KI-Beratung im Mittelstand: welche Vorhaben sich je Funktion rechnen

Die erste belastbare Entscheidung in einer KI-Beratung im Mittelstand betrifft die Funktion, in der ein Vorhaben laufen soll. Daran hängt die Wirtschaftlichkeit fast vollständig: an der Stückzahl der Vorgänge, an der Datenlage des Fachsystems und daran, welchen Weg ein Fehler nimmt. Dasselbe Verfahren rechnet sich in der Kreditorenbuchhaltung und trägt im Vertriebsinnendienst nicht. Dieser Artikel geht sechs Funktionen durch, je mit Datenbedarf, Mengenschwelle, Integrationsaufwand und Fehlermodus.

KI-Beratung im Mittelstand: den Nutzen je Funktion berechnen

Der Nutzen wird häufig als Produkt aus Stückzahl und Bearbeitungszeit angesetzt. Diese Rechnung ist zu großzügig. Sie besteht aus drei Faktoren: der Zahl der Vorgänge, der Zeit je Vorgang und dem Anteil der Vorgänge, den das Verfahren ohne menschliche Rückfrage abschließt. Dieser dritte Faktor schwankt je Funktion und je Datenlage erheblich, und er entscheidet über die Größenordnung des Ergebnisses. Er gehört an einer Stichprobe des eigenen Bestands gemessen, bevor eine Rechnung aufgestellt wird.

Der verbleibende Anteil verhält sich ungünstig. Es sind die Vorgänge mit fehlenden Angaben, ungewöhnlichen Konstellationen oder Widersprüchen, und sie brauchen je Stück mehr Zeit als der frühere Durchschnitt, weil die einfachen Fälle diesen Durchschnitt gesenkt hatten. Wer mit dem alten Wert weiterrechnet, überschätzt das Ergebnis erheblich.

Gegen den Nutzen stehen zwei Kostenblöcke. Den Aufbau bestimmt in den meisten Vorhaben die Datenanbindung und nicht das Modell. Der Betrieb fällt dauerhaft an: Überwachung der Eingangsdaten, Nachtraining, Bearbeitung offener Fälle, Dokumentation. Beide Blöcke hängen daran, welches System die Daten hält und ob das Ergebnis dort eingetragen werden muss.

Die Reihenfolge, in der Kandidaten geprüft und priorisiert werden, haben wir im Artikel zur KI-Strategie im Mittelstand beschrieben. Die folgenden Abschnitte setzen diese Prüfung voraus und gehen eine Ebene tiefer.

KI im Vertriebsinnendienst: Angebots- und Auftragserfassung

Eingehende Bestellungen kommen als PDF im Mailanhang, als Portalexport, in Einzelfällen als Fax. Ein Sachbearbeiter liest sie und legt den Auftrag im ERP an.

Welche Daten nötig sind. Zwei Bestände. Erstens die Belege selbst, mit den Layouts der wichtigsten Kunden über mehrere Jahre. Zweitens die historische Zuordnung: welche Kundenartikelnummer, welche Freitextbezeichnung und welche Altbezeichnung auf welchen eigenen Artikel gebucht wurde. Der zweite Bestand ist der wertvollere, und er liegt in den Auftragspositionen des ERP. Ohne ihn liest ein Modell Belegfelder und trifft bei der Artikelzuordnung keine belastbare Entscheidung.

Ab welcher Menge es trägt. Die Erfassung eines mehrpositionigen Auftrags kostet je nach Prüftiefe acht bis fünfzehn Minuten. Ab etwa vierzig bis sechzig Aufträgen am Tag trägt ein eigenes Vorhaben Aufbau und Betrieb. Darunter ist ein Standardprodukt für Belegerfassung mit Preis je Dokument die wirtschaftlichere Antwort, auch wenn es die Artikelzuordnung schlechter beherrscht.

Integrationsaufwand. Die Leseseite ist unaufwendig, ein Postfach genügt. Der Aufwand liegt im Schreibweg: Auftragskopf und Positionen anlegen, mit Preis- und Konditionsfindung, Kreditlimitprüfung und Terminzusage. In SAP-Landschaften läuft das über BAPI oder IDoc, und der Weg muss die Fehlerfälle abbilden, nicht nur den Normalfall. Dazu kommt eine Prüfmaske für den Sachbearbeiter.

Fehlermodus. Das Modell liest die Kopfdaten gut und die Positionen mittelmäßig. Der Sachbearbeiter kontrolliert daraufhin jede Position, und die Zeitersparnis ist aufgebraucht. Der Ausweg ist eine Trennung nach Konfidenz: sicher zugeordnete Positionen werden übernommen und nicht mehr angezeigt, unsichere kommen mit zwei oder drei Vorschlägen zur Entscheidung. Diese Trennung ist eine Anforderung an die Bedienoberfläche und wird regelmäßig erst nach dem Piloten gestellt.

