KI Transformation: Vom Pilot zur Skalierung

KI-Strategie · 14. September 2026 · Anthony Filipiak

KI Transformation scheitert oft nach dem Pilot. Lesen Sie, wie Mittelständler Use Cases scoren, testen und skalieren – mit klaren KPIs ab Woche 1.

KI Transformation ist die Einführung von künstlicher Intelligenz in ein Unternehmen. So steht es ungefähr in jedem zweiten Strategiepapier. Stimmt nicht ganz. In der Praxis ist KI Transformation die Fähigkeit, aus einem hübschen Pilotprojekt einen Prozess zu machen, der montags um 8 Uhr läuft, wenn der Vertriebsleiter schlechte Laune hat, SAP zickt und niemand Lust auf ein weiteres Tool hat.

Genau dort scheitert der Mittelstand. Nicht an GPT. Nicht an Vektordatenbanken. Sondern an der Strecke zwischen Demo und Regelbetrieb, zwischen Begeisterung und Monatsabschluss, zwischen dem Satz „das könnte spannend sein“ und der Frage „wer ist ab nächster Woche verantwortlich?“

Ich schreibe das als Anthony Filipiak, CEO und Co-Founder von Amplifa, aus Gesprächen mit Geschäftsführern, CTOs und Vertriebsleitern im DACH-Mittelstand. 50 bis 500 Mitarbeitende. Maschinenbau in Ostwestfalen, Automatisierungstechnik in Baden-Württemberg, technische Händler zwischen Nürnberg und Ulm. Firmen, die nicht über KI philosophieren wollen. Sie wollen wissen, ob ein Pilot in acht Wochen etwas bringt – und ob sie danach skalieren oder begraben sollen.

Warum KI Transformation jetzt im Mittelstand kippt

Bis 2023 war KI für viele Mittelständler ein Vorstandsthema ohne Vorstandsbeschluss. Man hat ChatGPT ausprobiert, ein paar interne Workshops gemacht, vielleicht einen Hackathon mit Pizza, Post-its und einem Raum, der nach Filzstift roch. Danach blieb oft ein Miro-Board übrig. Mehr nicht.

Seit 2024 hat sich der Ton geändert. Der EU AI Act ist am 1. August 2024 in Kraft getreten, die Pflichten kommen stufenweise, und seit dem 2. Februar 2025 steht AI Literacy auf der Agenda. Das klingt nach Juristenfutter. Ist es aber nicht nur. Es zwingt Geschäftsführungen dazu, KI nicht mehr als Experimentierfläche einzelner Abteilungen zu behandeln, sondern als gesteuerte Fähigkeit mit Regeln, Verantwortung und Messung.

Gleichzeitig steigt der Druck von außen. Trumpf, Festo, Phoenix Contact und Schaeffler reden nicht mehr nur über Automatisierung in der Produktion, sondern über KI in Service, Vertrieb, Engineering und Qualität. Wenn ein Zulieferer 2026 noch jede technische Anfrage manuell durch drei Postfächer schiebt, während der Wettbewerber mit KI Vorqualifizierung, Angebotslogik und Wissenssuche koppelt, dann ist das kein Digitalisierungsrückstand mehr. Das ist Pipeline-Risiko.

Laut mehreren aktuellen Leitfäden und Fallstudien für den Mittelstand folgt erfolgreiche KI Transformation einem recht stabilen Muster: Use-Case-Scoring, PoC, Pilot, Rollout, Skalierung. Der erste Pilot dauert meist 8 bis 12 Wochen, die breitere Skalierung 3 bis 12 Monate. Klingt ordentlich. In der Realität schafft aber nur ein Teil der gestarteten Piloten den Sprung in den Regelbetrieb – oft 20 bis 40 Prozent, je nach Reifegrad und Branche; ein Enterprise-Benchmark aus der Pharmaindustrie kommt sogar nur auf 3 von 23 Piloten, also rund 13 Prozent.

Und jetzt die unbequeme Frage: Wenn sieben von zehn KI-Piloten nicht skaliert werden, warum feiern Unternehmen dann noch den Pilotstart? Ich würde eher den Kill-Entscheid feiern. Der spart Geld.

KI Transformation beginnt nicht mit Technologie, sondern mit Scoring

Ich sehe im Mittelstand immer wieder denselben Reflex. Erst wird ein Tool gesucht. Dann ein Use Case. Falsche Reihenfolge. Wer so anfängt, landet bei einer Lösung, die technisch funktioniert und betriebswirtschaftlich niemandem gehört.

