KI-Anwendungsfälle und KI-Agenten im Mittelstand

Die meisten Listen mit KI-Anwendungsfällen sind nach Branchen sortiert. Das ist bequem zu lesen, hilft aber nur wenig, weil Dein Prozess nicht dem Branchendurchschnitt entspricht.

Nützlicher ist eine andere Sortierung: nach Mustern. Denn fast alle KI-Anwendungsfälle, die im Mittelstand tatsächlich in Betrieb gehen, folgen einer Handvoll wiederkehrender Muster. Wenn Du die Muster kennst, erkennst Du Kandidaten in Deinem eigenen Workflow, statt in einer fremden Liste nach Ähnlichkeiten zu suchen.

Was einen KI-Agenten von einem Chatbot unterscheidet

Vorweg, weil der Begriff gerade überall auftaucht: Ein Chatbot antwortet und ein KI-Agent handelt.

Beim Chatbot stellst Du eine Frage und bekommst Text zurück. Was danach passiert, machst Du selbst. Ein KI-Agent bekommt ein Ziel, darf dafür mehrere Schritte nacheinander ausführen, Werkzeuge benutzen, in Systeme schreiben und sich zwischendurch selbst korrigieren. Er läuft im Hintergrund, oft ohne dass jemand ein Chatfenster offen hat.

Praktisch heißt das: Ein Chatbot beantwortet die Frage „Welche Reklamationen sind offen?". Ein Agent zieht die offenen Reklamationen, sortiert sie nach Dringlichkeit, ordnet jede dem zuständigen Team zu und legt die drei kritischen Fälle der Teamleitung vor.

Der Unterschied ist deshalb relevant, weil er die Anforderungen verändert. Ein Agent braucht Zugriffsrechte, klare Abbruchbedingungen und einen definierten Punkt, an dem ein Mensch draufschaut. Das ist kein Grund, es zu lassen. Es ist ein Grund, klein anzufangen.

Muster 1: Sortieren und zuordnen

Etwas kommt rein, jemand entscheidet, wohin es gehört. Eingehende Anfragen, Rechnungen, Bewerbungen, Schadensmeldungen, Ersatzteilanfragen.

Das ist der zuverlässigste Einstiegs-Anwendungsfall überhaupt, weil es klare Kategorien gibt, historische Beispiele bereits existieren und ein Fehler selten teuer ist. Wenn eine Anfrage im falschen Postfach landet, wird sie weitergeleitet. Kein Drama.

Woran Du erkennst, dass Du so einen Fall hast: Jemand in Deinem Team verbringt jeden Morgen eine halbe Stunde damit, Dinge auf Stapel zu verteilen.

Muster 2: Aus unstrukturiert wird strukturiert

Ein Mensch liest ein Dokument und trägt anschließend Werte in ein Feld ein. Lieferantenbestätigungen, Prüfprotokolle, Wartungsberichte, Ausschreibungsunterlagen.

Hier ist der Nutzen sofort messbar, weil man die Bearbeitungszeit pro Dokument vorher und nachher vergleichen kann. Und es gibt eine natürliche Kontrollinstanz: Der bisherige Bearbeiter prüft die extrahierten Werte, statt sie abzutippen.

Woran Du das erkennst: Irgendwo steht ein Ordner mit PDFs, deren Inhalt später jemand in ein System überträgt.

Muster 3: Suchen, was niemand mehr findet

Das Wissen ist da, aber unauffindbar. Alte Angebote, Konstruktionsunterlagen, Projektdokumentation, Protokolle aus dem SharePoint, in dem sich seit acht Jahren niemand mehr zurechtfindet.

Der Anwendungsfall lautet: Frag in normaler Sprache, bekomme die relevante Stelle plus Quellenangabe. Wichtig ist der zweite Teil. Ohne Quellenangabe entsteht ein System, dem niemand traut, und dann benutzt es keiner.

Woran Du das erkennst: Der Satz „Das hatten wir doch schon mal gemacht, ich weiß nur nicht mehr, wo das liegt."

Muster 4: Entwurf statt leeres Blatt

Jemand schreibt regelmäßig etwas, das zu 70% dem letzten Mal ähnelt. Angebotstexte, Serviceberichte, Stellenausschreibungen, Antworten auf wiederkehrende Kundenfragen.