KI in der Kreditorenbuchhaltung: Rechnungserfassung und Prüfung

Diese Funktion ist die am weitesten entwickelte der sechs. Belegerfassung für Eingangsrechnungen ist ein Produktmarkt mit reifen Anbietern, und eine Eigenentwicklung des Erkennungsteils lässt sich selten begründen. Ein Vorhaben entsteht an zwei anderen Stellen: an der Kontierungslogik auf der eigenen Kostenstellen- und Sachkontenstruktur und am Abgleich mit Bestellung und Wareneingang.

Welche Daten nötig sind. Rechnungsbilder aus zwei bis drei Jahren, verknüpft mit dem tatsächlich gebuchten Satz: Sachkonto, Kostenstelle, Steuerschlüssel, Zahlungsbedingung. Diese Verknüpfung liegt im Buchhaltungssystem und ist nach einem Systemwechsel häufig nur für den jüngeren Zeitraum vorhanden. Für den Abgleich kommen Bestell- und Wareneingangsdaten aus dem ERP hinzu.

Ab welcher Menge es trägt. Bei einigen hundert Rechnungen im Monat rechnet sich ein Standardprodukt mit Stückpreis. Ab etwa tausend bis fünfzehnhundert Belegen im Monat wird die Anbindung an die eigene Kontierungs- und Abgleichlogik zum größeren Hebel, weil dort die manuelle Arbeit sitzt.

Integrationsaufwand. Drei Schnittstellen: der Belegeingang aus Postfach, Lieferantenportal und Scanstelle, der Lesezugriff auf Bestellungen und Wareneingänge, und das Rückschreiben des Buchungsvorschlags in den Freigabeworkflow. Die dritte ist die anspruchsvollste, weil der Workflow Zuständigkeiten und Betragsgrenzen kennt, die im Vorschlag berücksichtigt sein müssen.

Fehlermodus. Die Erkennungsquote wird je Feld gemessen und fällt hoch aus. Die Quote der Rechnungen, die ohne jeden manuellen Eingriff durchlaufen, bleibt niedrig. Der Grund liegt fast immer bei Rechnungen ohne Bestellbezug, bei nachträglich angelegten Bestellungen und bei Abweichungen zwischen Bestell- und Rechnungsmenge. Das ist eine Frage der Beschaffungsdisziplin, und kein Modell löst sie. Wer diese Quote vor dem Projekt nicht kennt, kennt den Nutzen nicht.

KI im Kundendienst: Anfragen klassifizieren und vorqualifizieren

Zwei Ausbaustufen liegen hier dicht beieinander und haben ein sehr verschiedenes Risikoprofil. Die Klassifizierung ordnet eine eingehende Anfrage einer Kategorie und einem Team zu. Die Vorqualifizierung reichert sie mit dem Kunden-, Vertrags- und Anlagenkontext an, den der Bearbeiter sonst selbst zusammensucht.

Welche Daten nötig sind. Historische Tickets mit der final gültigen Kategorie, nicht mit der zuerst gesetzten. Der Korrekturverlauf ist der informativste Teil des Bestands, weil er zeigt, welche Anfragen systematisch falsch einsortiert werden. Für die Anreicherung kommt Lesezugriff auf Stamm- und Vertragsdaten hinzu.

Ab welcher Menge es trägt. Die Klassifizierung spart je Anfrage wenig, oft unter einer Minute, und braucht deshalb Menge: ab etwa hundertfünfzig bis zweihundert Anfragen am Tag. Die Vorqualifizierung trägt früher, weil die Recherche je Ticket mehrere Minuten kostet. Für mittelständische Serviceorganisationen ist sie damit der wirtschaftlichere Einstieg, obwohl die Klassifizierung technisch die einfachere Aufgabe ist.

Integrationsaufwand. Die Ticketsystem-Schnittstelle in beide Richtungen und Lesezugriff auf CRM und ERP. Der praktische Engpass ist die Identifikation des Absenders. Läuft sie nur über die Mailadresse, bleibt ein erheblicher Teil der Anfragen ohne Kontext, und genau diese Fälle sind die aufwendigen.

Fehlermodus. Die automatische Antwort wird zu früh eingeschaltet. Klassifizierung und Anreicherung sind risikoarm, weil ein Fehler eine Weiterleitung kostet. Eine versandte Antwort mit falschem Vertragsstand hat Außenwirkung. In Projekten von DNA Solutions bleiben die Ausbaustufen deshalb getrennt, mit einer eigenen Freigabe je Stufe. Warum solche Vorhaben trotz funktionierendem Piloten nicht in den Betrieb kommen, haben wir in KI im Unternehmen in Produktion bringen behandelt.

