KI-Anwendungsfälle im KMU: was im Alltag trägt

KI-Anwendungsfälle, die im KMU-Alltag tragen, haben drei Dinge gemeinsam: Sie betreffen einen wiederkehrenden Arbeitsschritt, die Eingaben liegen digital und eindeutig vor, und ein Mensch kann das Ergebnis schnell prüfen. Typische Beispiele sind das Auslesen von Belegen, Angebotsentwürfe, die Suche im internen Wissen per RAG, die Vorsortierung von E-Mails, die Qualitätsprüfung per Bilderkennung und Unterstützung im Support. Jeder dieser Fälle hat eine Voraussetzung und eine Grenze.

Woran erkennen Sie einen tragfähigen KI-Anwendungsfall?

Ein tragfähiger KI-Anwendungsfall ersetzt eine konkrete Tätigkeit, die heute jemand regelmäßig erledigt, etwa abtippen, suchen, zusammenfassen oder sortieren. Er ist kein Selbstzweck, sondern hängt an einem Ablauf, den man vor Ort zeigen kann. Wer einen Anwendungsfall nicht an einem echten Vorgang vom letzten Dienstag erklären kann, hat vermutlich noch keinen.

Die folgenden Beispiele sind typische Szenarien aus kleinen und mittleren Betrieben. Zu jedem steht, was vorher erfüllt sein muss und wo die KI aufhört, verlässlich zu sein.

Kann KI Belege und Dokumente zuverlässig auslesen?

KI kann Eingangsrechnungen, Lieferscheine, Auftragsbestätigungen oder Formulare auslesen und die relevanten Felder wie Lieferant, Datum, Beträge und Positionen strukturiert an die Buchhaltung oder Warenwirtschaft übergeben. Aktuelle Modelle kommen dabei auch mit unterschiedlichen Layouts zurecht, ohne dass für jeden Lieferanten eine eigene Vorlage gebaut werden muss.

• Voraussetzung: ein einheitlicher Eingangskanal für Belege, etwa ein eigenes Postfach, und ein Zielsystem mit Schnittstelle, in das die Daten übernommen werden.
• Grenze: Handschriftliche Ergänzungen, schlechte Scans und ungewöhnliche Belegarten führen zu Fehlern. Beträge und Kontierungen bleiben bis zur Freigabe Vorschläge, die ein Mensch bestätigt.

Kann KI Angebote vorbereiten?

KI kann aus einer Kundenanfrage, dem Artikelstamm und früheren, ähnlichen Angeboten einen Angebotsentwurf vorbereiten: passende Positionen vorschlagen, Leistungstexte formulieren und offene Punkte markieren, die beim Kunden nachgefragt werden müssen. Der Vertrieb muss weniger zusammensuchen und kann sich auf Prüfung und Kundengespräch konzentrieren.

• Voraussetzung: ein gepflegter Artikelstamm mit aktuellen Preisen und eine auffindbare Ablage früherer Angebote, bei der klar ist, welche Fassung verschickt wurde.
• Grenze: Preise, Rabatte und Liefertermine dürfen nie vom Sprachmodell kommen, sondern nur aus dem führenden System. Ein Angebot verlässt den Betrieb erst nach menschlicher Freigabe.

Wie hilft RAG, internes Wissen durchsuchbar zu machen?

RAG (Retrieval Augmented Generation) verbindet eine Suche in den eigenen Dokumenten mit einem Sprachmodell. Ein Mitarbeiter stellt eine Frage wie „Welches Drehmoment gilt für die Montage an Anlage drei?“ und bekommt eine Antwort, die sich auf die passenden Stellen aus Handbüchern oder Arbeitsanweisungen stützt, inklusive Quellenangabe. Das hilft besonders, wenn Wissen bisher an wenigen erfahrenen Personen hängt.

• Voraussetzung: Die Dokumente liegen an einem Ort, alte Fassungen sind gekennzeichnet oder entfernt, und die Zugriffsrechte der Ablage werden in der Suche übernommen.
• Grenze: Was in keinem Dokument steht, kann RAG nicht finden. Bei widersprüchlichen Fassungen wählt das Modell eine davon und formuliert sie überzeugend – deshalb muss die Quelle sichtbar bleiben.

Kann KI eingehende E-Mails vorsortieren?

KI kann eingehende E-Mails an einem Sammelpostfach lesen, nach Anliegen einordnen – Bestellung, Reklamation, Rechnung, Terminanfrage – und an die zuständige Person oder Abteilung weiterleiten. Zusätzlich kann sie wichtige Angaben wie Auftragsnummern herausziehen und einen Antwortentwurf vorschlagen. Das entlastet vor allem dort, wo ein Postfach heute von einer Person händisch verteilt wird.

• Voraussetzung: klar definierte Kategorien und Zuständigkeiten, die es im Betrieb ohnehin geben sollte, und eine Regel, was mit unklaren E-Mails passiert.
• Grenze: Ironie, mehrere Anliegen in einer Nachricht oder neue Arten von Anfragen werden falsch eingeordnet. Antworten werden vorgeschlagen, nicht automatisch verschickt.

Wann lohnt sich Qualitätsprüfung per Bilderkennung?

