Die meisten Gespräche über KI in kleinen und mittleren Unternehmen drehen sich um die falsche Frage. Es geht selten darum, ob KI etwas kann – sie kann inzwischen erstaunlich viel. Die entscheidende Frage ist, wo sich der Aufwand für Einführung, Einarbeitung und laufende Kontrolle tatsächlich rechnet. Genau das entscheidet, ob ein Projekt nach drei Monaten stolz präsentiert oder still wieder eingestellt wird.
Dieser Artikel ist bewusst kein Werbetext für „die Zukunft". Es ist eine ehrliche Landkarte: fünf Anwendungsfälle, bei denen sich KI im Tagesgeschäft eines KMU zuverlässig lohnt – jeweils mit dem konkreten Ablauf, dem realistischen Aufwand, den typischen Fallstricken und einer Einschätzung, ab wann es sich rechnet. Dazu ein ebenso ehrlicher Abschnitt darüber, wo KI aktuell mehr Schaden als Nutzen stiftet.
Die eine Regel, an der man alles messen kann
Bevor wir zu den Beispielen kommen, hier die Faustregel, die mir in der Praxis am zuverlässigsten hilft. KI rechnet sich dort, wo eine Aufgabe vier Eigenschaften gleichzeitig hat:
- Sie kommt oft vor. Etwas, das dreimal im Jahr passiert, ist kein Automatisierungs-, sondern ein Konzentrationsproblem.
- Sie folgt einem Muster. Es gibt eine wiederkehrende Struktur – auch wenn die Inhalte variieren.
- Sie dreht sich um Text oder strukturierbare Daten. Genau hier sind Sprachmodelle stark.
- Ein Fehler ist sichtbar und korrigierbar, bevor er Schaden anrichtet. Es gibt einen Menschen, der das Ergebnis kurz prüft.
Fehlt die letzte Eigenschaft – also die Möglichkeit, in Ruhe gegenzulesen, bevor etwas hinausgeht – wird es heikel. Fehlt eine der ersten drei, ist der Aufwand meist größer als der Nutzen. Alle fünf folgenden Use Cases erfüllen die Regel. Der letzte Abschnitt zeigt, wo sie gebrochen wird.
1. Angebote, Standarddokumente und wiederkehrende Schreiben
Das ist der Klassiker, bei dem fast jedes KMU sofort Zeit gewinnt. Angebote, Leistungsbeschreibungen, Absagen, Standardverträge, Projektberichte – Dokumente, die zu 70 % gleich sind und zu 30 % individuell.
Wie es konkret funktioniert: Man hinterlegt seine besten bestehenden Dokumente als Vorlage und Beispiel. Für ein neues Angebot gibt man die Eckdaten ein – Kunde, Leistung, Menge, Sonderfälle – und das Modell erzeugt einen vollständigen Entwurf im eigenen Stil und mit den eigenen Textbausteinen. Man liest gegen, passt zwei Sätze an, fertig. Aus 40 Minuten „von der leeren Seite" werden 8 Minuten Feinschliff.
Was man dafür braucht: Fünf bis zehn gute Beispieldokumente. Mehr Aufwand ist es am Anfang nicht. Wer auf Nummer sicher gehen will, legt eine kurze Liste mit „so formulieren wir / so nie" an – das hebt die Trefferquote deutlich.
Realistischer Hebel: Bei jemandem, der pro Woche 10 Angebote schreibt, sind das schnell mehrere Stunden – Woche für Woche. Das ist der Use Case mit dem kürzesten Weg zum spürbaren Ergebnis, oft schon in der ersten Woche.
Fallstrick: Zahlen, Preise und rechtlich relevante Klauseln immer selbst prüfen. Das Modell formuliert überzeugend – auch dann, wenn es einen Betrag verwechselt. Der Mensch bleibt für die Fakten verantwortlich, die KI nur für den Rohbau des Textes.
2. Anfragen sortieren und Erstantworten vorbereiten
In vielen Betrieben landet alles in einem Postfach: Angebotsanfragen, Support, Rechnungsfragen, Bewerbungen, Werbung. Jemand muss das sichten, zuordnen und weiterleiten – bevor überhaupt inhaltlich gearbeitet wird.
