THESENPAPIER 2026 · KI-AGENTEN

    KI-Agenten im Mittelstand - These 1: Deutschlands Engpass liegt im Transfer von Forschung in skalierbare Wertschöpfung

    6. Oktober 2026 · Dr. Andreas Helget, Deutsche Digitale Beiräte e.V.

    KI-Agenten im Mittelstand – These 1: Transfer von Forschung in skalierbare Wertschöpfung
    Foto: Deutsche Digitale Beiräte e.V.

    Der Engpass liegt dort, wo aus einem technologisch überzeugenden Nachweis eine produktionsreife Anwendung werden muss.

    Deutschland diskutiert KI häufig nicht mit den entscheidenden Fragen. Wir sprechen über das beste Sprachmodell, über europäische Alternativen, über neue Tools und darüber, welche Anwendungen der Mittelstand jetzt testen sollte. Diese Fragen sind nicht falsch. Doch sie zielen nicht auf den eigentlichen Engpass.

    Der Engpass liegt dort, wo aus einem technologisch überzeugenden Nachweis eine produktionsreife Anwendung werden muss. Dort, wo ein Pilot nicht mehr nur zeigen soll, dass etwas möglich ist, sondern dass es zuverlässig, wirtschaftlich und skalierbar in der Wertschöpfung wirkt.

    Die entscheidende Frage lautet deshalb:

    Wie wird aus einem KI-Piloten ein belastbarer Bestandteil der Wertschöpfung?

    An mangelndem Interesse liegt es nicht: Viele Unternehmen testen KI, viele Mitarbeiter nutzen sie bereits, viele Fachbereiche experimentieren mit Chatbots, Copilots, Dokumentensuche, automatisierten Texten oder ersten Agenten. Das ist ein wichtiger Fortschritt. Doch Nutzung ist noch keine Wertschöpfung. Ein Test ist noch kein Produkt. Ein Prototyp ist noch kein Prozess. Eine Demo ist noch kein Betriebsmodell.

    Genau hier liegt die Transferlücke.

    Ein Forschungsergebnis zeigt, dass etwas grundsätzlich möglich ist. Ein Produkt zeigt, dass es wiederholbar funktioniert. Ein Betriebsmodell zeigt, dass Menschen, Daten, Prozesse, Systeme, Kosten, Risiken und Verantwortlichkeiten dauerhaft zusammenpassen. Viele KI-Initiativen bleiben zwischen diesen Stufen hängen, weil der Transfer unterschätzt wird.

    Von der Demo zum Betriebsmodell

    In der ersten KI-Welle genügte oft ein guter Prompt, um Eindruck zu machen. Ein Chatbot auf Dokumenten, ein automatisierter Entwurf oder ein schneller Proof of Concept für Vertrieb, Service oder Wissensmanagement konnten zeigen, was technisch möglich ist. Heute reicht das nicht mehr.

    KI-Einsatz ist in kurzer Zeit zu einer Engineering-Disziplin geworden. Wer Wert schaffen will, muss Prozesse verstehen, Datenqualität prüfen, Schnittstellen bauen, Rechte vergeben, Modelle auswählen, Ergebnisse validieren, Kosten steuern, Risiken begrenzen und den Betrieb sicherstellen.

    Das ist eine Chance, weil Engineering zu den deutschen Stärken gehört: nicht die schnelle Show, sondern die Verbindung von Funktion, Qualität, Sicherheit, Integration, Betrieb und Skalierung. Die Kernfrage lautet deshalb nicht, ob Deutschland das größte Sprachmodell hat. Die wichtigere Frage ist, ob wir KI so in Wertschöpfungsprozesse integrieren können, dass messbare Ergebnisse entstehen.

    Produktive KI hängt nicht frei in der Luft. Sie ist eingebettet in Vorgänge, die für das Unternehmen zählen: Servicefälle, Angebote, Qualitätsabweichungen, Wartungsentscheidungen, Engineering-Schritte, Kundenprozesse oder Produktionsprobleme. Genau dort entscheidet sich der Wert.

