Wie man mit KI in einem kleinen Unternehmen startet: Womit, zu welchen Kosten, ohne zu viel zu zahlen

In einem kleinen Unternehmen hast du kein Budget für Experimente „weil alle KI machen“. Du hast konkrete Arbeitszeit von Mitarbeitern, die für repetitive Aufgaben draufgeht, und die Frage, ob man sie ohne Risiko und ohne zu viel zu zahlen zurückgewinnen kann. Als unabhängiges Forschungszentrum sehen wir immer wieder denselben Fehler: Ein Unternehmen kauft ein Tool, bevor es das Problem definiert. Dieser Leitfaden kehrt die Reihenfolge um — erst der Prozess und die Zahlen, dann die Technologie.

Ein gutes erstes Projekt erfüllt drei Bedingungen gleichzeitig: Es ist wiederholbar, messbar und risikoarm. Wiederholbar — weil sich KI durch Volumen rechnet, nicht durch eine einzelne Aufgabe. Messbar — weil man ohne die Zahl „vorher“ nicht beweisen kann, dass es „nachher“ besser ist. Risikoarm — weil der erste Fehler bei einem Kunden mehr kostet als das gesamte Pilotprojekt.

Praktischer Test: Wenn der Prozess täglich durchgeführt wird, klare Ein- und Ausgänge hat und ein Fehler erkannt werden kann, bevor er den Kunden erreicht — dann ist er ein guter Kandidat. Klassiker für den Start sind Klassifizierung und Routing von Anfragen, vorläufige Antworten im Kundenservice oder ein Assistent auf einer internen Wissensdatenbank. Vermeide zu Beginn Prozesse, in denen das Modell über Geld, Kundenrechte oder Gesundheit entscheidet — dort kommt menschliche Aufsicht ins Spiel, und die Hürde ist deutlich höher.

Die Kosten für KI sind nicht eine einzige Zahl. Sie setzen sich aus drei Teilen zusammen, und die meisten Unternehmen sehen nur den ersten. Die unten genannten Rahmen sind reale Größenordnungen für ein kleines Unternehmen in Polen im Jahr 2026 — kein Preisschild, sondern ein Referenzpunkt für Gespräche. Eine detailliertere Aufschlüsselung haben wir im Text wie viel kostet ein KI-Agent beschrieben.

Am stärksten beeinflusst die Auswahl des Modells für die Aufgabe die laufende Rechnung — nicht das Modell selbst. Ein kleines, günstiges Modell für Klassifizierung und ein starkes nur dort, wo es wirklich nötig ist — das ist meist der größte einzelne Kostentreiber. Die Zahl, die es zu verfolgen lohnt, ist der Kostenaufwand pro durchgeführter Aufgabe (Bearbeitung einer Anfrage, Klassifizierung eines Dokuments), denn diese vergleicht man direkt mit den Kosten für menschliche Arbeit.

Setze nicht „sofort in Produktion“ um. Führe ein enges Pilotprojekt mit realen, aber begrenzten Daten durch, mit einem klaren Erfolgskriterium, das vor dem Start festgelegt wird — zum Beispiel „das Modell leitet weniger als jede zehnte Anfrage falsch weiter“ oder „verkürzt die Zeit für die erste Antwort um ein Drittel“. Das Pilotprojekt soll eine Frage beantworten: Funktioniert es gut genug, um zu skalieren? Den Weg vom Pilotprojekt zur Produktion haben wir separat im Text vom KI-Pilotprojekt zur Produktion beschrieben.

Ein kleines Unternehmen sollte selten von Grund auf selbst bauen. Ein fertiges Tool ist die bessere Wahl, wenn dein Prozess standardisiert ist (z. B. typischer FAQ-Chatbot) und die Daten nicht sensibel sind. Eine eigene Lösung lohnt sich, wenn der Prozess spezifisch für dein Unternehmen ist, die Daten vertraulich sind oder du volle Kontrolle und vorhersehbare Stückkosten bei höherem Volumen anstrebst.

