KI für KMU: Wo anfangen?

Warum KI jetzt relevant ist

Ich habe acht Jahre lang ein Tech-Startup mit 50 Mitarbeitenden geführt. In dieser Zeit habe ich eines gelernt: Technologie ist nur dann wertvoll, wenn sie ein echtes Problem löst. Das gilt für KI genauso.

Schweizer KMU stehen heute vor einer Situation, die ich gut kenne: Es gibt Hype überall, Buzzwords in jedem LinkedIn-Post, und teure Beratungsfirmen, die ganze "KI-Strategien" verkaufen wollen. Aber die meisten KMU brauchen keine Strategie — sie brauchen einen ersten, konkreten Schritt.

Die drei häufigsten Fehler

Bevor wir zum "Wie" kommen, kurz zu dem, was ich in Gesprächen mit Dutzenden KMU-Inhabern immer wieder sehe:

1. Zu gross denken. "Wir brauchen eine KI-Strategie für das ganze Unternehmen." — Nein. Ihr braucht einen Use Case, der in vier Wochen läuft.
2. Zu abstrakt bleiben. "KI könnte uns sicher irgendwo helfen." — Wo genau? Bei welchem Prozess? Mit welchem messbaren Ziel?
3. Zu lange warten. "Wir schauen mal, wie sich das entwickelt." — Eure Konkurrenz schaut nicht. Sie macht.

Der pragmatische Ansatz

Statt mit einer grossen Strategie zu starten, empfehle ich einen anderen Weg — einen, den ich selbst bei smino und jetzt bei beerventures anwende:

Klein anfangen. Schnell lernen. Dann skalieren.

Schritt 1: Pain Points identifizieren

Setzt euch mit eurem Team zusammen und stellt drei Fragen:

• Welche Aufgaben kosten uns am meisten Zeit?
• Wo passieren die meisten Fehler?
• Was nervt unsere Kunden am meisten?

Die Antworten sind eure KI-Kandidaten. Nicht die schillerndste Idee, sondern der grösste Schmerz zeigt euch, wo KI den grössten Impact hat.

Beispiel: Ein Bauunternehmen verliert jede Woche 8 Stunden damit, Angebote aus verschiedenen PDFs zusammenzusuchen. Das ist kein "KI-Projekt" — das ist ein Freitagnachmittag, den man zurückbekommt.

Schritt 2: Quick Win umsetzen

Wählt einen Prozess und automatisiert ihn mit bestehenden Tools. Kein Custom-Modell nötig. Oft reicht:

• Ein gut konfigurierter Chatbot für wiederkehrende Kundenanfragen
• Ein Workflow-Tool wie Make oder n8n für Datenverarbeitung
• Ein RAG-System für interne Wissensdatenbanken

Das Ziel ist nicht Perfektion — das Ziel ist ein funktionierender Prototyp, den echte Mitarbeitende im Alltag testen können.

Schritt 3: Messen und lernen

Hier wird es konkret. Bevor ihr startet, definiert:

• Baseline: Wie lange dauert der Prozess heute? (z.B. 8h/Woche)
• Ziel: Was wäre eine spürbare Verbesserung? (z.B. 2h/Woche)
• Zeitrahmen: Wann messen wir? (z.B. nach 4 Wochen)

Nach vier Wochen schaut ihr euch die Zahlen an. Was funktioniert? Was nicht? Diese Daten sind Gold wert — nicht nur für den nächsten Schritt, sondern auch für die Geschäftsleitung, die Budget für Phase 2 freigeben soll.

Schritt 4: Skalieren — aber nur was funktioniert

Erst wenn ein Use Case nachweislich funktioniert, lohnt es sich, grösser zu denken:

• Weitere Prozesse mit ähnlichem Muster automatisieren
• Team-übergreifend ausrollen
• Custom-Lösungen für komplexere Anforderungen bauen

// Der beerventures Ansatz in einer Zeile:
const result = identify(pain) |> prototype(quick) |> measure(impact) |> scale(proven)

Was das in der Praxis bedeutet

Letzte Woche sass ich mit dem Inhaber einer Treuhand-Firma in Rapperswil-Jona zusammen. Sein Team verbringt 40% der Arbeitszeit damit, Dokumente zu klassifizieren und in die richtigen Ordner zu sortieren.

Wir haben in einer Woche einen Prototyp gebaut:

1. Dokumenten-Upload über ein einfaches Web-Interface
2. KI-Klassifikation via GPT-4 API — liest das Dokument, erkennt den Typ
3. Automatische Ablage im bestehenden DMS

Das Ergebnis nach drei Wochen: 65% weniger manuelle Sortierarbeit. Nicht perfekt — aber ein klarer Beweis, dass es funktioniert. Phase 2 ist bereits genehmigt.

Die Kosten-Frage

"Was kostet so etwas?" — Die Frage, die immer kommt. Und die ehrliche Antwort:

| Phase | Was | Typische Kosten | |-------|-----|-----------------| | Potenzialerhebung | Use Cases identifizieren, ROI schätzen | CHF 5'000 | | Prototyp | Funktionierenden MVP bauen | CHF 5'000 – 15'000 | | Rollout | In Betrieb nehmen, Team schulen | CHF 10'000 – 30'000 | | Laufend | API-Kosten, Wartung, Weiterentwicklung | CHF 200 – 2'000/Monat |

Das ist keine Investition für ein ganzes Jahr. Das ist ein Projekt, das sich in Wochen amortisiert — wenn der richtige Use Case gewählt wird.

Fazit

KI im KMU muss nicht kompliziert sein. Es braucht keinen Data Scientist, kein ML-Team und kein Millionenbudget. Es braucht:

• Einen konkreten Schmerz, den ihr lösen wollt
• Vier Wochen, um einen Prototyp zu bauen und zu testen
• Die Bereitschaft, Zahlen zu messen und ehrlich auszuwerten

Der Rest ergibt sich. Wirklich.

Ich habe mit smino ein Unternehmen von null auf 50 Leute und Millionenumsatz aufgebaut. Das Geheimnis war nie die grosse Vision — es war immer der nächste konkrete Schritt. Bei KI ist es genau gleich.