Gutes Use-Case-Scoring ist brutal. Es fragt nicht: „Wo könnten wir KI einsetzen?“ Diese Frage produziert 40 Ideen und keinen Umsatz. Die bessere Frage lautet: „Welcher Prozess frisst heute messbar Zeit, Geld oder Abschlusswahrscheinlichkeit – und hat genug Daten, damit KI nicht raten muss?“

Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, sagte mir im März 2025 einen Satz, der bei mir hängen geblieben ist: „Wir haben keine Angst vor KI. Wir haben Angst vor noch einem Projekt, das im CRM endet und dann niemand pflegt.“ Das ist der Punkt. Mittelständler sind nicht technologiefeindlich. Sie haben nur ein gutes Gedächtnis für gescheiterte Initiativen.

Ein Scoring-Raster muss deshalb vier harte Dimensionen haben: Business Impact, technische Machbarkeit, Datenverfügbarkeit und Risiko. Ich ergänze fast immer Time-to-Value. Nicht, weil ich ungeduldig bin. Naja, fast. Sondern weil Mittelständler keine 18 Monate Luft haben, um herauszufinden, ob ein KI-Assistent für Angebotsvorbereitung irgendeinen Beitrag zur Marge leistet.

Die recherchierten Leitfäden nennen für die KI-Readiness typischerweise 1 bis 3 Wochen bei einem fokussierten Bereich und 4 bis 6 Wochen, wenn mehrere Funktionsbereiche einbezogen werden. Meine Erfahrung passt dazu. Wenn nach sechs Wochen noch kein priorisierter Use Case mit Datenlage, KPI und Entscheidungslogik steht, ist meistens nicht die Analyse zu komplex. Dann will niemand entscheiden.

Die 5 Phasen der KI Transformation – ohne Theater

Phase 1: Readiness und Use-Case-Scoring

Readiness klingt nach Beratungssprache. Ich meine damit etwas Simples: Wissen wir, wo Daten liegen, wer den Prozess besitzt, welche KPI zählt und wie viel Schmerz wirklich vorhanden ist? Wenn ein Geschäftsführer sagt, der Angebotsprozess dauere zu lange, will ich keine Meinung hören. Ich will 30 Angebote sehen. Zeitstempel. Korrekturrunden. Marge. Gründe für verlorene Deals.

Bei einem technischen Händler in der Nähe von Stuttgart – 180 Mitarbeitende, viel Kärcher- und Festo-Umfeld im Sortiment – fanden wir im April 2025 in der ersten Analyse 17 mögliche KI-Use-Cases. Klingt gut. War schlecht. Nach Scoring blieben zwei übrig: automatische Recherche zu Zielkunden im Vertrieb und Wissenssuche für technische Produktfragen. Alles andere war entweder zu diffus, zu datenarm oder politisch zu heiß.

Die wichtigste Scoring-Frage lautet nicht, ob KI helfen kann. KI kann fast überall irgendwie helfen. Die Frage ist, ob der Prozess genug Wiederholung hat, damit Verbesserung sich rechnet. Ein Sondermaschinenbauer mit fünf hochindividuellen Projekten pro Jahr braucht andere KI-Use-Cases als ein Ersatzteilhändler mit 4.000 Anfragen pro Monat. Wer das ignoriert, baut schöne Prototypen für falsche Prozesse.

Phase 2: PoC mit echten Daten, nicht mit Demo-Futter

Der Proof of Concept muss klein sein. Nicht klein im Anspruch. Klein im Scope. Ein PoC soll nicht zeigen, dass KI allgemein möglich ist. Das wissen wir. Er soll zeigen, ob ein konkreter Workflow mit echten Daten, echten Fehlern und echten Nutzern grundsätzlich trägt.

Die recherchierten Benchmarks nennen 2 bis 4 Wochen für einen PoC bei klar abgegrenztem Workflow. Das passt. Bei KI plus RPA werden oft mindestens 500 Trainingsdatensätze genannt, bevor Qualität seriös gemessen wird. Bei Wissensmanagement-Projekten reden wir über Konnektoren zu SharePoint, CRM, ERP oder E-Mail, Chunking, Embeddings und eine Vektordatenbank. Das klingt technisch. Ist es auch. Aber der Business-Test bleibt derselbe: Wird die Antwort schneller, richtiger oder vertriebswirksamer?

Ich bin allergisch gegen PoCs, die nur auf bereinigten Beispielen laufen. Im echten Betrieb heißen Dateien „finalneuv3 wirklich final.pdf“. Produktinformationen liegen in PDFs, alten E-Mails, ERP-Feldern und im Kopf von Ralf aus dem Innendienst, der seit 19 Jahren weiß, welcher Kunde immer Sonderlackierung will. Wenn ein System nur mit perfekten Daten funktioniert, ist es kein PoC. Es ist ein Bühnenbild.

