KI Reifegrad Check: Mittelstand ohne Ausreden
KI-Strategie · 20. Juli 2026 · Anthony Filipiak
KI Reifegrad Check für den Mittelstand: Prüfen Sie Daten, Prozesse, Führung und bauen Sie eine Roadmap statt Pilotfriedhof.
Die meisten Mittelständler brauchen keinen KI Reifegrad Check, weil sie zu wenig über KI wissen — sie brauchen ihn, weil sie zu viel über Tools reden. Das meine ich ernst. Wer im Jahr 2026 noch mit der Frage startet, ob ChatGPT, Copilot oder irgendein Branchen-LLM das richtige Werkzeug ist, hat den ersten Denkfehler schon eingebaut. KI scheitert im Mittelstand selten am Modell. Sie scheitert an unklaren Prozessen, brüchigen Daten, Führung ohne Budget und Teams, die nie gelernt haben, Entscheidungen messbar zu machen.
Ich sehe das in Gesprächen mit Geschäftsführern, CTOs und Vertriebsleitern fast jede Woche. Nicht als Theorie. Als Muster. Ein Unternehmen mit 180 Mitarbeitern aus Ostwestfalen hat ein ERP, ein CRM, drei Excel-Schattenwelten und eine Vertriebslogik, die im Kopf von zwei Senior-Verkäufern lebt. Dann kommt der Satz: "Wir wollen jetzt KI einführen." Naja, fast. Eigentlich wollen sie, dass KI die Versäumnisse der letzten zehn Jahre elegant überdeckt.
Warum die meisten beim KI Reifegrad Check falsch liegen
Der erste Fehler ist harmlos getarnt. Unternehmen verwechseln KI-Reife mit Tool-Nutzung. Wenn zehn Leute im Marketing Prompts schreiben, der Vertriebsinnendienst E-Mails mit Copilot glättet und der Geschäftsführer auf LinkedIn einen Beitrag über generative KI liked, gilt das intern schon als Bewegung. Bei Trumpf, Phoenix Contact oder Festo wäre das nicht einmal der Anfang einer Strategie. Das ist Bürohygiene mit neuer Oberfläche.
Ein echter KI Reifegrad Check misst nicht, ob Mitarbeiter ein Tool öffnen können. Er misst, ob ein Unternehmen in der Lage ist, KI wirtschaftlich einzusetzen. Das ist ein anderer Sport. Datenverfügbarkeit. Prozessreife. IT-Anbindung. Governance. Führungswille. Mitarbeiterfähigkeit. Nicht als PowerPoint-Kästchen, sondern als harte Frage: Können wir aus einem Problem einen Use Case machen, aus einem Use Case einen KPI, aus einem KPI eine Investitionsentscheidung?
"Das funktioniert bei uns nicht", sagte mir kürzlich Martin, Vertriebsleiter bei einem Maschinenbauzulieferer in Nürnberg. Der Satz kam nach 14 Minuten. Ich fragte ihn, welcher Teil nicht funktioniert. KI? CRM? Lead-Scoring? Er lachte kurz, dieses trockene Lachen, das man aus Besprechungsräumen mit grauem Teppich kennt. "Unser Angebotsprozess ist jedes Mal anders." Da war der Punkt. Nicht KI war das Problem. Der Prozess war nicht modellierbar.
Und ja, ich weiß, der Mittelstand ist nicht SAP, nicht Siemens, nicht Bosch. 50 bis 500 Mitarbeiter bedeuten andere Budgets, andere IT-Teams, andere politische Realitäten. Aber genau deshalb ist ein KI-Reifegrad-Check so brutal nützlich. Er verhindert, dass ein Unternehmen mit 90 Mitarbeitern eine Konzernarchitektur imitiert — und gleichzeitig verhindert er, dass es sich mit fünf Prompt-Schulungen selbst belügt.
KI-Reife ist keine Innovationsromantik
Ich mag keine Reifegradmodelle, die so klingen, als hätte jemand eine Beratungsfolie in fünf Farben sortiert. Starter. Pilotierer. Adopter. Skalierer. Strategisch reif. Klingt sauber. Zu sauber. Trotzdem helfen diese Stufen, wenn man sie nicht als Statussymbol benutzt, sondern als Diagnosewerkzeug. Laut einer GenKI-Studie von Adesso, veröffentlicht im Bank Blog 2025, liegen 22 Prozent der deutschen Unternehmen bei generativer KI auf Starter-Niveau, 49 Prozent experimentieren, 16 Prozent sind Adopter und nur 13 Prozent skalieren systematisch. Das riecht nach Pilotfriedhof. Nicht nach Transformation.
