AI Daily Brief – The State of AI Q2: AI’s Second Moment

KI ist in ihrer zweiten Phase angekommen – und für KMU ist das wichtiger als der nächste Modellvergleich

Viele KMU diskutieren KI noch so, als ginge es vor allem um bessere Texte, schnellere Recherchen oder einen Chatbot für den internen Gebrauch. Das war die erste Phase. Die zweite Phase beginnt dort, wo KI nicht mehr nur antwortet, sondern Arbeit in Teilstücken selbst ausführt.

Genau das ist gerade der entscheidende Wandel: von Assistenz zu Agentik. Und für mittelständische Unternehmen ist das strategisch relevanter als die Frage, welches Modell auf welchem Benchmark zwei Punkte besser abschneidet.

Die Kernidee in 3 Sätzen

Die neue KI-Welle dreht sich nicht primär um „noch klügere Antworten“, sondern um Systeme, die Ziele entgegennehmen, Tools nutzen und mehrschrittige Aufgaben abarbeiten. Der Engpass liegt deshalb immer seltener im Modell selbst – und immer häufiger in Prozessen, Datenzugang, Freigaben und Verantwortlichkeiten. Wer das versteht, baut keine KI-Spielwiese, sondern einen produktiven Arbeitsmodus.

1. Der eigentliche Sprung ist nicht das Modell, sondern die Arbeitsoberfläche

In vielen Diskussionen wird KI noch wie ein reiner Modellmarkt betrachtet: GPT gegen Claude gegen Gemini. Für KMU ist das nur begrenzt hilfreich. Denn sobald die Modelle in ähnlichen Leistungsregionen liegen, entscheidet nicht mehr nur die Rohintelligenz, sondern die Frage:

• Kann das System auf relevante Informationen zugreifen?
• Kann es mit meinen Tools arbeiten?
• Kann es einen Prozess nachvollziehbar abwickeln?
• Kann ich Freigaben, Rollen und Grenzen definieren?

Praktisch heißt das: Der Mehrwert entsteht nicht durch den „besten Prompt“, sondern durch einen sauber designten Workflow.

Was heißt das praktisch?

Wenn Ihr Vertrieb heute Angebote aus E-Mails, PDFs und CRM-Daten manuell zusammensetzt, dann ist der Hebel nicht ein besserer Chat. Der Hebel ist ein Agent-Workflow, der Informationen sammelt, Entwürfe erstellt, Lücken markiert und vor Versand eine Freigabe einholt.

2. Zeitersparnis ist nett – neue Fähigkeiten sind wertvoller

Viele Unternehmen rechnen KI immer noch über eingesparte Minuten. Das ist verständlich, aber zu kurz gedacht. Die spannendere Frage lautet: Was können wir jetzt leisten, was vorher zu teuer, zu langsam oder organisatorisch unmöglich war?

Beispiele:

• personalisierte Angebotsvorbereitung in höherer Frequenz
• schnellere Bearbeitung von Servicefällen mit Dokumentenbezug
• strukturierte Vorqualifizierung von Leads
• interne Wissensaufbereitung ohne monatelange Dokumentationsprojekte

Was heißt das praktisch?

Ein KMU sollte KI-Use-Cases nicht nur nach „spart Stunden“ bewerten, sondern nach:

• höherem Durchsatz
• besserer Reaktionsgeschwindigkeit
• neuer Servicequalität
• zusätzlichem Umsatzpotenzial

Das verändert auch die Priorisierung. Oft sind Vertriebsinnendienst, Kundenservice und Backoffice die besseren Startpunkte als ein allgemeiner „KI für alle“-Rollout.

3. Die größte Lücke ist nicht technologisch, sondern organisatorisch

Das vielleicht wichtigste Signal der aktuellen Entwicklung: Die Fähigkeiten der Systeme wachsen schneller als die Fähigkeit vieler Unternehmen, sie produktiv einzusetzen. Diese Lücke wird größer – und teurer.

Typische Ursachen:

• unklare Prozesse
• fehlende Datenqualität
• keine definierten Freigaben
• unscharfe Verantwortlichkeiten
• Mitarbeitende ohne konkreten Anwendungskontext

Was heißt das praktisch?

Bevor ein KMU den nächsten Tool-Stack einkauft, sollte es drei Dinge klären:

1. Welcher Prozess ist wiederkehrend, regelbasiert und wirtschaftlich relevant?
2. Welche Daten und Systeme braucht die KI dafür wirklich?
3. Wo muss ein Mensch prüfen, freigeben oder eingreifen?

Wer diese Fragen nicht beantwortet, produziert Demos statt Ergebnisse.

4. Nicht „ein Tool für alles“, sondern ein kleiner, robuster KI-Betrieb

Ein häufiger Fehler ist die Suche nach der einen Plattform, die alles löst. Realistischer ist ein kleiner, robuster Betriebsansatz:

• 1 Kernplattform
• 1–2 spezialisierte Werkzeuge
• klare Regeln für Nutzung und Daten
• ein Pilotprozess mit messbaren KPIs
• regelmäßige Review-Schleifen

Das ist deutlich wirksamer als ein breiter Rollout ohne Priorisierung.

Was heißt das praktisch?

Für viele KMU reicht zum Start:

• ein priorisierter Prozess
• 10–20 reale Fälle als Testbasis
• ein definierter Freigabeschritt
• ein Verantwortlicher im Fachbereich
• ein KPI-Set für Qualität, Zeit und Durchsatz

So wird aus KI kein Innovationssymbol, sondern ein Betriebswerkzeug.

Umsetzung im KMU: erster Schritt + typische Stolperfallen

Der erste sinnvolle Schritt ist kein Toolkauf, sondern ein Agentic Workflow Assessment für einen konkreten Prozess. Ideal sind Abläufe mit hohem Volumen, klaren Inputs und wiederkehrenden Entscheidungen.

Typische Stolperfallen:

• zu großer Scope beim Start
• fehlende Datenbereinigung
• keine Abstimmung zwischen Fachbereich und IT
• unrealistische Vollautomatisierungs-Erwartung
• keine Erfolgsmessung

Gerade in KMU ist ein enger Zuschnitt entscheidend. Lieber ein sauberer Angebotsprozess oder ein Service-Workflow mit Freigabe als ein „Unternehmensagent“, der alles können soll und nichts stabil liefert.

Mein Beratungsbeitrag: 3 konkrete Unterstützungsangebote

1. KI-Use-Case- und Prozesspriorisierung:
Ich identifiziere mit Ihnen die 3–5 Prozesse, bei denen agentische KI kurzfristig den höchsten geschäftlichen Hebel hat.

2. Agent-Workflow-Design mit Governance:
Ich übersetze einen ausgewählten Prozess in einen umsetzbaren KI-Workflow inklusive Rollen, Freigaben, Datenanforderungen und Risikogrenzen.

3. Pilot-Rollout mit KPI-Steuerung:
Ich begleite die Einführung eines ersten produktiven Anwendungsfalls so, dass Wirkung, Qualität und Akzeptanz messbar werden.

Fazit

Die zweite KI-Phase beginnt nicht mit einem neuen Buzzword, sondern mit einer nüchternen Frage: Welche Arbeit kann in Ihrem Unternehmen jetzt teilweise delegiert werden – kontrolliert, messbar und wirtschaftlich sinnvoll?

Wer das sauber beantwortet, gewinnt nicht durch mehr Hype, sondern durch bessere Betriebsfähigkeit.

Wenn Sie aus KI-Testerei in produktive Anwendung kommen wollen, starten Sie nicht mit dem Tool – starten Sie mit dem Prozess.