Wir bauen in zwei Stufen. Nicht aus Vorsicht, nicht aus KI-Skepsis - sondern weil eine andere Reihenfolge fast immer Geld verbrennt. Hier steht, warum.
KI ist überall. In jedem Pitch, in jeder Demo, in jedem zweiten LinkedIn-Post. Und die Versuchung ist groß, einfach dort anzufangen.
Wir machen das nicht. Bei uns kommt KI immer an zweiter Stelle - nach einer ersten Stufe, die viel unspektakulärer wirkt: dem sauberen digitalen Abbilden deiner Arbeit. Diese Reihenfolge ist kein Detail unseres Vorgehens. Sie ist der Grund, warum die Werkzeuge am Ende funktionieren.
Prozess digital abbilden
Den Ablauf erfassen, Daten strukturieren, Engpässe sichtbar machen.
KI gezielt einsetzen
Dort, wo sie echte Zeit spart - und nur dort.
Wenn dein Arbeitsalltag heute aus Excel-Tabellen, WhatsApp-Notizen, Zetteln auf dem Schreibtisch und einem alten Programm besteht, das keiner mehr ganz versteht, dann wird KI darauf nichts retten. Sie wird es nur verschleiern. Magie auf Chaos bleibt Chaos - jetzt nur unsichtbarer.
Die ehrliche Reihenfolge ist: erst wissen, was eigentlich passiert. Welche Schritte gibt es wirklich, welche Daten fließen wohin, an welchen Stellen geht Zeit verloren. Das ist Stufe eins. Sie ist langweiliger als KI - aber sie ist die einzige, nach der KI später überhaupt eine Chance hat.
Eine viel zitierte MIT-Studie aus dem Sommer 2025 ("The GenAI Divide", MIT NANDA Initiative) hat 300 KI-Implementierungen im Mittelstand begleitet. Ergebnis: 95 Prozent der Pilotprojekte lieferten keinen messbaren Geschäftserfolg. Der wichtigste Grund war nicht die Technik - sondern fehlende Prozessgrundlagen, an die die KI hätte andocken können.
Das ist auch keine Modeerscheinung. Schon in den 1980ern prägte Michael Hammer den Satz "Don't automate, obliterate" (Harvard Business Review 1990): Wer einen schlechten Prozess digitalisiert, bekommt einen schnelleren schlechten Prozess. Bill Gates formulierte es 1999 so: "Automation applied to an efficient operation will magnify the efficiency. Automation applied to an inefficient operation will magnify the inefficiency." Bei KI gilt das doppelt - sie ist die teuerste Automation, die wir je hatten.
Viele Anbieter verkaufen "Digitalisierung", indem sie ein bestehendes Formular durch ein Web-Formular ersetzen. Aus dem ausgedruckten Auftragsbogen wird ein PDF zum Hochladen. Aus der Excel-Liste wird eine längere Excel-Liste. Das ist keine Digitalisierung. Das ist Umzug.
Was wir mit Stufe eins meinen: Wir bilden den Ablauf strukturell ab. Wer macht was wann, woher kommen die Informationen, wo gehen sie hin, welche Zustände hat ein Auftrag, welche Schritte sind notwendig, welche nur Gewohnheit. Erst das macht Daten brauchbar - für dich selbst, für Auswertungen, für saubere Schnittstellen. Und für alles, was später in Stufe zwei möglich wird.
Der Begriff ist Process Mining (Wil van der Aalst, TU Eindhoven, ab 2004): die Disziplin, reale Abläufe in Unternehmen sichtbar zu machen - nicht die im Handbuch beschriebenen, sondern die tatsächlich gelebten. Eine Bain & Company-Auswertung von 2023 zeigt: Mittelständler, die vor einem KI-Projekt erst Process Mining machen, erreichen im Schnitt die dreifache ROI-Quote der KI-Projekte, die direkt starten.
Das passt zu einem alten Computing-Klassiker: "Garbage in, garbage out" (George Fuechsel, IBM 1957). Übersetzt: Eine Maschine kann aus unklaren Eingaben keine klaren Ergebnisse machen. Bei KI wird das schmerzhafter - weil sie so überzeugend wirkt, auch wenn der Input Müll war.
KI braucht zwei Dinge: Daten und ein klares Problem. Wenn dein Betrieb kein strukturiertes Datenbild von sich hat, fehlt das erste. Wenn keiner formulieren kann, was eigentlich gespart oder verbessert werden soll, fehlt das zweite. Beides muss vor der KI da sein - sonst rät sie nur eleganter.
Genau das passiert in Stufe eins: Aus dem täglichen Chaos werden verlässliche Datenpunkte. Aufträge bekommen Status. Termine bekommen Daten. Kundenanfragen bekommen Felder. Und plötzlich kann man Fragen stellen, die vorher nicht beantwortbar waren - welche Anfragen führen zu welchen Aufträgen, an welchem Wochentag kommen die meisten Reklamationen, wo ist der Engpass. Diese Fragen sind Vorarbeit für jede KI. Ohne sie hat sie nichts zu sagen.
Das Stichwort ist Data Readiness - die Frage, ob ein Unternehmen datenseitig überhaupt bereit für KI ist. Eine BCG-Untersuchung von 2024 ("Where's the Value in AI?") fand: Nur 26 Prozent der untersuchten Unternehmen erzielten mit KI messbaren Mehrwert - und die teilen sich auffällig gleich auf nach einem Kriterium: Sie hatten vorher in strukturierte Datenbasis investiert. Die anderen hatten KI gekauft. Die einen hatten Werkzeug. Die anderen hatten Theater.