Der Trick ist die richtige Erwartung: Das Ergebnis ist ein Entwurf, kein Endprodukt. Der Zeitgewinn entsteht nicht dadurch, dass niemand mehr drüberliest, sondern dadurch, dass niemand mehr vor einem leeren Dokument sitzt.

Woran Du das erkennst: Jemand hat sich eine private Sammlung von Textbausteinen angelegt.

Muster 5: Auffälligkeiten melden

Ein Wert läuft aus dem Rahmen und jemand sollte das möglichst früh erfahren. Energieverbrauch, Ausschussquote, Zahlungsverhalten, Sensordaten aus der Anlage.

Anders als die vorherigen Muster braucht dieses eine Datenhistorie, aus der überhaupt hervorgeht, was normal ist. Dafür ist der Hebel groß, weil eine früh erkannte Abweichung fast immer billiger ist als eine spät erkannte. Für die produktionsnahen Varianten wie Predictive Maintenance und Qualitätskontrolle habe ich die konkreten Fälle in einem eigenen Artikel zu KI im produzierenden Gewerbe beschrieben.

Woran Du das erkennst: Es gibt einen Report, den jemand liest, um zu sehen, ob etwas komisch aussieht.

Muster 6: Mehrstufige Abläufe als Agent

Hier wird es agentisch. Mehrere der obigen Muster hängen hintereinander und laufen ohne dass jemand jeden Schritt anstößt.

Beispiel aus dem Vertriebsinnendienst: Anfrage kommt rein, wird kategorisiert (Muster 1), die relevanten Daten werden extrahiert (Muster 2), im Archiv wird nach vergleichbaren Projekten gesucht (Muster 3), daraus entsteht ein Angebotsentwurf (Muster 4), und bei Auffälligkeiten wie einer ungewöhnlichen Menge geht der Fall an einen Menschen (Muster 5).

Das ist der Punkt, an dem KI-Agenten interessant werden und gleichzeitig der Punkt, an dem die meisten Projekte scheitern, wenn sie hier anfangen. Die Kette ist nur so stabil wie ihr schwächstes Glied. Wer Muster 1 bis 4 einzeln nie zum Laufen gebracht hat, bekommt die Verkettung dieser nicht hin.

Die Regel, die sich bewährt hat: Erst ein Schritt allein, im Betrieb, mit echten Daten. Dann zusammenführen.

Wie Du daraus Deinen eigenen Anwendungsfall machst

Die Muster helfen beim Erkennen. Den konkreten Fall musst Du trotzdem selbst zuschneiden, und dabei entscheidet sich, ob daraus etwas wird.

Vier Fragen reichen dafür meistens:

1. Welcher Schritt in dem Ablauf kostet die meiste Zeit oder verursacht die meisten Fehler?
2. Was genau geht an dieser Stelle rein, was kommt raus? So konkret, dass Du es aufzeichnen könntest.
3. Woran würde jemand merken, dass das Ergebnis falsch ist?
4. Was passiert dann?

Wenn Du Frage drei und vier nicht beantworten kannst, ist der Anwendungsfall noch nicht fertig gedacht. Das ist der häufigste Grund, warum Prototypen nie in Betrieb gehen.

Genau diesen Zuschnitt gehe ich in einem kostenlosen 30-Minuten-Video Schritt für Schritt an einem echten Workflow durch, mit einer Vorlage zum Mitarbeiten.

Kostenloses 30-Minuten-Video ansehen

Vom Muster zum laufenden Prototyp

Ein Anwendungsfall auf Papier ist eine Vermutung. Ob er trägt, weiß man erst, wenn etwas läuft und echte Daten durchgelaufen sind. Meistens stellt sich dabei heraus, dass der spannendste Fall an einer Kleinigkeit hängt und der langweiligste sofort funktioniert.

Im AI Hackathon, einem zweitägigen KI Innovationsworkshop, nimmt Dein Team genau diesen Weg: eigener Prozess, passendes Muster, laufender Prototyp am Ende des zweiten Tages. Gebaut vom Team selbst, ohne Programmierkenntnisse.

Danach weißt Du nicht mehr, welche Anwendungsfälle es theoretisch gibt. Du weißt, welcher bei Euch funktioniert.

AI Hackathon ansehen

Zurück zur Übersicht