KI für traditionelle Unternehmen: Welche Aufgaben sich wirklich eignen – und welche nicht

Ein Großhändler erhält Bestellungen als PDF. Die Artikelnummer steht immer an derselben Stelle, Mengen sind eindeutig und jede Bestellung soll nach einer festen Prüfung ins ERP übertragen werden. Dafür ist möglicherweise keine KI nötig. Ändern sich jedoch Layout, Sprache und Bezeichnungen je Kunde, während das Ergebnis weiterhin anhand klarer Pflichtfelder geprüft werden kann, sieht die Aufgabe anders aus. KI für traditionelle Unternehmen beginnt nicht mit einer Branche oder einem bestimmten Werkzeug. Sie beginnt mit der Beschaffenheit einer Aufgabe.

Diese Unterscheidung verhindert zwei teure Fehlentscheidungen. Die erste besteht darin, jeden manuellen Schritt mit KI lösen zu wollen. Die zweite besteht darin, KI pauschal abzulehnen, weil der Betrieb mit Fahrzeugen, Maschinen, Werkzeugen oder physischen Waren arbeitet. In beiden Fällen wird über Technologie gesprochen, bevor Eingang, gewünschtes Ergebnis und Fehlerfolgen beschrieben sind.

SW Business Solutions prüft deshalb nicht zuerst, welches Modell eingesetzt werden könnte. Analysiert werden der reale Vorgang, die vorhandenen Daten, das führende System und die fachliche Verantwortung. Daraus kann eine feste Regel, eine API-Verbindung, ein Standardwerkzeug oder eine individuell integrierte KI-Lösung entstehen. Der einfachste belastbare Ansatz ist in der Regel der wirtschaftlichste.

KI für traditionelle Unternehmen anhand der Aufgabe auswählen

Vier Aufgabentypen lassen sich im betrieblichen Alltag gut unterscheiden:

Generative KI bildet eine weitere Werkzeugklasse. Sie kann Sprache zusammenfassen, strukturieren oder aus freigegebenen Unterlagen eine Antwort formulieren. Das Ergebnis bleibt probabilistisch: Auf dieselbe oder eine ähnliche Eingabe kann das Modell unterschiedlich reagieren. Für einen betrieblichen Prozess werden deshalb Quellen, erlaubte Aktionen, Prüfregeln und ein Fehlerweg benötigt.

Die Frage „Kann KI das?“ reicht nicht. Ein System kann aus einem PDF vermutlich eine Lieferadresse herauslesen. Für den Betrieb sind weitere Fragen entscheidend: Wie wird Unsicherheit angezeigt? Welche Adresse gilt bei mehreren Fundstellen? Darf die KI einen neuen Kunden anlegen? Was geschieht, wenn die Artikelnummer nicht existiert? Erst diese Bedingungen machen aus einer Demonstration einen Arbeitsablauf.

Sieben Aufgabenmuster mit realistischem Nutzen

Fraunhofer IAIS hat für das Handwerk KI-Anwendungsfälle nach Wert und Komplexität bewertet. Zur Komplexität gehören unter anderem Datenzugang, Algorithmen, Systemintegration und Know-how. Fraunhofer IML empfiehlt für Projekte in der Logistik ebenfalls, zuerst das Problem zu identifizieren, kleine Anwendungsfälle zu wählen und die benötigten Daten abhängig vom konkreten Ziel zu prüfen.

Aus solchen Ansätzen lassen sich sieben Aufgabenmuster ableiten, die branchenübergreifend vorkommen. Keines davon ist automatisch wirtschaftlich. Jedes besitzt jedoch einen beschreibbaren Eingang, ein prüfbares Ergebnis und einen klaren Platz für menschliche Verantwortung.

Dokumente lesen und in prüfbare Datensätze überführen

Bestellungen, Lieferscheine, Wartungsberichte, Prüfprotokolle und Leistungsnachweise enthalten häufig dieselben fachlichen Informationen in wechselnden Layouts. Klassische Vorlagen funktionieren gut, solange Position und Bezeichnung jedes Feldes stabil bleiben. Bei unterschiedlichen Lieferanten, Kunden oder Scanqualitäten steigt der Pflegeaufwand fester Regeln.

