Wie sollte beim ersten
KI-Projekt vorgegangen werden?

Dieser Abschnitt gibt einen Überblick dazu, wie ein Unternehmen vorgehen kann, wenn bereits eine Liste an Fragestellungen vorliegt, die sich auf Basis von Datenanalytik beantworten lässt. Gleichzeitig ist unklar, ob eine KI-Anwendung für die Beantwortung der Fragestellungen nötig ist und welche Fragestellung in einem ersten Pilotprojekt bearbeitet werden sollte. Für diese erste KI-Fragestellung wird zudem aufgezeigt, wie das Vorgehen in einem KI-Projekt aussehen könnte bis hin zur Implementierung einer ersten Pilotversion des KI-Systems, welches mit Testnutzer:innen im Unternehmen evaluiert wird.

Nicht jede datenbasierte Fragestellung benötigt künstliche Intelligenz. Das ist ein wichtiger Ausgangspunkt für das erste KI-Projekt. Viele Unternehmen starten mit dem Wunsch, „etwas mit KI“ zu machen. Für ein erfolgreiches Projekt sollte die Frage jedoch anders gestellt werden: Welche Fragestellungen können mit Daten beantwortet werden, und bei welchen davon ist KI tatsächlich ein geeignetes Werkzeug?

Es können dazu zuerst einige Typen von Fragestellungen unterschieden werden. Beschreibende Fragestellungen beantworten die Frage: „Was ist passiert?“ Dazu gehören etwa Dashboards, Standardberichte, ABC-Analysen oder Engpasslisten. Für solche Aufgaben ist KI meist nicht notwendig. Häufig reichen klassische Business-Intelligence-Werkzeuge, einfache Auswertungen oder strukturierte Reports aus. KI kann zwar unterstützend wirken, etwa um Textquellen zusammenzufassen oder große Informationsmengen schneller aufzubereiten, sie ist aber nicht der Kern der Lösung.

Diagnostische Fragestellungen fragen: „Warum ist es passiert?“ Hier geht es darum, Ursachen zu verstehen. KI kann sinnvoll sein, wenn sehr viele Einflussfaktoren zusammenwirken oder wenn Daten aus unterschiedlichen Quellen ausgewertet werden müssen. In der Logistik kann das zum Beispiel relevant sein, wenn Lieferverzögerungen nicht nur durch einen Faktor entstehen, sondern durch Zusammenspiel von Wochentag, Wetter, Auslastung, Rampenzeiten, Kundentypen oder Tourenplanung. Wenn Ursachen jedoch bereits gut bekannt sind, muss KI nicht zwingend zusätzlichen Nutzen bringen.

Prädiktive Fragestellungen fragen: „Was wird passieren?“ Das ist ein besonders typischer Anwendungsbereich für KI. Prognosen zu Bedarf, Auslastung, Retouren, Lieferzeiten oder Kapazitäten können von KI profitieren, wenn die Entwicklungen unsicher sind, viele Artikel unterschiedliche Muster zeigen oder Echtzeitdaten die Prognose verbessern können. Wenn Verläufe hingegen stabil, saisonal klar wiederkehrend oder sehr einfach beschreibbar sind, kann eine klassische Prognosemethode ausreichend sein.

Präskriptive Fragestellungen gehen noch einen Schritt weiter und fragen: „Was sollen wir tun?“ Hier geht es um Handlungsempfehlungen, etwa zu Bestellmengen, Touren, Lagerplatzzuordnung oder Personaleinsatz. Solche Fragestellungen sind oft komplex, weil nicht nur vorhergesagt werden soll, was passiert, sondern auch entschieden werden muss, welche Maßnahme unter bestimmten Bedingungen am besten ist. Genau deshalb können KI-Methoden hier besonders relevant sein.

Für KMU ist daraus vor allem eine Botschaft wichtig: KI sollte nicht eingesetzt werden, wenn eine einfachere Methode ausreicht. Der Einsatz von KI ist dann besonders vielversprechend, wenn Unsicherheit, Komplexität, wechselnde Rahmenbedingungen oder große Datenvielfalt eine Rolle spielen. Im Zweifel kann ein kleines Pilotprojekt helfen, die Eignung von KI zu testen, ohne sofort große Investitionen zu tätigen.

Ein KI Use Case beschreibt einen konkreten Anwendungsfall, bei dem KI oder datenanalytische Methoden eingesetzt werden sollen, um ein bestimmtes Problem zu lösen oder eine Entscheidung zu verbessern. Ein Use Case ist damit mehr als eine Idee. Er übersetzt eine allgemeine Fragestellung in eine strukturierte Beschreibung: Was soll verbessert werden? Wer ist betroffen? Welche Daten werden benötigt? Welcher Nutzen wird erwartet? Woran erkennen wir später, ob die Lösung erfolgreich war?

Zur Strukturierung eines Use Cases empfehlen sich Werkzeuge wie der Data Science Canvas. Ein solcher Canvas hilft, die wichtigsten Bestandteile eines möglichen KI-Projekts systematisch zu erfassen. Dazu gehören die zu lösende Aufgabe, die bisherige Vorgehensweise, ein erster Lösungsansatz, Erfolgs- und Misserfolgskriterien, potenzielle Nutzer:innen, Early Adopter, die Datensituation, potenzielle Kosten und der erwartete Nutzen.

Besonders wichtig ist die Beschreibung der bisherigen Lösung. Viele Unternehmen wissen zwar, dass ein Prozess unbefriedigend ist, haben aber nicht immer klar dokumentiert, wie heute tatsächlich gearbeitet wird. Gerade in der Logistik gibt es häufig gewachsene Abläufe, manuelle Zwischenschritte, Excel-Lösungen oder Erfahrungswissen einzelner Personen. Wenn ein KI-System hier unterstützen soll, muss zunächst verstanden werden, was es eigentlich ersetzen, ergänzen oder verbessern soll.

