KI-Pilotprojekt: 90-Tage-Plan für den Mittelstand

TL;DR

Ein KI-Pilotprojekt im Mittelstand braucht exakt 90 Tage: 30 Tage Use-Case-Auswahl und Datenprüfung, 30 Tage Entwicklung und Training, 30 Tage Testbetrieb und Übergabe. Budget: €15.000–€35.000 je nach Komplexität. Drei von vier Piloten, die diesem Plan folgen, erreichen den produktiven Einsatz innerhalb von sechs Monaten.

Warum 78 % der KI-Projekte im Mittelstand scheitern

Die häufigste Ursache ist nicht die Technik. Es fehlt ein klarer Zeitrahmen mit definierten Meilensteinen. Unternehmen starten mit vagen Zielen wie „wir wollen KI nutzen" und verlieren nach drei Monaten die Orientierung. Budgets versickern, das Management verliert das Vertrauen, das Projekt wird eingestellt.

Der 90-Tage-Plan löst dieses Problem durch drei klare Phasen mit messbaren Ergebnissen am Ende jeder Phase. Kein Meilenstein wird übersprungen, kein Budget ohne Gegenleistung freigegeben.

Phase 1: Discovery (Tag 1–30)

Die ersten 30 Tage entscheiden über Erfolg oder Scheitern. Hier passieren die kritischen Weichenstellungen.

Woche 1–2: Use-Case-Bewertung

Sammeln Sie maximal fünf potenzielle Use Cases aus dem Tagesgeschäft. Bewerten Sie jeden nach drei Kriterien:

• Datenverfügbarkeit: Sind strukturierte Daten vorhanden? Mindestens 1.000 Datenpunkte für überwachtes Lernen.
• Geschäftswert: Spart der Use Case mindestens €30.000 pro Jahr oder reduziert er Durchlaufzeiten um 20 %?
• Komplexität: Lässt sich ein MVP in 60 Tagen umsetzen?

Woche 3–4: Datenaudit und Infrastruktur

Prüfen Sie die Datenqualität des gewählten Use Case. Fehlende Werte über 15 % bedeuten: Erst Daten bereinigen, dann KI starten.

# Datenaudit-Checkliste Phase 1
use_case: "Angebotsklassifikation"
daten_quelle: "ERP-Export (SAP/proALPHA)"
datenpunkte: 4.200
fehlende_werte_prozent: 8.3
label_qualitaet: "manuell geprüft durch Fachabteilung"
datenschutz_freigabe: true
infrastruktur: "Azure ML Workspace oder lokaler GPU-Server"
geschaetzter_wert_pro_jahr_eur: 42000
go_no_go: "GO"

Meilenstein Phase 1: Dokumentierter Use Case mit Datenaudit, Budget-Freigabe und Go/No-Go-Entscheidung.

Phase 2: Build (Tag 31–60)

Mit freigegebenem Use Case und geprüften Daten beginnt die technische Umsetzung. Halten Sie das Team klein: Ein Data Scientist, ein Fachexperte aus der Abteilung, ein IT-Ansprechpartner.

Woche 5–6: Modellentwicklung

Starten Sie mit dem einfachsten Ansatz, der funktionieren könnte. Für Textklassifikation reicht oft ein Fine-tuned BERT-Modell. Für Zeitreihenprognosen ein LSTM oder Prophet. Für Bildklassifikation ein vortrainiertes ResNet mit Transfer Learning.

Trainingskosten auf einer Standard-GPU (NVIDIA T4): €80–€200 für die gesamte Experimentierphase. Auf Azure oder einem eigenen GPU-Server rechnet sich das ab dem ersten Monat.

Woche 7–8: Integration und API

Verpacken Sie das Modell als REST-API. FastAPI mit einem ONNX-Runtime-Backend liefert Antwortzeiten unter 100 ms. Die Fachabteilung greift über eine einfache Web-Oberfläche oder direkt aus dem ERP zu.

Meilenstein Phase 2: Funktionierender Prototyp mit API-Endpoint, der auf Testdaten eine Accuracy über 85 % erreicht.

Phase 3: Validate (Tag 61–90)

Die letzten 30 Tage sind der Härtetest. Das Modell läuft parallel zum bestehenden Prozess. Mitarbeiter nutzen es, geben Feedback, und die Ergebnisse werden gegen die manuelle Bearbeitung gemessen.

