KI-Beratung für Unternehmen: Was Sie wirklich brauchen
Erfahren Sie, was gute KI-Beratung ausmacht und warum 70% der KI-Projekte scheitern. Mit Checkliste, Kostenübersicht und Red Flags.
Jonas Höttler
KI-Beratung für Unternehmen: Was Sie wirklich brauchen
Künstliche Intelligenz ist das Buzzword der Stunde. Jeder will KI, jeder bietet KI-Beratung an. Aber was brauchen Sie wirklich? Dieser Artikel trennt Hype von Realität.
Inhaltsverzeichnis
- Was macht eine KI-Beratung eigentlich?
- Das Problem mit reiner Strategieberatung bei KI
- KI-Readiness: Ist Ihr Unternehmen bereit?
- Die 4 häufigsten KI-Anwendungsfälle im Mittelstand
- Warum 70% der KI-Projekte scheitern
- Von der KI-Strategie zum produktiven System
- Kosten einer KI-Beratung
- Red Flags bei KI-Beratern
- Checkliste: Die richtige KI-Beratung finden
Was macht eine KI-Beratung eigentlich?
Bevor wir ins Detail gehen: Was sollte eine KI-Beratung leisten?
Die drei Säulen guter KI-Beratung
1. Use Case Identifikation Wo kann KI in Ihrem Unternehmen konkret Mehrwert schaffen? Nicht jede Aufgabe braucht KI – und nicht jede KI-Lösung passt zu jedem Problem.
2. Machbarkeitsanalyse Haben Sie die Daten? Die Infrastruktur? Die Prozesse? KI ist kein Zauberstab – sie braucht Voraussetzungen.
3. Implementierung Und hier trennt sich die Spreu vom Weizen: Wer kann tatsächlich liefern?
Was KI-Beratung NICHT ist
- Keine Tool-Demo: "Schauen Sie, ChatGPT kann das" ist keine Beratung
- Keine Trend-Präsentation: Folien über KI-Trends helfen Ihnen nicht
- Keine Strategie ohne Plan: "Sie sollten KI nutzen" ist keine Erkenntnis
Das Problem mit reiner Strategieberatung bei KI
Hier wird es unbequem. Die meisten KI-Beratungen scheitern an einem fundamentalen Problem:
Die Theorie-Praxis-Lücke
Was klassische Berater liefern:
- Marktanalysen
- Use Case Priorisierung
- Roadmaps
- Governance-Frameworks
- Schöne Präsentationen
Was sie NICHT liefern:
- Funktionierende Systeme
- Integrierte Workflows
- Trainierte Modelle
- Produktive Lösungen
Ein typisches Szenario
Phase 1: Die Strategie (3-6 Monate, 150.000€)
- Interviews mit Stakeholdern
- Prozessanalyse
- Use Case Workshops
- Roadmap-Entwicklung
Ergebnis: Ein Dokument mit "Top 10 KI-Use-Cases" und einer 3-Jahres-Roadmap.
Phase 2: Die Ernüchterung
- Berater gehen
- IT-Abteilung überlastet
- Kein internes KI-Know-how
- Suche nach Implementierungspartner
- Budget aufgebraucht
Ergebnis nach 18 Monaten: Kein einziges KI-System in Produktion.
Das fundamentale Problem
KI ist keine Strategie-Disziplin. KI ist eine Engineering-Disziplin.
Sie können nicht über KI beraten, ohne sie bauen zu können. Das wäre, als würde ein Architekt Brücken planen, ohne Statik zu verstehen.
KI-Readiness: Ist Ihr Unternehmen bereit?
Bevor Sie in KI investieren, sollten Sie ehrlich prüfen: Sind die Voraussetzungen erfüllt?