Wie es konkret funktioniert: KI kann eingehende Nachrichten automatisch kategorisieren („Neuanfrage", „bestehender Kunde", „Rechnung", „irrelevant"), das Dringliche nach oben sortieren und für die häufigsten Fälle einen Antwortentwurf vorbereiten. Wichtig: Entwurf, nicht automatischer Versand. Der Mitarbeiter sieht morgens ein vorsortiertes Postfach mit fertigen Vorschlägen und entscheidet mit einem Klick.
Was man dafür braucht: Klarheit darüber, welche Anfragetypen es überhaupt gibt und wie die Standardantworten aussehen. Diese Denkarbeit lohnt sich ohnehin – sie deckt oft auf, dass 80 % der Anfragen aus einer Handvoll wiederkehrender Fragen bestehen.
Realistischer Hebel: Nicht nur Zeit, sondern vor allem Reaktionsgeschwindigkeit. Wer auf eine Anfrage in 20 Minuten statt in zwei Tagen reagiert, gewinnt Aufträge, die sonst zum schnelleren Mitbewerber gehen.
Fallstrick: Nie vollautomatisch senden lassen, solange nicht über Wochen belegt ist, dass die Entwürfe verlässlich passen. Eine einzige peinliche Auto-Antwort an den falschen Kunden kostet mehr Vertrauen, als die Automatisierung an Zeit spart.
3. Das Firmenwissen durchsuchbar machen
Jedes gewachsene Unternehmen sitzt auf einem Berg an Wissen, das faktisch nicht auffindbar ist: Angebote von 2019, technische Datenblätter, interne Anleitungen, E-Mail-Verläufe, Protokolle. Die Antwort existiert – aber nur der Kollege weiß, in welchem Ordner.
Wie es konkret funktioniert: Man verbindet ein KI-System mit den eigenen Dokumenten (das nennt sich technisch „RAG"). Dann kann man in normaler Sprache fragen: „Was haben wir dem Kunden X 2022 für die Halle angeboten?" oder „Wie war unsere Vorgehensweise beim letzten Umbau dieser Art?" – und bekommt die Antwort mit Quellenangabe, also mit Verweis auf das Originaldokument.
Was man dafür braucht: Etwas mehr Vorbereitung als bei den ersten beiden Fällen. Die Dokumente müssen digital und halbwegs geordnet vorliegen. Der Aufbau ist ein echtes kleines Projekt – aber einmal eingerichtet, ist es für Betriebe mit hoher Mitarbeiterfluktuation oder viel Spezialwissen extrem wertvoll.
Realistischer Hebel: Weniger „X Stunden gespart", mehr „Wissen geht nicht mehr verloren, wenn jemand in Pension geht". Der Nutzen ist strategisch, nicht nur operativ.
Fallstrick: Zugriffsrechte von Anfang an mitdenken. Nicht jeder soll über die KI an Gehaltslisten oder vertrauliche Verträge kommen. Das ist lösbar, aber es muss vor dem Start geklärt werden, nicht danach.
4. Belege und Rechnungen automatisch erfassen
Eingangsrechnungen, Lieferscheine, Belege abtippen ist stumpfe, fehleranfällige Arbeit – und sie fällt jeden Monat an.
Wie es konkret funktioniert: KI liest die relevanten Felder aus einem Dokument aus – Rechnungsnummer, Betrag, Steuersatz, Lieferant, Datum – auch bei völlig unterschiedlichen Layouts, mit denen klassische Erkennungssoftware oft scheitert. Die Daten landen strukturiert in der Buchhaltung oder Warenwirtschaft, bereit zur Freigabe.
Was man dafür braucht: Ein definiertes Zielsystem, in das die Daten fließen, und eine Freigabestufe. Der Charme liegt darin, dass die KI mit der Vielfalt an Rechnungsformaten zurechtkommt, statt für jeden Lieferanten eine eigene Vorlage zu brauchen.
Realistischer Hebel: Direkt messbar in eingesparten Stunden pro Monat – und in weniger Tippfehlern, die später mühsam korrigiert werden müssen.
