Viele Unternehmen sind in den vergangenen zwei Jahren mit einer ähnlichen Logik in KI-Projekte eingestiegen: Ein konkretes Problem sollte gelöst werden, z. B. Dokumente schneller verarbeiten, Kundenanfragen entlasten, Texte effizienter produzieren. Das ist ein legitimer und oft sinnvoller Einstieg, denn KI als Werkzeug für abgrenzbare Aufgaben einzusetzen, senkt Einstiegshürden und liefert schnell messbare Ergebnisse.
Doch eine wachsende Zahl von Unternehmen steht inzwischen vor einer grundsätzlicheren Frage: Was passiert, wenn KI nicht mehr nur einzelne Prozesse verbessert, sondern die Art verändert, wie ein Unternehmen Leistungen erbringt, Werte schafft und am Markt positioniert ist? An diesem Punkt wird aus einer Technologieentscheidung eine strategische Frage; und aus einer KI-Implementierung eine Frage der Geschäftsmodellgestaltung.
Der Unterschied ist nicht akademisch. Ein Unternehmen, das KI als Werkzeug einsetzt, fragt: „Wie lösen wir das Problem effizienter?“ Ein Unternehmen, das KI ins Geschäftsmodell integriert, fragt: „Was können wir künftig anbieten, das ohne KI nicht möglich oder nicht skalierbar wäre?“ Die zweite Frage zieht ganz andere Konsequenzen nach sich, u. a. für Ressourcen, Partnerschaften, Daten, Kompetenzen und das Leistungsversprechen gegenüber Kunden.
Für Unternehmen ist diese Unterscheidung besonders relevant, weil Ressourcen und Entscheidungskapazitäten begrenzt sind. Falsch eingeschätzte Vorhaben binden nicht nur Budget, sie können auch strategische Handlungsfähigkeit einschränken.
Woran erkennt man ein tragfähiges KI-gestütztes Geschäftsmodell?
Die Frage, ob ein KI-gestütztes Geschäftsmodell tragfähig ist, lässt sich nicht mit einem einzigen Kriterium beantworten. Sie setzt voraus, dass mehrere Dimensionen gleichzeitig bewertet werden.
Datenverfügbarkeit und -qualität
KI-Anwendungen sind nur so leistungsfähig wie die Daten, auf denen sie basieren. Ein tragfähiges KI-gestütztes Geschäftsmodell setzt voraus, dass das Unternehmen über relevante, zugängliche und ausreichend strukturierte Daten verfügt oder einen realistischen Weg hat, diese aufzubauen. Viele Vorhaben scheitern nicht an der Technologie, sondern an einer Datenbasis, die für den geplanten Einsatz ungeeignet ist. Die ehrliche Bestandsaufnahme der eigenen Datensituation ist deshalb ein früher und notwendiger Schritt.
Wiederholbarkeit und Skalierbarkeit
Ein weiteres Merkmal tragfähiger KI-Modelle ist die Wiederholbarkeit des zugrunde liegenden Musters. KI entfaltet Stärken dort, wo ähnliche Entscheidungen oder Prozesse in großer Zahl wiederholt werden müssen, z. B. bei der Klassifikation von Anfragen, der Auswertung strukturierter Daten, der personalisierten Kommunikation im großen Maßstab. Einmalige oder stark individualisierte Leistungen lassen sich in der Regel nicht sinnvoll KI-gestützt skalieren.
Integrierbarkeit in bestehende Strukturen
Tragfähigkeit bedeutet auch, dass das KI-gestützte Modell in die operativen Strukturen des Unternehmens eingebettet werden kann. Schnittstellen zu bestehenden Systemen, Akzeptanz bei Mitarbeitenden und die Fähigkeit des Unternehmens, KI-generierte Ergebnisse zu bewerten und zu steuern, sind keine Nebenfragen. Sie entscheiden darüber, ob eine Lösung tatsächlich in den Alltag überführt werden kann oder als Prototyp stecken bleibt.
Regulatorische Anforderungen
Spätestens seit dem Inkrafttreten des EU AI Act müssen Unternehmen auch regulatorische Dimensionen im Blick behalten. Die Anforderungen greifen dabei gestaffelt und je nach Regelungsbereich zu unterschiedlichen Zeitpunkten. Abhängig von Anwendungsfall und Risikoklasse entstehen Anforderungen an Transparenz, Dokumentation und wirksame menschliche Aufsicht. Ein Geschäftsmodell, das auf KI-Anwendungen im Hochrisikobereich aufbaut – etwa in der Personalentscheidung oder der sicherheitsrelevanten Infrastruktur – erfordert erheblich mehr Vorarbeit als Anwendungen mit niedrigem Risikopotenzial. Die Einordnung des eigenen Vorhabens in den regulatorischen Rahmen sollte frühzeitig erfolgen, nicht nachträglich. Je nach Anwendungsbereich gelten unterschiedliche Übergangsfristen, etwa für verbotene Praktiken, Transparenzpflichten und Hochrisiko-Systeme.