Eine geeignete Dokumentenlösung trennt Erkennung und Geschäftsvorgang:

1. Das Dokument wird aus einem freigegebenen Eingang übernommen.
2. Texterkennung und Modell identifizieren mögliche Felder.
3. Formatregeln prüfen beispielsweise Datum, Menge, Postleitzahl und Artikelnummer.
4. Stammdatenabgleiche erkennen unbekannte Kunden oder widersprüchliche Lieferorte.
5. Eine Prüfmaske zeigt Originalstelle, erkannten Wert und Unsicherheit.
6. Erst nach Freigabe schreibt eine Schnittstelle den Datensatz ins führende System.

Mittelstand-Digital veröffentlichte 2026 ein Beispiel für eine KI-gestützte Auftragserfassung aus unterschiedlich aufgebauten Bestell-PDFs. Der beschriebene Ansatz liest Dokumente aus und überführt sie in eine klare Struktur für die ERP-Erfassung. Das Beispiel zeigt nicht, dass jeder Auftrag vollautomatisch gebucht werden sollte. Es zeigt, wie ein variabler Eingang in einen kontrollierbaren Datensatz verwandelt werden kann.

Geeignete Messgrößen sind die Bearbeitungszeit pro Dokument, vollständig erkannte Pflichtfelder, Korrekturen nach Freigabe und nicht zuordenbare Fälle. Die reine Zahl verarbeiteter Seiten sagt wenig über den betrieblichen Nutzen aus.

Sprache in Vorgänge, Berichte und Aufgaben übersetzen

In Werkstatt, Außendienst und Logistik entstehen Informationen häufig mündlich. Ein Fahrer meldet eine beschädigte Palette. Ein Monteur diktiert, welche Arbeit ausgeführt wurde. Ein Kunde beschreibt am Telefon eine Störung, ohne die interne Anlagenbezeichnung zu kennen.

Spracherkennung kann das Gesagte in Text umwandeln. Ein Sprachmodell kann anschließend ein strukturiertes Ergebnis vorbereiten: Objekt, Symptom, Zeitpunkt, ausgeführte Arbeit, benötigtes Ersatzteil und nächster Schritt. Der Beschäftigte bestätigt die Angaben, bevor sie in Auftrag, Ticket oder Leistungsnachweis gelangen.

Die fachliche Begrenzung ist wichtig. Aus „Motor wird ungewöhnlich heiß“ darf nicht automatisch eine sichere Diagnose entstehen. Das System kann die Beobachtung erfassen, passende Rückfragen stellen und freigegebene Prüfanweisungen anzeigen. Diagnose, Sicherheitsentscheidung und Reparaturfreigabe bleiben bei der zuständigen Fachkraft.

Die Qualität wird nicht allein an einem lesbaren Transkript gemessen. Entscheidend sind vollständig erfasste Pflichtangaben, erforderliche Nachfragen, spätere Berichtskorrekturen und die korrekte Zuordnung zum Vorgang.

Bilder klassifizieren und sichtbare Abweichungen markieren

Bildverarbeitung eignet sich für wiederkehrende visuelle Aufgaben unter kontrollierbaren Bedingungen. Denkbar sind bekannte Fehlerbilder auf Bauteilen, beschädigte Verpackungen, fehlende Werkzeuge, Zählerstände oder die Zuordnung von Baustellenfotos zu einem Arbeitsschritt.

Eine gute Kamera allein genügt nicht. Beleuchtung, Abstand, Hintergrund und Blickwinkel beeinflussen die Bilddaten. Das Modell benötigt fachlich korrekt gekennzeichnete Beispiele. Neue Produktvarianten, Materialien oder Verpackungen können die Leistung verändern. Deshalb werden Fehlalarme und übersehene Abweichungen getrennt gemessen.

