KI-Beratung für KMU: die drei Use-Cases, die sich fast immer rechnen

Die drei KI-Anwendungsfälle, die sich in Schweizer KMU fast immer rechnen, sind die Erstellung wiederkehrender Dokumente, die Triage eingehender Anfragen und die Suche im eigenen, verstreuten Firmenwissen. Sie teilen dasselbe Muster: Die Aufgabe wiederholt sich oft, ihr Aufwand ist heute schon zählbar, und ein Mensch bleibt in der Freigabe — deshalb lässt sich der Nutzen nach wenigen Wochen in Franken benennen statt in Eindrücken.

Genau daran hakt es in den meisten Beratungsgesprächen. Nicht an fehlender Begeisterung für KI, sondern an der Frage, wo man anfängt, ohne ein halbes Jahr und ein fünfstelliges Budget zu riskieren. Dieser Artikel beantwortet sie mit drei konkreten Anwendungsfällen, einer nachrechenbaren Beispielrechnung und einer ehrlichen Liste dessen, was in dieser Unternehmensgrösse noch nicht trägt.

Warum viele KMU KI heute unter Wert einsetzen

Die meisten Schweizer KMU nutzen KI bereits, aber überwiegend für Sprachaufgaben mit kleinem Hebel statt für die Abläufe, in denen die Zeit tatsächlich verloren geht. Die KMU-Arbeitsmarktstudie 2025 von AXA Schweiz, erhoben vom Forschungsinstitut Sotomo unter 300 KMU aus der Deutsch- und Westschweiz, zeigt beides: Der Anteil der Betriebe, die KI bewusst in Arbeitsprozesse integrieren, stieg innerhalb eines Jahres von 22 auf 34 Prozent — die häufigsten Anwendungen bleiben aber Übersetzungen mit 52 Prozent und Korrespondenz mit 47 Prozent.

Übersetzen und Formulieren sparen Minuten. Sie sind ein guter Einstieg, weil sie kein Projekt brauchen, und sie erklären, warum so viele Betriebe KI zwar nutzen, aber keinen Effekt in der Erfolgsrechnung sehen. Der Sprung passiert erst, wenn KI nicht mehr einzelne Sätze verbessert, sondern einen ganzen wiederkehrenden Ablauf verkürzt.

Dieselbe Studie zeigt, dass genau diese Verschiebung begonnen hat: Workflow-Optimierung wuchs von 23 auf 34 Prozent, Datenanalyse von 22 auf 32 Prozent. Die drei folgenden Anwendungsfälle liegen alle in diesem zweiten Feld — und sie sind so gewählt, dass ein KMU sie ohne eigenes Entwicklungsteam einführen kann.

Use-Case 1: Offerten und wiederkehrende Dokumente

Der Anwendungsfall mit der zuverlässigsten Rendite ist die Erstellung wiederkehrender Dokumente: Offerten, Leistungsbeschreibungen, Absagen, Sitzungsprotokolle, Standardschreiben. Er trägt, weil die Aufgabe oft anfällt, weil ihr den heutigen Aufwand kennt und weil das Ergebnis ohnehin geprüft wird, bevor es das Haus verlässt.

Technisch ist das kein Grossprojekt. Es braucht drei Zutaten: eine Sammlung eurer besten Offerten der letzten ein bis zwei Jahre als Vorlage, eine schriftlich festgehaltene Preis- und Leistungslogik, und einen Assistenten, der aus Stichworten einen Entwurf im Hausstil erzeugt. Wer das mit einem der grossen Assistenten wie ChatGPT oder Claude aufsetzt, ist in wenigen Tagen an einem brauchbaren ersten Stand.

Die Rechnung dazu, mit offengelegten Annahmen für einen Betrieb mit sechs Offerten pro Woche:

Die Differenz beträgt CHF 2'280 im Monat. Davon gehen rund CHF 60 für zwei Lizenzen ab, es bleiben etwa CHF 2'220. Bei einer Einrichtung von CHF 6'000 — Vorlagenarbeit, Anbindung, Schulung, zwei Korrekturschleifen — ist der Aufwand nach knapp drei Monaten bezahlt.

Eine Grenze gehört klar benannt: Die Preislogik selbst delegiert man nicht an ein Sprachmodell. Ein Assistent formuliert und strukturiert, er kalkuliert nicht. Preise kommen aus eurer Preisliste oder eurem Kalkulationsblatt, sonst produziert ihr sehr schnell sehr überzeugend formulierte Fehlofferten.

Use-Case 2: Den Eingang sortieren, bevor ein Mensch ihn liest

Der zweite Anwendungsfall ist die Triage des Eingangs: Eingehende E-Mails, Formulare und Nachrichten werden automatisch nach Anliegen klassifiziert, um fehlende Angaben ergänzt, dem richtigen Postfach zugewiesen und mit einem Antwortentwurf versehen. Der Mensch entscheidet weiter, aber er entscheidet auf einem vorsortierten Stapel.

Der Hebel ist grösser, als er wirkt. Bei 25 Anfragen pro Tag und zwei Minuten für Sichten, Zuordnen und Weiterleiten sind das rund 50 Minuten täglich, über 240 Arbeitstage etwa 200 Stunden im Jahr — fünf Arbeitswochen, die niemand als Aufgabe im Kalender stehen hat, weil sie in Zwei-Minuten-Portionen verschwinden.

Dazu kommt ein zweiter Effekt, der sich schlechter beziffern lässt und trotzdem oft mehr wert ist: Anfragen bleiben nicht mehr liegen, weil sie im falschen Postfach gelandet sind. Wer typischerweise am Tag nach der Anfrage antwortet und auf zwei Stunden kommt, gewinnt Aufträge, die sonst beim Schnelleren landen. Wie sich solche Abläufe technisch verketten lassen, beschreiben wir ausführlicher unter KI-Automatisierung für KMU.

