KI in der Industrie: Wie aus einzelnen Use Cases eine wirtschaftliche KI-Transformation wird
Aktualisiert: vor 3 Tagen
KI in der Industrie wird dann wirtschaftlich, wenn die Analyse bei der Arbeit beginnt und nicht bei den Tools, wenn jeder Pilot vor dem Start ein Ziel, eine Messmethode und einen Entscheidungstermin hat, und wenn die Investition aus Überbestand und Überkapazität bezahlt wird, bevor der erste Pilot Geld kostet. Wie das in einem Werk aussieht, beschreibe ich hier so ausführlich wie in einem Managementworkshop.
Warum liefert KI im Mittelstand so selten ein Ergebnis in der GuV?
Die KI-Landschaft in einem Industrieunternehmen sieht 2026 fast überall ähnlich aus. Die Geschäftsführung hat das Thema auf der Agenda, die IT prüft Plattformen und Zugriffsrechte, im Vertrieb nutzen ein paar Leute ChatGPT oder Copilot (meist ohne dass die IT davon weiß), in der Produktion redet man über Bildverarbeitung und in der Supply Chain über Prognosen. Nach der Sonderauswertung des KfW-Mittelstandspanels nutzten zwischen 2022 und 2024 rund 20 Prozent der mittelständischen Unternehmen KI, bei mehr als 50 Beschäftigten 36 Prozent. Wenn ich in so einem Unternehmen frage, welche dieser Initiativen eine Zahl in der GuV bewegt hat, wird es meistens still, und die Stille ist nicht peinlich, sie ist ehrlich. Es fehlt selten an Ideen, u. U. gibt es sogar zu viele. Es fehlt die Verbindung zwischen einem Problem, das Geld kostet, einer Technologie, die es lösen könnte, und einer Kennzahl, an der man das ablesen würde. Bei KI wird diese Lücke teurer als bei anderen Investitionen, weil ein Pilot in Tagen steht und eine Transformation daraus über Jahre nicht entsteht.
Womit beginnt eine belastbare KI-Analyse?
Bei der Arbeit, nicht bei der Technologie. In einem Projekt bei einem Kabelhersteller mit 930 Vollzeitstellen haben wir zuerst die manuellen Arbeitsinhalte nach Tätigkeitsarten strukturiert und erst danach nach Abteilungen. Das dreht die Diskussion um. Aus dem Satz „im Einkauf lässt sich viel automatisieren" wird eine Liste konkreter Arbeitsinhalte mit Stunden dahinter. Wir unterscheiden sechs Kategorien, von der Recherche über Text- und Datenanalyse sowie Dokumentenerstellung und Administration bis zu physischen Prozessen und der komplexen menschlichen Arbeit (Führen, Verhandeln, nicht standardisierte Probleme lösen). Ein Mitarbeiter in der Qualität verbringt einen Teil seiner Zeit mit Sichtprüfung, einen mit Dokumentation und einen mit Ursachenanalyse, und für jeden dieser Anteile kommt eine andere Technologie infrage. In dem analysierten Werk lagen 36 Prozent der Arbeit in den ersten vier Kategorien, die Sprachmodelle und Workflows heute abdecken, zunehmend auch Agenten. Die Analyse liefert deshalb keine pauschale Zahl ersetzbarer Stellen. Sie zeigt, welche Tätigkeiten sich in welchem Umfang verändern lassen und was mit der frei werdenden Kapazität wirtschaftlich passieren soll. Diese letzte Frage fehlt in fast jedem Business Case, den ich zu lesen bekomme.
Die vollständige Verteilung dieses Werks nach Bereichen und was sie für den Fachkräftemangel bedeutet, steht im Beitrag Fachkräftemangel: Wie KI 15 bis 35 Prozent der Arbeit übernimmt.
Welche Technologien stecken hinter dem Begriff KI?
Unter „KI" läuft in den Angeboten, die auf Ihrem Tisch landen, ziemlich Verschiedenes. Trennen Sie es für die wirtschaftliche Bewertung, weil die Familien unterschiedliche Probleme lösen und sich unterschiedlich schnell rechnen (Tage bis drei Jahre).