Der KI-Readiness-Check
1. Datenreife
| Level | Beschreibung | KI-Eignung |
|---|---|---|
| 1 | Daten in Excel, E-Mails, Ordnern verstreut | ❌ Nicht bereit |
| 2 | Zentrale Datenbank, aber keine Qualitätssicherung | ⚠️ Bedingt |
| 3 | Strukturierte Daten mit Qualitätsstandards | ✅ Bereit |
| 4 | Daten-Pipelines, automatische Validierung | ✅ Sehr gut |
2. Prozessreife
| Level | Beschreibung | KI-Eignung |
|---|---|---|
| 1 | Prozesse nicht dokumentiert | ❌ Nicht bereit |
| 2 | Prozesse dokumentiert, aber nicht standardisiert | ⚠️ Bedingt |
| 3 | Standardisierte, messbare Prozesse | ✅ Bereit |
| 4 | Automatisierte Prozesse mit KPIs | ✅ Sehr gut |
3. Technische Infrastruktur
| Level | Beschreibung | KI-Eignung |
|---|---|---|
| 1 | Veraltete Systeme, keine APIs | ❌ Nicht bereit |
| 2 | Moderne Systeme, aber isoliert | ⚠️ Bedingt |
| 3 | Integrierte Systemlandschaft | ✅ Bereit |
| 4 | Cloud-native, API-first | ✅ Sehr gut |
4. Organisatorische Reife
| Level | Beschreibung | KI-Eignung |
|---|---|---|
| 1 | "Das haben wir immer so gemacht" | ❌ Nicht bereit |
| 2 | Offenheit, aber keine Kapazität | ⚠️ Bedingt |
| 3 | Dediziertes Team oder Budget | ✅ Bereit |
| 4 | Innovations-Kultur, agile Arbeitsweise | ✅ Sehr gut |
Ehrliche Bewertung
Wenn Sie in mehr als einer Kategorie unter Level 2 sind: Starten Sie nicht mit KI.
Starten Sie mit:
- Datenkonsolidierung
- Prozessstandardisierung
- Systemintegration
Das klingt weniger sexy als "KI-Transformation", bringt aber mehr.
Die 4 häufigsten KI-Anwendungsfälle im Mittelstand
1. Intelligente Dokumentenverarbeitung
Das Problem: Eingehende Dokumente (Rechnungen, Verträge, Anfragen) werden manuell gelesen, kategorisiert und verarbeitet.
Die KI-Lösung:
- Automatische Klassifizierung
- Datenextraktion (OCR + NLP)
- Strukturierte Weitergabe an Folgesysteme
Typischer ROI:
- 70-90% Zeitersparnis
- Fehlerreduktion von 8% auf <1%
- Break-even in 4-8 Monaten
Komplexität: Mittel Voraussetzungen: Digitale Dokumente, strukturierte Zielsysteme
2. Kundenservice-Automatisierung
Das Problem: Support-Team beantwortet wiederkehrende Fragen, lange Wartezeiten, inkonsistente Antworten.
Die KI-Lösung:
- Chatbot für First-Level-Support
- Automatische Ticket-Kategorisierung
- Antwortvorschläge für Agenten
Typischer ROI:
- 40-60% der Anfragen automatisiert
- Antwortzeit von Stunden auf Sekunden
- Mitarbeiterzufriedenheit steigt (weniger Routine)
Komplexität: Mittel bis Hoch Voraussetzungen: Wissensdatenbank, historische Ticket-Daten
3. Predictive Analytics (Vertrieb & Demand)
Das Problem: Vertrieb arbeitet Leads nach Bauchgefühl ab. Bestellungen werden reaktiv geplant.
Die KI-Lösung:
- Lead Scoring basierend auf Verhaltensdaten
- Demand Forecasting für Bestandsplanung
- Churn Prediction für Kundenabwanderung
Typischer ROI:
- Win-Rate +15-25%
- Lagerkosten -10-20%
- Kundenabwanderung -20%
Komplexität: Hoch Voraussetzungen: Historische Daten (min. 2 Jahre), CRM/ERP-Integration
4. Prozessautomatisierung mit KI
Das Problem: Workflows erfordern menschliche Entscheidungen, die eigentlich regelbasiert sind.
Die KI-Lösung:
- Intelligente Workflow-Steuerung
- Automatische Genehmigungen mit Anomalie-Erkennung
- Dynamische Priorisierung
Typischer ROI:
- Durchlaufzeit -50-70%
- Kapazitätsgewinn 2-3 FTEs
- Compliance verbessert (lückenlose Dokumentation)
Komplexität: Mittel Voraussetzungen: Definierte Prozesse, digitale Workflows
Warum 70% der KI-Projekte ohne operative Umsetzung scheitern
Die Zahlen sind ernüchternd: Laut Gartner erreichen 70% der KI-Projekte nie die Produktion. Warum?
Grund 1: POC-Falle
Das Muster:
- Berater bauen beeindruckenden Proof of Concept
- Demo funktioniert mit Testdaten wunderbar
- Projekt wird "erfolgreich" abgeschlossen
- POC verstaubt, weil:
- Integration zu komplex
- Datenqualität im Echtsystem schlecht
- Kein Betriebskonzept
- Keine Verantwortlichkeit
Die Lektion:
Ein POC ist kein Produkt. Er beweist nur, dass etwas technisch möglich ist – nicht, dass es praktisch funktioniert.
