KI-Strategie im Mittelstand: Warum Sie kein Transformationsprojekt brauchen
- Marcus Machon
- 19. März
- 12 Min. Lesezeit
Aktualisiert: vor 23 Stunden
Die meisten KI-Studien sind für Unternehmen wertlos. Nicht weil sie falsch sind, sondern weil sie das Falsche messen. Wenn Unternehmensberater in einem Laborexperiment 40 % bessere Ergebnisse liefern, sagt das wenig über Ihren Vertriebsleiter. Und wenn CEOs berichten, KI bringe keinen Nutzen, sagt das wenig über die Fachbereichsleiterin, die seit drei Monaten ihre Marktrecherchen mit KI macht.
Ich arbeite seit dem Release von ChatGPT 3.5 aktiv mit KI-Werkzeugen. Dieser Beitrag richtet sich an Geschäftsführende, Fachbereichsverantwortliche und interessierte Mitarbeitende, die wissen wollen, wie eine KI-Strategie im Mittelstand pragmatisch aussehen kann. Es geht nicht um maschinelles Lernen in der Produktion und nicht um alle KI-Features von Microsoft oder anderen Anbietern. Es geht um generative KI als Denk- und Arbeitswerkzeug. Ich verzichte bewusst auf technisches Fachvokabular. Wo es tiefer geht, verlinke ich weiterführende Beiträge.
Das Drei-Ebenen-Modell: Tresor, Denker, Macher. Drei getrennte Welten, ein Mensch als Schnittstelle.
Bringt KI im Unternehmen wirklich etwas?
Ehrlich: Wir wissen es heute nicht genau. Die seriösen Studien widersprechen sich, weil jede etwas anderes misst. Was bleibt: KI hilft bei bestimmten Aufgaben — die Größenordnung des Geschäftswerts ist offen.
Wenn Sie die Nachrichtenlage verfolgt haben, sind Sie vermutlich verwirrt. PwC, 2026 befragte 4.454 CEOs in 95 Ländern für die 29th Global CEO Survey — nur ein Bruchteil berichtet bisher konkrete Cost-Savings oder Umsatzbeiträge durch GenAI. Eine US-Census-basierte NBER-Analyse (Bonney et al., 2024) zeigt: KI-Nutzung in der US-Wirtschaft liegt bei rund 5–6 % der Unternehmen — die Fläche fehlt schlicht. Eine Microsoft/NBER-Studie 2025 mit 6.317 Mitarbeitenden in 58 Firmen kommt zu kleinen, aber realen Effekten: −7 % Lesezeit für E-Mails, einen halben Tag schneller bei Dokumenten. Gleichzeitig sagt BCG, 2024: KI-Vorreiter wachsen deutlich schneller als der Rest. Dell'Acqua et al., 2023 messen in einem Harvard-BCG-Experiment (n=758): innerhalb der "Frontier" werden 12,2 % mehr Aufgaben in 25,1 % weniger Zeit erledigt — Lower-Performers gewinnen sogar 43 % Qualität. Außerhalb der Frontier: 19 Prozentpunkte schlechter als ohne KI. Alle seriös. Alle messen unterschiedliche Dinge.
Die Auflösung: Jede dieser Studien hat methodische Schwächen, nur unterschiedliche. Die nüchternen Studien messen harte Geschäftszahlen oder breite Adoption — und finden wenig, weil KI in der Fläche bisher kaum angekommen ist. Die positiven Studien haben andere Probleme: BCG vergleicht die digital reifsten 5 % aller Firmen mit dem Rest, ohne zu wissen, ob die nicht auch ohne KI schneller gewachsen wären. Harvard testet Elite-Berater mit fiktiven Aufgaben im Labor — und zeigt im selben Experiment auch deutliche Verschlechterung dort, wo KI nicht hingehört. Die Studien, die beeindruckende Produktivitätszahlen melden, fragen oft nur nach dem Gefühl, nicht nach dem Ergebnis. Dazu kommt: Viele positive Studien werden von Organisationen finanziert, die KI-Beratung verkaufen. Die unabhängigen kommen zu nüchterneren Ergebnissen.