Technologiefamilie | Wofür sie sich eignet | Typische Ergebniskennzahl | Rückfluss ab Einführung |
Business Software und Datenbasis | Prozesse digital abbilden, Informationen verfügbar machen | Durchlaufzeit, Datenqualität, Reportingaufwand | Wochen (Cockpits) bis 36 Monate (ERP) |
Large Language Models | Texte, Recherche, Wissenszugriff, Analyse beschleunigen | Bearbeitungszeit, Suchaufwand | Tage bis 9 Monate |
Machine Learning | Muster erkennen, Ereignisse prognostizieren, Entscheidungen optimieren | Prognosegüte, Bestand, Ausschuss, Stillstand | 3 bis 18 Monate |
Computer Vision und Edge AI | Bilder und Zustände automatisch auswerten | Fehlerquote, Prüfaufwand, First Pass Yield | 6 bis 36 Monate |
Workflows und RPA | Strukturierte, wiederkehrende Aufgaben systemübergreifend automatisieren | Prozesskosten, Durchlaufzeit, Fehlerquote | 3 bis 9 Monate |
KI-Agenten | Unstrukturierte Informationen interpretieren, innerhalb definierter Regeln handeln | Reaktionszeit, Entscheidungsqualität | Wochen bis 18 Monate |
Robotik und autonome Systeme | Physische Tätigkeiten ausführen oder unterstützen | Produktivität, Ergonomie, Taktzeit | 6 bis 36 Monate |
Ein Sprachmodell ersetzt keine Produktionsplanung, ein Prognosemodell automatisiert nicht den Prozess, in dem seine Prognose benutzt wird, und eine Kamera erzeugt keine Einsparung, solange niemand festgelegt hat, was bei einem erkannten Fehler passiert. Die Frage, die vor jeder Technologieentscheidung steht, lautet deshalb, wo das Werk heute Zeit, Geld, Qualität oder Entscheidungsfähigkeit verliert und welche dieser Familien den Verlust wirtschaftlich verkleinern kann. Was die Agenten in der Tabelle heute wirklich können, steht im Beitrag KI-Agenten in der Produktion. Was die Robotik in den nächsten Jahren übernimmt, im Beitrag zu humanoiden Robotern im Mittelstand. Und warum die Kamera aus der vierten Zeile so oft die Fehlerkosten nicht senkt, im Beitrag zu KI in der Qualitätskontrolle.
Wie wird aus technischem Potenzial ein wirtschaftlicher Nutzen?
Ein Rechenbeispiel, das ich gern an die Wand werfe, weil es die Diskussion abkühlt. Rechnen Sie mit: Ein Team braucht im Jahr 10.000 Stunden für Recherche, Dokumentation und wiederkehrende Auswertungen, und ein Sprachmodell könnte theoretisch 30 Prozent davon sparen. Dann stehen 3.000 Stunden technisches Potenzial im Raum. Daraus werden in der Praxis keine 3.000 produktiven Stunden. Vielleicht passt die Lösung nur für 70 Prozent der Fälle, vielleicht nutzen anfangs 60 Prozent der Mitarbeiter das neue Vorgehen wirklich, und ein Teil der gewonnenen Zeit geht wieder in Prüfung und Nacharbeit. Ein „ehrlicher" Business Case rechnet Ausgangsaufwand mal technisches Potenzial mal Nutzungsgrad mal Realisierungsfaktor, abzüglich laufender Kosten (Lizenzen, Betrieb, Kontrolle). Und er sagt, was mit der gewonnenen Kapazität geschehen soll, ob mehr Output mit derselben Mannschaft, weniger Überstunden und Leiharbeit, Wachstum ohne Personalaufbau oder Entlastung von Engpassfunktionen. McKinsey trennt aus demselben Grund zwischen technischem Potenzial und tatsächlicher Einführung. Zeitersparnis ist ein Zwischenergebnis. Für Sie als Geschäftsführung zählt am Ende, was in GuV und Bilanz ankommt, und zwar in Euro.