Auch die Erfolgs- und Misserfolgskriterien sollten früh festgelegt werden. Ein KI-Projekt sollte nicht nur daran gemessen werden, ob „eine Lösung funktioniert“. Es sollte klar sein, welche Kennzahlen verbessert werden sollen: geringere Planungszeit, niedrigere Bestände, weniger Fehlbuchungen, höhere Prognosegenauigkeit, bessere Liefertermintreue oder weniger manuelle Nacharbeit. Ohne solche Kriterien ist es später schwierig zu beurteilen, ob der Use Case tatsächlich erfolgreich war.

Ein weiterer wichtiger Bestandteil ist die Beschreibung der potenziellen Nutzer:innen. Wer wird mit der KI-Lösung arbeiten? Wer erhält Empfehlungen? Wer muss Ergebnisse prüfen? Wer trägt Verantwortung für Entscheidungen? Diese Fragen sind wichtig, weil ein technisch gutes System wenig Nutzen bringt, wenn es nicht in die tatsächlichen Arbeitsabläufe passt.

Für die Definition eines KI Use Cases eignet sich ein Workshop-Format. Dabei sollten Personen aus den betroffenen Fachbereichen, mögliche Nutzer:innen, IT-Verantwortliche und gegebenenfalls externe Expert:innen zusammenkommen. Unterschiedliche Perspektiven helfen, den Use Case realistischer zu beschreiben. Fachbereiche kennen die praktischen Probleme, IT-Verantwortliche kennen Systemlandschaft und Datenverfügbarkeit, externe Expert:innen können Machbarkeit und Aufwand besser einschätzen.

Wichtig ist auch, mögliche Lösungsvorschläge nicht vorschnell auf KI zu beschränken. In einem Workshop können Ideen entstehen, die zwar nichts mit KI zu tun haben, aber trotzdem wertvolle Verbesserungen darstellen. Solche Vorschläge sollten nicht verworfen, sondern dokumentiert werden. Der Zweck der Use-Case-Definition ist nicht, KI um jeden Preis einzusetzen, sondern die beste Lösung für ein konkretes Problem zu finden.

Für KMU bedeutet das: Ein guter KI Use Case schafft Klarheit, bevor Geld und Zeit investiert werden. Er hilft, aus einer vagen Idee ein überprüfbares Projekt zu machen. Je besser der Use Case beschrieben ist, desto leichter lassen sich Nutzen, Aufwand, Datenbedarf und Umsetzungspartner bewerten.

Wenn mehrere mögliche Use Cases gesammelt wurden, muss entschieden werden, welcher davon als erstes umgesetzt werden soll. Diese Priorisierung ist besonders wichtig, weil ein erstes KI-Projekt nicht nur fachlichen Nutzen bringen soll. Es ist auch ein Lernprojekt für das Unternehmen. Es zeigt, wie gut Daten verfügbar sind, wie die Zusammenarbeit zwischen Fachbereich, IT und externen Partnern funktioniert und wie Mitarbeiter:innen auf KI-Anwendungen reagieren.

Die Priorisierung sollte daher nicht allein nach technischer Attraktivität erfolgen. Entscheidend sind vor allem zwei Dimensionen: Nutzen und Machbarkeit. Ein Use Case ist besonders geeignet, wenn er ein relevantes Problem adressiert und gleichzeitig mit vertretbarem Aufwand umgesetzt werden kann. Für das erste Projekt ist daher oft nicht der ambitionierteste Use Case die beste Wahl, sondern ein Anwendungsfall mit überschaubarer Komplexität, klar erkennbarem Nutzen und realistischen Erfolgschancen.

Beim Nutzen sollte geprüft werden, wie stark der Use Case auf Unternehmensziele einzahlt. Trägt er zu Kostensenkung, höherer Lieferqualität, besserer Kundenzufriedenheit, effizienteren Prozessen oder höherer Transparenz bei? Löst er einen Pain Point, der wirklich spürbar ist? Gibt es eine Organisationseinheit, die ein starkes Interesse an der Lösung hat? Je klarer der Nutzen formuliert ist, desto leichter lässt sich später auch Unterstützung im Unternehmen gewinnen.

Bei der Machbarkeit geht es um mehrere Aspekte. Sind die nötigen Daten vorhanden? Sind sie ausreichend vollständig und qualitativ nutzbar? Gibt es technische Schnittstellen? Können die Ergebnisse in bestehende Prozesse eingebunden werden? Sind rechtliche Anforderungen überschaubar? Gibt es Personen im Unternehmen, die den Use Case fachlich begleiten können? Diese Fragen sind besonders für KMU wichtig, weil Ressourcen oft begrenzt sind.

Ein hilfreiches Instrument kann ein Use-Case-Portfolio sein. Dabei werden mögliche Use Cases entlang der Dimensionen Nutzen und Machbarkeit eingeordnet. Use Cases mit hohem Nutzen und hoher Machbarkeit sind besonders geeignete Kandidaten für ein erstes Projekt. Use Cases mit hohem Nutzen, aber geringer Machbarkeit können langfristig relevant sein, benötigen aber möglicherweise zuerst Datenaufbau, Prozessverbesserungen oder zusätzliche Ressourcen. Use Cases mit geringer Wirkung sollten eher zurückgestellt werden.

Wichtig ist auch, Abhängigkeiten zwischen Use Cases zu beachten. Manche Projekte setzen voraus, dass vorher Datenstrukturen verbessert oder Systeme integriert wurden. Andere Use Cases können Grundlagen für spätere Anwendungen schaffen. Ein scheinbar kleiner Use Case kann daher strategisch wertvoll sein, wenn er Datenqualität, Akzeptanz oder technische Grundlagen verbessert.

Für KMU empfiehlt sich ein pragmatischer Einstieg: Das erste KI-Projekt sollte einen echten betrieblichen Nutzen haben, aber nicht zu groß dimensioniert sein. Es sollte weder ein reines Experiment ohne Relevanz noch ein hochkomplexes Transformationsprojekt sein. Ein gut gewählter Pilot zeigt, ob KI im Unternehmen praktisch funktionieren kann, und schafft Vertrauen für weitere Schritte.

