KI für kleine Unternehmen: Pragmatischer Einstieg unter 5k
KI für kleine Unternehmen wird oft als unerreichbar dargestellt: zu teuer, zu komplex, zu weit weg vom Tagesgeschäft. Die Realität sieht anders aus. Wer mit einem konkreten Engpass startet, kann in vier bis sechs Wochen einen produktiven Use Case aufsetzen, der weniger kostet als ein Messeauftritt. Dieser Artikel zeigt, wie ein Einstieg unter 5.000 Euro tatsächlich aussieht.
Warum kleine Unternehmen KI anders angehen müssen
Was bei einem Mittelständler mit 200 Mitarbeitenden funktioniert, scheitert in einem Betrieb mit zwölf Personen oft an drei Punkten: fehlende IT-Bandbreite, knappe Budgets und der berechtigte Wunsch, dass die Lösung sofort spürbar Arbeit abnimmt. Ein Strategieprojekt über sechs Monate ist hier weder finanzierbar noch sinnvoll.
Kleine Unternehmen brauchen einen anderen Einstieg. Statt einer Strategie steht am Anfang ein klarer Prozess, der Zeit kostet und wiederholbar ist: das Verschlagworten von Eingangsrechnungen, das Beantworten gleichartiger Kundenmails, das Übertragen von Bestelldaten in die Warenwirtschaft. Solche Aufgaben sind kein Mooonshot. Sie sind aber genau der Punkt, an dem moderne LLM-APIs spürbar Stunden einsparen.
Wir haben in den vergangenen achtzehn Monaten zwölf solcher Einstiegsprojekte mit Betrieben zwischen sechs und vierzig Mitarbeitenden begleitet, darunter Steuerkanzleien, Handwerksbetriebe, kleine Online-Shops, Kanzleien und eine Werbeagentur. Die folgenden drei Use Cases sind in jedem dieser Projekte als erstes oder zweites Vorhaben aufgetaucht.
Drei Einstiegs-Use-Cases unter 5.000 Euro
Use Case 1: Eingangsrechnungen automatisch verschlagworten
Das Problem kennt jeder kleine Betrieb: Rechnungen landen als PDF im Postfach, die Buchhaltung muss sie öffnen, Lieferant, Datum, Betrag, Kostenstelle erfassen und ablegen. Pro Rechnung sind das zwei bis vier Minuten, bei 200 Belegen im Monat schnell zehn Stunden.
Die KI-Variante: Ein Skript ruft das Anhang-Postfach ab, schickt jede neue Rechnung an ein LLM mit OCR-Vorstufe und bekommt strukturiertes JSON zurück. Lieferant, IBAN, Betrag, Datum, Buchungstext, vermutete Kostenstelle. Der Mensch prüft die Vorschläge und bestätigt mit einem Klick. Aufwand pro Beleg sinkt auf rund 30 Sekunden.
Realistischer Aufwand für die Umsetzung: zwei bis drei Personentage, plus ein API-Budget von etwa 30 Euro pro Monat bei 200 Belegen. Gesamtkosten für Setup inklusive Test und kleiner UI: 2.500 bis 3.500 Euro.
Use Case 2: E-Mail-Antwortentwürfe für Standardanfragen
In Werkstätten, Praxen und kleinen Agenturen besteht ein erheblicher Teil des Mail-Volumens aus wiederkehrenden Fragen: Öffnungszeiten, Preise, Verfügbarkeiten, Statusabfragen zu laufenden Aufträgen. Diese Mails werden mehrfach am Tag handgeschrieben, oft von der Person, die eigentlich produktiv arbeiten sollte.
Ein KI-gestütztes Setup liest neue Mails, klassifiziert die Anfrage, sucht im Hintergrund die Antwort aus einer kleinen internen Wissensbasis (Preisliste, FAQ, Verfügbarkeiten) und legt einen Entwurf als Draft im Postfach ab. Der Inhaber prüft, passt an, sendet. Antwortzeit fällt von einem Tag auf wenige Minuten, ohne dass jemand neu eingestellt werden muss.
