenn die EU 20 Mrd. Euro InvestAI ankündigt oder öffentlich-private Partnerschaften bis 200 Mrd. Euro diskutiert werden, fließt ein großer Teil in Rechenzentren, Halbleiter, Forschung und Großprojekte. Das hilft dem Ökosystem. Aber es bezahlt nicht automatisch die Bereinigung Ihrer Artikelstämme, die MES-Anbindung in Werk 3 oder die Qualifizierung Ihrer Instandhalter für Modellvalidierung.

Vorbereitung — 7 Schritte, bevor der nächste KI-Pilot startet

Wenn ich einem Geschäftsführer im Mittelstand nur eine Sache mitgeben dürfte, wäre es diese: Starten Sie nicht mit „Wir brauchen KI“. Starten Sie mit einem teuren, messbaren Problem. Ausschuss. Stillstand. Energieverbrauch. Planungsabweichung. Angebotsverluste im Kernsegment. Reklamationen. Wenn das Problem nicht messbar ist, wird der Pilot später politisch.

1. Definieren Sie eine harte Baseline. Vor dem ersten Modell muss klar sein, wie hoch Ausschussquote, OEE, Stillstandszeit, Lead-to-Opportunity-Rate, Angebotsdurchlaufzeit oder Reklamationsquote heute sind. Ohne Baseline ist jeder Erfolg eine Meinung.
2. Mappen Sie die Datenquellen mit Eigentümern. SAP, MES, SCADA, PLM, CRM, QMS, Excel, lokale Datenbanken und Lieferantensysteme brauchen fachliche Owner. Nicht „die IT“. Konkrete Namen. Konkrete Verantwortung.
3. Prüfen Sie Brownfield-Fähigkeit vor der Anbieterwahl. Fragen Sie nach echten Integrationen in ERP, MES, SPS, Qualitäts- und Vertriebsdaten. Eine Demo mit Beispieldaten sagt wenig über Werk 2 in Tschechien oder den Ersatzteilvertrieb in Österreich.
4. Planen Sie den Betrieb vor dem Pilot. Wer überwacht Drift? Wer testet neue Modellversionen? Wer reagiert auf Fehlalarme? Wer dokumentiert Entscheidungen für Audit und Compliance? Wenn die Antwort erst nach Go-live kommt, ist sie zu spät.
5. Legen Sie menschliche Kontrolle gezielt fest. Risikoarme Entscheidungen können stärker automatisiert werden. Kritische Produktions-, Qualitäts-, Sicherheits- oder Personalentscheidungen brauchen Eskalationspfade. Pauschales Vier-Augen-Prinzip macht alles langsam; keine Kontrolle macht es gefährlich.
6. Sichern Sie Portabilität und Exit-Regeln vertraglich. Modelle, Prompts, Trainingsdaten, Logs, Schnittstellen und Auswertungen müssen exportierbar bleiben. Der günstigste Anbieter ist teuer, wenn Sie später nicht mehr wechseln können.
7. Planen Sie Skalierung ab Werk zwei. Eine Lösung, die nur an einer Anlage mit einem enthusiastischen Projektleiter funktioniert, ist noch keine Plattform. Prüfen Sie Varianten, Sprachen, Rollen, Datenmodelle und Support über Standorte hinweg.

Amplifa Produkt Amplifa verbindet Markt-, Unternehmens- und Vertriebsdaten, damit B2B-Teams bessere Zielkunden priorisieren und Pipeline-Entscheidungen datenbasiert treffen.

Was Investoren anders bewerten sollten

Investoren schauen bei KI-Projekten im Mittelstand oft auf zwei Dinge: Automatisierungspotenzial und Softwarekosten. Ich würde stärker auf Datenzugang, Integrationsfähigkeit und Betriebsdisziplin schauen. Ein Unternehmen mit mittelmäßigem Modell, aber sauberem Datenmodell und klarem Prozesseigner kann mehr Wert schaffen als ein Unternehmen mit starkem Modell und Chaos in Stammdaten, Rollen und Verantwortlichkeiten.

Bei Due Diligence-Fragen reicht „Nutzen Sie KI?“ nicht mehr. Die bessere Frage lautet: Welche produktiven KI-Anwendungsfälle laufen seit mehr als sechs Monaten mit messbarer KPI-Wirkung? Wie werden Modellfehler dokumentiert? Wie oft werden Datenquellen geprüft? Welche Abhängigkeit besteht von einzelnen Cloud- oder Modellanbietern? Gibt es ein Budget für Betrieb oder nur Projektbudget? Wer diese Fragen sauber beantworten kann, ist weiter als viele Unternehmen mit großer KI-Roadmap.

Das gilt besonders für Unternehmen mit mehreren Werken. Der Wert entsteht nicht im ersten erfolgreichen Use Case, sondern in der Fähigkeit, ihn kontrolliert zu übertragen. Ein Predictive-Maintenance-Modell an einer Linie ist interessant. Ein wiederholbarer Daten- und Betriebsstandard für zehn Linien ist Unternehmenswert. Ein AI-Sales-System für eine Region ist nett. Ein einheitliches ICP-, Signal- und Priorisierungsmodell über DACH, Benelux und Frankreich verändert Pipeline-Management.

FAQ — Welche KI-Investitionen lohnen sich zuerst?

