Wenn mir jemand erzählt, sein Unternehmen hat KI eingeführt, frage ich immer dasselbe: Womit habt ihr angefangen? Fast immer lautet die Antwort: mit einem Tool. ChatGPT Enterprise hier, Copilot da, ein Automatisierungsanbieter für Marketing. Was selten hinter dieser Antwort steckt: ein klar definiertes Problem, eine Baseline und ein messbares Ziel.

Laut MIT GenAI Divide 2025 scheitern rund 95 Prozent der KI-Projekte nicht an der Technologie, sondern daran, dass kein messbarer Beitrag zur Wertschöpfung definiert wurde.* Die gute Nachricht: Das ist kein KI-Problem. Es ist ein Startpunkt-Problem. Und das lässt sich lösen.

"Wer mit dem Tool anfängt, sucht anschließend das Problem. Das kostet Zeit, Geld und Vertrauen im Team."

1. Der häufigste Fehler: Mit dem Tool anfangen

Wenn das Tool da ist, bevor das Problem klar ist, passiert Folgendes: Die Fachbereiche experimentieren. Es entstehen viele kleine Eigeninitiativen. Niemand hat ein klares Zielbild. Das Tool ist zwar lizensiert, die Kosten laufen, aber keiner weiss so richtig wie amn es richtig nutzt und wo es was bring. Also müssen die Schulungen her. Das ist kein Einzelfall, das ist die Regel.

In über 20 Jahren Arbeit mit Marketing-, Vertriebs- und Fachabteilungs-Teams bei Stationen wie EY, etventure und Ogilvy sehe ich denselben Reflex immer wieder: erst anschaffen, dann rechtfertigen. Der Kauf fühlt sich nach Fortschritt an und ist am einfachsten zu erledigen, doch was kommt danach?

Meine Überzeugung nach all diesen Projekten: KI ist kein Tool-Projekt. KI ist ein Führungs-, Prozess- und Steuerungsthema. Erst wenn das klar ist, wird die Toolauswahl sinnvoll.

Was stattdessen am Anfang steht

Der richtige erste Schritt ist eine Prozessanalyse. Die Fragen sind einfach: Welche Aufgaben kosten das Team täglich die meiste Zeit? Wo werden Entscheidungen auf Basis von Daten getroffen, die auch ein Algorithmus verarbeiten könnte? Wo entstehen Fehler durch manuelle Übergaben?

Kurz gesagt: KI einführen heißt Prozesse neu denken, nicht Tools kaufen.

Was gilt, wenn Copilot schon da ist?

Viele Mittelstandsunternehmen haben Microsoft Copilot bereits über ihre Microsoft-365-Lizenz. Das ändert die Tool-Frage — aber nicht die Prozess-Frage. Und es fügt eine Aufgabe hinzu, die viele unterschätzen: die Spielregeln.

Wenn Copilot ausgerollt wird, fühlt sich innerhalb kürzester Zeit jeder berechtigt, es für alles zu nutzen. Kundendaten in Prompts eingeben. Vertragsdetails zusammenfassen lassen. Interne Gehaltsinfos in ein Dokument einbauen und KI darüber laufen lassen. Ohne Zielbild, ohne Verantwortlichen, ohne jemanden, der gefragt wurde, ob das so in Ordnung ist. Das ist die häufigste Nebenwirkung von "schon lizenziert".

Deshalb muss parallel zum Rollout — oder besser davor — klar kommuniziert bzw. geschult werden: Was darf im Unternehmen mit KI gemacht werden? Welche Daten dürfen in welcher Form genutzt werden? Was ist explizit verboten? Wer entscheidet bei Grenzfällen? Diese Spielregeln müssen schriftlich vorliegen, intern kommuniziert und durch Führung vorgelebt werden. Nicht als Bürokratie, sondern als Schutz — für das Unternehmen, für die Mitarbeitenden und für die Kunden.

Copilots Stärken liegen bei E-Mail-Drafting, Meeting-Zusammenfassungen, Dokumentenverarbeitung und — bei Dynamics-Integration — CRM-Updates. Sinnvoll eingesetzt ist es ein echter Hebel. Aber "sinnvoll eingesetzt" setzt voraus, dass alle wissen, was sinnvoll bedeutet.

Kurz gesagt: Copilot kommt schnell. Die Spielregeln müssen schneller kommen.

