Der Druck, Künstliche Intelligenz einzuführen, ist in vielen Mittelstandsunternehmen heute spürbar. Gesellschafter, Markt, Wettbewerb: Die Signale kommen von überall. Was dabei oft fehlt, ist die Antwort auf eine schlichten Frage: Welche Prozesse sollen hier eigentlich besser werden?
KI ist kein Reparaturwerkzeug. Sie erkennt keine Engpässe, die vorher nicht sichtbar gemacht wurden. Sie tut, was ihr Datenfundament erlaubt – und sie tut es schnell. Wer einen dysfunktionalen Prozess automatisiert, bekommt keinen besseren Prozess. Er bekommt denselben Fehler, in kürzerer Zeit, in größerem Maßstab.
In der Arbeit mit Mittelstands-Entscheidern ist dieses Muster regelmäßig anzutreffen. Nicht weil die Unternehmen leichtfertig entscheiden, sondern weil der Schritt vor der Toolauswahl in den meisten Einführungsprojekten schlicht nicht vorgesehen ist.
Lean Six Sigma arbeitet mit einem Grundsatz, der sich in 17 Jahren Industriepraxis immer wieder bestätigt hat: Erst verstehen, was wirklich passiert, dann entscheiden, was verändert werden soll. Das klingt selbstverständlich. In der Praxis der KI-Einführung wird es konsequent übersprungen.
Wertstromanalyse ist das Werkzeug dafür. Sie macht sichtbar, wo in einem Ablauf tatsächlich Wartezeiten entstehen, wo Doppelarbeit stattfindet, wo Informationen verloren gehen. Nicht auf dem Papier, wie der Prozess gedacht ist, sondern im Alltag, wie er wirklich läuft. Dieser Unterschied ist fast immer erheblich.
Wer diesen Schritt überspringt, wählt ein Tool, das auf Annahmen basiert. Wer ihn einplant, wählt ein Tool, das auf Fakten basiert. Beide Unternehmen kaufen dieselbe Lizenz. Das Ergebnis nach zwölf Monaten ist ein anderes.
Die Measure-Phase in DMAIC hat im KI-Kontext eine konkrete Bedeutung: Datenbasis-Audit vor Implementierungsstart. Wie sehen die vorhandenen Daten heute wirklich aus? Wo entstehen Inkonsistenzen, Lücken, Doppelungen? KI-Systeme arbeiten auf dem, was vorhanden ist. Wer das nicht kennt, baut auf Sand.
Was nicht gemessen wird, wird nicht verbessert. Unternehmen, die vor der Implementierung keine Ausgangskennzahl definieren, haben nach zwölf Monaten keine belastbare Grundlage für die nächste Budgetentscheidung. Nicht weil das Tool schlecht war, sondern weil der Maßstab fehlte.
Wie lange dauert ein Prozess wirklich?
Wo entstehen Fehler systematisch?
Wie viel manuelle Arbeit steckt drin?
Zwei bis drei sorgfältig gewählte Messgrößen reichen. Wer das vorher definiert, hat nach der Implementierung ein Argument. Wer es nicht tut, hat eine Hoffnung.
Der KIRA-Prozess von Jörn Kugler (KI-Readiness-Analyse) setzt genau an diesem Punkt an. Bevor das erste Tool empfohlen wird, wird der Ist-Zustand der relevanten Prozesse aufgenommen. Wertstromanalyse und strukturierte Prozessaufnahme nach Lean Six Sigma schaffen die Grundlage, auf der eine Toolentscheidung tragfähig ist.
Wertstromanalyse der relevanten Prozesse
Datenbasis-Audit vor Implementierungsstart
Welche Prozesse eignen sich wirklich für KI?
Erst jetzt kommt das erste Tool ins Gespräch
Das Ergebnis ist keine Toolempfehlung als erste Antwort. Es ist eine priorisierte Einschätzung: Welche Prozesse eignen sich wirklich für KI-Unterstützung? Welche Voraussetzungen fehlen noch? Welche Use Cases erzeugen den höchsten ROI bei überschaubarem Aufwand?
Die KI PRAXIS AKADEMIE begleitet Mittelstandsunternehmen durch diesen Schritt – als eigenständige Beratungsleistung mit messbarem Ergebnis: Klarheit vor der Investition.
KI ist kein Wundermittel und kein Risiko. Sie ist ein Werkzeug mit klaren Voraussetzungen. Wer diese Voraussetzungen vor dem Start klärt, investiert in etwas Messbares. Wer sie überspringt, investiert in Geschwindigkeit an der falschen Stelle.
Der Unterschied entsteht nicht im Tool. Er entsteht in dem, was vor dem Tool kommt.
ki-readiness.kiprakademie.de
Hinweis gemäß Art. 50 EU Ai Act: Der Inhalt dieser Seite (Text und Bilder) wurde mithilfe künstlicher Intelligenz erstellt.
Veröffentlicht am 29. Juni 2026