Bei einer Qualitätsprüfung kann die KI einen verdächtigen Bildbereich markieren. Die verantwortliche Person entscheidet anschließend, ob das Bauteil gesperrt, nachgeprüft oder freigegeben wird. Erst wenn das Verfahren für klar definierte Klassen ausreichend geprüft wurde, kann der Automatisierungsgrad vorsichtig erhöht werden.

Ungeeignet ist ein Bildmodell, wenn die Kamera das entscheidende Merkmal gar nicht erfassen kann. Ein Foto ersetzt keine Materialprüfung, wenn der Fehler nur durch Messung, Druckprüfung oder Öffnen des Bauteils erkennbar ist.

Abweichungen in Maschinen-, Prozess- oder Auftragsdaten erkennen

Anomalieerkennung sucht nicht zwingend nach einem bereits benannten Fehler. Sie erkennt, dass sich ein aktuelles Muster von einem definierten Normalbereich unterscheidet. Eingaben können Schwingung, Temperatur, Energieverbrauch, Durchlaufzeit, Ausschuss, Bestandsbewegung oder ungewöhnliche Auftragskombinationen sein.

Der Hinweis „ungewöhnlich“ ist noch keine Ursache. Eine erhöhte Temperatur kann auf Verschleiß hindeuten, aber ebenso auf eine geänderte Auslastung oder Umgebungstemperatur. Deshalb benötigt der Vorgang Kontext: Maschine, Auftrag, Material, Schicht, Wartungsstand und relevante Betriebsbedingungen.

Die menschliche Aufgabe verschiebt sich von der dauernden Beobachtung zur Untersuchung priorisierter Hinweise. Damit das funktioniert, muss das System Fehlalarme begrenzen und zeigen, welche Werte zur Markierung geführt haben. Ein Alarm ohne nachvollziehbaren Bezug wird im Alltag schnell ignoriert.

Geeignete Kennzahlen sind Vorwarnzeit, bestätigte Hinweise, Fehlalarme, übersehene Ereignisse und der Aufwand zur Untersuchung. Eine sinkende Alarmzahl kann positiv sein – oder bedeuten, dass das Modell Veränderungen nicht mehr erkennt. Monitoring bleibt daher Teil des Betriebs.

Bedarf, Ankunft und Kapazität prognostizieren

Prognosen sind sinnvoll, wenn historische Muster existieren und ihre Einflussgrößen zumindest teilweise verfügbar sind. Ein Großhandel kann Absatzdaten, Saison, Kalender und Lieferzeiten auswerten. Ein Logistikknoten kann Transaktions-, Verkehrs- und Wetterdaten kombinieren, um erwartete Ankunftszeiten und benötigte Kapazitäten besser einzuordnen. Eine Bäckerei kann historische Verkäufe, Wochentag, Ferien und bekannte Ereignisse für eine Absatzprognose nutzen.

Die Prognose entscheidet nicht automatisch über Bestellung oder Personaleinsatz. Sie liefert einen Erwartungswert, einen Unsicherheitsbereich und gegebenenfalls mehrere Szenarien. Der Verantwortliche berücksichtigt aktuelle Informationen, die nicht in den Daten stehen: eine gesperrte Straße, einen ausgefallenen Ofen, einen Sonderauftrag oder eine kurzfristige Kundenabsage.

Für die Bewertung wird das Verfahren gegen eine einfache Referenz verglichen. Ein komplexes Modell, das kaum besser als der Mittelwert der letzten vier Wochen arbeitet, rechtfertigt seinen Integrations- und Betriebsaufwand möglicherweise nicht. Prognosefehler werden außerdem getrennt betrachtet: Zu hoher Bestand verursacht andere Kosten als ein Fehlbestand.

Betriebswissen mit Quellen auffindbar machen

Arbeitsanweisungen, Handbücher, Wartungsberichte und gelöste Tickets enthalten Wissen, das im richtigen Moment schwer auffindbar ist. Ein KI-gestützter Wissenszugriff kann eine Frage in Alltagssprache aufnehmen und passende Abschnitte aus freigegebenen Quellen bereitstellen.