Der Geruch ist übrigens ziemlich konkret: Besprechungsraum, abgestandene Luft, ein Whiteboard mit acht Use Cases, von denen keiner einen Owner hat. Ich übertreibe? Stimmt nicht ganz. Bei vielen Mittelständlern hängt die KI-Agenda inzwischen an einzelnen Enthusiasten. Eine Assistentin baut gute Prompts. Ein Entwickler testet lokale Modelle. Der Vertrieb nutzt ChatGPT für Erstanschreiben. Dann verlässt eine Person das Unternehmen oder bekommt ein anderes Projekt — und die KI-Strategie fällt vom Tisch wie ein schlecht geklebter Post-it.
Die unbequeme Wahrheit über KI im Mittelstand
Die unbequeme Wahrheit ist: Ein Unternehmen kann bei KI technisch neugierig und organisatorisch unreif sein. Das ist sogar der Normalfall. Die Wavect DACH AI Adoption Benchmark 2026 beschreibt den Funnel von angefragten Use Cases über Pilot, begrenzte Produktion, Skalierung und Stopp. Genau dort wird es interessant. Nicht bei der Anzahl der Ideen. Ideen gibt es genug. Entscheidend ist, wie viele Use Cases nach zwölf Wochen eine belastbare Entscheidung bekommen — skalieren, iterieren oder töten.
Ich bin inzwischen allergisch gegen KI-Backlogs mit 40 Ideen. Die sehen fleißig aus. Sie sind aber oft ein Ausweichmanöver. Wer 40 Use Cases sammelt, ohne Datenlage, Prozessklarheit, KPI und Business-Owner zu prüfen, baut kein Portfolio. Er baut Nebel. Die besseren Unternehmen starten enger. Ein Use Case. Ein KPI. Ein Team mit 3 bis 5 Personen. Maximal zwölf Wochen. Diese Logik findet sich auch in Praxisauswertungen aus mehr als 250 KI-Projekten im DACH-Mittelstand, etwa bei Talmeier im Juli 2026: KI scheitert fast nie an Technik, sondern an Vorentscheidungen.
Man muss diesen Satz einmal langsam lesen. Vorentscheidungen. Nicht neuronale Netze. Nicht Tokenpreise. Nicht Modellkontextfenster. Sondern Zielschärfe, Prozessschnitt, Datenzugriff, Ownership, Baseline. Die langweiligen Dinge. Die Dinge, die niemand in einer Keynote hören will, weil sie nach Arbeit klingen.
| Reifegrad | Was ich im Mittelstand sehe | Typisches Risiko | Nächster sinnvoller Schritt |
|---|---|---|---|
| 0 Starter | Einzelne Mitarbeiter nutzen ChatGPT, keine Regeln, kein Budget | Schatten-KI und Datenschutzblindflug | Kurze Inventur der Tools, Datenklassen und Risiken |
| 1 Pilotierer | 1 bis 3 Piloten, oft in Marketing, Service oder Vertrieb | Kein KPI, keine Integration, keine Entscheidung | Pilot-Design mit Baseline und Go/No-Go nach spätestens 12 Wochen |
| 2 Adopter | Mehrere produktive Anwendungen, erste Prozessanbindung | Erfolg hängt an Einzelpersonen | Business-Owner je Use Case und einfaches Monitoring einführen |
| 3 Skalierer | KI läuft in Kernprozessen wie Disposition, Kundenservice oder Angebotswesen | Governance bremst oder fehlt komplett | KI-Rollen, Audit-Logik und Portfolio-Steuerung aufbauen |
| 4 Strategisch reif | KI beeinflusst Investitionen, Build-vs-Buy und Geschäftsmodellfragen | Selbstzufriedenheit | Capability intern halten und Modelle kontinuierlich prüfen |
Ein Beispiel: Ein Freizeitbetrieb mit Kartbahn und MobiKart-Buchungssystem führte laut SW Business Solutions eine mehrsprachige Telefon-KI ein. Eingehende Buchungen wurden automatisch angenommen, Verfügbarkeiten geprüft und ins System übertragen. Ergebnis: 60 bis 70 Prozent weniger Verwaltungsaufwand bei telefonischen Anfragen. Das ist keine Science-Fiction. Das ist ein klarer Prozess, ein klarer Kanal, eine klare Datenquelle. Genau deshalb funktioniert es.