Die ehrliche Antwort: Wir wissen es aktuell vielleicht nicht genau. Die Forschung hält mit der Geschwindigkeit der Technologie nicht mit. Was wir wissen: KI kann bei bestimmten Aufgaben helfen. Wie groß der echte Geschäftswert ist, kann heute niemand seriös beziffern. Nicht die Studien, keine Unternehmensberatung, und nicht dieser Blogbeitrag. Was allerdings auffällt: KI-Investitionen im deutschen Mittelstand sinken, während der Gesamtmarkt steigt (Bitkom, 2025). Ob das in drei Jahren ein Problem sein wird, weiß niemand. Aber wenn es eines wird, ist Aufholen deutlich teurer als Ausprobieren.
Mein persönlicher Eindruck: Die meisten Studien messen Erfahrungen primär aus 2024 und 2025. Die Qualität der aktuellen KI-Modelle hat sich seitdem spürbar verändert. Die Art, wie ich heute mit KI arbeite, hat wenig mit dem zu tun, was diese Studien gemessen haben. Kein Beweis. Aber ein Grund, die Ergebnisse nicht als endgültiges Urteil zu lesen.
Konkret für den deutschen Mittelstand: Laut Bitkom-KI-Studie 2025 nutzen 36 % der deutschen Unternehmen ab 20 Mitarbeitenden bereits aktiv KI — fast doppelt so viele wie ein Jahr zuvor. 67 % der Befragten erwarten dabei keine Veränderung in der Beschäftigung. Heißt: KI verdrängt selten, sie ergänzt — aber wer drei Jahre wartet, bis "die Studienlage klar ist", hat den Einstieg verschlafen.
Wie startet ein Mittelständler eine KI-Strategie ohne Transformationsprojekt?
Mit einer klaren Drei-Ebenen-Architektur, die Daten, Denken und Handeln trennt. Ohne Gremienentscheidung, ohne Budgetfreigabe, ohne Change-Programm. Erst im Kleinen lernen, dann entscheiden, wie weit man gehen will.
Die Antwort liegt in einer klaren Architektur, die drei Ebenen konsequent trennt. Bewusst so gebaut, dass sie (fast) ohne Gremienentscheidung, ohne große Budgetfreigabe und ohne Change-Management-Programm startet. Erst im Kleinen lernen, was wirklich funktioniert. Dann entscheiden, wie weit man gehen will.
Wichtig vorab: Dieses Modell richtet sich nicht an alle Mitarbeitenden gleichzeitig. Es richtet sich an ausgewählte Führungskräfte, Fachbereichsverantwortliche und interessierte Mitarbeitende, die Lust haben sich damit zu beschäftigen, die passenden Aufgaben mitbringen und bei denen die Anforderungen an Datenschutz und Compliance vertretbar sind. Dieses Modell beschreibt außerdem nur einen möglichen Einstieg. Wie es in einer Organisation mit 100+ Mitarbeitenden skaliert, ist ein eigenes Thema.
Layer 1: Microsoft 365 und Copilot als sicheres Fundament
Microsoft 365 ist in den meisten Mittelstandsunternehmen bereits lizenziert. Diese Ebene enthält die wirklich sensiblen Daten: Verträge, Rechnungen, Kundendaten, Personaldaten, interne Kommunikation. Alles was schützenswert ist, bleibt im Zweifelsfall hier und nur hier. Voraussetzung für jeden KI-Einsatz auf dieser Ebene: eine grundlegende Ordnung in SharePoint und Teams. Wer sein digitales Fundament in Ordnung bringt, profitiert von jeder zukünftigen KI-Verbesserung automatisch.
Microsoft Copilot ist ein chirurgisches Werkzeug. Für bestimmte Aufgaben das beste am Markt. Für andere nicht. Es gibt eine kostenlose Version und die Bezahlversion (M365 Copilot, ab 30 Euro pro Person und Monat). Beide bieten sogenannte Commercial Data Protection: Ihre Eingaben werden nicht zum Trainieren von KI-Modellen verwendet. Das wissen viele Führungskräfte nicht.