Qualitätsprüfung per Bilderkennung lohnt sich, wenn dieselbe Sichtprüfung oft und unter gleichen Bedingungen stattfindet, etwa die Kontrolle von Oberflächen, Vollständigkeit oder Etiketten am Band. Eine Kamera nimmt jedes Teil auf, ein trainiertes Modell erkennt Abweichungen und meldet sie oder sortiert das Teil aus. Die Prüfung wird dadurch gleichmäßiger, weil sie nicht von Schicht oder Tagesform abhängt. Kamera, Netzwerk und Rechentechnik an der Prüfstation gehören dabei genauso zum Projekt wie das Modell.

• Voraussetzung: konstante Beleuchtung und Kameraposition, eine klare Definition, was ein Fehler ist, und ausreichend Beispielbilder von guten und fehlerhaften Teilen.
• Grenze: Seltene Fehlerarten, die im Training kaum vorkamen, und häufig wechselnde Produkte erfordern weiterhin menschliche Prüfung oder ein Nachtrainieren des Modells.

Wie kann KI den Support entlasten?

KI kann im Kundensupport wiederkehrende Fragen beantworten, etwa zu Lieferstatus, Öffnungszeiten, Bedienung oder Ersatzteilen, und Anfragen mit allen nötigen Angaben vorbereitet an einen Mitarbeiter übergeben. Intern kann sie Mitarbeitern beim Beantworten helfen, indem sie passende Stellen aus Handbüchern und früheren Fällen heraussucht.

• Voraussetzung: gepflegte Antworten und Unterlagen, Anbindung an die Systeme, aus denen Statusinformationen kommen, und ein sichtbarer Weg zu einem Menschen.
• Grenze: Beschwerden, Kulanzentscheidungen und Sonderfälle gehören zu einem Menschen. Ein Bot, der Kunden in einer Schleife festhält, schadet mehr, als er entlastet.

Welche KI-Anwendungen bringen im KMU-Alltag wenig?

Wenig bringen KI-Anwendungen, die neben dem eigentlichen Ablauf stehen. Ein Chat-Fenster, in dem man Fragen stellen kann, aber dessen Antworten anschließend händisch in die Warenwirtschaft übertragen werden müssen, spart kaum Arbeit. Dasselbe gilt für Werkzeuge, die schöne Zusammenfassungen von Besprechungen schreiben, die danach niemand liest, weil die Aufgaben daraus nicht im Ticketsystem oder Kalender landen.

Wenig tragfähig sind auch Anwendungen ohne geklärte Datengrundlage. Eine Wissenssuche über einen Fileserver, auf dem dieselbe Arbeitsanweisung in mehreren Fassungen liegt, liefert widersprüchliche Antworten und verliert schnell das Vertrauen der Mitarbeiter. Dasselbe gilt für Anwendungen, bei denen niemand für das Ergebnis zuständig ist: Wenn unklar ist, wer einen KI-Vorschlag prüft und freigibt, wird er entweder ungeprüft übernommen oder gar nicht genutzt.

• Ergebnisse müssen händisch in ein anderes System übertragen werden.
• Die zugrunde liegenden Unterlagen sind widersprüchlich oder veraltet.
• Niemand ist für die Prüfung der Ergebnisse zuständig.
• Der Arbeitsschritt kommt so selten vor, dass sich niemand an das Werkzeug gewöhnt.

Welche Reihenfolge ist für ein KMU sinnvoll?

Für die meisten KMU ist es sinnvoll, mit einem Anwendungsfall zu beginnen, der intern wirkt und dessen Fehler keine Außenwirkung haben, und erst danach Anwendungen mit Kundenkontakt anzugehen. So sammelt der Betrieb Erfahrung mit Prüfaufwand, Datenqualität und Akzeptanz, bevor ein Fehler beim Kunden sichtbar wird.

1. 01Einen Arbeitsschritt auswählen, der regelmäßig vorkommt und intern bleibt, etwa Belege auslesen oder eine Wissenssuche.
2. 02Die Unterlagen für diesen Schritt ordnen: ein Ort, eine gültige Fassung, klare Zuständigkeit.
3. 03Vorab festlegen, was ein brauchbares Ergebnis ist und wer es prüft.
4. 04Den Pilot parallel zum bisherigen Ablauf betreiben und an echten Vorgängen vergleichen.
5. 05Erst nach einem stabilen internen Einsatz Anwendungen mit Kundenkontakt angehen. Sollen später mehrere Schritte selbstständig über verschiedene Systeme laufen, ist das ein Fall für einen KI-Agenten mit klaren Freigabepunkten.

Wie setzt NDVDL KI-Anwendungsfälle im Betrieb um?

NDVDL sieht sich den Ablauf in Ihrem Betrieb an, bevor ein Werkzeug vorgeschlagen wird. Wir lassen uns von den Mitarbeitern zeigen, welche Belege, Postfächer, Handbücher oder Prüfstationen beteiligt sind und welche Systeme die Daten weiterverarbeiten. Danach bekommen Sie einen schriftlichen Vorschlag für einen ersten, eng gefassten Anwendungsfall, inklusive der Vorarbeit, die dafür nötig ist.

Wir setzen die Lösung um, binden sie über Schnittstellen an Warenwirtschaft, Buchhaltung oder Ticketsystem an und betreiben und warten sie danach, von Zugriffsrechten bis zur Überwachung. Bei Bilderkennung kümmern wir uns auch um Kameras, Netzwerk und Rechentechnik vor Ort. Sie haben einen festen Ansprechpartner für Technik und Ablauf.