Nachdem ein Use Case ausgewählt wurde, stellt sich die Frage, welche Lösung dafür geeignet ist. Dabei sollte nicht sofort an eine individuelle Entwicklung gedacht werden. In vielen Fällen existieren bereits Softwarelösungen, KI-Module oder Anbieter, die ähnliche Problemstellungen bearbeiten. Gerade für KMU ist es sinnvoll, zuerst den Markt zu prüfen, bevor ein eigenes Entwicklungsprojekt gestartet wird.

Der erste Schritt besteht darin, den Use Case in fachliche und technische Anforderungen zu übersetzen. Was soll die Lösung können? Welche Daten muss sie verarbeiten? Welche Ergebnisse soll sie liefern? Wie häufig soll sie genutzt werden? Wer arbeitet damit? Muss sie in bestehende Systeme integriert werden? Erst wenn diese Anforderungen zumindest grob geklärt sind, kann sinnvoll nach passenden Lösungen gesucht werden.

Mögliche Quellen für Lösungen sind bestehende Softwareanbieter, branchenspezifische Tools, Module in ERP-, WMS- oder TMS-Systemen, Beratungsunternehmen, Technologiepartner, Digital Innovation Hubs oder Fachveranstaltungen. Auch Anbieter, die bereits im Unternehmen tätig sind, sollten geprüft werden. Häufig entwickeln Softwarehersteller bestehende Systeme weiter und integrieren KI-Funktionen, etwa für Prognosen, Dokumentenerkennung, Planung oder Optimierung.

Dabei ist jedoch Vorsicht geboten. Nur weil eine Lösung mit KI beworben wird, bedeutet das nicht automatisch, dass sie zum konkreten Problem passt. Unternehmen sollten prüfen, welche Funktion tatsächlich geboten wird, welche Daten benötigt werden, ob die Lösung mit der eigenen Systemlandschaft kompatibel ist und ob Referenzen aus ähnlichen Anwendungsbereichen existieren. Besonders wichtig ist die Frage, ob die Lösung mit den Besonderheiten des eigenen Unternehmens umgehen kann.

In der Logistik gibt es viele Prozesse, die auf den ersten Blick ähnlich wirken, in der Praxis aber stark von Kundenstruktur, Produktportfolio, Standortnetz, IT-Landschaft oder Serviceversprechen abhängen. Eine Standardlösung kann daher gut passen, muss es aber nicht. Bei Forecasting, Tourenplanung oder Bestandsoptimierung können kleine Unterschiede in Prozessen und Daten große Auswirkungen auf die Nutzbarkeit der Lösung haben.

Für die Bewertung möglicher Lösungen kann ein Vergleich mehrerer Optionen hilfreich sein. Dabei sollten nicht nur Anschaffungskosten betrachtet werden, sondern auch Implementierungsaufwand, Integrationsfähigkeit, Datenanforderungen, laufende Betriebskosten, Anpassbarkeit, Support und rechtliche Aspekte. Auch die Benutzerfreundlichkeit sollte früh geprüft werden. Eine Lösung, die im Alltag schwer verständlich ist, wird später möglicherweise nicht akzeptiert.

Für KMU ist entscheidend, die Suche nach Lösungen strukturiert, aber pragmatisch anzugehen. Ziel ist nicht, die technisch eleganteste KI zu finden, sondern eine Lösung, die ein konkretes Problem mit vertretbarem Aufwand verbessert. In vielen Fällen kann bereits ein Test, eine Demo oder ein kleiner Proof of Concept zeigen, ob eine Lösung ausreichend Potenzial hat.

Eine neue KI-Lösung selbst entwickeln zu lassen, ist nicht automatisch der beste Weg. Ob eine Neuentwicklung sinnvoll ist, hängt vor allem von zwei Fragen ab: Gibt es bereits reife Lösungen am Markt? Und wie strategisch wichtig ist der Use Case für das Unternehmen? Der Leitfaden unterscheidet grob zwischen Zukauf, Anpassung bestehender Lösungen und Neuentwicklung.

Ein Zukauf ist besonders geeignet, wenn eine Problemstellung häufig vorkommt und es bereits etablierte Lösungen gibt. Das kann etwa bei bestimmten Standardfunktionen in Planung, Prognose, Dokumentenverarbeitung oder Reporting der Fall sein. Der Vorteil liegt darin, dass Kosten, Aufwand und Risiko meist geringer sind als bei einer individuellen Entwicklung. Für ein erstes KI-Projekt kann der Zukauf daher ein sinnvoller Einstieg sein.

Eine Anpassung ähnlicher Lösungen kommt infrage, wenn es zwar bestehende Ansätze gibt, diese aber an die spezifischen Bedingungen des Unternehmens angepasst werden müssen. Das ist in der Logistik häufig der Fall. Verkaufsprognosen, Bestandsoptimierungen oder Tourenplanungen folgen zwar allgemeinen Prinzipien, unterscheiden sich aber je nach Datenlage, Produktstruktur, Kundengruppen und Prozesslogik. Anpassungsprojekte haben den Vorteil, dass das Unternehmen bereits Erfahrungen mit Entwicklungslogik, Datenanforderungen und Zusammenarbeit mit externen Partnern sammelt, ohne bei null beginnen zu müssen.

Eine vollständige Neuentwicklung ist eher für hochspezialisierte Anwendungen geeignet, die dem Unternehmen einen strategischen Vorteil verschaffen können. Solche Projekte können sinnvoll sein, wenn bestehende Lösungen den Bedarf nicht abdecken, der Use Case eng mit dem Geschäftsmodell verbunden ist und ein klarer Wettbewerbsvorteil erwartet wird. Gleichzeitig sind Neuentwicklungen meist aufwändiger, riskanter und ressourcenintensiver.