Was gehört in einen vollständigen KI-Business-Case?
Baustein | Die Frage dahinter |
Messbarer Ausgangszustand | Was kostet der Verlust heute, in Stunden, Euro oder Fehlern? |
Betroffene Tätigkeiten und Prozessschritte | Welche Arbeit ändert sich konkret? |
Erwartete Veränderung der Ergebniskennzahl | Welche Zahl in GuV oder Bilanz bewegt sich? |
Einmalige und laufende Kosten | Software, Integration, Beratung, Schulung, Lizenzen, Betrieb, Kontrolle |
Interner Aufwand | Wie viele Stunden der beteiligten Mitarbeiter bindet die Einführung? |
Risiken | Technisch, organisatorisch, regulatorisch |
Zeitraum bis zum stabilen Betrieb | Wann ist der Effekt belastbar messbar? |
Verantwortlicher | Wer trägt die Realisierung des Nutzens? |
Messmethode und Entscheidungstermin | Wann wird skaliert oder gestoppt? |
Je nach Technologie kommen Posten dazu, die in den Angeboten in der Regel fehlen. Bei Machine Learning bspw. die Datenaufbereitung und die laufende Überwachung des Modells. Bei Sprachmodellen Zugriffsrechte und der Umgang mit Fehlantworten. Bei Bildverarbeitung entscheiden Beleuchtung und Variantenvielfalt über die Wirtschaftlichkeit, vor allem aber die Fehlerhäufigkeit, bei Robotik die physische Umgebung und das Sicherheitskonzept. Warum dieser Business Case in 70 Prozent der Unternehmen trotzdem nicht aufgeht, steht im Beitrag warum Industrieunternehmen ihre KI-Investitionen verbrennen.
Wie sieht ein Rechenbeispiel für die ersten Piloten aus?
Die folgende Modellrechnung ist keine Kundenreferenz und kein Ergebnisversprechen. Sie zeigt, wie sich die Effekte der ersten vier Piloten in einem Unternehmen mit 500 Mitarbeitern und 27,5 Millionen Euro Personalkosten zu einem Bild zusammensetzen. Für die Kapazitätswerte rechne ich vereinfachend mit 55.000 Euro Personalkosten je Vollzeitstelle (inkl. Arbeitgeberanteilen), die Tabelle zeigt Bruttoeffekte vor Investitions- und Betriebskosten.
Hebel | Annahme | Modellhafter jährlicher Effekt |
Sprachmodelle für Recherche, Berichte und internes Wissen | 70 FTE betroffen, 15 Prozent Zeitgewinn, 60 Prozent wirksame Nutzung | rund 347.000 Euro Kapazitätswert |
Intelligente Workflows in Auftragserfassung und Administration | 35 FTE betroffen, 25 Prozent Zeitgewinn, 70 Prozent wirksame Nutzung | rund 337.000 Euro Kapazitätswert |
Qualitätsanalyse und frühere Fehlererkennung | 2 Millionen Euro Qualitätskosten, 10 Prozent Reduktion | rund 200.000 Euro Ergebniswirkung |
Prognose und Bestandsparameter | 25 Millionen Euro Bestand, 8 Prozent Reduktion | rund 2 Millionen Euro freigesetzte Liquidität |
Die Rechnung trennt drei Größen, und die Trennung ist der eigentliche Punkt der Tabelle. Kapazitätswert ist wirtschaftlich nutzbare Arbeitszeit, noch keine Kostensenkung. Ergebniswirkung ist vermiedener Ausschuss, der in der GuV ankommt. Liquiditätswirkung ist freigesetztes Kapital, das Sie nicht mit EBIT verwechseln dürfen, auch wenn das in Präsentationen gern passiert (zugegeben, auch in Beraterpräsentationen). Erst danach lässt sich sagen, welche Initiative genug Wirkung für einen Piloten verspricht. Die Gesamtrechnung über 24 Monate, in der Bestandsabbau und Kapazitätsanpassung vor den Piloten stehen und mehr als die Hälfte des Nutzens tragen, steht im Beitrag warum Industrieunternehmen ihre KI-Investitionen verbrennen, Abschnitt „Die dritte Ursache". Wie ein Bestandsprogramm die Kapitalbindung senkt, zeigt unsere Seite für Finanzverantwortliche.