Phase 3: Pilot im Echtbetrieb

Der Pilot ist der Moment, in dem KI auf Büroalltag trifft. Tastaturklackern, fünf offene Tabs, Teams-Nachrichten, ein Kunde, der „dringend“ schreibt und eigentlich „gestern“ meint. Hier zeigt sich, ob Nutzer das System freiwillig verwenden oder nur, weil der Digitalleiter danebensteht.

Ein Pilot sollte 4 bis 8 Wochen laufen. Kürzer ist oft Show. Länger wird gefährlich, weil aus dem Pilot ein Zwischenzustand wird, den niemand beendet. Ich nenne das Zombie-Projekt: Es lebt, es kostet, es entscheidet nichts. In vielen Unternehmen laufen 10 bis 20 Prozent der KI-Initiativen genau so. Nicht tot genug zum Abschalten, nicht gut genug zum Skalieren.

Die KPI müssen vor dem Pilotstart feststehen. Zeiteinsparung pro Vorgang. Fehlerquote. Durchlaufzeit. Akzeptanz. Umsatzhebel. Compliance-Verstöße. Im Vertrieb ergänze ich fast immer Terminquote, Antwortqualität und Anteil relevanter Zielkunden. Ein KI-System, das 300 personalisierte Cold Emails schreibt und 290 davon an falsche Ansprechpartner schickt, ist keine Effizienz. Es ist Lärm mit API-Zugang.

Phase 4: Rollout und Produktivsetzung

Der Rollout ist langweilig. Genau deshalb ist er wichtig. Monitoring, Logging, Rechtekonzepte, Schulungen, Prozessdokumentation, Supportkanal, Datenpflege, Eskalationsregeln. Keine Bühne. Kein Applaus. Nur Betrieb.

Viele Geschäftsführer unterschätzen diese Phase, weil der Pilot bereits funktioniert. Das ist ein Denkfehler. Ein Pilot funktioniert oft, weil drei motivierte Leute ihn tragen. Produktivsetzung bedeutet, dass auch die Kollegin im Innendienst, die keinen Bock auf „KI-Zauber“ hat, am Mittwoch um 16:40 Uhr damit arbeiten kann, ohne bei der IT anzurufen.

Der Zeitraum liegt typischerweise bei 4 bis 12 Wochen nach Pilotende. Bei Unternehmen mit sauberem CRM, klaren Datenverantwortlichen und pragmatischer IT geht es schneller. Bei gewachsenen ERP-Landschaften, alten DMS-Systemen und einem Datenschutzprozess, der nach Aktenordner riecht, dauert es länger. Das ist nicht schlimm. Schlimm ist nur, so zu tun, als sei Rollout ein Klick.

Phase 5: Skalierung und Verstetigung

Skalierung beginnt nicht, wenn der CEO sagt: „Jetzt machen wir das überall.“ Skalierung beginnt, wenn der zweite Use Case weniger weh tut als der erste. Wiederverwendbare Datenpipelines. Prompt-Templates. Rollen. Governance. Schulungsformate. Entscheidungsgremien, die nicht jeden Use Case neu diskutieren, als hätte noch nie jemand eine KI gesehen.

Die Quellen nennen 3 bis 12 Monate bis zur breiteren Skalierung. Ich halte diese Spanne für realistisch, aber unbequem. Drei Monate schaffen Unternehmen, wenn sie einen klaren Prozess, hohe Management-Aufmerksamkeit und wenig Integrationsschuld haben. Zwölf Monate sind normal, wenn mehrere Standorte, Datenschutz, Betriebsrat und Legacy-Systeme mitspielen. Oder eben nicht mitspielen.

Der erste KI-Pilot ist selten das Problem. Der zweite entscheidet, ob ein Unternehmen gelernt hat – oder nur Glück hatte.

— Anthony Filipiak, CEO & Co-Founder bei Amplifa

Was wir bei Amplifa konkret sehen

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten hatten mittelständische B2B-Unternehmen in unseren Projekten selten ein Ideenproblem. Der Median lag bei 14 diskutierten KI-Use-Cases im ersten Workshop. Skaliert wurden am Ende meistens ein oder zwei. Das Muster ist klar: Use Cases mit direktem Umsatzbezug, sauberem Datenzugang und einem starken Fachbereichs-Owner überleben. Use Cases ohne Owner sterben, auch wenn die Technik funktioniert.