Und genau deshalb funktionieren viele andere Projekte nicht. Wenn ein Maschinenbauer mit 320 Mitarbeitern KI für "bessere Kundenansprache" einführen will, aber nicht sagen kann, welche Kundensegmente profitabel sind, wie Angebotsquoten je Segment aussehen und welche Kontakte im CRM überhaupt noch gültig sind, dann ist das kein KI-Projekt. Das ist eine Datenbeichte.
Ein KI-Reifegrad-Check ist für mich kein Technologie-Audit. Er ist ein Management-Audit. Ich will wissen, ob die Geschäftsführung bereit ist, Prozesse zu standardisieren, Budgets freizugeben und schlechte Use Cases zu stoppen.
— Andrea, Head of Sales bei einem Automatisierungszulieferer, Bielefeld
Aber ein KI Reifegrad Check kann auch lähmen
Das stärkste Gegenargument stimmt. Ein Reifegrad-Check kann zur Ausrede werden. Noch ein Assessment. Noch ein Workshop. Noch eine Matrix. Noch eine Roadmap, die in SharePoint verschwindet, während Kärcher, Schaeffler oder Wittenstein längst anfangen, konkrete Workflows zu automatisieren. Ich habe dafür wenig Geduld. Wenn ein Check länger als acht Wochen dauert und am Ende keine priorisierten Use Cases mit Budget, KPI und Verantwortlichem stehen, war es vermutlich Beschäftigungstherapie.
Manche Geschäftsführer haben auch Angst vor der Diagnose. Verständlich. Ein ehrlicher KI Reifegrad Check zeigt, dass die Datenqualität schlechter ist als behauptet, dass Prozesse nicht dokumentiert sind, dass IT-Schnittstellen fehlen und dass Führung zwar "Innovation" sagt, aber kein Team für zwei Nachmittage pro Woche freistellt. Das tut weh. Aber es ist billiger als ein 80.000-Euro-Pilot, der nach vier Monaten mit dem Satz endet: "Wir müssten erst einmal die Daten bereinigen."
Ich würde sogar härter formulieren: Der Check ist nur dann sinnvoll, wenn er Entscheidungen erzwingt. Nicht Erkenntnisse. Entscheidungen. Welche drei Use Cases testen wir in den nächsten sechs Monaten? Welcher Use Case wird bewusst nicht gemacht? Welcher Prozess muss vorher aufgeräumt werden? Wer unterschreibt das Budget? Wer ist verantwortlich, wenn der Pilot keinen Impact liefert?
Was ein guter KI Reifegrad Check wirklich misst
Ein brauchbarer KI Reifegrad Check für den Mittelstand misst fünf Dimensionen. Daten. Prozesse. Mitarbeiter. IT. Führung und Governance. Ja, das klingt erst einmal wie jedes Framework aus Europa, von Wito.ai bis zu diversen KI-Maturity-Indizes. Der Unterschied liegt nicht in der Liste. Der Unterschied liegt in der Härte der Fragen.
1. Daten: Nicht vorhanden, sondern nutzbar
Viele Unternehmen sagen: "Wir haben die Daten." Dann schauen wir genauer hin. Die Kundendaten liegen im CRM, Angebotsdaten im ERP, Besuchsberichte in OneNote, Reklamationen im Ticketsystem und wichtige Notizen in E-Mails. Formal vorhanden. Operativ zersplittert. Für KI ist das wie ein Lager mit beschrifteten Kartons in fünf Gebäuden, aber ohne Staplerfahrer und ohne Lageplan.
Bei Brose oder Webasto mag ein zentrales Datenprogramm anders aussehen als bei einem 140-Mann-Zulieferer in Heilbronn. Klar. Aber der Anspruch ist gleich: Daten müssen zugänglich, aktuell, strukturiert genug und rechtlich nutzbar sein. Ein Reifegrad-Check muss deshalb nicht nur fragen, ob Daten existieren. Er muss fragen, wie lange es dauert, sie für einen konkreten Use Case bereitzustellen. Drei Stunden? Drei Wochen? Gar nicht?