Für ein erstes KI-Projekt empfiehlt sich eher Zurückhaltung bei vollständigen Neuentwicklungen. Besonders geeignet sind „low-hanging fruits“: Anwendungsfälle, die begrenzt, verständlich und realistisch umsetzbar sind. Das bedeutet nicht, dass sie unwichtig sein müssen. Ein guter Einstiegs-Use-Case kann durchaus relevanten Nutzen bringen, sollte aber nicht so komplex sein, dass das Unternehmen bereits im ersten Projekt überfordert wird.

Bei der Entscheidung sollte auch berücksichtigt werden, wie viel eigenes Know-how aufgebaut werden soll. Ein reiner Zukauf ist einfacher, vermittelt aber weniger Erfahrung über KI-Entwicklung. Ein Anpassungsprojekt kann mehr Lernpotenzial bieten, weil Unternehmen stärker mit Daten, Modelllogik, Anforderungen und Tests konfrontiert werden. Für KMU kann dieser Mittelweg besonders wertvoll sein.

Die zentrale Empfehlung lautet daher: Nicht jedes KI-Projekt braucht eine eigene Lösung. Unternehmen sollten zuerst prüfen, ob vorhandene Lösungen ausreichend sind. Eine Neuentwicklung sollte nur dann gewählt werden, wenn der strategische Nutzen hoch ist und die zusätzlichen Kosten, Risiken und Anforderungen gerechtfertigt sind.

Wenn ein Use Case ausgewählt wurde und klar ist, dass eine Lösung entwickelt oder angepasst werden soll, braucht das Projekt eine klare Struktur. Man kann sich hierfür beispielsweise am CRISP-DM-Modell orientieren, einem etablierten Vorgehensmodell für datenanalytische Projekte. Es beschreibt die Schritte von der fachlichen Problemdefinition bis zur Bereitstellung und Wartung einer Lösung.

Der erste Schritt ist das Geschäftsverständnis. Hier wird noch einmal detailliert geklärt, welches Problem gelöst werden soll, welche Ziele verfolgt werden und welche Rahmenbedingungen gelten. Dieser Schritt ist besonders wichtig, weil technische Lösungen nur dann sinnvoll entwickelt werden können, wenn der fachliche Kontext verstanden wird. In der Logistik betrifft das zum Beispiel Prozessabläufe, Verantwortlichkeiten, Servicelevel, Kundenerwartungen oder Einschränkungen durch bestehende Systeme.

Danach folgt das Datenverständnis. Es wird geprüft, welche Daten vorhanden sind, wo sie liegen, wie sie erzeugt werden und ob sie für den Use Case geeignet sind. Dabei können erste Datenanalysen zeigen, ob Daten vollständig, konsistent und aussagekräftig sind. Häufig treten in diesem Schritt Probleme zutage, etwa fehlende Werte, unterschiedliche Datenformate, widersprüchliche Stammdaten oder unklare Bedeutungen einzelner Felder.

In der Datenvorbereitung werden die Daten so aufbereitet, dass sie für die Modellierung genutzt werden können. Das kann Bereinigung, Zusammenführung, Transformation oder Anreicherung von Daten umfassen. Dieser Schritt ist oft sehr arbeitsintensiv und wird in KI-Projekten leicht unterschätzt. Gerade für KMU ist wichtig zu wissen: Der Aufwand liegt nicht nur in der KI selbst, sondern häufig in der Herstellung einer brauchbaren Datenbasis.

Anschließend folgt die Modellierung. Hier werden geeignete KI- oder Datenanalyseverfahren ausgewählt und getestet. Je nach Use Case kann es um Klassifikation, Prognose, Optimierung, Mustererkennung oder Empfehlungssysteme gehen. Dieser Schritt liegt stark bei KI-Expert:innen, sollte aber nicht losgelöst vom Fachbereich erfolgen. Domänenexpert:innen müssen helfen, Ergebnisse einzuordnen und zu bewerten, ob sie fachlich sinnvoll sind.

In der Evaluierung wird geprüft, ob das Modell die Anforderungen erfüllt. Dabei geht es nicht nur um technische Kennzahlen wie Genauigkeit. Entscheidend ist, ob die Lösung im betrieblichen Kontext brauchbar ist. Eine Prognose kann statistisch gut sein, aber trotzdem für Entscheidungen ungeeignet, wenn sie zu spät verfügbar ist, nicht erklärbar genug wirkt oder nicht in bestehende Abläufe passt.

Wenn Daten fehlen oder nicht ausreichen, kann zusätzliche Datensammlung notwendig werden. Das kann interne Daten betreffen, aber auch externe Datenquellen wie Wetterdaten, Verkehrsdaten oder wirtschaftliche Kennzahlen. Danach folgt die Bereitstellung, also die Einbindung der Lösung in den Arbeitsalltag. Nutzer:innen müssen Zugang erhalten, Ergebnisse müssen in Prozesse einfließen und Verantwortlichkeiten müssen geklärt werden.

Der letzte Schritt ist Monitoring und Wartung. KI-Systeme können mit der Zeit schlechter werden, wenn sich Daten, Prozesse oder Rahmenbedingungen verändern. Deshalb muss überwacht werden, ob Ergebnisse weiterhin zuverlässig sind und wann Anpassungen nötig werden. Ein KI-Projekt endet daher nicht mit der ersten funktionierenden Version. Es braucht Betreuung im laufenden Betrieb.

Für KMU bedeutet das: Auch ein kleines KI-Projekt sollte strukturiert umgesetzt werden. Fachbereich, IT und externe KI-Expert:innen müssen eng zusammenarbeiten. Die technische Umsetzung kann ausgelagert werden, aber Geschäftsverständnis, Dateninterpretation und Bewertung der Ergebnisse müssen im Unternehmen verankert bleiben.

Viele KMU verfügen nicht über eigene KI-Entwickler:innen. Das ist kein Ausschlusskriterium für KI-Projekte. Unternehmen können auch ohne eigene Entwickler erste KI Use Cases umsetzen. Entscheidend ist, die passende Umsetzungsform zu wählen und die eigene Rolle im Projekt richtig zu verstehen.