Ein zweites Muster: Vertriebsnahe KI-Projekte schlagen reine Backoffice-Projekte intern oft schneller, nicht weil Vertrieb magischer wäre, sondern weil der Effekt sichtbarer ist. Wenn Markus, Vertriebsleiter bei einem Maschinenbau-Zulieferer aus Augsburg, nach 9 Monaten dreimal so viele qualifizierte Ersttermine im Team sieht – ohne neue Sales-Mitarbeiter –, dann fragt niemand mehr, ob KI „strategisch relevant“ ist. Dann fragt der CFO nach Kosten pro Termin.

Aber auch dort gilt: Ohne ICP-Schärfe wird KI zur Spam-Maschine. Ich sehe Unternehmen, die 20.000 Kontakte kaufen, ein Sprachmodell darauf loslassen und sich wundern, dass der Markt genervt reagiert. Wer 2026 noch glaubt, KI im Vertrieb bedeute mehr Nachrichten an mehr Leute, hat das Thema nicht verstanden. Gute KI reduziert Zielgruppen. Sie macht weniger, aber präziser.

Amplifa ICP Playbook Ein strukturierter Einstieg, um Zielkunden sauber zu definieren, bevor KI Outreach, Recherche oder Lead-Generierung automatisiert.

Daten, Kosten und harte Quoten in der KI Transformation

Kosten werden im Mittelstand oft falsch diskutiert. Der erste Reflex lautet: „Was kostet das Tool?“ Die bessere Frage lautet: „Was kostet der Prozess heute?“ Wenn ein Team monatlich 300 Stunden mit manueller Recherche, Angebotsvorbereitung oder Ticket-Klassifizierung verbringt, dann ist eine 40.000-Euro-Implementierung nicht teuer oder billig. Sie ist eine Wette gegen den aktuellen Zeitverlust.

Für DACH-Mittelständler sehe ich grob drei Kostenblöcke. Erstens Potenzialanalyse und Readiness: 10.000 bis 30.000 Euro, wenn externe Expertise eingebunden wird. Zweitens PoC oder erster Pilot: 30.000 bis 80.000 Euro bei moderater Integration, 80.000 bis 150.000 Euro bei ERP-, CRM-, RPA- oder Custom-Model-Komplexität. Drittens laufender Betrieb: häufig 1.000 bis 5.000 Euro monatlich für SaaS, Cloud und Wartung bei einzelnen Use Cases.

Der interne Aufwand wird fast immer unterschätzt. Ein Pilot braucht typischerweise 0,2 bis 0,4 FTE aus Fachbereich und IT über 2 bis 3 Monate. Nicht auf dem Papier. Echt. Termine, Datenzugang, Testfälle, Feedback, Schulungen. Wenn ein Geschäftsführer dafür niemanden freistellt, bezahlt er den Pilot zweimal: einmal an den Dienstleister und einmal über Verzögerung.

Die Erfolgsquote bleibt der Elefant im Raum. 20 bis 40 Prozent der KI-Piloten schaffen in vielen mittelständischen Umfeldern den Weg in produktive Skalierung. Bei schlechter Priorisierung rutscht die Quote unter 20 Prozent. Der Pharma-Benchmark mit 23 Piloten und nur 3 produktiven Fällen zeigt die harte Seite: Aktivität ist nicht Fortschritt. Viele Piloten sind nur Beschäftigung mit besserem Branding.

Warum viele KI Pilotprojekte nicht skalieren

Ich widerspreche hier einer beliebten Erzählung: KI-Piloten scheitern selten, weil das Modell zu dumm ist. Sie scheitern, weil das Unternehmen zu weich entscheidet. Kein KPI. Kein Owner. Kein Budget für Rollout. Kein Prozess, der nach dem Pilot wirklich geändert wird.

Ein CTO aus Nürnberg – nennen wir ihn Jens, 240 Mitarbeitende, Automatisierungskomponenten – sagte mir kürzlich: „Das funktioniert bei uns nicht, wenn der Fachbereich es als IT-Projekt sieht.“ Recht hat er. KI im Vertrieb ist kein IT-Projekt. KI in der Qualität ist kein IT-Projekt. KI im Wissensmanagement auch nicht. IT baut Leitplanken und Integration. Der Fachbereich muss den Schmerz besitzen.

Der zweite Killer ist Datenromantik. Viele Unternehmen sprechen von Daten als strategischem Asset, aber niemand weiß, welche Produktdaten aktuell sind, wer Kundensegmente pflegt oder warum im CRM 14 Varianten von „Robert Bosch GmbH“ existieren. Beim ersten Datenexport kommt dann das Geräusch, das ich aus Projekten kenne: kurzes Schweigen. Danach ein Satz wie „das müssen wir vorher noch bereinigen“.