Wo Copilot brilliert: Bei allem, was Ihre internen Daten betrifft. Copilot kann in Ihrem Videomeeting mitschreiben und hinterher eine Zusammenfassung liefern. Kein anderes KI-Werkzeug kann das, weil kein anderes (hoffentlich!) in Ihrem Meeting sitzt. Copilot kann Ihre E-Mails, Chat-Nachrichten und Dokumente gleichzeitig durchsuchen und Zusammenhänge finden, für die Sie sonst Stunden bräuchten. Als persönlicher Lernassistent für Excel, Power BI oder SharePoint ist er für Neulinge ein genialer Einstieg.
Copilot in der Praxis: Anweisungen in natürlicher Sprache, Ergebnis direkt im Arbeitskontext.
Wo Copilot schwächelt: Bei der reinen Denkleistung. In meinen Tests hat ein Copilot-Assistent eine öffentliche Quelle zitiert und dabei Informationen geliefert, die dieser Quelle direkt widersprachen. Dieselbe Frage in einem anderen KI-Werkzeug? Sofort korrekt. Auch der Cross-Government-Test der britischen Regierung, 2024 mit 20.000 Beschäftigten in 12 Behörden bestätigt das Bild: Teams-Meetings erreichen 71 % Peak-Adoption, Excel und PowerPoint bleiben bei 23 % bzw. 24 % stehen — sobald es um eigene Analyse oder Erstellung geht, fällt die Nutzung stark ab.
Mein Fazit nach über zwei Jahren testen, Stand Ende 2025: Copilot gewinnt, wenn es um Ihre Daten geht. Bei reiner Denkleistung war ein dediziertes Frontier-Modell noch klar vorne. Microsoft verbessert Copilot in hohem Tempo — also: regelmäßig neu prüfen, nicht auf einer Momentaufnahme festkleben.
Meine Empfehlung: Nutzen Sie die kostenlose Version sofort. Führen Sie wenige Bezahllizenzen für interessierte Mitarbeitende ein. Binden Sie Ihre Datenschutzverantwortlichen und ggf. Rechtsberatung vorher ein. Das ist je nach Branche unterschiedlich zu bewerten. Aber wenn selbst in stark regulierten Branchen wie Finanzdienstleistung und Gesundheitswesen Unternehmen Copilot produktiv einsetzen, ist zumindest die Frage berechtigt: Welche konkreten Gründe sprechen in unserem Fall dagegen? Manchmal gibt es gute Antworten. Manchmal stellt sich heraus, dass die Bedenken auf Annahmen beruhen, die niemand geprüft hat.
Microsoft investiert massiv weiter: Mit Copilot Cowork (in Zusammenarbeit mit Anthropic) hat Microsoft gerade die nächste Stufe angekündigt: KI-Assistenten, die mehrstufige Aufgaben innerhalb Ihres gesicherten Systems eigenständig erledigen. Aktuell noch in der Testphase, kein Datum für den DACH-Raum, und das Preismodell (99 USD pro Person und Monat) ist für den Mittelstand eine offene Frage. Aber die Richtung ist klar: Wer sein M365-Fundament jetzt in Ordnung bringt, ist für jede kommende Verbesserung vorbereitet.
Beachten Sie: Das sind bei weitem nicht alle KI-Features von Microsoft. Dieser Beitrag beschränkt sich bewusst auf generative KI als Denk- und Arbeitswerkzeug.
Aufwand: Mittel (Lizenzkosten plus interne Klärung). Nutzen: Mittel (bei Aufgaben mit internen Daten stark, bei strategischem Arbeiten begrenzt). Für strategisches Denken und Analyse brauchen Sie etwas anderes. Das ist Layer 2.