Für einen belastbaren Einsatz muss die Antwort zeigen, worauf sie beruht. Quelle, Version und Gültigkeitsstand gehören zum Ergebnis. Widersprechen sich zwei Dokumente, darf das System nicht stillschweigend eine Variante auswählen. Es markiert den Konflikt oder verwendet eine festgelegte Rangfolge.

Verbindliche Arbeits- und Sicherheitsanweisungen werden nicht frei aus ähnlichen Texten zusammengesetzt. Das Sprachmodell erleichtert Suche und Formulierung, während freigegebene Dokumente die fachliche Grundlage bilden. Rollen und Berechtigungen verhindern, dass vertrauliche Kunden- oder Personaldaten über eine allgemeine Suche sichtbar werden.

Der Nutzen zeigt sich beispielsweise in der Zeit bis zur passenden Quelle, der Zahl korrekt beantworteter Testfragen und den Fällen, die an einen erfahrenen Kollegen eskaliert werden müssen. Ein flüssig formulierter Text ohne richtige Quelle zählt nicht als Erfolg.

Freitext und Nachrichten klassifizieren

E-Mails, Kontaktformulare und Störungsmeldungen müssen häufig einer Zuständigkeit, Priorität oder Vorgangsart zugeordnet werden. Eine KI kann erkennen, ob eine Nachricht eher eine Angebotsanfrage, Terminänderung, Reklamation oder technische Störung betrifft. Anschließend greifen feste Routingregeln.

Hier ist die Trennung von Klassifikation und Priorität entscheidend. Eine Nachricht kann thematisch zur Abrechnung gehören und trotzdem zeitkritisch sein. Dringlichkeit sollte nicht nur aus emotionalen Formulierungen abgeleitet werden. Vertragliche Fristen, betroffene Anlagen, Sicherheitsmerkmale und Kundenstatus stammen aus kontrollierten Datenquellen.

Eine sinnvolle Lösung kennt eine Kategorie für Unsicherheit. Statt eine schlecht verstandene Meldung mit scheinbarer Sicherheit falsch zuzuordnen, gibt sie den Vorgang an eine allgemeine Prüfung. Gemessen werden korrekte Zuordnungen, Weiterleitungen nachträglich falscher Fälle und Zeit bis zur ersten fachlichen Bearbeitung.

Entscheidungen vorbereiten, ohne Verantwortung zu verschieben

Bei Disposition, Einkauf, Instandhaltung und Kundenservice müssen Menschen mehrere Informationen zusammenführen. KI kann Optionen vorbereiten, ähnliche Fälle suchen oder auf fehlende Angaben hinweisen. Die Entscheidung bleibt nachvollziehbar, wenn Eingaben, verwendete Regeln und vorgeschlagene Optionen sichtbar sind.

Ein Beispiel ist eine Tourabweichung. Das System erkennt eine erwartete Verspätung, zeigt betroffene Aufträge und verfügbare Alternativen. Die Disposition beurteilt Lenkzeiten, Kundenabsprachen, tatsächliche Fahrzeugverfügbarkeit und Folgeauswirkungen. Die KI darf keinen Sondertransport beauftragen, wenn dafür weder Berechtigung noch klarer Kostenrahmen hinterlegt sind.

Bei hohen Fehlerkosten sollte die Lösung konservativ arbeiten. Ein Vorschlag kann wertvoll sein, selbst wenn die endgültige Auswahl immer beim Menschen bleibt. Vollautomatisierung ist kein notwendiges Ziel.

Aufgaben ohne sinnvollen KI-Einsatz

Manche Prozesse benötigen zunächst Ordnung, nicht Intelligenz. Ein Modell ist meist der falsche erste Schritt, wenn einer der folgenden Fälle vorliegt.

Die richtige Entscheidung lässt sich vollständig als Regel formulieren

Ein Auftrag darf erst versendet werden, wenn Pflichtfeld, Freigabestatus und Zahlung vorhanden sind. Dafür sind feste Prüfregeln besser geeignet. Sie verhalten sich reproduzierbar, lassen sich testen und benötigen keine statistische Schätzung.