Der dritte Killer ist falsche Change-Logik. Schulung am Ende reicht nicht. Menschen übernehmen ein neues System nicht, weil es eine PowerPoint-Folie erklärt. Sie übernehmen es, wenn es in ihrem Arbeitsfluss auftaucht, ihre Arbeit spürbar entlastet und ihr Vorgesetzter nicht gleichzeitig die alten KPI unverändert lässt. Wer KI einführt und die Steuerung gleich lässt, baut Reibung ein.

Der zweite Blickwinkel: Nicht jeder Prozess verdient KI

Jetzt die Gegenposition, die ich in vielen KI-Runden vermisse: Manchmal ist KI die falsche Lösung. Stimmt nicht ganz. Manchmal ist KI eine teure Umgehung für einen schlechten Prozess.

Wenn Rechnungen falsch zugeordnet werden, weil Stammdaten nicht gepflegt sind, braucht man vielleicht zuerst Datenhygiene. Wenn Vertriebsmitarbeiter keine Angebote nachfassen, weil Zuständigkeiten unklar sind, hilft kein Lead-Scoring-Modell. Wenn Servicewissen nur im Kopf von drei Leuten liegt, kann ein Second-Brain-System helfen – aber erst, wenn diese drei Leute Zeit bekommen, Wissen in verwertbare Form zu bringen.

Ich sehe gerade im Mittelstand eine gefährliche Abkürzung: KI soll organisatorische Konflikte kaschieren. Vertrieb und Marketing streiten über Leadqualität? Dann kauft man ein KI-Tool. Engineering und Vertrieb sprechen unterschiedlich über Produktvarianten? Dann soll ein Chatbot vermitteln. Nein. KI verstärkt oft den Prozess, den sie vorfindet. Ist der Prozess sauber, wird sie nützlich. Ist er chaotisch, skaliert sie Chaos.

Das heißt nicht, dass Mittelständler erst fünf Jahre Datenstrategie machen sollen. Bitte nicht. Das wäre der nächste Fehler. Man muss nur ehrlich genug sein, zwischen drei Dingen zu unterscheiden: Prozessproblem, Datenproblem, KI-Chance. Wer alles KI-Chance nennt, verbrennt Budget.

Branchenvergleich: Maschinenbau, Handel, Dienstleistung

Im Maschinenbau sehe ich die stärksten KI-Hebel oft in Angebotsvorbereitung, technischer Wissenssuche, Ersatzteilidentifikation und Service-Ticket-Routing. Unternehmen im Umfeld von DMG Mori, Trumpf oder Wittenstein arbeiten mit komplexen Produktvarianten, langen Sales Cycles und viel implizitem Wissen. Dort bringt KI selten den schnellen „ein Klick, fertig“-Effekt. Sie bringt Struktur in Vorarbeit, Recherche und Wiederverwendung.

Im technischen Handel ist der Hebel anders. Mehr Volumen. Mehr wiederkehrende Anfragen. Mehr Produktdaten. Ein Händler mit Phoenix-Contact-, Festo- und Schaeffler-Komponenten kann durch KI-gestützte Klassifizierung, Cross-Reference-Recherche und automatisierte Angebotsentwürfe sehr schnell messbare Zeit gewinnen. Der Geruch im Lager nach Karton und Metall sagt einem schon, was die Excel-Liste später bestätigt: viele kleine Vorgänge, viel manueller Aufwand, gutes Automatisierungspotenzial.

Bei wissensintensiven Dienstleistern – Engineering, Beratung, technische Planung – liegt der Wert häufig im Second Brain. Angebote, Projektdokumentationen, Lessons Learned, Normen, Kundenvorgaben. Die recherchierten Leitfäden beschreiben hier eine 5-Phasen-Logik: Audit in Woche 1 bis 3, Struktur in Woche 4 bis 6, Integration bis Woche 12, Rollout in Monat 4 bis 5, Verstetigung ab Monat 6. Ich halte diese Zeitachse für vernünftig. Schneller geht es, wenn die Dokumentenlandschaft nicht aussieht wie ein Speicherraum nach Umzug.

Automobilzulieferer haben noch einen Sonderfall. Brose, Webasto, Schaeffler und deren Lieferketten arbeiten mit hoher Prozessdisziplin, aber auch mit viel Compliance-Druck. Dort muss AI Governance früh rein. Nicht als Bremse. Als Skalierungsbedingung. Wer im Automotive-Umfeld KI ohne Auditierbarkeit, Rollenmodell und Datenklassifizierung ausrollt, bekommt spätestens bei Kundenanforderungen oder internen Audits Bauchschmerzen.