2. Die 3-Filter-Frage: Welcher Prozess kommt zuerst?

Nicht jeder Prozess ist als KI-Startpunkt geeignet. Ich prüfe drei Filter, bevor irgendetwas angefasst wird:

01

Repetitiv?

Läuft der Prozess täglich oder wöchentlich in gleicher Form ab? Lead-Follow-ups, CRM-Updates, Angebotsvorlagen, Monatsberichte.

02

Datenbasiert?

Gibt es klare Eingaben, auf denen Entscheidungen beruhen? CRM-Daten, Website-Verhalten, Angebotshistorie, Gesprächsnotizen.

03

Messbar?

Wie lange dauert der Prozess heute? Welche Fehlerquote, Conversion, Kosten pro Ergebnis? Ohne Baseline kein Fortschritt.

Kurz gesagt: Repetitiv + datenbasiert + messbar = richtiger erster Use Case.

Welche Prozesse im B2B-Mittelstand besonders gut passen

  • Vertrieb: Lead-Scoring nach Kaufsignalen (muss mnicht mit KI gemacht werden, ein solides Scoring-Model geht auch), Follow-up-Sequenzen nach Demo, CRM-Datenpflege, Angebotsvorbereitung.
  • Marketing: Content-Personalisierung nach Segment, SEO-Briefings, Kampagnenreporting, Lead-Nurturing-Flows.
  • Betrieb: Dokumentenverarbeitung, interne Wissensabfragen, Protokollierung und Gesprächszusammenfassung.

3. Warum Alignment vor KI kommen muss

In meinem MASAKI-Framework (Marketing · Alignment · Sales · Automation/KI · KPIs · Investment) steht Automation/KI bewusst erst an vierter Stelle. Der Grund ist nicht Vorsicht, sondern Wirksamkeit.

KI verstärkt, was vorhanden ist. Wenn Marketing und Vertrieb keine gemeinsame Lead-Definition haben, verstärkt KI-Leadscoring das Missverständnis. Wenn CRM-Daten unvollständig sind, skaliert KI unvollständige Entscheidungen. Wenn Führung keine gemeinsamen KPIs setzt, optimiert jedes Team weiter für sich selbst.

In meiner Praxis ist echtes Alignment zwischen Marketing und Vertrieb die Ausnahme, nicht die Regel. Die meisten Unternehmen starten KI in einem System mit offenem Bruch — und wundern sich dann, warum die Ergebnisse ausbleiben. Mehr dazu im Artikel Warum KI euren Umsatz nicht rettet.

"Wer KI einführt, bevor Marketing und Vertrieb aligned sind, automatisiert das Problem schneller."

4. Praktische erste Schritte: Die erste KI-Maßnahme konkret planen

Diesen Ablauf habe ich in der Praxis entwickelt. Er funktioniert in Unternehmen mit 30 Mitarbeitern genauso wie in Unternehmen mit 300.

01
Einen einzigen Prozess auswählen
Nicht drei, nicht fünf. Einen. Den Prozess mit dem höchsten Potenzial nach den drei Filtern oben. Breite verhindert Tiefe. Beim ersten Mal ist Tiefe alles.
02
Baseline erfassen, bevor irgendetwas gebaut wird
Wie lange dauert der Prozess heute? Welche Ressourcen bindet er? Welche Fehlerquote, welche Conversion, welche Kosten pro Ergebnis? Ohne diese Zahlen ist der Pilot eine Demo, keine Entscheidungsvorlage.
03
Owner und Governance vor dem Start klären
Wer verantwortet den KI-Einsatz? Wer prüft die Ergebnisse? Wer entscheidet, wenn KI Fehler produziert? Welche Datenschutzanforderungen gelten? Diese Fragen klingen bürokratisch, sind aber der häufigste Grund, warum Piloten nach dem Start stecken bleiben.
04
Pilot bauen und mit echten Nutzern testen
In zwei bis vier Wochen einen funktionierenden Pilot aufbauen. Nicht perfekt. Belastbar genug, um echte Daten und echtes Feedback aus dem Team zu erzeugen. Entscheidend ist belastbares Lernen unter realen Bedingungen, nicht Perfektion im Labor.
05
Entscheidung treffen: skalieren, anpassen oder stoppen
Nach dem Pilot steht die Go/No-Go-Entscheidung. Stopp ist keine Niederlage, sondern das Ziel des Piloten: herausfinden, ob dieser Use Case trägt, bevor größere Ressourcen investiert werden. Wenn er trägt, beginnt das Scaling als separater nächster Schritt.

