Wenn Fachkräftemangel keiner ist: Warum die Diagnose teurer sein kann als das Werkzeug
Ein Praxisfall darüber, warum Unternehmen manchmal Personal suchen, obwohl ihnen eigentlich Struktur, dokumentiertes Wissen und eine saubere Prozessdiagnose fehlen.
Lesedauer ca. 6 Minuten · Stand Juli 2026
Ein Produktionsbetrieb kam mit einer klaren Diagnose zu uns: Fachkräftemangel.
Die Angebotserstellung stockte. Erfahrene Kollegen waren dauerhaft ausgelastet. Neue Mitarbeitende brauchten lange, bis sie Kostenvoranschläge eigenständig kalkulieren konnten. Die Erwartung an das Gespräch war deshalb eindeutig: Wir sollten über eine Automatisierung sprechen, die fehlendes Personal ersetzt.
Wir haben stattdessen gefragt, warum neue Mitarbeitende die Aufgabe nicht schneller lernen konnten.
Das war der Moment, in dem sich das Projekt gedreht hat.
Die Diagnose war falsch und teuer
Die Prüflogik für Angebote existierte vor allem im Erfahrungswissen einzelner Personen. Sie war nicht ausreichend dokumentiert und damit für neue Mitarbeitende kaum zugänglich. Wer neu anfing, musste deshalb immer wieder auf erfahrene Kollegen zurückgreifen. Genau diese Kollegen waren jedoch bereits ausgelastet und hatten kaum Zeit, ihr Wissen strukturiert weiterzugeben.
Das fühlt sich an wie Fachkräftemangel.
Tatsächlich war es in diesem Fall vor allem ein Wissens- und Strukturproblem.
Der Unterschied ist nicht akademisch, sondern wirtschaftlich. Gegen echten Fachkräftemangel kann zusätzliches Personal helfen. Hier hätte eine weitere Einstellung das eigentliche Problem jedoch nicht gelöst. Sie hätte zunächst nur die Zahl der Menschen erhöht, die auf das Wissen derselben wenigen Kollegen angewiesen waren.
Der Pilot setzte deshalb nicht bei den Menschen an, sondern bei der Organisation. Die vorhandene Prüflogik wurde strukturiert, dokumentiert und in einen unterstützten Prozess übertragen.
Das Ergebnis haben wir in unserer Checkliste für KI-Projekte im Mittelstand bereits ausführlich beschrieben: Die Bearbeitungszeit für ein Standardangebot sank von rund 30 auf 12 Minuten. Über die Vorgangsmenge gerechnet ergab sich allein in diesem Prozess ein wirtschaftlicher Effekt von ungefähr 25.000 Euro im Jahr.
Entscheidend war nicht nur die Zeitersparnis. Die Angebotserstellung wurde weniger abhängig von der Verfügbarkeit einzelner Personen.
Eine Grenze, die wir früh im Konzept ziehen
Das System unterstützt Arbeit. Es bewertet keine Mitarbeitenden.
Diese Unterscheidung ist nicht nur eine Frage der Haltung. Sie kann auch für die regulatorische Einordnung entscheidend sein.
Der EU AI Act zählt bestimmte KI-Systeme im Beschäftigungskontext zu den Hochrisiko-Anwendungen. Dazu gehören insbesondere Systeme, die für arbeitsbezogene Entscheidungen, die Zuteilung von Aufgaben, die Überwachung oder die Bewertung von Leistung und Verhalten eingesetzt werden. Entscheidend sind dabei der konkrete Zweck und die tatsächliche Verwendung des Systems.
Unsere Grenze ist klar:
Ein System darf Informationen vorbereiten, Wissen verfügbar machen und Vorschläge liefern. Entscheidungen über Menschen müssen nachvollziehbar beim Menschen bleiben.
Ein unterstützendes System ist dadurch nicht automatisch von allen regulatorischen Anforderungen ausgenommen. Es ist jedoch anders zu bewerten als eine Anwendung, die Beschäftigte überwacht, bewertet oder arbeitsbezogene Entscheidungen automatisiert vorbereitet.
Wer diese Grenze im Konzept nicht sauber festlegt, kann aus einer zunächst einfachen Prozessunterstützung unbemerkt einen deutlich stärker regulierten Anwendungsfall machen.
Genau an diesem Punkt verändern wir in Gesprächen immer wieder eine Idee, bevor daraus ein Projekt wird.
Der zweite Fall: Nicht abraten, sondern die Reihenfolge ändern
Bei einem anderen Kunden war die Idee grundsätzlich tragfähig. Die Datenlage war jedoch heikel.
Es ging um einen Anwendungsfall, bei dem interne Dokumente, personenbezogene Informationen und eine langfristig nachvollziehbare Verarbeitung eine Rolle spielten. Die Frage war deshalb nicht nur, welches Modell technisch am meisten leisten konnte. Genauso wichtig war, wo die Daten verarbeitet werden durften und wie sich der Betrieb langfristig vor unnötigen Abhängigkeiten schützen konnte.
Die Reihenfolge entscheidet, ob ein Projekt nur technisch funktioniert oder langfristig tragfähig ist.
Wir haben nicht von dem Projekt abgeraten. Wir haben die Reihenfolge verändert:
Zuerst die Daten klassifizieren. Dann das Betriebsmodell und die technische Lösung auswählen.