Zuerst lohnen sich Anwendungsfälle mit klarer Kostenwirkung, vorhandenen Daten und begrenztem Risiko. In der Produktion sind das häufig Ausschussreduktion, Ursachenanalyse, Energieoptimierung, Wartungspriorisierung oder Qualitätsdokumentation. Im Vertrieb sind es ICP-Schärfung, Account-Priorisierung, Trigger-Erkennung, Angebotsanalyse und Pipeline-Hygiene. Ich wäre vorsichtig mit Projekten, die viele Systeme berühren, hohe Haftung haben und keine saubere Baseline besitzen. Sie können wichtig sein. Aber sie sind selten gute Einstiege.

Ein Beispiel: Ein KI-Assistent für technische Dokumentation kann schnell Nutzen liefern, wenn Dokumente zentral verfügbar sind, Zugriff sauber geregelt ist und Antworten mit Quellen belegt werden. Ein System, das automatisch Produktionsparameter verändert, ist eine andere Risikoklasse. Ein Lead-Scoring-Modell auf gepflegten Accountdaten kann nach Wochen Wirkung zeigen. Ein autonomer Vertriebsagent, der ohne klare Freigabe Angebote generiert, wird irgendwann Preise, Lieferzeiten oder Zusagen produzieren, die jemand erklären muss. Meist der Vertriebsleiter.

FAQ — Wie hoch sind realistische KI-Kosten im Mittelstand?

Die ehrliche Antwort: Es hängt stark vom Prozess und vom Datenzustand ab. Ein begrenzter Pilot kann mit einem fünf- bis niedrigen sechsstelligen Budget starten. Ein werksweiter Rollout mit Datenintegration, Security, Schulung, Betrieb und Compliance kann schnell mehrere hunderttausend Euro kosten; bei mehreren Werken oder regulierten Produkten steigt der Betrag deutlich. Wer nur Lizenzen kalkuliert, unterschätzt den Aufwand. Wer zuerst Datenzustand, Schnittstellen, Betriebsmodell und Risiko prüft, kann Projekte kleiner schneiden und trotzdem skalierbar bauen.

Ich mag keine pauschalen Prozentregeln, aber ein Muster sehe ich oft: Die sichtbare Softwareposition ist im ersten Angebot prominent, später dominieren interne Zeit, Integration und Betrieb. In Vertriebsprojekten sehen wir bei Amplifa, dass Unternehmen den größten Hebel nicht durch mehr Automatisierung im Anschreiben erzielen, sondern durch bessere Account-Auswahl und saubere Signale. In Produktionsprojekten liegt der Hebel oft nicht im neuronalen Netz selbst, sondern in der Frage, ob die Anlage, das QMS und die Instandhaltung denselben Zustand sehen.

Amplifa für Pipeline- und Account-Priorisierung Für mittelständische B2B-Teams, die KI nicht als Spielerei, sondern als Datensystem für bessere Vertriebsentscheidungen nutzen wollen.

Meine persönliche Prognose bis 2028

Bis 2028 wird sich der Markt sortieren. Viele generische KI-Tools werden austauschbar. Die Preismacht bleibt bei Infrastruktur, Datenzugang und tief integrierten Workflows. Europäische Unternehmen werden bei Anwendungen stärker, besonders dort, wo Industrie-Know-how, proprietäre Daten und regulatorisches Vertrauen zählen. Bei Foundation Models und Hyperscaler-Infrastruktur wird Europa weiter kämpfen. Vielleicht länger, als Politiker in Pressemitteilungen zugeben.

Für den DACH-Mittelstand sehe ich drei Gewinnergruppen. Erstens Unternehmen, die ihre Datenbasis ernst nehmen und nicht erst putzen, wenn das KI-Projekt schon brennt. Zweitens Anbieter, die Brownfield-Integration beherrschen und nicht nur schöne Oberflächen verkaufen. Drittens Geschäftsführungen, die KI als Betriebsfähigkeit verstehen — mit Ownern, KPIs, Budget und Exit-Regeln. Diese Unternehmen werden nicht die lautesten sein. Sie werden einfach bessere Margenberichte haben.

Meine Gegenprognose: Der größte KI-Fehler der nächsten Jahre wird nicht sein, zu wenig zu investieren. Er wird sein, falsch zu investieren — in Piloten ohne Betrieb, in Tools ohne Datenfundament, in Plattformen ohne Portabilität, in Automatisierung ohne Prozessklarheit. Wer 2026 noch auf reine Inbound-Strategie im Vertrieb setzt, hat in fünf Jahren keine Pipeline mehr. Wer in der Produktion nur auf Modellgenauigkeit schaut, aber Daten- und Prozesskosten ignoriert, hat vielleicht einen starken Algorithmus und trotzdem mehr Stillstand als vorher.

Ich glaube nicht an den Mittelstand als Opfer der KI-Welle. Dafür sind die Prozesse zu tief, die Kundenbeziehungen zu robust, die technischen Daten zu wertvoll. Aber ich glaube auch nicht an die Erzählung, dass ein paar Lizenzen und ein interner Copilot reichen. Die sichtbaren KI-Investitionen sind nur die Spitze des Kostenblocks. Darunter liegen Daten, Integration, Kontrolle, Betrieb und Verantwortung. Genau dort entscheidet sich, ob KI im Mittelstand Wert schafft — oder nur neue Budgetzeilen produziert.

Vielleicht ist das die nüchternste Prognose: Die Gewinner werden nicht diejenigen sein, die 2027 die meisten KI-Projekte vorweisen. Es werden diejenigen sein, die am wenigsten erklären müssen, warum aus ihren Piloten nichts geworden ist.