Nach welchen Kriterien werden KI-Use-Cases priorisiert?
Nicht danach, was technisch spannend ist oder sich auf der Messe gut demonstrieren lässt. Wir bewerten Initiativen entlang von sieben Kriterien, und die ersten beiden entscheiden nach unserer Erfahrung meistens.
Kriterium | Leitfrage |
Wirtschaftliche Wirkung | Welche Ergebnisgröße verändert sich, wie hoch ist der heutige Verlust, ist die Wirkung in Euro, Zeit, Qualität oder Cash messbar? |
Technische Machbarkeit | Ist die Technologie verfügbar, wie hoch ist der Integrationsaufwand, funktioniert die Lösung unter realen Bedingungen oder nur in der Demo? |
Datenverfügbarkeit | Welche Daten werden benötigt, reichen Qualität, Aktualität, Zugriff und Nutzungsrechte? |
Zeit bis zum Ergebnis | Wann ist ein erster belastbarer Effekt messbar? Ein kleiner Use Case mit schneller Wirkung kann für den Start wertvoller sein als ein mehrjähriges Vorhaben |
Skalierbarkeit | Lässt sich die Lösung auf weitere Produkte, Standorte oder Prozesse übertragen, oder bleibt sie eine teure Einzellösung? |
Risiko und Governance | Welche Entscheidungen darf die KI vorbereiten oder treffen, wo braucht es Freigaben, Dokumentation, Schutzmaßnahmen? |
Veränderungsaufwand | Welche Rollen, Abläufe und Fähigkeiten ändern sich, wer muss die Lösung im Alltag anwenden, welche Widerstände sind realistisch? |
Aus der Bewertung entsteht ein Portfolio. Initiativen mit hoher Wirkung und realistischer Umsetzbarkeit werden die ersten Piloten. Ideen mit geringer Wirkung werden beendet, auch die, die jemand im Führungskreis besonders mag (das ist der unangenehme Teil). Strategische Vorhaben mit hohem Nutzen, aber fehlenden Voraussetzungen, bekommen einen eigenen Pfad, meist einen Datenauftrag. Zur dritten Zeile der Tabelle gibt es einen eigenen Beitrag, weil sie in fast jedem Workshop zur Vorbedingung für alles erklärt wird: Müssen erst die Daten stimmen, bevor KI etwas bringt?
Warum ergeben einzelne Piloten noch keine Transformation?
Ein Pilot beantwortet eine kleine Frage, ob eine Lösung unter definierten Bedingungen funktioniert und den erwarteten Effekt bringt. Eine Transformation beantwortet größere. Wer trägt die Ergebnisverantwortung, wie werden Investitionen freigegeben, welche technischen Standards gelten, wer entwickelt und betreibt die Lösungen, welche Fähigkeiten brauchen die Führungskräfte, wie wird aus einem lokalen Erfolg ein Rollout über Standorte, und an welchen Kennzahlen sieht man, ob das Gesamtprogramm wirkt. Ohne diese Antworten entsteht das, was ich „Pilotfriedhof" nenne. Erfolgreiche Tests bleiben lokal, weil Schnittstellen oder Verantwortliche für die Skalierung fehlen, und andere Piloten laufen weiter, obwohl ihre Hypothese seit Monaten widerlegt ist. Deloitte hat 2026 in einer Befragung von 600 Fertigungsunternehmen gemessen, dass nur rund jeder fünfte KI-Use-Case über mehrere Standorte skaliert wurde. Die Regel, die dagegen hilft, ist einfach und wird trotzdem selten eingehalten. Jeder Pilot bekommt vor dem Start ein Ziel, einen Verantwortlichen, eine Messmethode und einen Entscheidungstermin, an dem skaliert, überarbeitet oder gestoppt wird. Dauerpiloten binden Geld und Managementaufmerksamkeit, und von beidem haben Sie als Mittelständler wenig übrig. Zählen Sie bei Gelegenheit Ihre Piloten, die älter als ein Jahr sind.