Für diesen Anwendungsfall bedeutete das auch: lokale Verarbeitung statt einer vorschnellen Entscheidung für einen externen Cloud-Dienst.
Das kostete zunächst Zeit, die der Kunde verständlicherweise lieber direkt in die Umsetzung gesteckt hätte. Rückblickend war genau diese Vorbereitung jedoch die Voraussetzung dafür, dass das Projekt tragfähig wurde.
Die regulatorischen Fristen haben sich inzwischen verändert. Wer allein auf regulatorische Klarheit gewartet hat, hat dadurch zwar mehr Zeit erhalten. Er hat aber noch keine bessere Entscheidungsgrundlage aufgebaut.
Die Datenklassifizierung war nie an einen bestimmten Stichtag gebunden. Auch die Frage, wofür ein System eingesetzt wird, welche Daten es verarbeitet und welche Entscheidungen beim Menschen bleiben sollen, muss unabhängig von Übergangsfristen beantwortet werden.
Stand der Rechtslage · Juli 2026
Das Europäische Parlament hat die Vereinfachungsmaßnahmen am 16. Juni 2026 gebilligt, der Rat hat sie am 29. Juni 2026 förmlich angenommen. Das Gesetzgebungsverfahren ist damit abgeschlossen. Die Veröffentlichung im EU-Amtsblatt steht noch aus; die Änderungsverordnung tritt am dritten Tag nach ihrer Veröffentlichung in Kraft. Für rechtlich verbindliche Einordnungen ist die jeweils geltende Fassung der Verordnung maßgeblich.
Eine Position, bei der uns nicht alle zustimmen
Aus diesen und ähnlichen Projekten hat sich bei uns eine Einschätzung entwickelt, die nicht von allen Marktteilnehmern geteilt wird:
Für viele Anwendungen mit internen Dokumenten, Prozesswissen oder sensiblen Daten sind lokale Modelle im Mittelstand inzwischen ein sinnvoller Ausgangspunkt – und nicht mehr nur eine Notlösung.
Vor einigen Jahren bedeutete lokale KI häufig deutliche Abstriche bei Qualität und Bedienbarkeit. Diese Unterschiede sind bei passenden Anwendungsfällen kleiner geworden.
Gleichzeitig bleiben beim Einsatz externer Cloud-Dienste Fragen, die ein Unternehmen bewusst beantworten sollte:
- Wo werden Daten verarbeitet?
- Welche Unterauftragnehmer sind beteiligt?
- Kann der Anbieter das Modell oder seine Bedingungen verändern?
- Wie aufwendig wäre ein späterer Wechsel?
Gegen lokale Modelle sprechen ebenfalls gute Gründe. Sie benötigen technische Betreuung, ausreichende Infrastruktur und ein realistisches Verständnis dafür, welche Qualität mit welchem Aufwand erreichbar ist. Für allgemeine Textarbeit oder Anwendungen ohne sensible Unternehmensdaten kann ein Cloud-Dienst deshalb weiterhin die bessere und wirtschaftlichere Lösung sein.
Unsere Position lautet nicht: lokal ist immer besser.
Bei Anwendungen, die mit internem Wissen oder sensiblen Daten arbeiten, sollte die lokale Variante heute von Anfang an ernsthaft geprüft werden.
Fünf Fragen, die Sie auch ohne uns beantworten können
Diese Fragen stehen am Anfang unseres Sparrings. Sie funktionieren genauso, wenn Sie die Prüfung intern durchführen:
Wenn Sie diese Fragen klar beantworten können, benötigen Sie möglicherweise kein externes Sparring.
Wenn Sie bereits bei der Beschreibung des tatsächlichen Prozesses oder bei der Frage nach dem Erfahrungswissen ins Stocken geraten, ist die Auswahl des nächsten KI-Tools wahrscheinlich noch nicht der richtige Schritt.
Unser Fazit
In beiden Fällen war die Technologie am Ende nicht das Schwierigste. Schwierig war, die Ausgangsfrage zu korrigieren.
Der Produktionsbetrieb gewann rund 18 Minuten pro Standardangebot. Eine zusätzliche Stelle hätte dagegen zunächst nicht das Problem gelöst, sondern weitere Abhängigkeit vom Wissen einzelner Personen geschaffen.
Im zweiten Fall war nicht die frühestmögliche Umsetzung entscheidend, sondern die richtige Reihenfolge: Daten verstehen, Risiken einordnen und erst danach die Technologie auswählen.
Nicht möglichst schnell ein Werkzeug einführen. Sondern vor der Investition prüfen, welches Problem tatsächlich gelöst werden muss.
Das ist der Teil unserer Arbeit, der sich schlecht bebildern lässt. Es ist häufig der Teil, der das meiste Geld spart.
Sie stehen vor einer Technologieentscheidung und hätten gern eine zweite Perspektive?
In einem unverbindlichen Erstgespräch klären wir, ob hinter Ihrer Fragestellung tatsächlich ein KI- oder Automatisierungsprojekt steckt – oder ob zuerst der Prozess, die Datenbasis oder die Zuständigkeit geklärt werden sollte.
Kein Toolverkauf. Keine vorgefertigte Lösung. Eine fachliche Einschätzung aus der Umsetzungspraxis.
Erstgespräch anfragen KI-Selfcheck starten
30 Minuten · unverbindlich · fachliche Einordnung statt Verkaufsgespräch
