Artikel: Praxisleitfaden: Erster KI-Pilot in 30 Tagen

KI-Pilot in 30 Tagen: Warum der operative Kern den Unterschied macht

Die meisten mittelständischen Unternehmen behandeln das Versprechen eines ersten KI-Piloten innerhalb von 30 Tagen wie ein Marketing-Plakat: bunt, laut, aber ohne Substanz. Sie vermuten dahinter eine Verkaufsmasche, die mit schnellen Erfolgen lockt und dann in langwierige, teure Projekte mündet. Diese Skepsis ist berechtigt – und doch übersieht sie den eigentlichen Punkt. Der Wert eines solchen Leitfadens liegt nicht in der schillernden Zeitangabe, sondern in der operativen Disziplin, die er erzwingt. Wer ihn unterschätzt, verwechselt das Werkzeug mit dem Werbespruch.

Die These lautet: Ein 30-Tage-KI-Pilot funktioniert nur dann, wenn er als striktes Prozessgerüst verstanden wird – nicht als Technologiedemonstration. Mittelständler, die das ignorieren, scheitern nicht an der KI, sondern an mangelnder Vorbereitung, unsauberen Daten und fehlender Messbarkeit. Der Leitfaden ist kein Marketing-Hype, sondern ein Kompass für operative Exzellenz.

Der Beweis liegt in den Details, die ein solcher 30-Tage-Plan erzwingt. Nehmen wir ein realitätsnahes Beispiel: Ein Maschinenbauunternehmen mit 180 Mitarbeitern, das Bestellvorschläge für Ersatzteile automatisieren will. Der operative Kern eines 30-Tage-Piloten beginnt nicht mit der Auswahl eines KI-Modells, sondern mit der Definition eines einzigen, abgrenzbaren Prozessschritts. Im konkreten Fall: die Klassifikation von Kundenanfragen, ob ein Ersatzteil als Standard- oder Sonderanfertigung gilt. Dieser Schritt muss in den ersten drei Tagen so scharf umrissen werden, dass er weniger als 200 historische Datensätze umfasst und eine klare Ja/Nein-Entscheidung verlangt. Ohne diese Eingrenzung wird aus dem 30-Tage-Plan ein uferloses Projekt.

Die nächsten zehn Tage gehören der Datenarbeit – und hier scheitern die meisten Unterschätzer. Es geht nicht um Big Data, sondern um die mühsame Bereinigung von Excel-Tabellen, ERP-Exporten und E-Mail-Verläufen. Im Beispiel mussten 147 Datensätze manuell darauf geprüft werden, ob die Artikelnummer im Freitextfeld mit der tatsächlichen Bestellung übereinstimmte. 23 Einträge waren falsch verknüpft, 11 enthielten Sonderzeichen, die das spätere Training verzerrt hätten. Diese Arbeit ist unspektakulär, aber sie entscheidet über die Brauchbarkeit des Modells. Ein Leitfaden, der nicht auf solche Bereinigungsschritte pocht, ist wertlos. Der 30-Tage-Plan zwingt dazu, weil am Tag 15 das erste Training starten muss.

Tag 15 bis 20: Modelltraining und erste Tests. Hier zeigt sich, ob die Prozessdefinition und Datenqualität ausreichen. Im Beispiel wurde ein einfaches Entscheidungsbaum-Modell gewählt – nicht, weil es technisch hip ist, sondern weil es für 174 bereinigte Datensätze die höchste Nachvollziehbarkeit bietet. Der Pilot lieferte nach fünf Tagen eine Trefferquote von 82 Prozent bei der Klassifikation. Das ist kein Grund zum Jubeln, aber ein messbares Ergebnis, das mit dem Fachbereich diskutiert werden kann. Der Leitfaden verlangt an dieser Stelle keine Perfektion, sondern eine belastbare Baseline: Wie viele Fehlentscheidungen produziert das Modell? Welche Fehlerkosten entstehen? Ohne diese Zahlen bleibt KI ein Bauchgefühl.

Die letzte Phase – Tag 21 bis 30 – gehört der Integration in den Arbeitsalltag und der Auswertung. Im Beispiel wurde das Modell als einfaches Web-Interface bereitgestellt, das ein Sachbearbeiter parallel zum bestehenden Prozess nutzte. Entscheidend war nicht die technische Eleganz, sondern die Protokollierung jeder Modellentscheidung und jeder manuellen Überschreibung. Nach 30 Tagen lagen 89 Testfälle vor: Das Modell lag in 74 Fällen richtig, in 15 Fällen daneben. Die Fehleranalyse zeigte, dass 9 der 15 Fehler auf unvollständige Daten in der Trainingsphase zurückgingen – ein klarer Hinweis für die nächste Iteration. Der Pilot war kein abgeschlossenes Projekt, aber ein belastbarer Startpunkt mit konkreten Kennzahlen: Durchlaufzeit pro Anfrage sank von 12 auf 4 Minuten, die Fehlerquote des manuellen Prozesses (vorher 8 Prozent) diente als Vergleich. Der operative Kern des Leitfadens – messen, vergleichen, entscheiden – hat hier mehr bewirkt als jede Hochglanz-Präsentation.

Die Gegenstimme ist bekannt: „30 Tage sind unrealistisch. KI braucht Monate der Vorbereitung, teure Data Scientists und perfekte Daten.“ Dieser Einwand ist richtig, wenn man KI als komplexes, unternehmensweites System denkt. Aber er übersieht