Fallstrick: Eine Kontrollstufe ist Pflicht, gerade bei Beträgen und Steuersätzen. Sinnvoll ist eine Schwelle: Rechnungen unter einem bestimmten Betrag laufen nach Stichprobe durch, alles darüber wird einzeln freigegeben.
5. Inhalte und Marketing – mit Augenmaß
KI kann Rohentwürfe für Newsletter, Website-Texte, Social-Media-Beiträge und Produktbeschreibungen liefern und einen langen Text in fünf verschiedene Formate für unterschiedliche Kanäle verwandeln. Für einen Betrieb ohne eigene Marketingabteilung ist das ein echter Hebel.
Wie es konkret funktioniert: Man gibt Thema, Zielgruppe und Kernbotschaft vor und lässt sich mehrere Varianten geben. Der Wert liegt im Rohmaterial und im Überwinden der leeren Seite – nicht im fertigen Produkt.
Warum hier Augenmaß nötig ist: Reine KI-Texte klingen erkennbar generisch, wenn niemand sie überarbeitet. Und wenn jeder Betrieb dieselben Werkzeuge nutzt, klingt am Ende auch jeder gleich. Der Wert entsteht erst, wenn ein Mensch die eigene Stimme, konkrete Beispiele und echte Standpunkte einbringt. KI liefert das Skelett, der Mensch das, was den Text unterscheidbar macht.
Fallstrick: Fachliche Aussagen und Zahlen prüfen. Ein selbstbewusst formulierter, aber falscher Satz auf der eigenen Website schadet mehr, als ein fehlender Beitrag es je täte.
Wo sich KI (noch) nicht rechnet
Genauso wichtig wie die Chancen sind die Grenzen. Ich rate aktiv ab, wenn eine dieser Bedingungen zutrifft:
- Wenn ein Fehler nicht vorab auffällt. Überall, wo das Ergebnis ungeprüft nach außen geht oder eine irreversible Handlung auslöst, ist das Risiko höher als der Gewinn.
- Wenn echtes Urteilsvermögen oder Beziehung gefragt ist. Ein schwieriges Kundengespräch, eine Personalentscheidung, eine Preisverhandlung – das ist menschliche Arbeit und bleibt es auf absehbare Zeit.
- Wenn die Menge zu klein ist. Für fünf Vorgänge im Jahr lohnt sich der Einrichtungsaufwand schlicht nicht. Dann ist eine gute Vorlage die bessere Antwort.
- Wenn die Datenlage chaotisch ist. KI verstärkt Ordnung – und Unordnung. Liegen die Grundlagen im Argen, sollte man zuerst dort aufräumen, sonst automatisiert man das Chaos.
Wie man sinnvoll anfängt
Der häufigste Fehler ist, groß zu denken und ein „KI-Gesamtkonzept" zu wollen. Der Weg, der in der Praxis funktioniert, ist das Gegenteil:
- Einen einzigen, klar messbaren Fall wählen. Am besten den mit dem kürzesten Weg zum Ergebnis – meist Punkt 1 oder 2. Vorher festhalten, wie viel Zeit die Aufgabe heute kostet, damit man den Effekt später belegen kann.
- Zwei bis vier Wochen im echten Alltag testen. Nicht in einer künstlichen Demo, sondern an realen Vorgängen, mit der Person, die es später nutzt.
- Ehrlich Bilanz ziehen. Spart es spürbar Zeit oder Nerven? Wenn ja, ausweiten. Wenn nein, ohne falschen Stolz beenden und den nächsten Fall nehmen.
- Erst danach den zweiten Fall angehen. Ein funktionierender Use Case schafft mehr Vertrauen im Team als zehn Folien über Potenziale.
Zu den Kosten, ehrlich: Die laufenden Werkzeugkosten sind für die meisten KMU überraschend niedrig – oft im zweistelligen Eurobereich pro Monat und Nutzer. Der eigentliche Aufwand steckt in der Einrichtung und im Einlernen. Deshalb ist es klüger, mit Werkzeugen zu starten, die man jederzeit wieder wechseln kann, statt sich früh an ein einzelnes System zu binden.