Layer 2: Der Intelligence Layer. Sofort startklar, kein IT-Wissen nötig
Dies ist die Ebene, mit der Führungskräfte und interessierte Mitarbeitende relativ zügig starten können. Nicht von heute auf morgen: Vorher sollten Sie mit Ihren Datenschutzverantwortlichen und ggf. Ihrer Rechtsberatung klären, welche Anwendungsfälle und Informationen erlaubt sind und welche nicht. Aber das ist keine monatelange Abstimmung, sondern eine überschaubare Grundsatzentscheidung in wenigen Tagen. Die wichtigste Regel dabei:
Personenbezogene Daten, Kundeninformationen und sensible Unternehmensdaten gehören nicht in diesen Layer. Dafür ist Layer 1 da.
Was hier stattfindet, ist Denk- und Konzeptarbeit mit allgemeinen, öffentlichen oder anonymisierten Informationen. KI-Dienste wie Claude, ChatGPT oder Gemini bieten die Möglichkeit, spezialisierte Arbeitsbereiche aufzubauen. Stellen Sie sich das wie digitale Aktenordner vor, die sich alles merken: einen für Strategie und Positionierung, einen für Vertrieb und Kundenrecherche, einen für Marketing und Content.
Was macht das besonders? Jeder Arbeitsbereich sammelt über die Zeit Wissen an. Er kennt den Kontext, den Sie ihm geben: allgemeine Marktinformationen, Ihre Positionierung, die Art wie Sie kommunizieren. Wie viel davon Sie dem System geben, entscheiden Sie. Manche arbeiten nur mit öffentlichen Brancheninformationen und groben Positionierungsideen. Das ist völlig ausreichend. Niemand zwingt Sie, Ihr gesamtes Strategiepapier hochzuladen. Aber selbst mit diesem begrenzten Kontext müssen Sie nicht jedes Mal bei null anfangen. Das System denkt mit, hinterfragt Annahmen und produziert: E-Mail-Entwürfe, Konzepte, Analysen, Rechercheergebnisse. Nicht als generischer Chatbot, sondern als Sparringspartner, der Ihren Arbeitskontext kennt. Wichtig: Alles, was hier entsteht, sind Entwürfe. Eine E-Mail wird in Outlook kopiert und dort mit echten Namen, Daten und Bezügen ergänzt. Personenbezogene Daten und Kundeninformationen haben in diesem Layer nichts verloren.
Zur Datensicherheit: Seriöse Anbieter schützen Ihre Daten. Bei Business-Abonnements werden Ihre Eingaben standardmäßig nicht zum Trainieren von KI-Modellen verwendet. Bei den gängigen Abonnements für Einzelpersonen und kleine Teams werden die Daten derzeit überwiegend auf amerikanischen Servern gespeichert. Für Unternehmen mit strengen Anforderungen gibt es EU-Optionen über Enterprise-Pläne oder spezielle Plattformen.
Was viele übersehen: Ihre Mitarbeitenden nutzen solche Werkzeuge vermutlich längst. Der Torii SaaS-Benchmark 2026 zeigt: 26 der Top-50 Schatten-IT-Apps in Unternehmen sind KI-Tools — also genau die Lücke, die formal nirgends auftaucht und trotzdem im Tagesgeschäft genutzt wird. Wer das strukturiert und bewusst freigibt, hat nicht mehr Risiko. Sondern mehr Kontrolle und vielleicht sogar weniger Risiken.
Für die Vorsichtigen: Viele dieser Fähigkeiten bietet auch der Microsoft Copilot, allerdings fast nur in der Bezahlversion. Meine Erfahrung: Copilot liefert Ergebnisse, auch richtige. Aber er lässt oft Nuancen und Zusammenhänge weg, die andere Modelle liefern. Das merkt man erst mit Erfahrung. Für interne Daten hat Copilot die Nase vorn. Bei der reinen Denkleistung nicht.
Ein netter Nebeneffekt: Ihre Mitarbeitenden lernen an den besten verfügbaren KI-Modellen. Sie sammeln Erfahrung, die in drei Monaten später nicht in der Schublade liegt. Das ist der eigentliche Wert dieses Modells. Nicht die Technologie, sondern das Lernen. Welche Aufgaben lohnen sich wirklich? Wo sind die echten Reibungspunkte? Diese Fragen beantwortet keine Unternehmensberatung und kein Zertifikat. Die beantwortet nur der eigene Betrieb.