Eine Möglichkeit ist der Einsatz von Standardsoftware. Wenn der Use Case häufig vorkommt und gut durch bestehende Lösungen abgedeckt wird, kann eine fertige oder weitgehend fertige Anwendung sinnvoll sein. Beispiele können Prognosemodule, Dokumentenerkennung, Planungstools oder Analysefunktionen in bestehenden Systemen sein. Der Vorteil liegt in geringerer Komplexität und schnellerer Einführung. Allerdings muss geprüft werden, ob die Lösung wirklich zur eigenen Datenlage und Prozessrealität passt.

Eine zweite Möglichkeit ist die Zusammenarbeit mit externen Implementierungs- oder Entwicklungspartnern. Diese können technische Aufgaben übernehmen, etwa Datenaufbereitung, Modellentwicklung, Schnittstellen, Tests oder Integration. Für KMU ist hier die Auswahl des richtigen Partners besonders wichtig. Der Partner sollte nicht nur KI-Kompetenz mitbringen, sondern auch die Fähigkeit, fachliche Anforderungen zu verstehen und in praktikable Lösungen zu übersetzen.

Trotz externer Unterstützung bleibt das Unternehmen selbst stark eingebunden. Fachbereiche müssen erklären, wie Prozesse funktionieren, welche Entscheidungen getroffen werden, welche Ausnahmen auftreten und welche Ergebnisse hilfreich wären. IT-Verantwortliche müssen Zugang zu Systemen, Daten und Schnittstellen ermöglichen. Die Geschäftsführung muss Prioritäten setzen und Ressourcen bereitstellen. KI kann technisch ausgelagert werden, aber nicht fachlich.

Besonders wichtig ist die Kommunikation zwischen Unternehmen und externem Partner. Viele Probleme entstehen, wenn Anforderungen zu unklar formuliert sind oder wenn technische Ergebnisse nicht ausreichend fachlich geprüft werden. Regelmäßige Abstimmungen, Zwischenergebnisse und Tests mit zukünftigen Nutzer:innen helfen, Fehlentwicklungen zu vermeiden.

Auch der Datenschutz und rechtliche Anforderungen müssen bei externer Umsetzung klar geregelt werden. Wenn personenbezogene Daten verarbeitet oder Daten an externe Dienstleister übergeben werden, müssen Rechtsgrundlagen, Zugriffsbeschränkungen, Verträge und Sicherheitsmaßnahmen geprüft werden. Das Unternehmen bleibt verantwortlich dafür, dass die eingesetzte Lösung rechtskonform genutzt wird.

Für KMU ist ein pragmatisches Vorgehen sinnvoll: mit einem klar abgegrenzten Use Case starten, externe Expertise gezielt nutzen und intern ausreichend fachliche Verantwortung aufbauen. Ziel muss nicht sein, sofort eigene KI-Entwicklungskapazitäten aufzubauen. Wichtiger ist, so viel Verständnis zu entwickeln, dass das Unternehmen gute Entscheidungen treffen, externe Angebote bewerten und Ergebnisse kritisch prüfen kann.

Die Qualität eines KI-Projekts hängt stark von den verfügbaren Daten ab. Ein KI-System lernt aus Daten. Wenn diese Daten unvollständig, fehlerhaft, verzerrt oder für die Fragestellung ungeeignet sind, wird auch das Ergebnis eingeschränkt sein. Deshalb sollte die Datenlage nicht erst während der technischen Umsetzung geprüft werden, sondern bereits bei der Bewertung des Use Cases.

Eine zentrale Anforderung ist Relevanz. Die Daten müssen jene Informationen enthalten, die für die Fragestellung tatsächlich wichtig sind. Wenn ein Unternehmen Lieferzeiten prognostizieren möchte, reichen vielleicht reine Auftragsdaten nicht aus. Es können auch Lieferantendaten, Transportwege, Mengen, Wochentage, Feiertage, Wetter, Staus oder Rampenzeiten relevant sein. Die Datenbasis muss den realen Zusammenhang ausreichend abbilden.

Eine zweite Anforderung ist Vollständigkeit. Fehlende Werte, nicht gepflegte Felder oder lückenhafte Zeitreihen können die Modellqualität stark beeinträchtigen. Besonders problematisch ist, wenn Daten systematisch fehlen. Wenn bestimmte Ereignisse nur manchmal dokumentiert werden oder Ausnahmen nicht erfasst sind, kann das KI-System falsche Muster lernen.

Auch Konsistenz und Eindeutigkeit sind wichtig. Daten aus unterschiedlichen Systemen müssen zusammenpassen. Artikelnummern, Kundennamen, Standorte oder Lieferanten müssen eindeutig zugeordnet werden können. Wenn verschiedene Abteilungen unterschiedliche Datenstände verwenden, entstehen Widersprüche. Für KI-Projekte ist daher oft eine Bereinigung oder Harmonisierung der Daten notwendig.

Ein weiterer Aspekt ist die mögliche Verzerrung der Daten. Historische Daten bilden nicht nur objektive Realität ab, sondern auch bisherige Entscheidungen, Gewohnheiten und Einschränkungen. Wenn zum Beispiel bestimmte Kunden in der Tourenplanung regelmäßig bevorzugt wurden, kann ein KI-System diese Bevorzugung als scheinbar normales Muster übernehmen. Solche Verzerrungen müssen erkannt und fachlich bewertet werden.

Datenqualität muss jedoch pragmatisch betrachtet werden. Es ist selten möglich, vor einem Projekt perfekte Daten herzustellen. Stattdessen sollte iterativ geprüft werden, welche Datenprobleme wirklich relevant sind und ob zusätzliche Bereinigung den Nutzen der Lösung ausreichend verbessert. Nicht jede Datenlücke verhindert ein Projekt, aber zentrale Mängel müssen adressiert werden.