Der ehrliche Kern
KI ist im KMU kein Zauberstab und keine Bedrohung – sie ist ein Werkzeug, das an den richtigen Stellen viel Zeit freispielt und an den falschen viel Ärger macht. Der Unterschied liegt nicht in der Technik, sondern in der Auswahl. Wer mit einem klar messbaren Fall beginnt, den Menschen als Kontrollinstanz behält und ehrlich Bilanz zieht, kommt fast immer weiter als der, der auf die große Strategie wartet.
Wenn Sie herausfinden möchten, welcher dieser fünf Fälle bei Ihnen am schnellsten etwas bringt, sehe ich mir das gerne konkret mit Ihnen an – ohne Buzzwords, mit ehrlicher Einschätzung, ob und wo es sich lohnt.
Most conversations about AI in small and medium-sized businesses circle around the wrong question. It's rarely about whether AI can do something – by now it can do a surprising amount. The question that actually matters is where the effort of introducing it, learning it and supervising it genuinely pays off. That is what decides whether a project gets proudly presented after three months or quietly shelved.
This article is deliberately not a sales pitch for "the future". It's an honest map: five use cases where AI reliably pays off in the day-to-day work of an SME – each with the concrete workflow, the realistic effort, the typical pitfalls and an estimate of when it starts to be worth it. Plus an equally honest section on where AI currently causes more harm than good.
The one rule you can measure everything against
Before the examples, here's the rule of thumb that helps me most reliably in practice. AI pays off where a task has four properties at the same time:
- It happens often. Something that occurs three times a year isn't an automation problem, it's a focus problem.
- It follows a pattern. There's a recurring structure, even if the content varies.
- It revolves around text or structurable data. This is exactly where language models are strong.
- A mistake is visible and correctable before it does damage. There's a human who briefly checks the result.
If the last property is missing – the chance to calmly review before something goes out – it gets risky. If one of the first three is missing, the effort usually outweighs the benefit. All five use cases below satisfy the rule. The final section shows where it gets broken.
1. Quotes, standard documents and recurring correspondence
This is the classic where almost every SME saves time immediately. Quotes, service descriptions, rejections, standard contracts, project reports – documents that are 70% identical and 30% individual.
How it works in practice: You store your best existing documents as a template and example. For a new quote you enter the key details – client, service, quantity, special cases – and the model produces a complete draft in your own style with your own wording. You read it over, adjust two sentences, done. Forty minutes "from a blank page" become eight minutes of polishing.
What you need: Five to ten good example documents. That's the whole initial effort. To play it safe, add a short "phrase it like this / never like this" list – it noticeably improves the hit rate.
Realistic gain: For someone writing 10 quotes a week, that quickly adds up to several hours – week after week. This is the use case with the shortest path to a noticeable result, often within the first week.
Pitfall: Always check figures, prices and legally relevant clauses yourself. The model writes convincingly – even when it mixes up an amount. The human stays responsible for the facts, the AI only for the rough draft of the text.
2. Triaging enquiries and preparing first replies
In many businesses everything lands in one inbox: quote requests, support, invoicing questions, applications, spam. Someone has to sift, categorise and forward it – before any real work even begins.
How it works in practice: AI can automatically categorise incoming messages ("new enquiry", "existing customer", "invoice", "irrelevant"), push the urgent ones to the top, and prepare a draft reply for the most common cases. Crucially: a draft, not an automatic send. In the morning the employee sees a pre-sorted inbox with ready-made suggestions and decides with one click.
What you need: Clarity about which types of enquiry actually exist and what the standard answers look like. That thinking is worth doing anyway – it often reveals that 80% of enquiries consist of a handful of recurring questions.
Realistic gain: Not just time, but above all response speed. Reply to an enquiry in 20 minutes instead of two days and you win jobs that would otherwise go to the faster competitor.
Pitfall: Never let it send fully automatically until weeks of evidence show the drafts are reliably right. A single embarrassing auto-reply to the wrong customer costs more trust than the automation saves in time.
3. Making company knowledge searchable
Every established company sits on a mountain of knowledge that is effectively impossible to find: quotes from 2019, technical data sheets, internal instructions, email threads, minutes. The answer exists – but only one colleague knows which folder it's in.