2. Prozesse: KI automatisiert keine Gerüchte
Der Prozess ist der blinde Fleck. In Gesprächen mit Vertriebsleitern höre ich oft: "Unser Sales-Prozess ist dokumentiert." Dann folgt ein PDF aus 2021. Auf der operativen Ebene arbeitet jeder anders. Einer qualifiziert Leads nach Bauchgefühl, einer nach Unternehmensgröße, einer nach Sympathie, einer nach dem letzten Messegespräch in Stuttgart. Ehrlich? Ich weiß es nicht, wie man darauf seriös KI setzen soll.
KI braucht Wiederholbarkeit. Nicht Perfektion. Aber genug Struktur, damit ein Modell oder ein Workflow lernen kann, was guter Output bedeutet. Angebotspriorisierung, Lead-Scoring, Service-Triage, Dokumentenklassifikation, Dispositionsvorschläge — alles wird besser, wenn der Prozess vorher messbar ist. Ohne Messbarkeit bleibt nur Meinung. Und Meinung skaliert schlecht.
3. Mitarbeiter: Akzeptanz ist nicht Nettigkeit
Mitarbeiter-Readiness wird oft weich behandelt. Schulung. Kommunikation. Change. Klingt freundlich. Ich sehe das härter. Mitarbeiter müssen lernen, KI-Ergebnisse kritisch zu prüfen. Nicht blind übernehmen, nicht reflexhaft ablehnen. Dazwischen liegt die Arbeit. Eine Sachbearbeiterin im Kundenservice muss erkennen, wann ein Antwortvorschlag sauber ist und wann er juristisch dünn wird. Ein Vertriebsmitarbeiter muss verstehen, warum ein KI-Score ein Signal ist, kein Urteil.
Im März 2025 sagte mir Julia, Digitalverantwortliche bei einem B2B-Händler in Köln: "Unsere Leute haben keine Angst vor KI. Sie haben Angst vor schlechten Vorgaben." Das trifft es. Akzeptanz entsteht nicht durch Poster in der Kantine. Sie entsteht, wenn ein Tool im echten Arbeitsablauf hilft und wenn klar ist, wer entscheidet, wer prüft und wer haftet.
4. IT-Infrastruktur: Schnittstellen schlagen Folien
Cloud-Strategie, API-Fähigkeit, Rollenrechte, Datenexporte, Identity-Management — nicht sexy, aber entscheidend. Ein KI-Projekt, das sich nicht in CRM, ERP, Ticketsystem oder DMS integrieren lässt, bleibt meistens Demo. Die Demo klappert schön. Im Alltag hört man dann das andere Geräusch: Mausklicks, Copy-Paste, genervtes Seufzen.
Ich sehe viele Mittelständler mit guten Standardtools: Microsoft 365, Salesforce, HubSpot, SAP Business One, proALPHA, abas, Pipedrive, Zendesk. Das Problem ist selten, dass keine Systeme vorhanden sind. Das Problem ist, dass niemand die Integrationsfähigkeit als strategischen Faktor bewertet. Dabei entscheidet genau sie, ob KI ein Workflow wird oder ein weiteres Fenster auf dem zweiten Monitor.
5. Führung und Governance: Ohne Budget ist es Hobby
Geschäftsführer unterschätzen den Führungsanteil. Sie delegieren KI an IT oder Marketing und wundern sich, dass daraus kein Produktivsystem wird. Wenn KI Kernprozesse berührt, braucht sie Geschäftsführung. Nicht als Grußwort im Kick-off, sondern als Entscheider bei Prioritäten, Budget, Risiko und Stopp-Regeln.
Governance heißt nicht Bürokratie. Governance heißt: Welche Daten dürfen in welches System? Welche KI-Ergebnisse müssen geprüft werden? Wer darf einen Use Case freigeben? Welche Logs brauchen wir für Audits? Wie gehen wir mit EU AI Act, Datenschutz und Kundenanforderungen um? Phoenix Contact oder Schaeffler denken solche Fragen nicht erst nach dem Pilot. Mittelständler sollten das auch nicht tun, nur eben pragmatischer.