Grund 2: Daten-Realität
Im Workshop: "Wir haben alle Daten, die brauchen wir nur zusammenführen."
In der Realität:
- Daten in 7 verschiedenen Formaten
- 30% fehlende Werte
- Inkonsistente Bezeichnungen
- Keine historische Tiefe
- DSGVO-Probleme
Die Lektion:
80% eines KI-Projekts ist Datenarbeit. Wer das unterschätzt, scheitert.
Grund 3: Das Integrations-Problem
KI-Modelle sind nutzlos, wenn sie nicht in bestehende Prozesse integriert sind.
Beispiel:
- Sie haben ein Modell, das Kundenanfragen klassifiziert
- Es erreicht 95% Genauigkeit
- Aber: Wie kommt die Anfrage rein? Wie geht sie raus? Wer überwacht Fehler?
Die Lektion:
KI ohne Integration ist ein Spielzeug. Die Integration ist oft komplexer als das Modell.
Grund 4: Organisatorischer Widerstand
Typische Reaktionen:
- "Das können wir besser"
- "Dem vertraue ich nicht"
- "Wer ist schuld, wenn die KI falsch liegt?"
- "Das nimmt uns die Arbeit weg"
Die Lektion:
Change Management ist kein Nice-to-have. Ohne Akzeptanz keine Nutzung.
Grund 5: Der Wartungs-Blindfleck
KI-Systeme sind keine Install-and-Forget-Lösungen.
Was passiert nach Go-Live:
- Modelle degradieren (Data Drift)
- Edge Cases tauchen auf
- Anforderungen ändern sich
- Updates werden nötig
Die Lektion:
Planen Sie 20-30% des Initialbudgets für jährliche Wartung ein.
Von der KI-Strategie zum produktiven System
Wie macht man es richtig? Hier ist ein pragmatischer Ansatz:
Phase 1: Quick Assessment (1-2 Wochen)
Aktivitäten:
- Bestehende Prozesse verstehen
- Datenlandschaft kartieren
- Quick Wins identifizieren
- Machbarkeit prüfen
Ergebnis:
- 3-5 konkrete Use Cases mit Bewertung
- Daten-Gap-Analyse
- Empfehlung für ersten Piloten
Kosten: 3.000-8.000€
Phase 2: Focused Pilot (4-8 Wochen)
Aktivitäten:
- EINEN Use Case vollständig umsetzen
- Mit echten Daten arbeiten
- Integration in bestehende Systeme
- Schulung der Nutzer
Ergebnis:
- Produktives KI-System
- Messbare Ergebnisse
- Lessons Learned für Skalierung
Kosten: 15.000-50.000€
Phase 3: Scale & Optimize (laufend)
Aktivitäten:
- Weitere Use Cases umsetzen
- Bestehende Lösungen optimieren
- Monitoring und Wartung
- Know-how-Transfer
Kosten: Variabel, typisch 5.000-15.000€/Monat
Der Unterschied zum klassischen Ansatz
| Klassisch | Pragmatisch |
|---|---|
| 6 Monate Strategie, dann Ausschreibung | 2 Wochen Assessment, dann Pilot |
| 200.000€ für Konzept | 50.000€ für produktives System |
| 18 Monate bis erstes Ergebnis | 8 Wochen bis erstes Ergebnis |
| Hohe Erwartungen, oft Enttäuschung | Schnelle Erfolge, iterative Verbesserung |
Kosten einer KI-Beratung: Was ist realistisch?
Kostenstruktur verstehen
Initialkosten:
| Komponente | Budget-Range |
|---|---|
| Assessment/Strategie | 3.000-30.000€ |
| Pilot/POC | 15.000-80.000€ |
| Produktivsystem (einfach) | 30.000-100.000€ |
| Produktivsystem (komplex) | 100.000-500.000€ |
Laufende Kosten:
| Komponente | Budget-Range/Jahr |
|---|---|
| Cloud/Infrastruktur | 2.000-20.000€ |
| API-Kosten (OpenAI, etc.) | 500-10.000€ |
| Wartung & Optimierung | 5.000-30.000€ |
| Support | 3.000-15.000€ |
Tagessätze am Markt
| Beraterprofil | Tagessatz |
|---|---|
| Junior KI-Berater | 800-1.200€ |
| Senior KI-Berater | 1.200-1.800€ |
| KI-Architekt/Lead | 1.800-2.500€ |
| Big 4 / McKinsey | 2.500-5.000€ |
| Freelance ML-Engineer | 800-1.500€ |
ROI-Orientierung
Eine sinnvolle KI-Investition sollte sich innerhalb von 12-18 Monaten amortisieren.