Wie ist das Leanovative-Framework für die KI-Transformation aufgebaut?
Für eine unternehmensweite Einführung betrachten wir fünf Ebenen zusammen, weil jede einzelne für sich schon oft gemacht wurde (bspw. eine KI-Strategie ohne Portfolio oder ein Portfolio ohne Steuerung) und es trotzdem nicht reichte.
Ebene | Was dort entschieden wird |
Unternehmensstrategie | Welche Wettbewerbsposition soll KI stützen: Produktivität, Geschwindigkeit, Qualität, Innovation, Wachstum? Ohne diese Entscheidung entsteht eine Sammlung unabhängiger Projekte |
KI-Fähigkeiten und Portfolio | Welche Technologiefamilien sind relevant, welche Use Cases werden in welcher Reihenfolge entwickelt, mit welchen Business Cases? |
Steuerung und Standards | Werthebel, KPIs, Verantwortlichkeiten, Datenzugang, Architektur, Risiko, Eigenentwicklung oder Zukauf, Skalierungsregeln |
Organisation und Qualifikation | Fachbereiche verantworten Problem und Nutzen, die IT Integration, Sicherheit und Betrieb, eine zentrale Steuerung Standards und Priorisierung. Qualifikation rollenbezogen, keine Toolschulung für alle |
Technisches Fundament | ERP, MES, PLM, CRM, Dokumentenmanagement. Je Use Case wird geklärt, welche Daten und Schnittstellen wirklich erforderlich sind, nicht die gesamte Systemlandschaft vorab erneuert |
Governance gehört auf diese Liste, und zwar früh, auch wenn sie in den meisten Projekten erst kommt, wenn der Datenschutzbeauftragte fragt. Was die europäische KI-Verordnung für ein Industrieunternehmen konkret verlangt und was davon Zeit hat, steht weiter unten bei den häufigen Fragen.
Welche fünf Phasen hat eine wirtschaftliche KI-Transformation?
Phase | Inhalt | Dauer nach unserer Erfahrung |
1 Analyse und Vorbereitung | Ziele, Tätigkeiten, Verluste, vorhandene Initiativen und Voraussetzungen. Ergebnis: Potenzialmatrix und erste Auswahl wirtschaftlich relevanter Use Cases | rund 3 Wochen |
2 Pilotierung | Ein kleines bereichsübergreifendes Team testet priorisierte Anwendungsfälle mit Ausgangswert, Ziel, Budget und Abbruchkriterien | 6 bis 12 Wochen |
3 Managementqualifikation | Geschäftsführung und obere Führungsebene verstehen Potenziale, Grenzen, Risiken und wirtschaftliche Zusammenhänge, ohne Entwickler zu werden | rund 1 Woche |
4 Transformationsroadmap | Erfahrungen aus Analyse und Piloten werden zu einem verbindlichen Plan mit Projekten, Verantwortlichkeiten, Investitionen, Abhängigkeiten und Kennzahlen | rund 2 Wochen |
5 Rollout | Erfolgreiche Lösungen werden standardisiert und über Bereiche oder Standorte ausgerollt, das Unternehmen baut eigene Fähigkeiten auf | 1 bis 2 Jahre |
Der Rollout ist kein IT-Programm. Prozesse ändern sich parallel zur Technik, und Rollen auch. Die eine Woche Managementqualifikation in Phase 3 wirkt in der Tabelle klein (sie ist es, vom Aufwand her). Sie ist in meiner Erfahrung die Phase, die am häufigsten gestrichen wird und deren Fehlen man zwei Jahre später am teuersten spürt. Warum das Zeitfenster für diese fünf Phasen 2026 bis 2028 ist, steht im Beitrag zur KI-Strategie für den Mittelstand.
Welche Entscheidungen kann das Management sofort treffen?