Für viele Mittelständler ist hier Schluss — und das ist okay. Wenn Sie kein technisches Risiko und kein Invest eingehen wollen: Layer 2 ist sofort startklar, kostet 20–30 Euro pro Person und Monat und braucht keine IT-Erfahrung. Sie können heute noch starten. Was Sie investieren müssen, sind ein bis zwei Stunden Klärung mit Ihrem Datenschutzverantwortlichen: Welche Anwendungsfälle sind okay? Positionierung und Strategie? Wahrscheinlich ja — solange Sie nicht das komplette Strategiepapier hochladen, sondern den Kontext gezielt mitgeben. Marktrecherche, Wettbewerbs-Beobachtung, E-Mail- und Konzept-Entwürfe? Auch ja. Personenbezogene Daten? Nein. Kundenakten? Nein. Wer diese Linie sauber zieht, kommt mit Layer 2 erstaunlich weit.
Layer 3: Der Macher — Claude Code und Codex statt Eigenbau
Auf dieser Ebene wird KI vom Sparringspartner zum Mitarbeiter. Sie übernimmt mehrstufige Aufgaben eigenständig: Bei entsprechenden Rechten sind solche Tools in der Lage Dateien zu bearbeiten, Auswertungen zu schreiben, Mini-Anwendungen/ Apps zu bauen, E-Mails zu schreiben und vieles mehr.
Mein Lernweg, ehrlich erzählt: Angefangen habe ich mit OpenClaw und einem darauf selbstgebauten KI-System für Lead-Recherche, Redaktionsplanung und Aufgaben-Steuerung. Fünf eigene Mini-Anwendungen, alles maßgeschneidert. War ein lehrreiches Projekt. Inzwischen mache ich es anders. Ich nutze Claude Code (von Anthropic, läuft im Terminal oder in der Desktop App) und Codex (von OpenAI) parallel. Beides sind Werkzeuge, die ursprünglich für Softwareentwicklung gedacht waren — aber das gleiche Werkzeug, das Code schreiben kann, kann auch Strategien entwickeln, Excel-Auswertungen machen, E-Mails sortieren oder Dokumente zusammenfassen, sofern man die erforderlichen Zugriffe und Rechte einrichtet.
Was ich heute empfehle: Nicht selber bauen. Direkt Claude Code oder Codex nutzen. Das ist einfacher, schneller und in Summe aus meiner Erfahrung besser als OpenClaw und Co. Realistisch dazu: Beide Werkzeuge laufen im Terminal (oder in einer Desktop App). Für technisch affine Mitarbeitende ist der Einstieg in einer halben Stunde drin. Geschäftsführende, die selbst nie auf einer Konsole gearbeitet haben, brauchen Begleitung — entweder durch eine interne IT-Person oder mit externer Hand. Beauftragen schlägt hier "selber klicken".
Was passiert auf Layer 3 im Alltag (Auszug!):
Erinnerung bei Planabweichungen ("Du hast diese Woche noch keinen Beitrag veröffentlicht, obwohl drei geplant waren")
Reporting und Auswertungen automatisch erzeugen
Aufgaben sofort umsetzen, im Rahmen klar abgegrenzter Rechte
Neue Automatisierungen auf Anweisung bauen, ohne externe Entwickler
Lernen durch persistente Notizen und Memory zwischen Sitzungen
Das Zusammenspiel der Ebenen in der Praxis: Den echten Durchbruch hatte ich, als ich Layer 2 und Layer 3 verbunden habe. Wichtig: Das ist keine automatische Pipeline, die im Hintergrund Daten hin- und herschiebt. Ideen, Konzepte aus Layer 2 kopiere ich als Text in Layer 3.