Zusätzlich müssen rechtliche Anforderungen eingehalten werden. Besonders relevant ist die Datenschutz-Grundverordnung, wenn personenbezogene Daten verarbeitet werden. Daten müssen rechtmäßig, zweckgebunden und transparent genutzt werden. Grundsätze wie Datenminimierung, Richtigkeit und Speicherbegrenzung sind zu beachten. Bei Anwendungen mit hohem Risiko kann zudem eine Datenschutz-Folgenabschätzung erforderlich sein.

Für KMU bedeutet das: Die Datenanforderungen sollten nicht als rein technische Aufgabe verstanden werden. Datenqualität ist eine gemeinsame Verantwortung von Fachbereich, IT und Management. Ein KI-Projekt kann nur dann erfolgreich sein, wenn die Daten das reale Problem ausreichend gut abbilden und verantwortungsvoll genutzt werden.

Ein KI Use Case ist erfolgreich, wenn er einen klar definierten Nutzen erreicht und im praktischen Einsatz funktioniert. Das klingt einfach, ist aber in der Umsetzung anspruchsvoll. Viele KI-Projekte scheitern nicht daran, dass kein Modell entwickelt werden kann, sondern daran, dass Erfolg zu unklar definiert wurde. Deshalb sollten Erfolgskriterien bereits bei der Use-Case-Definition festgelegt werden.

Erfolg kann unterschiedliche Formen annehmen. In manchen Fällen geht es um messbare wirtschaftliche Effekte, etwa reduzierte Lagerkosten, bessere Auslastung, weniger Fehlplanungen, kürzere Bearbeitungszeiten oder geringere manuelle Aufwände. In anderen Fällen steht eine bessere Entscheidungsgrundlage im Vordergrund, etwa mehr Transparenz über Ursachen von Verzögerungen oder bessere Einschätzungen zukünftiger Nachfrage.

Wichtig ist, dass Erfolgskriterien dem KI-System tatsächlich zugeordnet werden können. Wenn sich gleichzeitig mehrere Prozesse ändern, ist es schwer zu bewerten, welchen Anteil die KI-Lösung am Ergebnis hatte. Deshalb sollten Unternehmen möglichst konkrete Ausgangswerte erfassen: Wie gut ist die heutige Prognose? Wie lange dauert die aktuelle Planung? Wie häufig treten Fehler auf? Welche Kosten entstehen durch das Problem? Ohne solche Vergleichswerte bleibt der Nutzen schwer greifbar.

Auch technische Kennzahlen können wichtig sein, reichen aber allein nicht aus. Eine hohe Prognosegenauigkeit ist wertvoll, wenn sie zu besseren Entscheidungen führt. Sie ist weniger wertvoll, wenn die Ergebnisse zu spät kommen, nicht verständlich sind oder von Nutzer:innen nicht verwendet werden. Deshalb sollte Erfolg immer aus fachlicher und praktischer Perspektive bewertet werden.

Gerade beim ersten KI-Projekt sollte Erfolg außerdem als Lernfortschritt verstanden werden. Ein Pilotprojekt kann wertvolle Erkenntnisse bringen, auch wenn die Lösung noch nicht sofort in den breiten Betrieb geht. Das Unternehmen lernt, welche Daten vorhanden sind, welche Lücken bestehen, wie externe Zusammenarbeit funktioniert, welche Kompetenzen intern fehlen und wie Mitarbeiter:innen auf KI reagieren.

Das bedeutet nicht, dass jedes Ergebnis automatisch als Erfolg gelten sollte. Ein KI-Projekt braucht klare Ziele und ehrliche Bewertung. Wenn sich zeigt, dass der Use Case nicht geeignet ist oder der erwartete Nutzen nicht erreichbar ist, kann auch ein kontrollierter Abbruch eine sinnvolle Entscheidung sein. Wichtig ist, dass daraus gelernt wird und die Erkenntnisse für weitere Projekte genutzt werden.

Für KMU ist eine realistische Erwartungshaltung entscheidend. Das erste KI-Projekt sollte nicht daran gemessen werden, ob es sofort eine große Transformation auslöst. Es sollte daran gemessen werden, ob es ein relevantes Problem bearbeitet, belastbare Erkenntnisse liefert und eine Grundlage für weitere KI-Nutzung schafft.

Die Akzeptanz eines KI-Systems entscheidet wesentlich darüber, ob es im Alltag genutzt wird. Eine technisch gute Lösung bringt wenig, wenn Mitarbeiter:innen ihr nicht vertrauen, sie nicht verstehen oder keinen Nutzen für ihre Arbeit erkennen. Deshalb sollte Akzeptanz nicht erst bei der Einführung berücksichtigt werden, sondern bereits während der Entwicklung.

Ein zentraler Faktor ist wahrgenommene Nützlichkeit. Nutzer:innen müssen verstehen, welchen konkreten Vorteil das System bringt. Hilft es, Zeit zu sparen? Reduziert es Fehler? Macht es Entscheidungen nachvollziehbarer? Entlastet es von repetitiven Aufgaben? Verbessert es Planungssicherheit? Je klarer der Nutzen für die tägliche Arbeit erkennbar ist, desto höher ist die Wahrscheinlichkeit, dass das System angenommen wird.

Ebenso wichtig ist einfache Nutzbarkeit. Ein KI-System sollte möglichst gut in bestehende Arbeitsabläufe integriert sein. Wenn Nutzer:innen zusätzliche Systeme öffnen, Daten manuell übertragen oder Ergebnisse aufwendig interpretieren müssen, sinkt die Akzeptanz. Gute technische Integration und eine verständliche Darstellung der Ergebnisse sind daher nicht nur Komfortfragen, sondern Erfolgsfaktoren.

Vertrauen ist besonders wichtig. KI-Ergebnisse können für Nutzer:innen schwer nachvollziehbar sein, insbesondere wenn das System komplexe Modelle verwendet. Deshalb sollten Unternehmen erklären, was das System tut, welche Daten genutzt werden, welche Grenzen bestehen und in welchen Situationen Ergebnisse kritisch geprüft werden müssen. Nicht jede technische Komplexität muss vollständig offengelegt werden, aber die grundlegende Logik und der richtige Umgang mit Ergebnissen sollten verständlich sein.