Beantworten Sie sieben Fragen, bevor Sie über ein Tool oder einen Anbieter entscheiden. Welche drei wirtschaftlichen Probleme soll KI in den kommenden 24 Monaten vorrangig lösen? In welchen Bereichen entstehen heute die höchsten manuellen Aufwände, Qualitätskosten oder Entscheidungsverluste? Welche KI-Initiativen und Lizenzen laufen schon, und was liefern sie messbar? Wer verantwortet den wirtschaftlichen Nutzen des Gesamtprogramms? Nach welchen Kriterien werden Use Cases priorisiert und wieder beendet? Welche Rollen und Qualifikationen fehlen, um das zu steuern und anzuwenden? Und mit welchen Kennzahlen berichtet das Management den Gesellschaftern über Fortschritt, realisierten Nutzen und Risiken? Solange zwei davon offen sind, ist die nächste Toolentscheidung selten Ihr richtiger nächster Schritt, so verlockend die Demo auch war.
Häufige Fragen zur Einführung von KI in Industrieunternehmen
Brauchen wir zuerst einen Data Lake oder ein neues ERP?
Nicht grundsätzlich. Recherche mit Sprachmodellen, Dokumentenverarbeitung oder klar begrenzte Workflows starten meist mit den Systemen und Dokumenten, die da sind. Prognosemodelle, autonome Steuerung und komplexe Optimierung brauchen eine belastbarere Datenbasis, und die wird je Use Case beschafft. Ausführlich im Beitrag Datenqualität für KI. Dieselbe Logik gilt bei Beständen, wo wir sie seit Jahren vertreten: Bestandsabbau braucht keine neue Planungssoftware.
Was verlangt die europäische KI-Verordnung von einem Industrieunternehmen?
Weniger, als die Beratungsangebote suggerieren, und etwas anderes, als viele denken. Die Verbote bestimmter Praktiken und die Pflicht, dass Mitarbeiter, die KI einsetzen, ausreichend geschult sind (Artikel 4), gelten seit Februar 2025 für jedes Unternehmen. Die weitreichenden Pflichten für Hochrisikosysteme wurden mit dem Digital Omnibus, der im Juli 2026 in Kraft trat, verschoben, für eigenständige Systeme nach Anhang III auf den 2. Dezember 2027, für KI in regulierten Produkten nach Anhang I auf den 2. August 2028. Für die meisten Anwendungen in Produktion und Verwaltung ist ein Mittelständler Betreiber, nicht Anbieter, und die typischen Piloten, also Sprachmodelle für Dokumente, Workflows, Bildverarbeitung in der Prüfung, fallen nicht in die Hochrisikoklasse. Was dokumentiert werden sollte, ist ein Verzeichnis der eingesetzten Systeme mit Zweck und Verantwortlichem, sowie die Schulung je Rolle, die ohnehin zur Einführung gehört. Wer Bewerber mit KI vorsortiert oder Mitarbeiter mit KI bewertet, ist im Hochrisikobereich und sollte das vor Dezember 2027 mit einem Juristen klären. Ich bin keiner, deshalb endet mein Rat hier, und zwar bewusst.
Sollte die IT die KI-Transformation leiten?
Nicht allein. Die IT ist für Architektur, Integration, Sicherheit und Betrieb unverzichtbar. Die Verantwortung für das Problem und den wirtschaftlichen Nutzen liegt beim Prozessverantwortlichen und im Management. In der Praxis funktioniert ein gemeinsames Steuerungsmodell, in dem der Fachbereich das Problem hält, die IT die Integration und die Geschäftsführung die Priorität.
Welcher KI-Use-Case eignet sich für den Start?
Einer, der ein relevantes, wiederkehrendes Problem löst, einen messbaren Ausgangswert und einen klaren Prozessverantwortlichen hat und in begrenzter Zeit getestet werden kann. Eine spektakuläre Demonstration ohne Ergebniskennzahl ist kein guter Pilot, auch wenn sie auf der Betriebsversammlung vermutlich gut ankommt.