Es gibt kein überprüfbares Ergebnis

Wenn niemand festlegen kann, woran eine gute Klassifikation, Prognose oder Zusammenfassung erkannt wird, kann auch der Pilot nicht bewertet werden. „Die KI soll uns helfen“ ist kein Abnahmekriterium.

Der Vorgang ist selten und jedes Mal grundsätzlich anders

Bei wenigen hochindividuellen Fällen fehlt möglicherweise die Grundlage für ein eigenes Modell oder eine aufwendige Integration. Eine strukturierte Checkliste, eine gute Suche oder fachliche Beratung kann wirksamer sein.

Die erforderlichen Informationen werden nicht erfasst

Ein Wartungsmodell kann Ausfälle nicht lernen, wenn Störungen nur mündlich weitergegeben und Reparaturen nicht dokumentiert werden. Der erste Schritt ist dann eine verlässliche Datenerfassung.

Fehler würden unkontrolliert verbindliche Folgen auslösen

Eine KI-Ausgabe sollte nicht ohne Schutzmechanismus Preise zusagen, sicherheitskritische Freigaben erteilen oder Beschäftigte bewerten. Je höher der mögliche Schaden, desto enger müssen Eingaben, Rechte, Validierung und menschliche Aufsicht sein. Manche Aufgaben bleiben vollständig beim Menschen.

Das Ergebnis landet außerhalb des eigentlichen Prozesses

Ein separates KI-Tool erzeugt häufig Kopierarbeit. Wenn die Antwort nicht kontrolliert in ERP, TMS, WMS, CRM oder Ticketsystem zurückgegeben werden kann, entsteht eine neue Insellösung. Die Systemintegration im Mittelstand ist daher oft wichtiger als die Auswahl des Modells.

Eine Aufgabe mit acht Kriterien bewerten

Vor einer technischen Umsetzung kann ein Betrieb jeden Kandidaten mit derselben Prüfung bewerten:

Eine niedrige Bewertung bedeutet nicht zwingend „nie“. Sie kann bedeuten: zuerst Stammdaten bereinigen, einen digitalen Eingang schaffen, Verantwortung klären oder den Vorgang mit festen Regeln stabilisieren.

Die Analyse von Geschäftsprozessen schafft dafür eine belastbare Ist-Aufnahme. Der übergeordnete Beitrag KI für klassische Gewerbe ordnet die Einsatzchancen in Logistik, Produktion und Handwerk ein.

Automatisierung und KI als gemeinsame Prozesskette

In einem produktiven Ablauf übernimmt KI meist nur einen Teil. Der Rest besteht aus klassischen Softwarekomponenten:

1. Ein Ereignis oder Dokument startet den Vorgang.
2. Eine Schnittstelle stellt erlaubte Daten bereit.
3. Das Modell erkennt, klassifiziert oder formuliert.
4. Validierungsregeln prüfen Format und Stammdaten.
5. Eine Fachkraft bearbeitet unsichere oder kritische Fälle.
6. Eine API schreibt das freigegebene Ergebnis zurück.
7. Monitoring erfasst Fehler, Laufzeit und Korrekturen.

Der Beitrag Workflow-Automatisierung für KMU beschreibt die regelbasierten Teile. Für individuelle Datenflüsse entwickelt SW Business Solutions dokumentierte API-Schnittstellen und passende Backends.

Diese Aufteilung reduziert das Risiko. Ein Sprachmodell muss nicht selbst entscheiden, ob eine Artikelnummer existiert. Das ERP beantwortet diese Frage. Das Modell muss nicht wissen, wer einen Auftrag freigeben darf. Rollen und Prozesslogik legen das fest.