Aufwand: drei bis vier Personentage Setup. Voraussetzung ist eine sauber gepflegte Wissensbasis, die als kleines Markdown-Repository aufgesetzt wird. Mehr dazu im Beitrag Open-Source-Wissensbasis für den KI-Stack. Gesamtkosten: 3.000 bis 4.500 Euro.
Use Case 3: Übergabeprotokolle aus Stichpunkten
Handwerker und Servicetechniker dokumentieren Abnahmen oft mit Diktiergerät oder handschriftlichen Notizen. Die saubere Übertragung ins PDF-Protokoll passiert abends oder am Wochenende und ist genau der Punkt, an dem Dokumentation gerne ausfällt.
Eine kleine App nimmt die Sprachaufnahme entgegen, transkribiert sie, strukturiert die Inhalte gegen ein Protokoll-Template (Anlage, Befund, Empfehlung, vereinbarte nächste Schritte) und liefert ein fertiges PDF zurück. Der Techniker prüft, druckt oder versendet per Mail an den Kunden.
Aufwand: zwei bis drei Personentage Setup, ein API-Budget von rund 20 Euro pro Monat. Gesamtkosten: 2.000 bis 3.000 Euro. Diese Architektur ähnelt dem, was wir in Multi-Format-Doku-Aktualisierung beschreiben, nur kleiner geschnitten.
Die typischen Stolpersteine und wie sie sich vermeiden lassen
Kleine Projekte scheitern selten an der Technik. Sie scheitern an drei wiederkehrenden Mustern.
Erstens: die Erwartung, dass KI “alles” macht. Wer von Anfang an versucht, einen kompletten Prozess vollständig zu automatisieren, baut Wochen an Sonderfällen ein und gibt das Projekt entnervt auf. Pragmatischer Ansatz: 80 Prozent der Fälle automatisieren, die restlichen 20 Prozent bleiben manuell. Das spart sofort viel Zeit und kostet einen Bruchteil.
Zweitens: kein definierter Anwender. “Wir nutzen das dann irgendwie” ist die schlechteste Antwort auf die Frage, wer den Use Case betreut. Klein-Unternehmen brauchen genau eine verantwortliche Person, die Korrekturen einpflegt, Fehlerfälle meldet und nach drei Monaten entscheidet, ob ausgebaut wird.
Drittens: Datenschutz wird zu spät geklärt. Schon vor dem ersten API-Call sollte feststehen, welcher Anbieter eingesetzt wird (EU-Region, AVV, kein Training auf Kundendaten) und welche Datenkategorien ausgeschlossen sind. Eine kurze Risikoeinschätzung kostet wenig Zeit, verhindert aber späteres Zurückrudern. Mehr dazu in unserem Artikel zum EU AI Act für mittelständische KI-Projekte (Englische Version).
Welche Tools sich für den Einstieg eignen
Für die genannten Use Cases reichen Standardbausteine. Wir setzen typischerweise auf eine LLM-API mit europäischer Region (z.B. Azure OpenAI mit Region Frankfurt oder Anthropic Claude über AWS Frankfurt), eine schmale Backend-Komponente in Python oder TypeScript, ein einfaches Frontend für die Freigabe und ein Logging-Setup für Nachvollziehbarkeit. Datenbanken sind in 80 Prozent der Fälle nicht nötig; eine kleine SQLite-Datei reicht.
Bei der Modellauswahl ist Differenzierung wichtig. Für Klassifikation und Extraktion genügt oft ein günstiges Modell wie GPT-4o-mini oder Claude Haiku. Für Aufgaben, bei denen Tonalität und Kontext zählen (Kundenmails), lohnen sich Claude Sonnet oder GPT-4o. Die Kostenunterschiede zwischen den Modellen sind erheblich, der Qualitätsunterschied ist nicht immer spürbar; also ausprobieren, nicht raten.
Die internen Tools zur Pflege der Wissensbasis sollten so einfach wie möglich bleiben. Ein Git-Repository mit Markdown-Dateien funktioniert für die meisten Betriebe besser als ein CMS, weil der Inhaber selbst Änderungen vornehmen kann, ohne in eine UI eingelernt zu werden. Wir greifen denselben Ansatz unter anderem in unserer eigenen Blog-Infrastruktur auf.