Ein Beispiel: Ich wollte die Reichweite meiner LinkedIn-Beiträge automatisiert messen. In Layer 2 habe ich die Idee entwickelt und eine Umsetzungsanweisung formulieren lassen. Diese Anweisung habe ich dann an Layer 3 übergeben. Die Lösung funktionierte beim ersten Versuch. In unter 30 Minuten hatte ich ein fertiges System. Erweiterungen danach? Jeweils mit einem Satz umgesetzt. Das läuft seit Wochen zuverlässig. Dieselbe Lösung über herkömmliche Werkzeuge wie Power Automate oder SharePoint? Tage bis Wochen, plus Abstimmungsschleifen.
Layer 2 denkt, Layer 3 baut. Ich entscheide, was wann wohin geht.
Sparring zwischen Modellen: Ich nutze Claude Code als Hauptarbeiter und Codex als zweiten Blick — wenn etwas wichtig ist, schaut das eine Werkzeug auf das, was das andere produziert hat. Das ist kein Tool-Tuning, sondern ein einfaches Kontroll-Prinzip: Zwei verschiedene Modelle finden unterschiedliche blinde Flecken. Wer mehr Tiefe sucht, findet in meinem Beitrag zum Aufbau eines Multi-Agenten-Systems eine ausführliche Praxis-Beschreibung — inklusive der Schwächen, die in der ersten Euphorie übersehen werden.
Mein Setup heute: Claude Code + Codex als Sparring laufen direkt im Terminal, ohne Eigenbau-Plattform dahinter. OpenClaw läuft im Hintergrund weiter, weil ich gerne damit experimentiere. Aber für Mittelständler, die heute starten: nicht selber bauen.
Wer Layer 3 hat, braucht Layer 2 nicht mehr separat. Klingt erst paradox, ist aber einfach: Claude Code (oder Codex) kann beides. Wenn ich es einmal eingerichtet habe und ihm Zugriff auf meine Notizen, Projekte und Daten gebe, wird derselbe Assistent gleichzeitig zum Sparringspartner für Strategie und zum Macher für die Umsetzung. Er kennt den Kontext, der vorher in Layer 2 mühsam einzeln aufgebaut werden musste. Die Trennung "Denken da, Bauen dort" wird unnötig.
Mein Backup-Trick (kostenlos): Ich nutze trotzdem zusätzlich Claude-Projekte (Layer 2) für einzelne Workflow-Bereiche — Website, Brain, Content. Die laufen in meinem Claude-Pro-Abo mit, kosten also nichts extra. Vorteil: wenn mein Claude Code mal nicht laufen kann, habe ich die wichtigsten Themen-Boards weiter griffbereit. Einziger Haken: die Markdown-Notizen, die in Claude Code automatisch aktuell bleiben, müssen in den Claude-Projekten manuell nachgezogen werden, wenn ich dort den frischen Stand brauche. Für ein Backup ist das tragbar — als Hauptsystem würde es nerven.
Aufwand: Gering für den Einzelplatz (Setup unter einer Stunde; API-Kosten typischerweise unter einem Euro pro Tag bei Solo-Nutzung). Bei Team-Einsatz mit Automatisierungen, Governance-Klärung und Nutzung mehrerer Modelle steigen die Kosten — bleiben aber meist deutlich unter klassischen Beratungs- oder Plattform-Investitionen. Nutzen: Ungewiss am Anfang, aber genau darum geht es: Experimentieren. Keine große Investition, sondern ein kontrollierter Versuch.
Was kostet dieses Modell wirklich?
Die technischen Kosten sind gering — meist unter 25 Euro pro Person und Monat. Die größte Investition liegt in interner Klärung, Befähigung und der Ordnung im eigenen System.
Ein bisschen Zahlen: Microsoft 365 Copilot ab 30 Euro pro Person und Monat. Claude Pro oder ChatGPT Plus ab 20 USD pro Person und Monat. Claude Code und Codex haben eigene Abos in ähnlicher Größenordnung, oder laufen über API-Kosten von wenigen Euro pro Tag bei normaler Nutzung. Eine Pilotgruppe von fünf Menschen kostet Sie damit weniger als eine Beratertagesgage.