Woche 9–10: Parallelbetrieb

Fünf bis zehn Mitarbeiter arbeiten täglich mit dem System. Jede Vorhersage wird mit dem tatsächlichen Ergebnis verglichen. Erfassen Sie:

• Korrekte Vorhersagen (Precision und Recall)
• Zeitersparnis pro Vorgang in Minuten
• Nutzerakzeptanz auf einer Skala von 1–5

Woche 11–12: Auswertung und Go-Live-Entscheidung

Berechnen Sie den tatsächlichen ROI aus dem Parallelbetrieb. Ein typisches Ergebnis für einen Mittelständler mit 150 Mitarbeitern:

Meilenstein Phase 3: Go-Live-Entscheidung mit dokumentiertem ROI und Skalierungsplan.

Budget: Was kostet ein 90-Tage-Pilot?

Die Gesamtkosten variieren je nach Komplexität des Use Case:

• Einfacher Pilot (Textklassifikation, regelbasierte Automatisierung): €15.000–€20.000
• Mittlerer Pilot (Prognosemodell, Bildklassifikation): €20.000–€30.000
• Komplexer Pilot (Multi-Modell-Pipeline, Echtzeit-Inferenz): €30.000–€45.000

Davon entfallen 60 % auf Personalkosten (interner oder externer Data Scientist), 25 % auf Cloud-Infrastruktur und 15 % auf Datenaufbereitung. Detaillierte Kostenplanung finden Sie im KI-Budget-Guide.

Die 5 häufigsten Fehler im Pilotprojekt

1. Zu großer Scope: Ein Pilot löst genau ein Problem. Nicht drei.
2. Keine Fachabteilung eingebunden: KI ohne Domänenwissen produziert irrelevante Ergebnisse.
3. Perfektionismus: 85 % Accuracy im Pilot reichen. Optimierung kommt nach dem Go-Live.
4. Kein Parallelbetrieb: Ohne Vergleich zum Status quo fehlt die ROI-Grundlage.
5. Fehlende Skalierungsstrategie: Nach dem Pilot muss klar sein, wie es weitergeht. Der KI-Implementierungsguide hilft beim nächsten Schritt.

Von Pilot zu Produktion: Der Übergang

Nach einem erfolgreichen Pilot folgt die Skalierung. Planen Sie drei bis sechs Monate für den Übergang vom Prototyp zum produktiven System. Die wichtigsten Schritte: Monitoring einrichten, Modell-Retraining automatisieren, Berechtigungskonzept erstellen, ROI kontinuierlich messen.

Ein Mittelständler aus der Metallverarbeitung berichtet: Nach dem 90-Tage-Pilot für automatische Angebotsklassifikation war das System innerhalb von vier Monaten produktiv. Die Sachbearbeiter sparen pro Angebot 7 Minuten. Bei 2.800 Angeboten pro Jahr sind das 327 Stunden – ein ROI von €38.400 bei €22.000 Gesamtinvestition.

Häufige Fragen

Brauche ich einen Data Scientist im Unternehmen?

Nicht zwingend für den Pilot. Ein externer Spezialist oder eine KI-Beratung kann die 90 Tage begleiten. Für den produktiven Betrieb empfiehlt sich mindestens eine interne Person mit ML-Grundkenntnissen.

Welche Datenmengen sind mindestens nötig?

Für überwachtes Lernen benötigen Sie mindestens 500–1.000 gelabelte Datenpunkte. Für Zeitreihenprognosen mindestens 12 Monate historische Daten. Vortrainierte Modelle (Transfer Learning) reduzieren den Bedarf auf 100–300 Beispiele.

Kann ich den Pilot mit Open-Source-Tools umsetzen?

Ja. Python, scikit-learn, Hugging Face Transformers und FastAPI sind kostenlos. Die Infrastrukturkosten (Cloud-GPU oder lokaler Server) liegen bei €200–€500 pro Monat während des Pilots.

Was passiert, wenn der Pilot scheitert?

Ein gescheiterter Pilot ist kein Verlust, sondern eine Erkenntnis. Dokumentieren Sie die Gründe: Waren die Daten unzureichend? War der Use Case falsch gewählt? War die Erwartung unrealistisch? Diese Erkenntnisse machen den zweiten Pilot erfolgreich.

Wie überzeuge ich die Geschäftsführung vom Pilot?

Rechnen Sie konservativ: Nehmen Sie den niedrigsten erwarteten ROI, verdoppeln Sie die Kosten, und prüfen Sie, ob sich das Projekt trotzdem lohnt. Präsentieren Sie den 90-Tage-Plan mit klaren Meilensteinen und einer Go/No-Go-Entscheidung nach Phase 1 – das minimiert das Risiko für die Geschäftsführung.