Die dritte, häufigste Variante für kleine Unternehmen bei uns ist die Zusammenstellung aus fertigen, offenen Bausteinen — eigene Logik, aber auf Basis bewährter Modelle und Embeddings, ohne alles von Grund auf zu schreiben. Das gibt Kontrolle ohne die Kosten für volle Forschung und Entwicklung.

• Hype statt Problem. Wenn du den Prozess und die Zahl, die du verbessern willst, nicht benennen kannst, kaufe noch nichts. KI ist ein Werkzeug für konkrete Arbeit, kein Selbstzweck.
• KI dort, wo es nicht nötig ist. Manche Prozesse lassen sich besser mit Regeln, Vorlagen oder Datenbereinigung lösen. Wenn einfache Automatisierung die Sache günstiger und zuverlässiger erledigt, ist ein Modell unnötiges Risiko.
• Vendor Lock-in. Eine Lösung, aus der man nicht ohne Neuschreibung alles herauskommt, ist ein versteckter Kostenfaktor. Frage nach Datenexport, offenen Formaten und der Möglichkeit, das Modell zu wechseln.
• Fehlende Grenzen und Kontrolle. Ein Modell ohne Sicherheitsvorkehrungen für Ein- und Ausgabe sagt früher oder später einem Kunden etwas, das es nicht sagen sollte. Grenzen, Protokollierung und Aufsicht sind keine Zusätze — sie sind Voraussetzung für den Einsatz.
• Vernachlässigung personenbezogener Daten. Bevor du etwas an ein Modell sendest, kläre, welche Daten dort landen und ob sie dort hingehören. Das Thema vertiefen wir im Text über Pflichten von Unternehmen gemäß AI Act und RODO.

1. Schreibe 3 repetitive Prozesse auf und berechne für jeden: wie oft pro Monat, wie viel Zeit er in Anspruch nimmt, was ein Fehler kostet.
2. Wähle einen aus — den am häufigsten wiederholten, messbaren und mit dem geringsten Risiko.
3. Lege das Erfolgskriterium in Zahlen fest, bevor du beginnst (Zeit, Genauigkeit, Kosten pro Aufgabe).
4. Führe ein enges Pilotprojekt mit begrenzten Daten und menschlicher Aufsicht durch.
5. Miss und entscheide — skalieren, verbessern oder aufgeben. Jedes Ergebnis ist eine Information.

Mit einem Prozess, der wiederholbar, messbar und risikoarm ist — zum Beispiel das Sortieren von Anfragen oder ein Assistent auf einer internen Wissensdatenbank. Zähle zuerst, wie oft er sich monatlich wiederholt und was er heute kostet, und wähle erst dann das passende Tool aus.

Das erste Pilotprojekt für einen einfachen Prozess liegt meist im Rahmen von einigen bis zu mehreren zehntausend Złoty für die Implementierung, plus geringe variable Modellkosten, die mit dem Volumen steigen. Das ist eine Größenordnung, kein Festpreis — die endgültige Summe hängt von der Anzahl der Integrationen und den Datenanforderungen ab.

Wenn der Prozess standardisiert und die Daten wenig sensibel sind — kaufe ein fertiges Tool. Wenn der Prozess spezifisch für dein Unternehmen ist oder die Daten vertraulich sind, erwäge eine eigene Lösung, am besten zusammengesetzt aus offenen, bewährten Bausteinen, um Vendor Lock-in und übermäßige F&E-Kosten zu vermeiden.

Beginne mit einem engen Prozess, miss die Kosten pro durchgeführter Aufgabe und leite alle Aufrufe durch eine Schicht, die das Modell passend zur Aufgabe auswählt — klein und günstig, wo es reicht. Das ist meist die größte Einsparung, größer als das Verhandeln des Tool-Preises selbst.

Wenn du den Prozess und die Zahl, die du verbessern willst, nicht benennen kannst oder wenn eine einfache Regel oder Vorlage die Sache günstiger und zuverlässiger erledigt. KI ist oft unnötiges Risiko, wo es reicht, Daten zu ordnen oder etwas deterministisch zu automatisieren.