KI in Produktion und Qualität: Sichtprüfung und Ausschussanalyse

Diese beiden Vorhaben werden häufig gemeinsam beantragt und sind technisch verschieden.

Die Sichtprüfung braucht Bilder unter kontrollierten Bedingungen. Die bindende Größe ist die Zahl der Beispiele je Fehlerklasse, nicht die Gesamtzahl der Bilder. Eine Fehlerklasse mit zwanzig Beispielen wird nicht zuverlässig erkannt, und die seltenen Fehler sind die teuren. Wo Fehlerbilder fehlen, ist eine Anomalieerkennung auf Gutteilen der praktikable Weg. Sie kommt ohne Fehlerbilder aus und benennt im Gegenzug die Fehlerart nicht, was für eine Aussortierentscheidung genügt und für die Ursachenanalyse nicht.

Etwa die Hälfte des Aufwands liegt in der Aufnahmesituation: Beleuchtung, Fixierung des Teils, Taktzeit, Kameraposition. Ein Modell auf wechselnder Werkstattbeleuchtung ist ein anderes Vorhaben als dasselbe Modell an einer fixierten Station. Wirtschaftlich rechnet sich eine Prüfstation über die gebundene Prüfzeit im Mehrschichtbetrieb oder über Fehler, die im Feld ein Vielfaches der Prüfkosten auslösen.

Der Fehlermodus ist die Verschiebung der Produktionsbedingungen: eine neue Charge, eine andere Oberflächenbehandlung, ein gewechselter Lieferant. Ohne Überwachung der Eingangsbilder verliert das Modell still an Trefferquote, und die Abweichung fällt an der Ausschussquote später auf als am Modell selbst.

Die Ausschussanalyse braucht andere Daten: Prozessparameter der Anlage im Zeitverlauf, verknüpft mit dem Prüfergebnis des daraus entstandenen Teils. Diese Verknüpfung ist der eigentliche Aufwand. Maschinen- und Qualitätsdaten liegen regelmäßig in getrennten Systemen ohne gemeinsamen Schlüssel und ohne synchronisierte Zeitbasis. Solange Charge, Anlage, Zeitstempel und Prüfergebnis nicht zusammenführbar sind, ist keine Analyse möglich, und das Vorhaben ist zunächst ein Datenprojekt. Wir schneiden diesen Teil als eigenen Schritt, wie im Zuschnitt unserer KI- und Machine-Learning-Vorhaben allgemein.

KI in Logistik und Disposition: Bedarfs- und Ersatzteilplanung

Über den Erfolg entscheidet hier eine Vorfrage zum Verbrauchsmuster.

Artikel mit regelmäßigem Verbrauch, etwa Verbrauchsmaterial oder Serienteile, lassen sich prognostizieren. Drei bis vier Jahre Historie tragen ein Modell mit Saisonverlauf. Ersatzteile verhalten sich in der Mehrzahl anders: lange Nullperioden, dann ein einzelner Bedarf. Ein Prognosemodell liefert darauf einen glatten Erwartungswert, der in keinem Monat zutrifft, und die Disposition wird davon nicht besser. Die tragfähige Frage ist eine Bestandsentscheidung: welcher Bestand hält den Servicegrad, gegeben Wiederbeschaffungszeit, Fehlmengenkosten und Kapitalbindung. Das ist eine Optimierungsaufgabe. Die Methodenwahl an dieser Stelle entscheidet über das Vorhaben, und sie fällt vor dem ersten Modell.

Welche Daten nötig sind. Bewegungsdaten je Artikel über mehrere Jahre, Wiederbeschaffungszeiten je Lieferant mit ihrer Streuung, Mindestbestellmengen und Preise. Für Ersatzteile zusätzlich Einbau- und Ausfalldaten aus dem Service, wenn die technische Lebensdauer eine Rolle spielt.

Ab welcher Menge es trägt. Die Bezugsgröße ist die Kapitalbindung im Lager und die Fehlmengenkosten, nicht die Zahl der Dispositionsvorgänge. Ein Lager mit mehreren tausend Positionen und mehrmonatigen Wiederbeschaffungszeiten trägt das Vorhaben. Ein Lager mit dreihundert Positionen wird besser über gepflegte Dispositionsparameter geführt.

Integrationsaufwand. Der Lesezugriff auf Bewegungsdaten ist unkritisch. Der Schreibweg betrifft Dispositionsparameter im ERP: Meldebestand, Sicherheitsbestand, Losgröße. Diese Parameter automatisch zu ändern ist organisatorisch schwer durchsetzbar, deshalb läuft der erste Ausbau über Vorschlagslisten mit Begründung je Artikel.