How it works in practice: You connect an AI system to your own documents (technically this is called "RAG"). Then you can ask in plain language: "What did we quote client X in 2022 for the hall?" or "How did we approach the last conversion of this kind?" – and get the answer with a source reference, pointing to the original document.
What you need: A bit more preparation than the first two cases. The documents have to be digital and reasonably organised. Setting it up is a genuine small project – but once in place it is extremely valuable for businesses with high staff turnover or a lot of specialist knowledge.
Realistic gain: Less "X hours saved", more "knowledge no longer walks out the door when someone retires". The benefit is strategic, not just operational.
Pitfall: Think about access rights from the start. Not everyone should be able to reach salary lists or confidential contracts through the AI. That's solvable, but it has to be settled before launch, not after.
4. Capturing receipts and invoices automatically
Typing up incoming invoices, delivery notes and receipts is dull, error-prone work – and it comes around every month.
How it works in practice: AI reads the relevant fields out of a document – invoice number, amount, tax rate, supplier, date – even across completely different layouts that trip up traditional recognition software. The data lands structured in your accounting or ERP system, ready for approval.
What you need: A defined target system for the data to flow into, and an approval step. The appeal is that the AI copes with the variety of invoice formats instead of needing a separate template per supplier.
Realistic gain: Directly measurable in hours saved per month – and in fewer typos that later have to be laboriously corrected.
Pitfall: A checking step is mandatory, especially for amounts and tax rates. A sensible approach is a threshold: invoices below a certain amount pass with spot checks, everything above is approved individually.
5. Content and marketing – with judgement
AI can deliver rough drafts for newsletters, website copy, social media posts and product descriptions, and turn one long text into five different formats for different channels. For a business without its own marketing department that's a real lever.
How it works in practice: You provide the topic, audience and core message and ask for several variants. The value lies in the raw material and in getting past the blank page – not in the finished product.
Why judgement is needed here: Pure AI text sounds recognisably generic if no one reworks it. And if every business uses the same tools, everyone ends up sounding the same. The value only appears when a human adds their own voice, concrete examples and real opinions. AI provides the skeleton; the human provides what makes the text distinguishable.
Pitfall: Check factual claims and figures. A confidently phrased but wrong sentence on your own website does more damage than a missing post ever would.
Where AI does not (yet) pay off
The limits matter just as much as the opportunities. I actively advise against it when one of these conditions applies:
- When a mistake won't be caught in advance. Anywhere the result goes out unchecked or triggers an irreversible action, the risk is higher than the gain.
- When real judgement or relationship is required. A difficult customer conversation, a personnel decision, a price negotiation – that's human work and will stay so for the foreseeable future.
- When the volume is too small. For five cases a year the setup effort simply isn't worth it. A good template is the better answer.
- When the data is chaotic. AI amplifies order – and disorder. If the foundations are a mess, tidy up there first, otherwise you're just automating the chaos.
How to start sensibly
The most common mistake is thinking big and wanting an "overall AI concept". The path that works in practice is the opposite:
- Pick a single, clearly measurable case. Ideally the one with the shortest path to a result – usually point 1 or 2. Note down how much time the task costs today, so you can prove the effect later.
- Test it for two to four weeks in real daily work. Not in an artificial demo, but on real cases, with the person who will actually use it.
- Take honest stock. Does it noticeably save time or nerves? If yes, expand. If no, stop without false pride and take the next case.
- Only then tackle the second case. One working use case builds more trust in the team than ten slides about potential.
On costs, honestly: the ongoing tool costs are surprisingly low for most SMEs – often in the low tens of euros per month per user. The real effort is in setup and learning. That's why it's smarter to start with tools you can switch away from at any time, rather than locking yourself into a single system early.
The honest core
AI in an SME is neither a magic wand nor a threat – it's a tool that frees up a lot of time in the right places and causes a lot of trouble in the wrong ones. The difference isn't in the technology but in the selection. Whoever starts with a clearly measurable case, keeps a human as the checkpoint and takes honest stock almost always gets further than the one waiting for the grand strategy.
If you'd like to find out which of these five cases would pay off fastest for you, I'm happy to look at it with you concretely – no buzzwords, with an honest assessment of whether and where it's worth it.