Kundennutzen als Maßstab: Die zentrale Frage, die viele zu spät stellen
Eines der am häufigsten unterschätzten Kriterien für die Tragfähigkeit KI-gestützter Geschäftsmodelle ist die Frage nach dem tatsächlichen Kundennutzen. Viele Unternehmen entwickeln KI-Lösungen primär aus interner Perspektive: Was können wir mit dieser Technologie machen? Was vereinfacht unsere Prozesse? Was reduziert unsere Kosten? Das sind keine falschen Fragen. Aber sie reichen nicht aus, um ein tragfähiges Geschäftsmodell zu begründen.
Die entscheidende Frage lautet: Was verbessert sich für die Kund:innen? Entsteht durch den KI-Einsatz ein Angebot, das schneller, präziser, zugänglicher oder relevanter ist als bisher? Oder ist der Nutzen primär intern – und für Kundinnen und Kunden entweder unsichtbar oder irrelevant? Interne Effizienzgewinne durch KI können betriebswirtschaftlich wertvoll sein. Sie begründen aber nicht automatisch ein neues Geschäftsmodell und führen nur dann zu einem nachhaltigen Wettbewerbsvorteil, wenn sie sich schwer kopieren lassen oder eng mit eigenen Daten, Prozessen oder Kundenbeziehungen verknüpft sind.
Echter Kundennutzen entsteht dort, wo KI eine Leistung ermöglicht, die ohne diese Technologie nicht oder nur zu erheblich höheren Kosten realisierbar wäre. Beispiele aus der Praxis wären z. B. personalisierte Angebote auf Basis individuellen Nutzungsverhaltens, deutlich kürzere Reaktionszeiten in der Kundenkommunikation, bessere Vorhersagen für Wartungsbedarfe, die Ausfälle beim Kunden verhindern. In jedem dieser Fälle ist der Nutzen auf Kundenseite konkret und nachvollziehbar. Die Prüfung des Kundennutzens sollte deshalb am Anfang eines Vorhabens stehen und nicht am Ende.
Tipp: Der kostenfreie Onlinekurs Wie KI Ihr Geschäftsmodell stärkt – kostenfreier Onlinekurs für Unternehmen zeigt praxisnah, wo Künstliche Intelligenz im Unternehmen sinnvoll eingesetzt werden kann – ganz ohne technisches Vorwissen. Entwickelt im Mittelstand-Digital Netzwerk und verfügbar auf der Lernplattform LEA des Mittelstand-Digital Zentrums Kaiserlautern.
Make or Buy: Eine strategische Weichenstellung mit weitreichenden Folgen
Sobald ein KI-gestütztes Vorhaben strategisch als tragfähig bewertet wurde, stellt sich die Folgefrage: Entwickeln wir selbst, oder beziehen wir Lösungen von außen? Diese Entscheidung wird in der Praxis häufig zu früh oder auf Basis unvollständiger Kriterien getroffen.
Wann spricht mehr für eigenständige Entwicklung?
Eigenentwicklung ist dann sinnvoll, wenn das Vorhaben direkt auf proprietären Daten des Unternehmens basiert, wenn differenzierendes Wissen oder spezifische Prozesse eingebaut werden müssen, die außerhalb des Unternehmens nicht zugänglich sind, oder wenn langfristige Kontrolle über das Modell und seine Weiterentwicklung strategisch notwendig ist. Eigenentwicklung setzt jedoch voraus, dass das Unternehmen über ausreichende technische Kompetenz verfügt oder bereit ist, diese aufzubauen und dass der Zeitrahmen einen längeren Entwicklungsprozess zulässt.
Wann spricht mehr für externe Lösungen?
Der Bezug externer KI-Lösungen ist dann angemessen, wenn das Vorhaben auf standardisierten Aufgabentypen basiert, für die am Markt ausgereifte Angebote bestehen, wenn der interne Aufwand für Entwicklung und Wartung den Nutzen übersteigen würde, oder wenn Geschwindigkeit der Implementierung entscheidend ist. Wichtig ist in diesem Fall die sorgfältige Evaluation von Anbietern: Schnittstellen, Datenschutzkonfirmität, Lizenzmodelle und die Frage nach der langfristigen Anbieterabhängigkeit müssen geprüft werden.