Was teuer ist: die Aufmerksamkeit, die Klärung und die Zeit, die Menschen brauchen, um vom Spielen zum produktiven Arbeiten zu kommen. Das kann keine Lizenz ersetzen.
Fazit KI-Strategie Mittelstand
Es gibt gerade viele Stimmen, die KI-Transformation als schnelle, flächendeckende Bewegung beschreiben: Agentic AI First and Fast. Das klingt überzeugend, solange man die Realität komplexer Organisationen ausblendet: ungeklärte Zuständigkeiten, fehlende Anreize, Gremien die prüfen, Budgets die blockiert werden.
Mein Ansatz ist das Gegenteil davon. AI First and Small. Im Kleinen anfangen. Ohne Transformationsversprechen, ohne große Budgets, ohne externe Abhängigkeit. Lernen, was im eigenen Kontext funktioniert. Dann, wenn der Mehrwert nachgewiesen ist, entscheiden, wie weit man gehen will.
KI-Strategie im Mittelstand bedeutet nicht, ein teures Transformationsprogramm zu starten. Es bedeutet, mit dem anzufangen, was heute verfügbar ist. Mit den Menschen, die Lust haben. Und mit realistischen Erwartungen: Der Nutzen ist real, aber er ist kleiner als die Überschriften versprechen. Ausprobieren statt schätzen. Layer 2 ist heute startklar. Layer 1 ist meist schon vorhanden und braucht Ordnung. Layer 3 kommt, wenn man weiß, dass es sich lohnt — und mit Claude Code oder Codex ist der Einstieg deutlich kürzer als noch vor zwölf Monaten.
Eine letzte Einordnung: Echte Erfahrung mit Multi-Agenten-Systemen haben aktuell die allerwenigsten Menschen und Unternehmen — wer hier tiefer einsteigen will, dem empfehle ich meinen ehrlichen Praxisbericht zum Aufbau eines Multi-Agenten-Systems. Was funktioniert, hängt stark von der Branche, der Unternehmenskultur und den Menschen ab. Dieser Beitrag ist ein Vorschlag, wie man pragmatisch, schnell und günstig an die KI-Readiness im Mittelstand herangehen kann. Kein Patentrezept. Und auch das gehört zur Ehrlichkeit: Dieser Beitrag kann nächste Woche schon wieder überholt sein. Die Technologie bewegt sich so schnell, dass jede Einschätzung ein Verfallsdatum hat. Umso wichtiger, selbst Erfahrung aufzubauen, statt auf endgültige Antworten zu warten.
Die "Paralyse durch Analyse" ist vielleicht (!) die teuerste KI-Strategie, die ein Unternehmen wählen kann.
Marcus Machon berät Mittelständler bei Microsoft 365 Governance, Prozessautomatisierung und KI-Readiness.
Quellen
PwC (2026). 29th Annual Global CEO Survey (n=4.454 CEOs, 95 Länder). Bericht
Bonney, K. et al. (2024). Tracking Firm Use of AI in Real Time: A Snapshot from the Business Trends and Outlook Survey. NBER Working Paper 32319 (US Census BTOS). DOI: 10.3386/w32319
Microsoft/NBER (2025). The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers (RCT, n=6.317 Mitarbeitende, 58 Firmen). arXiv:2504.11443
BCG (2024). AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value. Bericht
Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier (Harvard/BCG, n=758). Harvard Business School Working Paper 24-013. SSRN: 4573321 (EVI0009, citation_ready)
UK Government Digital Service (2024). Microsoft 365 Copilot Experiment: Cross-Government Findings (n=20.000, 12 Behörden). Bericht (EVI0981, citation_ready)
Bitkom Research (2025). Künstliche Intelligenz: Einsatz in deutschen Unternehmen (n=604 Unternehmen ab 20 MA). Studie (EVI0804/EVI0953)
Torii (2026). SaaS Benchmark Report — Shadow IT and AI Tool Sprawl. Bericht (EVI0908, citation_ready)
Aggarwal, S. et al. (2024). Generative Engine Optimization. KDD 2024. DOI: 10.1145/3637528.3671900