Automatisch versendete Antworten sind der Punkt, an dem dieser Anwendungsfall kippt. Entwürfe: ja. Selbständiges Antworten auf inhaltliche Fragen: erst, wenn ihr über Wochen belegt habt, dass die Qualität stimmt — und auch dann nur für klar abgegrenzte Anliegen wie Terminbestätigungen oder Öffnungszeiten. Für alles, was in Richtung Dialog geht, ist ein sauber abgegrenzter Chatbot das ehrlichere Werkzeug als ein Postfach, das im Namen des Betriebs frei antwortet.

Use-Case 3: Das eigene Wissen auffindbar machen

Der dritte Anwendungsfall ist die Suche im eigenen Wissen: Ein Assistent setzt auf euren Dokumenten auf und beantwortet Fragen aus Verträgen, Handbüchern, Protokollen, Preislisten und Projektunterlagen — mit Angabe der Quelle, aus der die Antwort stammt. Die technische Grundlage dafür heisst RAG und ist im Detail in RAG für KMU beschrieben.

Der Nutzen entsteht an einer Stelle, die in keiner Kostenstelle auftaucht: bei den Rückfragen. In den meisten KMU ist das Wissen über Sonderfälle, alte Kundenvereinbarungen und interne Regeln auf zwei bis drei Köpfe verteilt. Jede Frage an diese Köpfe kostet zweimal Zeit — die des Fragenden und die des Gefragten — und sie kommt in der Einarbeitung neuer Mitarbeitender im Wochentakt.

Die Voraussetzung ist unbequem und wird gern übersprungen: Die Dokumente müssen aufgeräumt sein. Drei Versionen desselben Vertragsmusters führen zu drei widersprüchlichen Antworten, und veraltete Preislisten sind gefährlicher als gar keine. Ausserdem müssen Berechtigungen geklärt sein, bevor ein Assistent Zugriff bekommt: Nicht jede Mitarbeiterin darf jeden Personalvertrag lesen, und ein Assistent kennt diesen Unterschied nur, wenn man ihn ihm baut. Ob eure Datenlage überhaupt so weit ist, klärt der KI-Readiness-Check systematisch ab.

Was sich in KMU meist noch nicht rechnet

Nicht jede KI-Idee trägt in dieser Unternehmensgrösse, und drei Muster fallen besonders regelmässig durch: vollautomatische Entscheidungen ohne menschliche Freigabe, Prognosen auf einer zu dünnen Datenbasis und selbst trainierte Modelle.

Vollautomatische Entscheidungen scheitern nicht an der Technik, sondern an der Haftung. Wer eine Rechnungsfreigabe, eine Kreditentscheidung oder eine Kündigung an ein System übergibt, braucht eine Fehlerquote, die er belegen kann, und einen Prozess für den Fall, dass sie eintritt. Beides aufzubauen kostet mehr als der eingesparte Klick.

Prognosen brauchen Menge. Ein Betrieb mit 400 Aufträgen im Jahr hat schlicht zu wenig Historie, damit ein Modell saisonale Muster von Zufall unterscheiden kann. Was dabei herauskommt, sieht aus wie eine Vorhersage und ist eine Extrapolation mit Nachkommastellen.

Eigene Modelle schliesslich sind fast immer die teuerste Antwort auf eine Frage, die fertige Dienste bereits beantworten. Sie werden erst interessant, wenn ihr eine sehr spezifische Aufgabe habt, sehr viel eigenes Material dazu, und wenn ihr die Daten aus regulatorischen Gründen nicht ausser Haus geben dürft. Diesen Fall gibt es — er ist nur selten der erste.

Die Reihenfolge: von der Idee zur Zahl in vier Wochen

Der Weg von der Idee zur belastbaren Zahl dauert in einem KMU realistisch vier Wochen, und er beginnt nicht mit dem Werkzeug, sondern mit dem Messen. In Woche eins zählt ihr den Ist-Aufwand des gewählten Ablaufs: wie viele Vorgänge, wie viel Zeit pro Vorgang, wer ist beteiligt. Das ist unspektakulär und der wichtigste Schritt, weil ohne diesen Wert später keine Aussage möglich ist.

In Woche zwei entsteht die erste Fassung: Vorlagen, Anbindung, Zugriffe, ein Testlauf an alten Fällen. In den Wochen drei und vier läuft sie im Echtbetrieb parallel zum bisherigen Weg, und ihr zählt dieselbe Grösse noch einmal. Am Ende steht entweder eine Zahl, die den Ausbau rechtfertigt, oder die Erkenntnis, dass dieser Ablauf nicht der richtige war — und beides ist nach vier Wochen deutlich günstiger als nach sechs Monaten.

Wer den Rahmen dafür extern setzen lassen will, findet den Ablauf eines Beratungsmandats unter KI-Beratung Schweiz beschrieben; für Teams, die zuerst gemeinsam Anwendungsfälle sammeln wollen, ist ein KI-Workshop der günstigere Einstieg. Führt der Weg über die drei Standardfälle hinaus zu etwas Eigenem, gilt dieselbe Logik eine Stufe grösser: erst ein Prototyp zur Validierung ab CHF 10'000, dann die Investition ins fertige Produkt.

Und die häufigste Reihenfolge-Sünde zum Schluss: nicht mit dem grössten Anwendungsfall beginnen. Das ambitionierte Projekt bindet Monate, bevor irgendjemand im Team einen Nutzen spürt, und verbrennt genau das Vertrauen, das ihr für den zweiten und dritten Schritt braucht. Warum solche Vorhaben kippen, obwohl die Technik funktioniert, haben wir in Warum KI-Projekte scheitern auseinandergenommen.