Was wir bei Amplifa konkret sehen
Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten hatten die besten KI-Vertriebsprojekte nicht die meisten Daten, sondern die saubersten Entscheidungsgrenzen. Bei Kunden mit 80 bis 450 Mitarbeitern sehen wir ein klares Pattern: Wenn ein Pilot vor Start genau einen primären KPI hat — zum Beispiel Terminquote pro 1.000 Zielkontakte, Antwortqualität im Erstkontakt oder Zeit bis zur Account-Recherche — fällt die Go/No-Go-Entscheidung im Schnitt nach 9 bis 11 Wochen. Wenn der Pilot mit drei unklaren Zielen startet, zieht er sich fast immer über 16 Wochen hinaus und wird politisch.
Noch ein Muster aus unserer täglichen Arbeit: Der Vertrieb ist oft reifer für KI als die Organisation glaubt, aber schlechter vorbereitet, als der Vertrieb selbst zugibt. Vertriebsleiter wollen KI für Pipeline-Aufbau, Account-Priorisierung und personalisierte Ansprache. Dann fragen wir nach ICP-Definition, Ausschlusskriterien, Kauftriggern, Branchenclustern und Deal-Historie. Es wird still. Nicht peinlich still. Eher dieses "Wir wissen es eigentlich, aber niemand hat es sauber aufgeschrieben"-Still.
Ein Beispiel aus einem Projekt im Oktober 2025: Ein B2B-Softwareanbieter aus München mit knapp 120 Mitarbeitern wollte KI für Outbound-Sequenzen einsetzen. Der erste Wunsch war Textgenerierung. Nach zwei Workshops war klar: Das eigentliche Problem war die Zielkundenlogik. Die Firma hatte 18 Segmente im CRM, aber nur vier davon lieferten planbar Deckungsbeitrag. Nachdem wir den ICP geschärft und die Ausschlusslogik definiert hatten, brauchte die KI weniger Kreativität und lieferte bessere Vorschläge. Kurz: Nicht das Modell wurde schlauer. Das Unternehmen wurde präziser.
Amplifa ICP Playbook Das Playbook hilft B2B-Teams, Zielkunden, Ausschlusskriterien und Kauftrigger zu schärfen — die Basis für sinnvolle KI im Vertrieb.
Die 12 bis 24 Monate nach dem KI Reifegrad Check
Ein guter Check endet nicht mit einer Note. Er endet mit einer Roadmap. 12 bis 24 Monate, quartalsweise geschnitten, mit Use Cases, KPIs, Budgets und Verantwortlichkeiten. Alles andere ist ein Stimmungsbild. Nett für den Beirat. Wertlos für operative Führung.
Die Roadmap muss unsympathisch konkret sein. Q1: Dateninventur für Vertrieb und Service, ein Pilot für Angebotszusammenfassung, ein Pilot für Lead-Recherche. Q2: Integration ins CRM, Schulung der ersten 15 Nutzer, Monitoring für Antwortqualität. Q3: Skalierung auf zwei weitere Teams oder Stopp. Q4: Governance-Review, Budgetentscheidung, interne Rolle für KI-Product-Ownership. Das ist nicht glamourös. Aber es bewegt ein Unternehmen.
- Starten Sie mit einer 4- bis 6-wöchigen Inventur entlang von Daten, Prozessen, Mitarbeitern, IT und Führung. Nicht länger. Wenn nach sechs Wochen keine Diagnose steht, ist der Scope zu breit.
- Sammeln Sie 10 bis 30 Use Cases aus Vertrieb, Service, Operations, Finanzen und Geschäftsführung. Lassen Sie keine Abteilung allein entscheiden, sonst entstehen Lieblingsprojekte statt Business Cases.
- Bewerten Sie jeden Use Case nach Impact und Aufwand. Impact heißt Euro, Stunden, Durchlaufzeit, Fehlerquote, Umsatzchance oder Risiko. Aufwand heißt Datenlage, Integration, Prozessänderung, Akzeptanz und Compliance.
- Wählen Sie maximal drei Quick Wins für die erste Welle. Ein Use Case darf emotional wichtig sein. Die anderen müssen wirtschaftlich weh tun.
- Definieren Sie pro Pilot genau einen primären KPI, eine Baseline und ein Ziel. Ohne Baseline diskutieren Sie später Gefühle.
- Setzen Sie eine 12-Wochen-Grenze. Danach wird skaliert, angepasst oder gestoppt. Ein Pilot ohne Entscheidung ist kein Pilot, sondern ein Parkplatz.