Tipp: KI kaufen oder selbst entwickeln? Unser Artikel Eigenbau oder Standardlösung? Ein Leitfaden für den KI-Einstieg im Mittelstand zeigt, wie kleine und mittlere Unternehmen systematisch zur richtigen Entscheidung gelangen – mit klaren Kriterien, Praxisbeispielen und Einstiegshilfen.
Die häufig vergessene Mischform
In der Praxis ist die strikte Dichotomie zwischen Make und Buy selten hilfreich. Viele erfolgreiche KI-Projekte kombinieren externe Basismodelle oder Plattformen mit individuell entwickelten Schichten, die unternehmenseigenes Wissen einbinden. Diese hybride Logik erlaubt es, von den Skaleneffekten großer Anbieter zu profitieren und gleichzeitig Differenzierung durch spezifische Anpassungen zu erzielen.
Externe Partner und Kooperationen: Chancen und Grenzen für den Mittelstand
Die Zusammenarbeit mit externen Partnern – darunter spezialisierte KI-Dienstleister, Startups oder Forschungseinrichtungen – ist für viele kleine und mittlere Unternehmen eine realistische Option, um Vorhaben umzusetzen, die intern nicht zu stemmen wären.
Was Kooperationen leisten können
Externe Partner bringen technologisches Spezialwissen, das intern kaum aufgebaut werden kann, insbesondere bei neueren KI-Technologien wie großen Sprachmodellen, multimodalen Systemen oder branchenspezifischen Modellen. Startups sind dabei häufig beweglicher als etablierte IT-Dienstleister: Sie können schneller auf spezifische Anforderungen eingehen und entwickeln Lösungen oft enger am konkreten Anwendungsfall.
Darüber hinaus ermöglichen Kooperationen Lerneffekte. Unternehmen, die eng mit externen Partnern zusammenarbeiten, bauen dabei häufig internes Verständnis für KI-Technologien auf, was langfristig die eigene Handlungsfähigkeit stärkt.
Worauf bei der Auswahl geachtet werden sollte
Kooperationen gelingen besser, wenn die Anforderungen des Unternehmens zu Beginn klar definiert sind. Ein externer Partner kann Technologie einbringen, aber kein Prozesswissen ersetzen. Unternehmen, die nicht genau wissen, was sie von einer KI-Lösung erwarten, laufen Gefahr, Lösungen zu bekommen, die technisch funktionieren, aber betrieblich nicht passen.
Weitere Auswahlkriterien sind: nachgewiesene Erfahrung mit vergleichbaren Anwendungsfällen, Transparenz über das eingesetzte Modell und seine Grenzen, Datenschutzkonformität gemäß DSGVO, Klarheit über Eigentumsrechte an entwickelten Ergebnissen sowie ein realistisches Wartungs- und Supportmodell nach der Implementierung.
Grenzen von Kooperationen
Externe Partner können strategische Entscheidungen nicht abnehmen. Die Frage, welches Geschäftsmodell das Unternehmen verfolgt, welche Kundenbedürfnisse adressiert werden sollen und welche Prozesse wirklich verändert werden müssen, bleibt interne Aufgabe. Kooperationen, die ohne diese Klärungen gestartet werden, enden häufig in Lösungen, die das ursprüngliche Problem nicht treffen.
Typische Fehler beim Aufbau KI-gestützter Geschäftsmodelle
Aus einer Reihe von Praxisbeobachtungen lassen sich wiederkehrende Muster identifizieren, die das Gelingen KI-gestützter Geschäftsmodelle gefährden.
Technologie vor Strategie
Der verbreitetste Fehler besteht darin, mit der Technologieentscheidung zu beginnen, bevor die strategische Frage geklärt ist. Unternehmen, die zunächst entscheiden, welches KI-System sie einsetzen wollen, und erst danach suchen, wozu es genutzt werden soll, investieren häufig in Lösungen, die keinen nachhaltigen Mehrwert erzeugen.
Unterschätzung des Change-Management-Aufwands
KI-Projekte verändern Arbeitsabläufe und, in einigen Fällen, Rollenverteilungen. Unternehmen, die diesen Veränderungsbedarf unterschätzen, stoßen auf Widerstände, die nicht technischer Natur sind. Die Einbindung von Mitarbeitenden in Konzeption und Einführung ist kein optionaler Schritt.