Faustregeln:
- Dokumentenverarbeitung: ROI in 4-8 Monaten
- Kundenservice-Bot: ROI in 6-12 Monaten
- Predictive Analytics: ROI in 12-18 Monaten
- Komplexe Automatisierung: ROI in 12-24 Monaten
Red Flags bei KI-Beratern erkennen
🚩 Red Flag 1: Nur Strategie, keine Umsetzung
Warnsignal: "Wir entwickeln die KI-Strategie, für die Implementierung empfehlen wir Partner."
Problem: Wer nicht implementieren kann, versteht die Machbarkeit nicht.
🚩 Red Flag 2: Buzzword-Bingo
Warnsignale:
- "Transformative KI-Journey"
- "KI-first Mindset"
- "Cognitive Enterprise"
- Mehr Buzzwords als konkrete Lösungen
Problem: Leere Worte verstecken mangelnde Substanz.
🚩 Red Flag 3: Keine Referenzen in Ihrer Branche
Warnsignal: "Wir haben viel Erfahrung mit KI" – aber keine konkreten Cases im Mittelstand.
Problem: KI für einen Konzern ist etwas völlig anderes als KI für ein 200-Personen-Unternehmen.
🚩 Red Flag 4: Unrealistische Versprechungen
Warnsignale:
- "100% Automatisierung möglich"
- "In 4 Wochen produktiv"
- "Das System lernt von alleine"
Problem: Wer Wunder verspricht, liefert Enttäuschung.
🚩 Red Flag 5: Kein Interesse an Ihren Daten
Warnsignal: Angebot ohne Fragen zur Datenqualität und -verfügbarkeit.
Problem: Wer die Datenlage nicht versteht, kann Machbarkeit nicht bewerten.
🚩 Red Flag 6: Vendor Lock-in
Warnsignale:
- Proprietäre Plattform ohne Export
- Kein Zugang zu trainierten Modellen
- Langfristige Vertragsbindung erforderlich
Problem: Abhängigkeit von einem Anbieter ist ein Risiko.
Checkliste: Die richtige KI-Beratung finden
Vor dem Gespräch
- Eigene Schmerzpunkte identifiziert
- Grobe Vorstellung vom Ziel
- Budget-Range definiert
- Stakeholder identifiziert
Im Erstgespräch prüfen
- Fragt der Berater nach Ihren Daten?
- Zeigt er Interesse an Ihren Prozessen?
- Nennt er konkrete, ähnliche Projekte?
- Erklärt er auch, was NICHT funktioniert?
- Bietet er einen kleinen ersten Schritt an?
Angebot prüfen
- Klare Deliverables definiert?
- Meilensteine mit messbaren Ergebnissen?
- Transparente Preisstruktur?
- Exit-Optionen bei Nicht-Erfolg?
- Wartung und Support inkludiert?
Referenzen prüfen
- Konkrete Case Studies angefordert
- Mit Referenzkunden gesprochen
- Ergebnisse quantifiziert (nicht nur "erfolgreich")
- Ähnliche Unternehmensgröße/Branche
Nach Projektstart
- Regelmäßige Updates vereinbart
- Zugang zu allen Arbeitsergebnissen
- Know-how-Transfer geplant
- Erfolgsmetriken definiert
Fazit
KI-Beratung kann Ihr Unternehmen transformieren – oder viel Geld verbrennen. Der Unterschied liegt in der Auswahl des richtigen Partners.
Die wichtigsten Erkenntnisse:
-
Strategie ohne Umsetzung ist wertlos. Wählen Sie Partner, die beides können.
-
Starten Sie klein. Ein erfolgreicher Pilot ist mehr wert als eine perfekte Roadmap.
-
Daten sind der Schlüssel. Ohne gute Daten keine gute KI.
-
Seien Sie skeptisch bei Versprechungen. Wenn es zu gut klingt, ist es das meist.
-
Planen Sie langfristig. KI ist keine einmalige Investition, sondern ein Weg.
Die besten KI-Projekte sind nicht die ambitioniertesten – sondern die, die tatsächlich in Produktion gehen.
Sie suchen eine KI-Beratung, die nicht nur berät, sondern umsetzt? Lassen Sie uns sprechen – unverbindlich und konkret.