Fehlermodus. Das Vorhaben wird an der Prognosegüte gemessen. Eine bessere Prognose ohne geänderte Dispositionsparameter verändert weder Bestand noch Servicegrad. Die Messgröße gehört auf Bestandswert und Fehlmengen, erhoben im ERP, mit einem Ausgangswert von vor dem Start.

KI für technisches Wissen: Dokumentensuche im eigenen Bestand

Diese Funktion braucht keinen Trainingsdatensatz. Der Bestand ist die Datenbasis: Handbücher, Prüfberichte, Serviceprotokolle, Konstruktionsunterlagen, Angebote, Verträge. Der Aufwand liegt in der Erschließung und in den Rechten. Drei Hindernisse treten regelmäßig auf.

• Gescannte Altbestände ohne Textebene. Sie brauchen Texterkennung, und bei Zeichnungen, Tabellen und Messprotokollen ist das Ergebnis ohne Nachbearbeitung häufig nicht verwertbar. Der Umfang dieses Anteils gehört vor dem Start geprüft, an einer Stichprobe und nicht an einer Schätzung.
• Versionsstände. Ein Bestand mit drei Fassungen derselben Anleitung liefert Antworten aus der falschen. Die Auszeichnung des gültigen Stands ist Sacharbeit im Fachbereich und in vielen Vorhaben der größte Einzelposten.
• Berechtigungen. Eine Antwort darf nur aus Dokumenten entstehen, die der Fragende sehen darf. Nachträglich eingezogen ist das eine Neuimplementierung des Abrufs, weil die Filterung vor der Suche greifen muss und nicht danach.

Ab welcher Menge es trägt. Die Schwelle liegt bei den Suchvorgängen und nicht bei den Dokumenten. Ein Serviceteam, das mehrfach täglich in Unterlagen sucht und je Suche mehrere Minuten braucht, trägt das Vorhaben ab einem Bestand in der Größenordnung mehrerer tausend Dokumente.

Fehlermodus. Antworten ohne Quellenangabe. Wer eine Antwort nicht am Dokument prüfen kann, prüft sie einmal, findet einen Fehler und benutzt das System danach nicht mehr. Dokument, Version und Stellenangabe an jeder Antwort sind eine Bedingung für die Nutzung.

KI-Beratung im Mittelstand: was ein erstes Vorhaben trägt

Über die sechs Funktionen hinweg unterscheiden vier Punkte ein erstes Vorhaben, das im Betrieb ankommt, von einem, das nach dem Piloten endet.

Das Mengengerüst kommt aus dem Fachbereich und ist dort unterschrieben. Eine Schätzung der IT über Vorgangszahl und Zeit je Vorgang liegt in beide Richtungen um Faktoren daneben, und sie trägt die gesamte Rechnung.

Der Integrationsweg ist vor dem Start in beiden Richtungen geklärt. Der Lesezugriff ist fast immer machbar. Der Rückschreibeweg in das Fachsystem entscheidet, ob das Ergebnis im Prozess ankommt. Vorhaben ohne geklärten Schreibweg enden als Auswertung neben dem Prozess, und dort werden sie nach einigen Monaten nicht mehr geöffnet.

Es gibt eine benannte Person im Fachbereich, deren Arbeit sich verändert. Sie übernimmt den manuellen Restanteil, entscheidet die unsicheren Fälle und merkt zuerst, wenn die Qualität nachlässt. Ohne diese Rolle fällt die Überwachung an die IT, die die Fälle nicht beurteilen kann.

Die Messgröße ist die Quote der Vorgänge, die ohne manuellen Eingriff durchlaufen, erhoben im Fachsystem, mit einem Ausgangswert von vor dem Start. Modellkennzahlen wie die Trefferquote je Feld beschreiben das Modell und nicht den Prozess.

Dazu gehört ein benannter Abbruchpunkt nach der Datenprüfung, mit einem Ergebnis, das für sich steht. Welche Fragen dabei an einen Anbieter gehören, haben wir in KI-Berater auswählen zusammengestellt.

Sprechen wir über KI-Beratung im Mittelstand

DNA Solutions unterstützt Unternehmen im DACH-Raum bei KI-Vorhaben in diesen sechs Funktionen: von der Wirtschaftlichkeit je Funktion über das Mengengerüst aus dem Fachbereich bis zum Rückschreibeweg in das Fachsystem, wie unter KI-Beratung für den Mittelstand beschrieben. Wenn ein Kandidat auf dem Tisch liegt und die Rechnung noch auf Schätzungen steht, beginnen wir mit der Messung der Durchlaufquote an einer Stichprobe Ihres Bestands. Sprechen Sie uns an.