„Wir müssen etwas mit KI machen.” Der Satz fällt in Geschäftsführungen seit gut drei Jahren, und gemeint ist damit fast durchweg ein Chatfenster. Das ist verständlich: Generative KI war die erste Technologie seit langem, die man selbst ausprobieren konnte, ohne jemanden zu fragen. Sie ist sichtbar, sie antwortet sofort, und sie beeindruckt.

Sie ist aber nur ein Ausschnitt. Und in vielen mittelständischen Häusern ist es der Ausschnitt mit dem kleineren wirtschaftlichen Hebel.

Was generative KI gut kann

Sie arbeitet mit Sprache, Dokumenten und Wissen. Entwürfe formulieren, lange Texte zusammenfassen, Inhalte umformen, Übersetzungen, Protokolle, Standardkorrespondenz. Überall dort, wo bisher jemand einen leeren Bildschirm angesehen hat, spart sie Zeit, und zwar spürbar. Auch die Suche in der eigenen Wissensbasis mit belegter Antwort gehört dazu, allerdings nicht als Eigenschaft des Modells: Dafür braucht die Anwendung eine angebundene, freigegebene Dokumentenbasis und eine Funktion, die die Fundstellen mitliefert.

Diese Zeitgewinne sind real. Sie sind nur schwer zu belegen, weil sie sich über viele Personen und viele kleine Vorgänge verteilen. Ein Sachbearbeiter, der pro Tag zwanzig Minuten spart, erscheint in keiner Kennzahl. Das ist der Grund, warum nach einem Jahr generativer KI in vielen Häusern niemand sagen kann, was sie gebracht hat.

Was sie nicht kann

Ein Sprachmodell für sich genommen ist kein belastbarer Rechner, kein Optimierungsverfahren und kein Prognosemodell. Es erzeugt die plausibelste Fortsetzung, und Plausibilität ist bei Zahlen kein Qualitätsmerkmal. Man kann ihm einen Rechner oder einen Solver zur Seite stellen, und moderne Werkzeuge tun das auch. Dann liefert aber das angebundene Verfahren das Ergebnis, und die Frage, ob es taugt, verschiebt sich genau dorthin.

Für genau diese Aufgaben gibt es Verfahren, die seit Jahrzehnten funktionieren, gut verstanden sind und sich sauber messen lassen.

Die Hebel, die meist übersehen werden

Prognose. Absatzmengen je Artikel und Standort, Personalbedarf über den Wochenverlauf, Ersatzteilbedarf, Zahlungseingänge. Der Nutzen entsteht nicht durch die Vorhersage selbst, sondern durch die Entscheidungen, die sich daran ausrichten: weniger Sicherheitsbestand, weniger Sonderschichten, weniger Eilfracht. In einem Handelsunternehmen ist eine um wenige Prozentpunkte bessere Absatzprognose oft mehr wert als jede Textautomatisierung.

Optimierung. Tourenplanung, Disposition, Rüstreihenfolgen, Schichtpläne, Zuschnitt. Hier geht es um Kombinatorik, nicht um Sprache. Die Verfahren dafür sind alt und sehr gut, und sie liefern eine Zahl, die man gegen den Status quo rechnen kann.

Anomalieerkennung. Qualitätsabweichungen in der Fertigung, ungewöhnliche Muster in Zahlungsströmen, Frühzeichen für Maschinenausfälle. Der wirtschaftliche Wert liegt in vermiedenen Kosten, was die Messung anspruchsvoller macht, aber nicht unmöglich.

Klassifikation. Belege den richtigen Konten zuordnen, Reklamationen den richtigen Kategorien, Bilder aus der Sichtprüfung sortieren. Unspektakulär, extrem gut messbar, und in vielen Häusern der schnellste Weg zu einem belegbaren Ergebnis.

Warum das trotzdem liegen bleibt

Der Grund ist selten mangelnde Einsicht. Er ist meistens die Datenlage.