Auch Sorgen und Widerstände müssen ernst genommen werden. KI kann Ängste auslösen, etwa vor Kontrolle, Arbeitsplatzverlust oder Entwertung von Erfahrungswissen. Diese Themen sollten offen angesprochen werden. Häufig ist es hilfreich, KI als Unterstützung zu positionieren: Das System liefert Hinweise, Prognosen oder Empfehlungen, während Menschen weiterhin Verantwortung für Entscheidungen tragen.

Eine frühe Einbindung der Nutzer:innen kann Akzeptanz deutlich erhöhen. Wenn zukünftige Anwender:innen bereits in Workshops, Tests oder Pilotphasen beteiligt sind, können sie Anforderungen einbringen und die Lösung mitgestalten. Das erhöht nicht nur die Qualität der Lösung, sondern auch die Bereitschaft, sie später zu nutzen.

Für KMU ist dieser Punkt besonders wichtig, weil Veränderungen oft sehr direkt wahrgenommen werden. Wenn wenige Personen eng zusammenarbeiten, kann Akzeptanz durch persönliche Kommunikation, frühe Einbindung und sichtbaren Nutzen gestärkt werden. Die zentrale Botschaft lautet: Akzeptanz entsteht nicht automatisch durch gute Technologie. Sie entsteht durch Nutzen, Verständlichkeit, Vertrauen und Beteiligung.

KI-Governance beschreibt die Regeln, Verantwortlichkeiten und Kontrollmechanismen, mit denen KI-Systeme sicher, rechtskonform und verantwortungsvoll eingesetzt werden. Für ein erstes KI-Projekt kann der Begriff zunächst abstrakt wirken. Trotzdem ist Governance wichtig, weil KI-Systeme Entscheidungen beeinflussen, Daten verarbeiten und Risiken erzeugen können.

Ein erster Bestandteil ist die Klärung von Verantwortlichkeiten. Wer ist für das KI-System zuständig? Wer entscheidet über Änderungen? Wer prüft Ergebnisse? Wer reagiert bei Fehlern? Wer ist Ansprechpartner:in für Nutzer:innen? Ohne klare Rollen kann es im Betrieb schnell zu Unsicherheit kommen, besonders wenn Ergebnisse unerwartet ausfallen oder Störungen auftreten.

Ein zweiter Bestandteil ist die Risikobewertung. Nicht jede KI-Anwendung ist gleich kritisch. Ein System, das interne Prognosen für Lagerbestände erstellt, hat andere Risiken als ein System, das automatisiert Entscheidungen über Personen trifft. Unternehmen sollten prüfen, welche Auswirkungen Fehler haben könnten und welche rechtlichen Anforderungen gelten. Dabei ist auch der EU AI Act relevant, der KI-Systeme nach Risikostufen einordnet und bestimmte Pflichten für Betreiber vorsieht.

Datenschutz ist ebenfalls Teil der Governance. Wenn personenbezogene Daten genutzt werden, müssen DSGVO-Anforderungen eingehalten werden. Dazu gehören Rechtsgrundlage, Zweckbindung, Transparenz, Datenminimierung und angemessene Schutzmaßnahmen. Auch wenn keine personenbezogenen Daten verarbeitet werden, sollten Datenzugriff, Berechtigungen und Datensicherheit geregelt sein.

Ein weiterer Punkt ist Transparenz und Dokumentation. Unternehmen sollten nachvollziehbar festhalten, wofür das KI-System eingesetzt wird, welche Daten genutzt werden, welche Annahmen getroffen wurden, welche Grenzen bekannt sind und wie Ergebnisse überwacht werden. Diese Dokumentation hilft nicht nur bei rechtlichen Anforderungen, sondern auch bei interner Nachvollziehbarkeit.

Governance betrifft außerdem den laufenden Betrieb. KI-Systeme müssen überwacht werden, weil sich Daten und Rahmenbedingungen verändern können. Wenn die Leistung sinkt oder Ergebnisse auffällig werden, müssen Prozesse existieren, um das Problem zu erkennen und zu beheben. Je nach Risikostufe können unterschiedliche Kontroll- und Überwachungsmaßnahmen notwendig sein.

Für KMU muss Governance nicht übermäßig bürokratisch sein. Wichtig ist ein angemessener Rahmen, der zum Risiko und zur Größe des Projekts passt. Ein kleines Pilotprojekt braucht vielleicht keine komplexe Governance-Struktur, aber es braucht klare Zuständigkeiten, dokumentierte Entscheidungen, Datenschutzprüfung und Regeln für den Umgang mit Ergebnissen. Governance sollte daher von Anfang an mitgedacht werden, nicht erst nach der technischen Fertigstellung.

Ein erfolgreicher Pilot ist noch kein produktives KI-System. Bevor eine KI-Anwendung dauerhaft im Betrieb genutzt werden kann, müssen technische, organisatorische und menschliche Voraussetzungen geschaffen werden. Der Übergang vom Pilot in den laufenden Betrieb ist deshalb ein eigener wichtiger Schritt.

Zunächst muss die Bereitstellung der Eingangsdaten stabilisiert werden. Während der Entwicklung werden Daten oft manuell exportiert, bereinigt oder angepasst. Für den laufenden Betrieb ist das meist nicht praktikabel. Stattdessen sollten standardisierte Datenflüsse aufgebaut werden. Der Leitfaden verweist hier auf Data Pipelines: automatisierte Routinen, die Daten aus Quellsystemen abrufen, integrieren und für das KI-System vorbereiten.

Auch das Training oder Nachtraining des KI-Modells muss organisiert werden. Manche Modelle werden einmal trainiert und anschließend nur gelegentlich angepasst. Andere müssen regelmäßig mit neuen Daten aktualisiert werden. Unternehmen sollten früh klären, wie oft dies notwendig ist, wer dafür verantwortlich ist und wie geprüft wird, ob ein neues Modell besser ist als das bisherige.

