
Kurz gesagt: Viele KI-Vorhaben im Mittelstand bleiben im Pilotstadium stecken, weil die nötigen Daten in getrennten Systemen liegen, unterschiedlich gepflegt sind und nicht automatisch fließen. Wer zuerst die Integration löst – Schnittstellen, Datenqualität, Berechtigungen –, bringt KI deutlich schneller in den produktiven Einsatz.
Der typische Verlauf: beeindruckende Demo, dann Stillstand
Ein Team baut in wenigen Wochen einen Prototyp: Eine KI beantwortet Fragen zu Aufträgen, prognostiziert Wartungsbedarf oder schlägt Liefertermine vor. Die Demo überzeugt. Dann soll das Ganze in den Alltag – und plötzlich wird es zäh. Die Testdaten waren ein manueller Export. Im echten Betrieb müssten Daten aus ERP, CRM, Produktion und Fachanwendungen laufend zusammenkommen. Genau daran scheitert es.
Was Datensilos konkret anrichten
- Unvollständiges Bild: Die KI sieht nur einen Ausschnitt, weil Service-Daten im Ticketsystem und Maschinendaten in der Fertigung liegen.
- Widersprüchliche Stammdaten: Derselbe Kunde heißt in drei Systemen unterschiedlich – Auswertungen werden unzuverlässig.
- Veraltete Informationen: Nächtliche Exporte reichen nicht, wenn Entscheidungen auf aktuellen Daten beruhen sollen.
- Unklare Berechtigungen: Niemand kann sicher sagen, welche Daten die KI sehen darf – also wird das Projekt gestoppt.
Vier Schritte zum belastbaren Datenfundament
1. Den Anwendungsfall eng fassen
Statt „KI für alles“ lieber ein klar umrissener Fall mit messbarem Nutzen, zum Beispiel: Angebotsanfragen schneller beantworten oder ungeplante Maschinenstillstände reduzieren. Daraus ergibt sich, welche Daten wirklich gebraucht werden – und welche nicht.
2. Datenquellen anbinden statt kopieren
Die benötigten Systeme werden über Schnittstellen angebunden, sodass Daten automatisch und aktuell fließen. Manuelle Exporte und Excel-Zwischenschritte fallen weg. Gerade bei SAP und älteren Fachanwendungen lohnt sich eine saubere Middleware, die Formate vereinheitlicht und Fehler abfängt.
3. Datenqualität und Führungssysteme klären
Für jede wichtige Information wird festgelegt, welches System führend ist. Dubletten werden bereinigt, Pflichtfelder definiert, Plausibilitätsregeln eingebaut. Das ist unspektakuläre Arbeit – und der größte Hebel für verlässliche KI-Ergebnisse.
4. Sicherheit und Datenschutz von Anfang an
Rollen und Berechtigungen aus den Quellsystemen werden respektiert. Personenbezogene Daten werden nur verarbeitet, wo es nötig und zulässig ist. Wo sinnvoll, laufen Modelle in einer kontrollierten Umgebung statt in einem öffentlichen Dienst. So bleibt das Projekt auch für Datenschutz und Betriebsrat nachvollziehbar.
Was sich dadurch ändert
Mit einem integrierten Datenfundament wird aus dem Einzelprojekt eine Plattform: Der zweite und dritte KI-Anwendungsfall nutzt dieselben Schnittstellen und braucht nur noch einen Bruchteil des Aufwands. Gleichzeitig profitieren klassische Auswertungen und Dashboards von denselben sauberen Daten – auch ganz ohne KI.
Der wichtigste Perspektivwechsel: KI ist selten ein reines Modellproblem. Sie ist zum größten Teil ein Integrationsproblem. Wer das früh erkennt, plant Budget und Zeit realistischer und kommt schneller zu produktiven Ergebnissen.
Woran Sie erkennen, dass Ihr Projekt gefährdet ist
- Testdaten werden für jede Demo neu von Hand zusammengestellt.
- Niemand kann sagen, wie oft die Daten im Echtbetrieb aktualisiert würden.
- Die IT-Abteilung ist erst spät eingebunden worden.
- Es gibt keinen Plan für Monitoring und Fehlerbehandlung.
Praxisbeispiel: Vorausschauende Wartung in der Fertigung
Ein Maschinenbauer möchte ungeplante Stillstände reduzieren. Die Idee: Eine KI erkennt anhand von Sensordaten, wann ein Bauteil voraussichtlich ausfällt. Der Prototyp funktioniert mit historischen Daten aus einer Excel-Datei. Für den Produktivbetrieb fehlen jedoch drei Dinge: eine laufende Anbindung der Maschinensteuerungen, die Verknüpfung mit Wartungsaufträgen im ERP und eine eindeutige Zuordnung von Maschinen, Standorten und Bauteilen.
Die Lösung liegt nicht in einem besseren Modell, sondern in der Integration: Sensordaten werden über eine Edge-Komponente gesammelt und vorverarbeitet, Stammdaten aus dem ERP abgeglichen, Prognosen als Wartungsvorschläge zurück ins ERP geschrieben. Erst damit wird aus einer Vorhersage ein Arbeitsauftrag, den ein Techniker auch tatsächlich sieht.
Dieselbe Integrationsstrecke lässt sich anschließend für weitere Fälle nutzen – etwa für die automatische Ersatzteilbestellung oder für Auswertungen zur Anlagenverfügbarkeit.
Sie haben einen KI-Anwendungsfall im Kopf oder einen Prototyp, der nicht in den Betrieb kommt? Im Erstgespräch prüfen wir, welche Daten- und Schnittstellenfragen zuerst gelöst werden sollten.
Mehr zur KI-gestützten Modernisierung →
Häufige Fragen
Müssen wir zuerst ein Data Warehouse aufbauen?
Nicht unbedingt. Für viele Anwendungsfälle reicht es, die benötigten Quellen gezielt anzubinden. Ein zentrales Datenmodell kann schrittweise wachsen.
Können wir KI nutzen, ohne Daten in fremde Clouds zu geben?
Ja. Je nach Anwendungsfall lassen sich Modelle in einer eigenen oder europäischen Umgebung betreiben. Das klären wir gemeinsam mit Ihren Datenschutzanforderungen.
Wie lange dauert es bis zum produktiven Einsatz?
Das hängt vor allem davon ab, wie gut Ihre Systeme schon vernetzt sind. Ein eng gefasster Anwendungsfall mit sauberer Anbindung ist deutlich schneller produktiv als ein breit angelegtes Vorhaben.