Für allgemeine Sprachaufgaben kommt man ohne eigene Daten aus; das Modell bringt sein Wissen mit. Diese Bequemlichkeit endet, sobald Auskünfte über das eigene Haus verlangt werden, und sie fällt dort nur weniger auf, weil ein schlecht belegter Entwurf immer noch wie ein Entwurf aussieht. Eine Absatzprognose braucht die eigene Historie, sauber, vollständig und mit den Sondereffekten, die jemand erklären kann. Genau hier stellt sich heraus, dass Stammdaten über Jahre uneinheitlich gepflegt wurden, dass Artikelnummern zweimal geändert wurden und dass die Corona-Jahre in jeder Zeitreihe stehen.

Das ist unangenehm, und es ist der eigentliche Grund, warum viele Häuser bei der bequemeren Variante bleiben. Es ist aber auch die Investition, die sich nicht umgehen lässt, wenn KI mehr leisten soll als Textentwürfe. Wer sie einmal macht, macht sie für alle folgenden Anwendungsfälle.

Woran Sie erkennen, welcher Typ zu Ihrem Problem passt

Für eine erste Einordnung genügen die folgenden Fragen.

Was ist das Ergebnis, das gebraucht wird? Ein Text, ein Dokument oder eine Auskunft deutet auf generative Verfahren. Eine Zahl, eine Reihenfolge oder eine Ja-Nein-Entscheidung deutet auf die klassischen.

Gibt es dafür Material im eigenen Haus? Eine Prognose braucht genug Historie für den Zeitraum, über den vorhergesagt werden soll. Wo Saison eine Rolle spielt, sind zwei durchgehende Jahre eine brauchbare Untergrenze, weil man den Jahresgang sonst nur einmal sieht und nicht von einem Einzeleffekt trennen kann. Klassifikation braucht keine Zeitreihe, sondern genügend Beispiele, die den späteren Betrieb repräsentieren und einer Kategorie zugeordnet sind.

Was kostet ein Fehler? Bei Textentwürfen korrigiert ein Mensch, bevor etwas hinausgeht. Bei einer automatisch ausgelösten Bestellung nicht unbedingt. Je teurer der Fehler, desto wichtiger ein Verfahren, dessen Verhalten man kennt und nachvollziehen kann.

Die Kombination ist häufig die richtige Antwort

Das eine schließt das andere nicht aus, und die interessantesten Anwendungen liegen genau dazwischen. Ein Prognosemodell berechnet den Bedarf, ein Sprachmodell erklärt der Disponentin in zwei Sätzen, warum die Zahl von der letzten Woche abweicht. Ein Klassifikationsverfahren sortiert die Reklamation, ein Sprachmodell entwirft die Antwort.

In dieser Kombination steckt oft mehr Wert als in jeder der beiden Techniken für sich. Sie setzt allerdings voraus, dass jemand im Haus beide kennt und beurteilen kann, welches Problem welcher Sorte zuzuordnen ist. Diese Rolle wird in der aktuellen Begeisterung für generative Werkzeuge häufig gar nicht besetzt.

Was das für die Priorisierung bedeutet

Wenn Sie ohnehin gerade eine Liste von KI-Ideen sortieren, lohnt eine zusätzliche Spalte: Welcher Verfahrenstyp steckt dahinter? Erfahrungsgemäß dominieren die generativen Anwendungsfälle solche Listen deutlich, weil die zuerst einfallen. Die wenigen klassischen Kandidaten, die sich darunter finden, tragen häufig den größeren Teil des erwarteten Ertrags. Was jeder Kandidat mitbringen muss, damit sich das rechnen lässt, ist überall dasselbe: die Zielkennzahl mit ihrem heutigen Wert, die nötigen Daten samt Eigentümer, die betroffenen Systeme, die fachlich verantwortliche Rolle und den Aufwand für Anbindung und Betrieb.

Das ist keine Absage an generative KI. Es ist der Hinweis, dass eine Priorisierung, die nur einen Verfahrenstyp kennt, systematisch das Falsche nach oben sortiert.

Wenn Sie diese Sortierung strukturiert machen wollen, ist sie Teil der KI-Roadmap; die Bestandsaufnahme davor liefert die KI-Reifegrad-Analyse.

Eine Frage für die nächste Runde, in der über KI-Ideen gesprochen wird: Wie viele der Vorschläge auf Ihrer Liste würden ohne ein Chatfenster funktionieren?