Ein weiterer zentraler Punkt ist Monitoring. Im Betrieb muss überwacht werden, ob das System weiterhin zuverlässig arbeitet. Daten können sich verändern, Prozesse können angepasst werden, neue Kundengruppen oder Produkte können hinzukommen. Dadurch kann die Qualität der KI-Ergebnisse sinken. Monitoring hilft, solche Veränderungen früh zu erkennen und Gegenmaßnahmen einzuleiten.

Auch Supportprozesse müssen vorbereitet werden. Nutzer:innen müssen wissen, an wen sie sich wenden können, wenn Ergebnisse unplausibel wirken, das System nicht funktioniert oder Fragen zur Interpretation entstehen. Ohne klare Supportwege kann Vertrauen schnell verloren gehen.

Ebenso wichtig ist die Integration in Arbeitsabläufe. Die Ergebnisse des KI-Systems müssen dort verfügbar sein, wo Entscheidungen getroffen werden. Wenn ein System beispielsweise Bestellvorschläge erzeugt, müssen diese in den Beschaffungsprozess eingebunden werden. Wenn es Tourenempfehlungen liefert, müssen Disponent:innen sie in ihrer gewohnten Umgebung nutzen können. Ein KI-System sollte nicht als isolierte Zusatzanwendung neben dem eigentlichen Prozess stehen.

Schließlich müssen Anwender:innen vorbereitet werden. Sie sollten verstehen, wie das System genutzt wird, welche Ergebnisse es liefert, wann sie diesen Ergebnissen vertrauen können und wann menschliche Prüfung erforderlich ist. Schulung und Kommunikation sind daher Teil der Betriebsvorbereitung, nicht nur ein nachgelagerter Zusatz.

Für KMU lautet die zentrale Empfehlung: Der laufende Betrieb sollte bereits während des Pilotprojekts mitgedacht werden. Eine Lösung, die im Test funktioniert, muss noch nicht alltagstauglich sein. Erst wenn Datenflüsse, Zuständigkeiten, Monitoring, Support und Arbeitsabläufe geklärt sind, kann aus einem Pilot ein stabiles KI-System werden.

Mitarbeiter:innen müssen auf den Einsatz von KI vorbereitet werden. Dabei geht es nicht nur darum, eine neue Software bedienen zu können. KI-Schulungen sollten auch Verständnis dafür schaffen, was das System leisten kann, wo seine Grenzen liegen und wie Ergebnisse verantwortungsvoll genutzt werden.

Im Rahmen des EU AI Act sind ebenso Schulungspflichten für Beteiligte eingeführt worden. Betreiber von KI-Systemen müssen sicherstellen, dass Nutzer:innen und Personen, die in den Betrieb eines KI-Systems involviert sind, über ausreichende KI-Kompetenz verfügen. KI-Kompetenz umfasst technische, rechtliche und ethische Kenntnisse, Risikobewusstsein und praktische Anwendungsfähigkeit. Dabei sollen Ausbildungsstand, Rolle und Einsatzbereich berücksichtigt werden.

Für Anwender:innen bedeutet das vor allem: Sie müssen wissen, wie sie mit dem konkreten System arbeiten. Welche Eingaben sind nötig? Wie werden Ergebnisse dargestellt? Welche Handlungsmöglichkeiten gibt es? Wann sollte ein Vorschlag übernommen, angepasst oder hinterfragt werden? Wie werden Fehler oder auffällige Ergebnisse gemeldet?

Darüber hinaus sollten Nutzer:innen ein Grundverständnis für KI entwickeln. Sie müssen nicht wissen, wie ein Modell mathematisch im Detail funktioniert. Sie sollten aber verstehen, dass KI-Systeme aus Daten lernen, dass Ergebnisse von Datenqualität abhängen und dass Prognosen oder Empfehlungen immer mit Unsicherheit verbunden sein können. Dieses Verständnis hilft, blindes Vertrauen ebenso zu vermeiden wie unbegründete Ablehnung.

Personen, die das System betreiben oder weiterentwickeln, benötigen zusätzliche Schulungen. Dazu gehören Monitoring, Datenflüsse, Modellaktualisierung, Governance, Datenschutz und Dokumentation. Führungskräfte wiederum sollten verstehen, welche organisatorischen Auswirkungen KI hat, welche Verantwortlichkeiten entstehen und wie der Nutzen bewertet werden kann.

Auch ethische und rechtliche Aspekte sollten Teil der Schulungen sein. Dazu gehört etwa der Umgang mit personenbezogenen Daten, die Vermeidung unzulässiger Nutzung, das Erkennen von Verzerrungen und die Frage, wann menschliche Kontrolle notwendig ist. Gerade in sensiblen Bereichen darf KI nicht unkritisch als objektive Entscheidungsinstanz verstanden werden.

Schulungen können intern oder extern, online oder in Präsenz stattfinden. Wichtig ist, dass sie zur jeweiligen Rolle passen und dokumentiert werden. Der Leitfaden weist darauf hin, dass Schulungen und Nachweise zur KI-Kompetenz dokumentiert werden sollten.

Für KMU ist ein pragmatischer Ansatz sinnvoll: Alle betroffenen Mitarbeiter:innen sollten eine verständliche Einführung erhalten. Personen mit besonderer Verantwortung brauchen vertiefte Schulungen. Entscheidend ist, dass KI nicht als Black Box eingeführt wird, sondern als Werkzeug, dessen Nutzen und Grenzen bekannt sind.

Zurück zur Übersicht

Bei Fragen wenden Sie sich gerne an:

Peter Ladendorfer, MA
Projektmanager

Ein Projekt im Auftrag von

BMIMI - Bundesministerium Innovation, Mobilität und Infrastruktur
Werden Sie Teil des
Verein Netzwerk Logistik
Mitglied werden