Ein letzter Hinweis zur Architektur: keine eigene GPU-Infrastruktur. Für Betriebe unter 50 Mitarbeitenden ist On-Premises-Hosting fast immer überflüssig, weil die API-Kosten überschaubar bleiben und der Wartungsaufwand entfällt. Erst wenn Datenkategorien betroffen sind, die das Haus nicht verlassen dürfen, ändert sich diese Rechnung. Die Abwägung haben wir im Beitrag Self-Hosted statt SaaS ausführlicher diskutiert; eine englischsprachige Version steht unter Self-Hosted vs. SaaS bereit.
Fazit
Ein KI-Einstieg für kleine Unternehmen muss nicht 50.000 Euro kosten und ein halbes Jahr dauern. Drei realistische Use Cases (Rechnungserfassung, Mail-Entwürfe, Übergabeprotokolle) lassen sich für 2.500 bis 4.500 Euro pro Projekt umsetzen und entlasten das Tagesgeschäft messbar. Wichtig ist, mit genau einem Engpass anzufangen, der Person, die später damit arbeitet, früh einzubinden und Datenschutz vor dem ersten API-Call zu klären.
EverBright IT unterstützt kleine Unternehmen beim Einstieg in produktive KI-Use-Cases. Vom ersten Workshop bis zum produktiven Setup in vier bis sechs Wochen. Mehr zu unserer KI-Beratung oder direkt Kontakt aufnehmen.
Häufige Fragen
Was kostet ein erster KI-Use-Case in einem kleinen Unternehmen?
Ein realistischer Einstiegspreis liegt zwischen 2.500 und 5.000 Euro für die einmalige Umsetzung. Hinzu kommen laufende API-Kosten, die für die genannten Use Cases meist zwischen 20 und 80 Euro pro Monat liegen. Das hängt vom Belegvolumen und der Modellwahl ab. Ein PoC ist in vier bis sechs Wochen realisierbar.
Brauchen kleine Unternehmen für KI ein eigenes IT-Team?
Nein. Die meisten Einstiegsprojekte werden durch einen externen Partner aufgesetzt und benötigen nach Go-Live keine permanente IT-Betreuung. Wichtig ist eine verantwortliche Person im Betrieb, die Korrekturen einpflegt und Auffälligkeiten meldet. Ein Wartungsvertrag mit 2 bis 4 Stunden pro Monat reicht in der Regel aus.
Welche KI-Use-Cases eignen sich für kleine Unternehmen am besten?
Bewährt haben sich repetitive Tätigkeiten mit klar strukturierten Eingaben und Ausgaben. Rechnungsverarbeitung, E-Mail-Entwürfe, Protokollerstellung, Datenübernahme zwischen Systemen. Aufgaben mit hohem Ermessensspielraum oder fehlender Datengrundlage sind dagegen schlecht geeignet, weil sie Korrekturaufwand verursachen, der den Zeitgewinn aufzehrt.
Ist Datenschutz bei KI-Lösungen für kleine Unternehmen ein Problem?
Datenschutz ist lösbar, wenn er früh adressiert wird. Anbieter mit EU-Region, AVV und Opt-out aus dem Training auf Kundendaten sind verfügbar. Personenbezogene Daten sollten möglichst minimiert oder pseudonymisiert werden. Eine kurze Risikoeinschätzung vor Projektstart verhindert spätere Konflikte mit dem Datenschutzbeauftragten und reicht für die meisten Use Cases aus.
Wann lohnt sich eine eigene KI-Infrastruktur statt API-Nutzung?
Für Betriebe unter 50 Mitarbeitenden fast nie. Eigene GPU-Infrastruktur lohnt sich erst, wenn entweder das API-Volumen so groß wird, dass die Kosten dreistellig pro Tag werden, oder wenn Datenkategorien betroffen sind, die das Haus nicht verlassen dürfen. Beides ist im klein-mittelständischen Umfeld selten. Eine seriöse Cloud-API ist meist die wirtschaftlichere Wahl.