Fehlende Erfolgskriterien
Viele Projekte starten ohne klare Definition, woran Erfolg gemessen werden soll. Was ist ein gutes Ergebnis? Was wäre ein Misserfolg? Ohne diese Definitionen ist eine belastbare Bewertung nach der Implementierung nicht möglich und es fehlt die Grundlage für Anpassungen.
Datenqualität als nachgelagerte Aufgabe
Wie oben beschrieben, ist die Datenbasis entscheidend. Dennoch wird die Arbeit an Datenqualität und -verfügbarkeit in vielen Projekten erst dann ernsthaft angegangen, wenn das System bereits in Entwicklung ist. Das erzeugt unnötige Verzögerungen und häufig auch eine Neubewertung des Projektumfangs.
Was Unternehmen jetzt konkret tun können
Für Unternehmen, die beginnen oder ihre bisherigen Aktivitäten strategisch schärfen wollen, lassen sich einige konkrete Handlungsschritte benennen.
1. Bestehende Vorhaben einordnen: Wenn bereits KI-Projekte laufen, lohnt sich die Frage, ob es sich um Werkzeugnutzung oder Geschäftsmodellinnovation handelt. Diese Einordnung hilft, Prioritäten zu setzen und Ressourcen gezielter einzusetzen.
2. Kundennutzen explizit formulieren: Für jedes geplante oder laufende Vorhaben sollte schriftlich festgehalten sein, welcher konkrete Nutzen auf Kundenseite entsteht. Fehlt diese Formulierung, ist das ein Hinweis, dass die strategische Grundlage noch nicht ausreichend geklärt ist.
3. Make-or-Buy-Entscheidung strukturiert treffen: Die Entscheidung für oder gegen Eigenentwicklung sollte nicht aus Gewohnheit oder Kostenreflexen fallen, sondern auf Basis der oben genannten Kriterien: Datenlage, strategische Differenzierung, interne Kompetenz, Zeitrahmen.
4. Partnerschaften systematisch evaluieren: Der Markt für KI-Dienstleistungen ist unübersichtlich. Bevor Kooperationen eingegangen werden, empfiehlt sich eine strukturierte Anforderungsdefinition und der Vergleich mehrerer Anbieter. Kostenfreie Orientierungsangebote des Mittelstand-Digital Netzwerks können bei dieser Orientierung unterstützen.
5. Regulatorischen Rahmen frühzeitig klären: Der EU AI Act ist seit August 2024 in Kraft und gilt mit abgestuften Fristen. Unternehmen sollten prüfen, in welche Risikoklasse ihre geplanten KI-Anwendungen fallen und welche Anforderungen daraus resultieren. Erste Orientierung bietet die offizielle Informationsseite der Europäischen Kommission sowie die Angebote des Mittelstand-Digital Netzwerks.
Fazit
Die Integration von KI in Geschäftsmodelle ist für kleine und mittlere Unternehmen kein theoretisches Zukunftsthema mehr. Sie findet mit wachsender Geschwindigkeit und in zunehmend relevanten Bereichen statt. Zugleich ist sie komplex, weil die technologischen Möglichkeiten schneller wachsen als die Erfahrung mit ihrer strategischen Einbettung.
Tragfähige KI-gestützte Geschäftsmodelle entstehen nicht durch Technologieentscheidungen allein. Sie erfordern eine klare Vorstellung davon, welcher Kundennutzen entstehen soll, welche Daten und Kompetenzen vorhanden sind, wie Make-or-Buy-Entscheidungen fundiert getroffen werden und wie externe Partnerschaften so gestaltet werden, dass sie das eigene strategische Ziel unterstützen.
Unternehmen, die diese Fragen systematisch angehen, sind besser aufgestellt und das unabhängig davon, welche Technologien sich in den nächsten Jahren durchsetzen werden. Die Fähigkeit, KI-Vorhaben strategisch zu bewerten und zu steuern, kann selbst zu einem Wettbewerbsfaktor werden.
Veranstaltungshinweis
Das Mittelstand-Digital Zentrum Berlin greift diese Fragen in einer Veranstaltung am 28. April 2026 auf. Unter dem Titel „RESET Geschäftsmodell – Wie KI den Mittelstand verändert“ kommen Expert:innen aus Wissenschaft und Praxis zusammen, um gemeinsam mit Teilnehmenden zu diskutieren, wie kleine und mittlere Unternehmen KI strategisch im Geschäftsmodell verankern können, einschließlich eines konkreten Praxisbeispiels aus der Unternehmenskommunikation. Hier können Sie sich zur kostenlosen Veranstaltung anmelden.
—
Text: Alexander Krug