"Der erste KI-Use Case muss nicht revolutionär sein. Er muss messbar sein und das Team mitziehen."

5. Was in den ersten sechs Wochen passiert

Woche 1–2: Fundament legen und Toolentscheidung treffen

Prozess auswählen, Baseline erfassen, Owner und Governance klären, Pilotdesign entwickeln. Am Ende dieser Phase steht auch die Toolentscheidung: Erst wenn klar ist, was gebaut werden soll und welche Daten dafür gebraucht werden, lässt sich sauber entscheiden, mit welchem Tool der Pilot umgesetzt wird. In dieser Reihenfolge. Nicht umgekehrt.

Woche 3–4: Pilot bauen und testen

Den priorisierten Use Case mit dem gewählten Tool aufbauen, in den echten Arbeitsprozess einbetten und mit echten Anwendern und echten Daten testen. In dieser Phase entsteht das Wichtigste: Feedback aus dem Alltag. Was funktioniert intuitiv? Was braucht Erklärung? Wo übersteuert das Team die KI-Empfehlung, und warum?

Woche 5–6: Feinschliff und Entscheidung

Prompts verfeinern, Übergaben klarziehen, Datenqualität nachschärfen, Akzeptanz im Team prüfen. Diese Phase trennt eine nette Demo von einem Prozess, den Teams im Alltag wirklich nutzen. Am Ende steht eine klare Go/No-Go-Entscheidung auf Basis echter Zahlen.

Kurz gesagt: Ein entscheidungsreifes Fundament nach sechs Wochen ist das Ziel, nicht ein ausgerolltes KI-Programm.

Häufige Fragen

Was Entscheider am häufigsten fragen

Wo fange ich mit KI im Unternehmen konkret an?
Mit der Prozessanalyse, nicht mit der Toolauswahl. Der erste Schritt ist: Welche Aufgaben sind repetitiv, datenbasiert und messbar? Wer diesen einen Prozess findet und mit einer belastbaren Baseline startet, hat die richtige Grundlage für einen Pilot, der zur echten Entscheidungsvorlage wird.
Welcher KI-Use Case ist für den Start am besten geeignet?
Der Prozess, der alle drei Filter erfüllt: repetitiv, datenbasiert und messbar. Im B2B-Mittelstand sind das häufig Lead-Scoring, CRM-Datenpflege, Follow-up-Automatisierung oder Angebotsvorbereitung. Klein genug für einen sauberen Pilot, groß genug für messbare Wirkung.
Warum sollte ich nicht einfach mit ChatGPT oder Copilot anfangen?
Diese Tools sind gut für Einzelpersonen. Als strategischer Einstieg für ein Unternehmen sind sie zu offen: kein definiertes Problem, keine Baseline, keine Governance, keine Messlogik. Das Ergebnis sind viele kleine Experimente, aber keine belastbare Entscheidungsgrundlage.
Wie lange sollte ein erster KI-Pilot dauern?
Zwei bis vier Wochen für Aufbau und Test mit echten Nutzern. Danach eine bis zwei Wochen für Feinschliff und Entscheidungsvorbereitung. Ein Pilot, der länger als sechs Wochen läuft ohne klare Go/No-Go-Entscheidung, ist kein Pilot mehr, sondern ein dauerhaftes Experiment ohne Konsequenz.
Was passiert, wenn der Pilot scheitert?
Dann hat er seinen Zweck erfüllt. Stopp nach dem Pilot ist kein Misserfolg, sondern gutes Risikomanagement. Wer frühzeitig feststellt, dass ein Use Case nicht trägt, schützt das Unternehmen vor einer viel teureren Fehlinvestition im Rollout.
Was ist der Unterschied zwischen KI einführen und KI-Strategie?
KI einführen ist der operative erste Schritt: ein Use Case, ein Pilot, eine Entscheidung. KI-Strategie ist das übergeordnete System mit Zielbild, Governance, KPIs und Betriebsmodell. Wer mit einem sauberen ersten Schritt anfängt, baut automatisch die Grundlage für die spätere Strategie.

* MIT NANDA: The GenAI Divide — State of AI in Business 2025. Multimethodische Studie (Jan.–Jun. 2025): Auswertung von 300+ öffentlich dokumentierten KI-Projekten, 52 Interviews mit Führungskräften, 153 Umfrageteilnehmer. Ergebnis: 95 % der GenAI-Projekte liefern keinen messbaren Business Return. → Vollständiger Report (PDF)