Standardwerkzeug und individuelle Lösung nüchtern vergleichen

Viele Aufgaben lassen sich mit Funktionen vorhandener Fachsoftware oder spezialisierten Standarddiensten lösen. Das ist sinnvoll, wenn Datenmodell, Rechte und Arbeitsablauf ausreichend passen. Eine eigene Entwicklung wird interessant, wenn mehrere Systeme verbunden werden müssen, eine besondere Prüfoberfläche benötigt wird oder Standardwerkzeuge den konkreten Fachprozess nicht abbilden.

Vier Varianten sollten verglichen werden:

• vorhandene Funktion im ERP, CRM oder Fachsystem
• eigenständiges Standardwerkzeug mit manueller Übergabe
• Standard-KI mit einer kundenspezifischen Integrationsschicht
• individuell entwickelte Anwendung mit austauschbaren Modelldiensten

Individualsoftware ist kein Selbstzweck. Sie verursacht Entwicklungs-, Test- und Betriebspflichten. Dafür kann sie Datenzugriff, Oberfläche und Freigaben genau an den vorhandenen Prozess anpassen. Die Entscheidungshilfe Individuelle Software oder Standardsoftware erläutert diese Abwägung.

SW Business Solutions verbindet bei Bedarf die KI-Integration, Datenanalyse und Softwarearchitektur. Vorhandene Systeme bleiben führend, wenn ihre Ablösung keinen fachlichen oder wirtschaftlichen Vorteil bringt.

Ein Pilot misst eine Aufgabe, keine Produktdemo

Ein geeigneter Pilot verwendet echte, zulässig nutzbare Fälle aus einem begrenzten Zeitraum. Vor dem Test stehen Baseline, Fehlerklassen und Abbruchkriterien fest. Bei der Dokumentenerfassung können beispielsweise 100 typische und bewusst schwierige Dokumente verwendet werden. Die genaue Fallzahl ergibt sich aus Varianz und Risiko; sie wird nicht pauschal vorgegeben.

Der Vergleich erfolgt gegen das heutige Verfahren. Gemessen werden nicht nur Geschwindigkeit und Modellantwort, sondern Korrekturaufwand, nicht erkannte Grenzfälle und Auswirkungen auf den Folgeprozess. Ein Ergebnis gilt erst dann als erfolgreich, wenn es im Zielsystem korrekt angekommen ist oder bewusst an einen Menschen übergeben wurde.

Im Schattenbetrieb bleibt der bestehende Ablauf zunächst führend. Die KI verarbeitet dieselben Fälle parallel, ohne verbindliche Aktionen auszulösen. So lassen sich Fehler beobachten, bevor Kunden, Aufträge oder Maschinenzustände betroffen sind.

SW Business Solutions beginnt mit dem betrieblichen Engpass

Ein traditionelles Unternehmen benötigt keinen Katalog möglichst vieler KI-Ideen. Hilfreicher ist eine Liste der Vorgänge, an denen Beschäftigte regelmäßig Informationen suchen, übertragen, prüfen oder neu formulieren. Aus dieser Liste wird ein Kandidat anhand der acht Kriterien bewertet.

SW Business Solutions übernimmt dabei je nach Ausgangslage:

• Prozess- und Datenaufnahme mit dem Fachbereich
• Vergleich von Regelautomatisierung, Standardfunktion und KI
• Prüfung vorhandener Schnittstellen und Berechtigungen
• Entwicklung einer begrenzten Prüf- oder Prozessoberfläche
• Integration in ERP, TMS, WMS, CRM, DMS oder Branchensoftware
• Testfälle, Schattenbetrieb, Monitoring und Fehlerwege

Das gewünschte Ergebnis ist kein allgemeiner KI-Zugang. Es ist ein klarer Arbeitsschritt, bei dem weniger Informationen manuell übertragen werden, Grenzfälle sichtbar bleiben und das geprüfte Ergebnis im richtigen System landet.

Wählen Sie dafür einen Vorgang, der Ihr Team jede Woche beschäftigt, und dokumentieren Sie Eingang, heutige Bearbeitung, Ergebnis und typische Ausnahmen. SW Business Solutions prüft diesen Prozess auf Automatisierung und KI-Eignung.