- Benennen Sie pro Use Case einen Business-Owner und einen technischen Operator. Nicht ein Gremium. Menschen mit Namen.
- Planen Sie Governance ab Tag eins: Datenklassen, Freigaben, Prüfpflichten, Logging und einfache Regeln für Nutzer.
- Bauen Sie ab Monat sechs interne Capability auf. Nicht alles selbst entwickeln, aber genug verstehen, um Dienstleister, Tools und Risiken beurteilen zu können.
Die Kosten? Für Unternehmen zwischen 50 und 500 Mitarbeitern sehe ich realistische Bandbreiten, die zu den recherchierten Marktwerten passen: 10.000 bis 40.000 Euro für einen strukturierten KI-Reifegrad-Check inklusive Roadmap, 20.000 bis 80.000 Euro für einen ersten Pilot mit Integration und Schulung, danach 80.000 bis 250.000 Euro für einen 12-Monats-Rollout über mehrere Prozesse. Das ist kein Kleingeld. Aber es ist deutlich weniger teuer als ein Jahr verstreuter Experimente ohne Produktivnutzen.
| Phase | Dauer | Budgetrahmen DACH-Mittelstand | Entscheidung |
|---|---|---|---|
| Reifegrad-Check und Roadmap | 4 bis 8 Wochen | 10 bis 40 k Euro | Welche Use Cases verdienen Budget? |
| Erster Pilot | 8 bis 12 Wochen | 20 bis 80 k Euro | Skalieren, iterieren oder stoppen? |
| Erste Skalierung | 6 bis 12 Monate | 80 bis 250 k Euro | Welche Capability bleibt intern? |
| Break-even klarer Use Cases | 6 bis 18 Monate laut Praxisauswertungen aus DACH-Projekten | abhängig von Datenlage und Prozessnähe | Wirtschaftlicher Nutzen nachweisbar? |
Warum reine Tool-Strategien 2026 gefährlich werden
Wer 2026 noch eine KI-Strategie als Tool-Auswahl versteht, verliert Zeit. Vielleicht nicht sofort Marktanteile. Aber Geschwindigkeit in Entscheidungen. Das ist gefährlicher. Ein Wettbewerber, der seine Angebotspriorisierung automatisiert, reagiert früher. Ein Servicebetrieb mit KI-Triage senkt Wartezeiten. Ein Hersteller mit besserer Nachfrageprognose kauft Material anders ein. Kleine Vorteile addieren sich, bis sie plötzlich nicht mehr klein sind.
Ich glaube nicht an die These, dass KI jeden Mittelständler sofort umkrempelt. Zu laut. Zu simpel. Aber ich glaube fest daran, dass KI die Kluft zwischen gut geführten und schlecht geführten Unternehmen vergrößert. Wer Prozesse kennt, Daten pflegt und Entscheidungen sauber trifft, bekommt mit KI Hebel. Wer Chaos hat, bekommt beschleunigtes Chaos.
Das sieht man besonders im Vertrieb. Eine schlechte Zielkundenliste bleibt schlecht, auch wenn ein Sprachmodell bessere E-Mails schreibt. Ein schlecht gepflegtes CRM bleibt schlecht, auch wenn ein Bot Zusammenfassungen generiert. Ein unklarer Sales-Prozess bleibt unklar, auch wenn ein KI-Assistent Termine vorschlägt. Die Oberfläche wird moderner. Der Kern bleibt morsch.
Amplifa für KI-gestützte Lead-Generierung Amplifa unterstützt B2B-Vertriebsteams dabei, Zielkundenlogik, Signale und Outbound-Prozesse KI-fähig zu machen.
FAQ: Wann ist ein KI Reifegrad Check sinnvoll?
Ein KI Reifegrad Check ist sinnvoll, wenn Ihr Unternehmen bereits erste Tools nutzt, aber keine klare Roadmap hat. Er ist auch sinnvoll, wenn die Geschäftsführung vor größeren KI-Investitionen wissen will, ob Daten, Prozesse, IT und Organisation tragfähig sind. Wenn Sie noch gar keine Idee haben, wo KI helfen könnte, reicht manchmal zuerst ein kleiner Use-Case-Workshop. Wenn Sie aber schon Piloten, Lizenzen und interne Erwartungen haben, brauchen Sie Diagnose.
Wie lange dauert ein KI Reifegrad Check im Mittelstand?