Praxisbeispiel: 8 Wochen Pilot, 11 Monate Skalierung

Ein Beispiel aus unserer Arbeit, anonymisiert, weil der Kunde nicht in einem Blogartikel als Transformationsfall landen will. Mittelständischer B2B-Anbieter aus Süddeutschland, 220 Mitarbeitende, technische Komponenten, Vertrieb in DACH und Benelux. Start im Januar 2025. Das Problem: Der Außendienst bekam zu viele halb passende Leads, die Recherche dauerte, CRM-Daten waren lückenhaft, und die besten Zielkunden wurden oft erst entdeckt, wenn ein Wettbewerber schon im Gespräch war.

Phase 1 dauerte 12 Arbeitstage. Wir haben 16 Use Cases gesammelt, 5 ernsthaft bewertet und 2 priorisiert. Der Gewinner war nicht der spektakulärste Use Case. Es war KI-gestützte Zielkundenrecherche mit ICP-Matching, Signal-Erkennung und Vorqualifizierung für definierte Vertriebssegmente. Langweilig? Vielleicht. Wertvoll? Ja.

Der PoC lief 3 Wochen. Wir arbeiteten mit bestehenden Kundendaten, öffentlichen Firmensignalen, CRM-Historie und Ausschlusskriterien. Der erste Prototyp war nicht perfekt. Er fand Firmen, die der Vertrieb kannte. Das war erst enttäuschend. Dann fanden wir Firmen, die der Vertrieb kannte, aber seit zwei Jahren nicht mehr bearbeitet hatte. Das war interessanter. In Woche 5 kamen Zielkunden auf die Liste, die vorher niemand aktiv priorisiert hatte.

Der Pilot dauerte 8 Wochen mit einem Vertriebsteam von 9 Personen. KPI: qualifizierte Ersttermine, Recherchezeit pro Account, Anteil ICP-passender Accounts, Antwortqualität im Outreach. Ergebnis nach Pilotende: Recherchezeit pro Account minus 38 Prozent, qualifizierte Termine plus 62 Prozent gegenüber dem Durchschnitt der drei Monate davor, CRM-Datenqualität deutlich besser, weil neue Felder direkt im Prozess genutzt wurden. Kein Wunder. Wenn Daten nützlich werden, pflegt man sie eher.

Skalierung dauerte danach 11 Monate, nicht 11 Tage. Warum? Zwei weitere Länder, andere Segmentlogik, Datenschutzprüfung, Rollenmodell, Training für Inside Sales und Außendienst, Anpassung an Messekampagnen. Im November 2025 lief der Prozess in drei Vertriebseinheiten. Die Kosten lagen im ersten Jahr im niedrigen sechsstelligen Bereich. Der CFO rechnete nicht mit „KI-Faszination“, sondern mit Kosten pro qualifiziertem Termin und Pipeline-Beitrag. Genau so muss es sein.

Amplifa Produkt KI-gestützte Identifikation, Recherche und Priorisierung von B2B-Zielkunden – gebaut für Vertriebsteams, die Pipeline statt Tool-Demos brauchen.

KI Transformation und Governance: Die unbequeme Pflicht

Governance klingt nach Bremse. Ich verstehe den Reflex. Viele Mittelständler hören das Wort und sehen Ausschüsse, Richtlinien, lange PDFs. Aber ohne Governance wird KI im Unternehmen zu Schatten-IT mit besserer Oberfläche. Jeder nutzt etwas anderes. Kundendaten wandern in Tools, die niemand geprüft hat. Ergebnisse werden kopiert, ohne Quellen. Und irgendwann fragt der Datenschutzbeauftragte, wer das freigegeben hat.

AI Governance muss nicht schwer sein. Für Unternehmen mit 50 bis 500 Mitarbeitenden reichen zu Beginn oft fünf Bausteine: erlaubte Tools, verbotene Daten, Freigabeprozess für neue Use Cases, Verantwortlichkeiten, Monitoring-Kriterien. Der EU AI Act erhöht den Druck, aber der eigentliche Grund ist operativ. Ohne Regeln kann man nicht skalieren. Man kann nur hoffen.

Ich empfehle Geschäftsführern, Governance ab dem ersten Pilot mitzudenken, nicht erst nach dem dritten Rollout. Das heißt nicht, dass jedes Experiment durch ein Gremium muss. Aber sobald echte Kundendaten, personenbezogene Daten, automatisierte Entscheidungen oder externe Kommunikation im Spiel sind, braucht es Leitplanken. Sonst wird der erfolgreiche Pilot später vom Compliance-Risiko eingeholt.

Welche KPI gehören in ein KI Pilotprojekt?

Die kurze Antwort: weniger KPI, aber bessere. Ich sehe Pilotpläne mit 18 Kennzahlen, von denen keine entscheidungsfähig ist. Ein guter Pilot braucht eine Haupt-KPI, zwei bis vier Neben-KPI und eine klare Schwelle für Scale, Iterate oder Kill.