    Nicht die Zahl der Prompts zählt. Nicht die Zahl der gestarteten Piloten. Nicht die Zahl der lizenzierten Tools. Entscheidend ist, ob ein relevanter Geschäftsvorgang schneller, besser, robuster oder wirtschaftlicher wird.

    Die Transferkette

    Dafür braucht jedes relevante KI-Projekt eine belastbare Transferkette. Sie beginnt nicht mit der Frage, was man mit KI alles tun könnte, sondern mit der Frage:

    Welcher wirtschaftlich relevante Vorgang ist heute zu langsam, zu teuer, zu fehleranfällig oder zu abhängig von knapper Expertise?

    Erst danach folgt die Wert-Hypothese. Was soll besser werden: Durchlaufzeit, Fehlerquote, Servicequalität, Anlagenverfügbarkeit, Angebotsgeschwindigkeit oder Risikoreduktion? Ohne eine solche Hypothese wird später fast jede positive Beobachtung als Erfolg interpretiert. Dann hat das Unternehmen vielleicht gelernt, aber noch keine belastbare Investitionsentscheidung getroffen.

    Danach kommt die Prüfung der Daten- und Prozessreife. Viele Unternehmen haben Daten, doch nicht unbedingt Daten, mit denen KI verlässlich arbeiten kann. Dokumente liegen verteilt, Versionen widersprechen sich, Stammdaten sind für Menschen brauchbar, aber maschinell schwer nutzbar. Und Fachwissen steckt in Köpfen, E-Mails, Excel-Dateien oder alten Projektordnern. Für einen Piloten reicht das manchmal. Für Skalierung nicht.

    Auch die technische Architektur entscheidet früh über den späteren Erfolg. Nicht jedes Problem braucht das größte Modell, nicht jeder Prozess braucht einen Agenten und nicht jede Aufgabe braucht Autonomie. Häufig entsteht die beste Lösung aus einer Kombination von klassischer Automatisierung, Suche, Workflow, KI-Unterstützung und menschlicher Entscheidung. Technische Reife zeigt sich nicht an maximaler Komplexität, sondern an Passung.

    Der nächste Schritt ist Validierung. Der Demonstrator beantwortet die Frage, ob etwas funktionieren kann. Validierung beantwortet die wichtigere Frage, ob es zuverlässig genug für diesen geschäftlichen Zweck funktioniert. Dazu gehören fachliche Richtigkeit, Robustheit gegenüber Ausnahmen, Kostenverhalten, Nutzerakzeptanz, Eingriffsmöglichkeiten und Fehlertoleranz. Viele Piloten scheitern nicht an der Demo, sondern daran, dass niemand sauber definiert hat, welche Qualität für den produktiven Einsatz erforderlich ist.

    Governance ist in diesem Deep Dive nicht der Hauptpunkt, aber sie ist eine notwendige Transferstufe. Vor dem produktiven Einsatz muss klar sein, wer freigibt, wer stoppt, wer fachlich, technisch und wirtschaftlich Verantwortung trägt, wann eskaliert wird und wann zurückgerollt werden kann. Diese Fragen müssen Projekte nicht lähmen. Aber ohne sie bleibt ein Pilot entweder ungefährlich klein — oder er wird groß, bevor er beherrschbar ist.

    Skalierung bedeutet schließlich nicht, einen erfolgreichen Piloten einfach größer zu machen. Sie bedeutet, aus einem Einzelerfolg ein wiederholbares Betriebsmodell zu bauen. Dafür braucht es klare Ergebnisverantwortung, Meilensteine, KPIs, Betrieb, Monitoring, Support und Abbruchkriterien. Die entscheidende Frage lautet:

    Welche messbaren Lern-, Validierungs- und Ergebnisfortschritte müssen bis wann erreicht sein, damit Skalierung verantwortbar ist?