Für 50 bis 500 Mitarbeiter halte ich 4 bis 8 Wochen für realistisch. Drei bis fünf Workshops, Interviews mit Geschäftsführung, IT und Fachbereichen, Daten- und Prozessinventur, Use-Case-Priorisierung, Roadmap. Kürzer wird oft oberflächlich. Länger wird oft politisch.
Welche KPIs gehören in eine KI-Roadmap?
Gute KPIs sind nah am Prozess: Bearbeitungszeit pro Vorgang, Fehlerquote, Kosten pro Ticket, Angebotsdurchlaufzeit, Terminquote, Conversion je Segment, Antwortzeit im Service, manuelle Stunden pro Woche. Schlechte KPIs klingen wie "Nutzerzufriedenheit mit KI" ohne Bezug zum Geschäft. Das kann man ergänzend messen, aber nicht als Kern.
Sollte ein Mittelständler KI selbst bauen oder kaufen?
Meiner Erfahrung nach sollten Mittelständler am Anfang mehr kaufen als bauen — aber nie blind kaufen. Standardfunktionen wie Textgenerierung, Klassifikation, Transkription oder einfache Recherche lassen sich oft über bestehende Plattformen und APIs lösen. Differenzierende Logik gehört näher ans Unternehmen: Zielkundenmodelle, Prozesswissen, Qualitätsregeln, Datenstrukturen, Entscheidungslogik. Dort entsteht der Vorsprung.
Was jetzt passieren muss
Geschäftsführer sollten KI nicht länger als Innovationsprojekt führen. Führen Sie es wie Investitionslogik. Welche Prozesse zahlen auf Marge, Umsatz, Kundenbindung oder Risiko ein? Welche Daten brauchen wir dafür? Welche organisatorische Reife fehlt? Wer entscheidet? Wer bezahlt? Wer stoppt?
CTOs und Digitalverantwortliche sollten aufhören, sich als interne Tool-Scouts verheizen zu lassen. Ihre Aufgabe ist nicht, jede Woche ein neues KI-Tool zu testen. Ihre Aufgabe ist, die Architektur, Datenzugänge, Sicherheitslogik und Integrationsfähigkeit so zu bauen, dass sinnvolle Use Cases produktiv werden können. Das ist weniger glänzend. Aber es ist Macht.
Vertriebsleiter sollten bei KI nicht auf magische Personalisierung hoffen. Bringen Sie Ihre Zielkundenlogik in Ordnung. Definieren Sie, welche Accounts Sie wollen, welche Sie bewusst nicht wollen, welche Trigger relevant sind und welche Nachricht in welchem Moment Sinn ergibt. Dann kann KI helfen. Vorher schreibt sie nur höflicheren Durchschnitt.
Amplifa Strategiegespräch Wenn Sie prüfen wollen, ob Ihr Vertrieb KI-fähig ist, starten wir meist bei ICP, Datenlage, Prozessklarheit und messbaren Use Cases.
Der Punkt, an dem es unbequem wird
Ein KI Reifegrad Check nimmt Unternehmen eine Ausrede. Danach kann niemand mehr behaupten, man wisse nicht, wo man steht. Vielleicht zeigt der Check, dass der erste sinnvolle Schritt kein KI-Pilot ist, sondern CRM-Bereinigung. Vielleicht zeigt er, dass der Serviceprozess reif ist, der Vertrieb aber nicht. Vielleicht zeigt er, dass die IT besser ist als ihr Ruf und die Führung schlechter vorbereitet als gedacht.
Das ist der Wert. Nicht die Punktzahl. Nicht die Grafik. Die Klarheit. Ich habe lieber einen Geschäftsführer, der nach einem Reifegrad-Check sagt: "Wir machen jetzt zwei Use Cases und stoppen den Rest", als einen, der zwölf Monate lang begeistert über KI spricht und am Ende drei Lizenzen, fünf Promptsammlungen und keinen einzigen produktiven Workflow hat.
Wenn Sie widersprechen wollen: gut. Dann stellen Sie sich eine einfache Frage. Könnten Sie morgen früh Ihre drei wichtigsten KI-Use-Cases nennen — mit KPI, Budget, Owner, Datenquelle und Stopp-Kriterium? Wenn nicht, ist Ihr Unternehmen vielleicht nicht weniger innovativ als gedacht. Nur weniger reif.