Andrew Ng, einer der einflussreichsten KI-Forscher, nennt das "Data-Centric AI": Der Sprung im Nutzen kommt seit einigen Jahren weniger durch bessere Modelle, sondern durch besseres Datenfundament. Wer das Fundament überspringt, kauft Spitzentechnologie für ein Gebäude, das nie stehen wird.
Wenn Stufe eins steht, kann man ehrlich fragen: Wo gehört KI hin, wo nicht? Die Antwort ist erfreulich klar. KI ist stark bei Mustererkennung in großen Mengen, bei Sprache und Text, bei Klassifikation, bei Vorschlägen, die ein Mensch am Ende prüft. Sie ist schwach überall dort, wo es um exakte Logik, harte Regeln und vollständige Korrektheit geht.
Termine, Stammdaten, Rechnungen, Buchhaltung - das macht klassische Software besser. Sie ist verlässlich, nachvollziehbar und kostengünstig im Betrieb. KI hingegen ist die richtige Wahl, wenn aus 50 Anfragen die zwei wichtigen herausgefiltert, wenn handschriftliche Notizen vorsortiert, wenn lange Texte zusammengefasst werden sollen. Das sind echte Zeitfresser - und genau die löst Stufe zwei.
Das Stanford-Konzept dazu heißt Human-in-the-Loop (Stanford HAI, seit 2019): KI liefert den Vorschlag, der Mensch prüft und gibt frei. Das ist nicht der spektakulärste Einsatz von KI - aber der, bei dem Studien wie die von McKinsey 2024 ("The state of AI in 2024") durchgängig den größten Produktivitätsgewinn messen, je nach Branche 30 bis 50 Prozent.
Erik Brynjolfsson (MIT, später Stanford) hat das in seinem Begriff "the Turing Trap" (2022) zugespitzt: Wer KI baut, die den Menschen vollständig ersetzen soll, verschenkt Wert. Wer KI baut, die menschliche Stärken verstärkt, erzeugt ihn. Wir bauen nach dem zweiten Prinzip - und wir bauen es erst dann, wenn klar ist, welche menschliche Stärke es zu verstärken gilt. Das geht nur, wenn Stufe eins steht.
Die häufigste Bitte, die wir hören, ist "Wir wollen jetzt auch irgendwas mit KI machen." Der Druck dahinter ist real - der Wettbewerb redet darüber, der Vorstand fragt, die Presse berichtet. Wir verstehen das. Und trotzdem ist unsere Antwort meistens die gleiche: Lasst uns drei Monate früher anfangen, an der Stelle, die keiner sieht.
Wer die Reihenfolge umdreht, baut zweimal. Einmal die KI, die ohne Basis nicht funktioniert. Und dann nochmal die Basis darunter, nachdem man gemerkt hat, dass sie fehlt. Eine schlechte KI-Integration ist auch nicht "schneller wegzuwerfen" als ein fehlender Prozess - sie ist Vertrauensschaden bei Mitarbeitern und Kunden, der lange wirkt. Schnellschüsse sind in der digitalen Welt selten günstig.
Gartners Hype Cycle hat das Muster beschrieben: Jede neue Technologie durchläuft erst einen "Peak of Inflated Expectations" - überzogene Hoffnung, viele Pilotprojekte - und dann das "Trough of Disillusionment" - Enttäuschung, Streichungen, Vertrauensverlust. Erst danach kommt das tragfähige "Plateau of Productivity". Generative KI war 2024 auf dem Höhepunkt des Hypes. Wer dort kauft, kauft teuer.
Das zweite Stichwort: Sunk Cost Fallacy (Arkes & Blumer, 1985). Wer einmal in eine schlechte KI-Investition Geld gesteckt hat, gibt selten ehrlich zu, dass sie nicht funktioniert - und schiebt stattdessen noch mehr Geld hinterher, um den Misserfolg zu rechtfertigen. Das ist menschlich, aber teuer. Die beste Vorbeugung ist, in der richtigen Reihenfolge anzufangen.
Die Reihenfolge ist nicht Bedenklichkeit. Sie ist Respekt - vor deinem Geld, vor deiner Zeit, vor deinen Mitarbeitern.
KI ist ein Kraftmultiplikator. Sie verstärkt das, was schon da ist. Aber sie multipliziert auch mit Null - und Null mal hundert ist immer noch Null. Wer ehrlich gute Werkzeuge bauen will, fängt deshalb da an, wo die Substanz entsteht: bei dem unsichtbaren Fundament, auf dem später alles steht. KI obendrauf ist dann nicht mehr Hype. Sondern Hebel. Und genau dann wird sie zu dem, was die Werbung verspricht: einer echten Entlastung.
Manchmal heißt das: Stufe eins reicht erstmal völlig. Manchmal heißt es: Hier macht KI tatsächlich Sinn - und zwar an dieser einen Stelle. Aber das entscheiden wir nie vor dem ersten Gespräch.
Wie wir das erste Gespräch führen und das Problem klären, bevor wir bauen, steht unter Bevor wir bauen, klären wir, was kaputt ist. Warum wir bei KI besonders genau hinschauen, findest du unter Was KI nicht kann, auch wenn es so wirkt. Welchen Qualitätsmaßstab wir an alles legen, was wir bauen, steht unter Wann ist Software wirklich gut.