    Warum Beta-Tests stecken bleiben

    Viele KI-Projekte enden nicht mit einer klaren Entscheidung, sondern laufen aus. Die Demo war gut, der Pilot war interessant, die Beteiligten waren beeindruckt - doch niemand zieht den Case in die Linie.

    Dafür gibt es typische Gründe: Das Geschäftsproblem war zu unscharf. Der Ergebnisbeitrag war nicht messbar. Die Datenbasis funktionierte nur im Testfall. Die Integration wurde unterschätzt. Die Fachbereiche waren Nutzer, aber keine Mitgestalter. Es gab keine klare Ergebnisverantwortung. Und niemand hatte vorher definiert, wann der Pilot beendet, verbessert oder skaliert wird.

    Das ist kein Technologieversagen. Es ist ein Transferproblem.

    Für Geschäftsführung, Beirat und Aufsichtsgremium ist deshalb nicht die operative Tool-Auswahl entscheidend. Entscheidend sind fünf Fragen:

    • Welcher wertschöpfungsrelevante Prozess wird verbessert?
    • Wer trägt die Ergebnisverantwortung?
    • Welche Meilensteine markieren den Fortschritt?
    • Welche KPIs belegen die Wirkung?
    • Wann wird das Vorhaben gestoppt, angepasst oder skaliert?

    Diese Fragen sind unbequem, aber notwendig. Ein KI-Projekt ohne messbaren Wertbeitrag bleibt Aktivität. Ein KI-Projekt ohne Ergebnisverantwortung bleibt Experiment. Ein KI-Projekt ohne Validierung bleibt Demo. Ein KI-Projekt ohne Betriebsmodell bleibt Beta.

    Die deutsche Chance liegt im Transfer

    Deutschland muss nicht jede KI-Schicht selbst bauen. Doch Deutschland muss besser darin werden, KI in Wertschöpfung zu übersetzen. Gerade der Mittelstand hat dafür starke Voraussetzungen: Domänenwissen, Kundennähe, Prozessverständnis, industrielle Erfahrung und kurze Wege zwischen Problem und Entscheidung.

    Der Wettbewerbsvorteil entsteht nicht aus generischem Modellwissen. Er entsteht aus dem spezifischen Kontext des Unternehmens: Servicehistorien, Angebotslogiken, Qualitätsabweichungen, Engineering-Wissen, Produktvarianten, Lieferketten, Kundenanforderungen, Prozessparametern und Entscheidungserfahrung.

    Wer dieses Wissen zugänglich, überprüfbar und sicher nutzbar macht, schafft die Grundlage für produktive KI. Das ist weniger spektakulär als die nächste Modellankündigung. Aber näher am Ergebnis.

    Dieser erste Deep Dive konzentriert sich auf den Transfer: vom technologischen Nachweis zum skalierbaren Betriebsmodell. Im nächsten Beitrag geht es um eine zweite Verschiebung: Je besser Automatisierung wird, desto wichtiger wird menschliche Urteilskraft. Danach folgt die Frage, wie KI Aufgaben, Rollen und Übergaben verändert — nicht einfach ganze Stellen ersetzt. Und schließlich geht es um Governance: Warum größere Autonomie nur mit klareren Grenzen, Verantwortlichkeiten und Eingriffsmöglichkeiten möglich wird.

    Die eigentliche KI-Frage für Deutschland lautet nicht:

    Haben wir das beste Modell?

    Sondern:

    Können wir aus Technologie Wertschöpfung erzeugen, die messbar, skalierbar und beherrschbar ist?

    Das ist eine Engineering-Frage. Und das ist eine deutsche Stärke.

    Haben Sie Fragen?

    In unseren FAQ finden Sie kompakte Antworten zu den wichtigsten Fragen.

    FAQ ansehen