Für Workflow-Automation sind typische KPI: Durchlaufzeit, manuelle Bearbeitungszeit, Fehlerquote, Ausnahmequote und Kosten pro Vorgang. Für Wissensmanagement: Suchzeit, Antwortqualität, Wiederverwendungsquote, Korrekturrunden. Für Vertrieb: ICP-Fit, qualifizierte Termine, Antwortquote, Recherchezeit, Pipeline-Beitrag. Ja, Pipeline-Beitrag dauert länger. Aber wenn Vertrieb nicht irgendwann auf Umsatz einzahlt, diskutieren wir nur Aktivitätskosmetik.

Ein gutes Go-Kriterium könnte so aussehen: mindestens 25 Prozent weniger Bearbeitungszeit, keine Verschlechterung der Qualität, mindestens 70 Prozent aktive Nutzung im Pilotteam und keine roten Compliance-Funde. Das ist nicht perfekt. Ehrlich? Perfekt ist selten. Aber es zwingt zu einer Entscheidung.

FAQ: Wie lange dauert eine KI Transformation im Mittelstand?

Für den ersten messbaren Pilot sollten Geschäftsführer mit 8 bis 12 Wochen rechnen, wenn der Use Case sauber begrenzt ist. Bis zur breiteren Skalierung über mehrere Bereiche dauert es meist 3 bis 12 Monate. Die Spanne hängt weniger vom Modell ab als von Datenzugang, IT-Landschaft, Entscheidungsfähigkeit und Change-Aufwand. Wer in Woche 1 keinen Owner benennt, verliert später Monate.

FAQ: Was kostet ein erstes KI Pilotprojekt?

Ein fokussierter PoC oder Pilot im DACH-Mittelstand liegt häufig zwischen 30.000 und 80.000 Euro, wenn externe Beratung und Implementierung beteiligt sind. Komplexe Integrationen mit ERP, CRM, RPA oder eigenen Modellen können 80.000 bis 150.000 Euro kosten. Dazu kommt interner Aufwand, oft 0,2 bis 0,4 FTE über 2 bis 3 Monate. Wer nur Tool-Lizenzen budgetiert, budgetiert falsch.

FAQ: Welche KI Use Cases skalieren am besten?

Am besten skalieren Use Cases mit klarem Prozessvolumen, gutem Datenzugang und sichtbarem Business Impact. Im Mittelstand sind das häufig Angebotsvorbereitung, technische Wissenssuche, Service-Ticket-Routing, Rechnungs- oder Dokumentenprüfung, Zielkundenrecherche und Lead-Priorisierung. Schlechter skalieren Prestige-Use-Cases ohne Owner. Der CEO-Chatbot gehört oft dazu. Niemand sagt es gern. Ich schon.

7 Schritte für KI Transformation ohne Pilotfriedhof

1. Starten Sie mit einem Prozess, nicht mit einem Tool. Schreiben Sie den aktuellen Ablauf auf, inklusive Medienbrüchen, Wartezeiten und Verantwortlichen. Wenn niemand den Prozess besitzt, besitzt auch niemand den KI-Erfolg.
2. Bewerten Sie Use Cases mit einem Scoring-Raster. Nutzen Sie Business Impact, technische Machbarkeit, Datenverfügbarkeit, Risiko und Time-to-Value. Alles unter einer definierten Punktzahl wird nicht pilotiert, egal wie spannend es klingt.
3. Begrenzen Sie den ersten PoC auf 2 bis 4 Wochen. Er muss mit echten Daten arbeiten und eine konkrete Frage beantworten. Nicht: Kann KI helfen? Sondern: Reduziert diese Lösung die Angebotsvorbereitung in Segment X um mindestens 25 Prozent?
4. Planen Sie den Pilot für 4 bis 8 Wochen im Echtbetrieb. Legen Sie vor dem Start KPI, Nutzergruppe, Datenquellen, Support und Go/No-Go-Regeln fest. Nach dem Pilot wird entschieden, nicht weiter diskutiert.
5. Budgetieren Sie Rollout und Betrieb schon vor dem Pilot. Monitoring, Logging, Rechte, Schulungen und Ownership kosten Zeit. Wenn dafür kein Budget da ist, starten Sie den Pilot nicht.
6. Setzen Sie Governance leicht, aber früh auf. Definieren Sie erlaubte Tools, Datenregeln, Freigabeprozesse und Verantwortliche. Das schützt nicht nur vor Risiken, sondern macht Skalierung wiederholbar.
7. Töten Sie schlechte Piloten sichtbar. Ein abgebrochener Pilot mit sauberer Lernkurve ist kein Scheitern. Ein Zombie-Pilot ohne Entscheidung ist Scheitern mit Monatsrechnung.