Wie lange dauert die Entwicklung einer KI-Transformationsroadmap?
Eine erste unternehmensweite Analyse mit Potenzialmatrix und Transformationsplan ist bei ausreichendem Managementzugang in wenigen Wochen erstellt, nach unserer Erfahrung rund drei Wochen Analyse und zwei Wochen Planerstellung. Die Validierung der Use Cases und der Rollout brauchen deutlich länger, abhängig vor allem von der Zahl der Standorte.
Wie wird der ROI einer KI-Investition gemessen?
Ausgangswert und Zielkennzahl werden vor dem Start festgelegt, ebenso die vollständigen Kosten. Nach dem Pilot wird die Veränderung der wirtschaftlichen Kennzahl gemessen, die technische Funktion allein zählt nicht. Weisen Sie Zeitersparnis getrennt von Ergebniswirkung und Liquidität aus, sonst addiert Ihnen jemand Stunden und Euro.
Führt KI automatisch zu weniger Personal?
Nein. Automatisierte Tätigkeiten ermöglichen Wachstum ohne proportionalen Personalaufbau, weniger Überstunden und Leiharbeit, Entlastung von Engpassfunktionen oder bessere Qualität. Welche Wirkung angestrebt wird, ist eine Managemententscheidung vor der Umsetzung, und in den Werken, die ich kenne, werden die Stellen durch Fluktuation schneller frei, als die Systeme die Arbeit übernehmen.
Whitepaper: ROI-getriebene KI-Transformation in der Industrie
Das Whitepaper vertieft die sieben Technologiefamilien, die Tätigkeitsanalyse, die finanzielle Bewertung einer Transformation, Organisation und Governance sowie das Leanovative-Framework mit den fünf Phasen. Zum Whitepaper.
Ob Ihr Unternehmen mit der Analyse, mit den ersten Piloten oder mit der Finanzierung aus dem Bestand anfangen sollte, sage ich Ihnen nach 20 Minuten Gespräch, und wenn ich es nicht sagen kann, sage ich Ihnen das auch. Buchen Sie dafür den Fit-Check.
Über den Autor
Kenneth Hytrek ist Gründer und Geschäftsführer der LEANOVATIVE Consulting GmbH. Seit mehr als 16 Jahren arbeitet er mit Geschäftsführern und Führungsteams produzierender Unternehmen an Produktivität, Kosten, Working Capital und Wettbewerbsfähigkeit. Seine Erfahrung aus mehr als 150 Projekten verbindet er mit einem ROI-orientierten Ansatz zur Einführung von Künstlicher Intelligenz und Automation.
Quellen und methodische Hinweise
Quelle | Was sie belegt |
KfW Research, Sonderauswertung KfW-Mittelstandspanel, 11. Februar 2026 | KI-Nutzung im Mittelstand 2022 bis 2024: rund 20 Prozent, bei mehr als 50 Beschäftigten 36 Prozent |
Deloitte, AI in Manufacturing Survey 2026, 600 Fertigungsunternehmen | rund 20 Prozent der KI-Use-Cases über Standorte skaliert |
McKinsey Global Institute, „Agents, robots, and us" | Trennung zwischen technischem Automatisierungspotenzial und tatsächlicher Einführung |
Bitkom, „Industrie 4.0: Wie digital ist Deutschlands Industrie?", 2026 | Digitalisierungsstand der deutschen Industrie |
Verordnung (EU) 2024/1689 (KI-Verordnung) und Digital Omnibus on AI, in Kraft seit Juli 2026 | Fristen: Artikel 4 und Verbote seit Februar 2025, Hochrisiko Anhang III ab 2. Dezember 2027, Anhang I ab 2. August 2028. Stand September 2026, keine Rechtsberatung |
Tätigkeitsanalyse Kabelhersteller mit 930 FTE, interne Leanovative-Analyse | Identifizierte Potenziale, keine realisierten KI-Einsparungen |
Modellrechnung 500 Mitarbeiter | Erläuterung der Methodik, keine Prognose, Garantie oder Kundenreferenz |
Vielen dank für die Insights!