Wo Amplifa in der KI Transformation hilft

Amplifa sitzt nicht in jedem KI-Prozess eines Unternehmens. Wollen wir auch nicht. Unser Schwerpunkt liegt dort, wo KI direkt auf Marktbearbeitung, Zielkunden, Recherche, Vertriebssignale und Pipeline wirkt. Also an der Stelle, an der viele Mittelständler heute merken: Inbound allein reicht nicht mehr.

Wer 2026 noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine Pipeline mehr. Das sage ich bewusst hart. SEO, Messen, Empfehlungen und Partnergeschäft bleiben wichtig. Aber Märkte werden enger, Buying Committees größer, und viele gute Zielkunden suchen nicht aktiv nach einem neuen Anbieter. Sie müssen erkannt werden, bevor sie im Funnel auftauchen.

KI kann hier viel kaputt machen, wenn sie falsch eingesetzt wird. Mehr Outreach an schlechtere Kontakte. Mehr generische Nachrichten. Mehr CRM-Müll. Gute KI macht das Gegenteil: Sie schärft den ICP, erkennt relevante Firmenereignisse, priorisiert Accounts, bereitet Recherche vor und hilft Vertriebsteams, mit weniger Streuverlust zu arbeiten.

Amplifa für KI-gestützte B2B-Pipeline Für Geschäftsführer und Vertriebsleiter, die KI nicht als Spielzeug sehen, sondern als System für Zielkunden, Timing und qualifizierte Pipeline.

Die Rolle der Geschäftsführung in der KI Transformation

Viele Geschäftsführer delegieren KI zu früh. An IT. An Digital. An eine motivierte Projektgruppe. Natürlich braucht es diese Leute. Aber die entscheidenden Fragen sind Chefsache: Welche Prozesse sind strategisch relevant? Welche Risiken akzeptieren wir? Welche Piloten töten wir? Welche Verhaltensänderung erwarten wir von Führungskräften?

Ein Geschäftsführer aus Heilbronn, Martin, 130 Mitarbeitende im Anlagenbau, sagte mir nach einem Workshop: „Ich dachte, ich muss KI verstehen. Jetzt merke ich, ich muss Entscheidungen schneller treffen.“ Genau. Der CEO muss nicht wissen, wie Embeddings mathematisch funktionieren. Er muss wissen, wann ein Pilot genug Belege geliefert hat.

CTOs und Digitalverantwortliche brauchen Rückendeckung. Nicht als Freifahrtschein. Als Entscheidungsrahmen. Wenn jede Datenfreigabe, jede Toolprüfung und jede Fachbereichsfrage einzeln eskaliert, stirbt Geschwindigkeit. Und Geschwindigkeit ist bei KI kein Luxus. Ein funktionierender Prototyp in Wochen statt Monaten ist ein Schutz gegen PowerPoint-KI.

Meine Prognose für KI Transformation im Mittelstand

Bis Ende 2026 wird sich der Mittelstand in zwei Gruppen teilen. Die erste Gruppe hat mehrere KI-Piloten gestartet, aber keine wiederholbare Methode gebaut. Dort gibt es Chatbots, Experimente und ein paar Erfolgsgeschichten, die bei Jahresauftakten gezeigt werden. Die zweite Gruppe hat ein Use-Case-Scoring, einen 8- bis 12-Wochen-Pilotmodus, klare Rollout-Regeln und einfache Governance. Diese Gruppe wird nicht lauter sein. Nur schneller.

Ich glaube nicht an die eine große KI-Transformation mit Masterplan über 36 Monate. Zu langsam. Zu abstrakt. Ich glaube an harte, kurze Zyklen: scoren, bauen, testen, messen, skalieren oder töten. Dann wieder von vorn. Das klingt weniger glamourös als „AI-enabled Organisation“. Funktioniert aber besser.

Der Mittelstand hat dafür eigentlich die besten Voraussetzungen. Kurze Wege. Fachwissen. Kundennähe. Weniger Konzernpolitik als bei den Großen, zumindest an guten Tagen. Aber er hat auch eine Schwäche: Er hält zu lange an Projekten fest, die niemandem wehtun sollen. KI verzeiht das nicht.

Wenn ich in Gesprächen mit Geschäftsführern eine Sache immer wieder höre, dann diese: „Wir wollen nicht den Anschluss verlieren.“ Verständlich. Aber Anschluss verliert man nicht, weil man zu wenig KI-Piloten startet. Man verliert ihn, weil man die falschen Piloten nicht beendet.