KI ist überall — auf jeder Konferenz, in jedem Vertriebs-Slide, in jedem zweiten LinkedIn-Post. Und gleichzeitig sitzt ihr in eurer Firma und seht: Außer ein paar Mitarbeitenden, die ChatGPT für ihre Mails benutzen, ist im Alltag wenig passiert. Wir bauen KI- und Automatisierungs-Lösungen für mittelständische Firmen, die im Tagesgeschäft wirklich entlasten — und wir sagen offen, wo eine KI nicht die richtige Antwort ist und ein 50-Zeilen-Workflow den Job besser erledigt.

Erkennst du das?

Eure Geschäftsführung fragt: „Warum nutzen wir nicht Copilot? Andere machen das schon.” — und niemand weiß so recht, was eine ehrliche Antwort wäre.
Ihr habt vor ein paar Monaten Copilot-Lizenzen gekauft, weil das im Microsoft-Renewal angeboten wurde. Drei Monate später nutzt es niemand regelmäßig, und im Reporting sieht man, dass das Geld einfach läuft.
Im IT-Service-Desk landen täglich 40 Tickets, davon sind gefühlt 70 % derselbe Frust um Passwort-Reset, Drucker-Treiber und Zugriffs-Anfragen. Eure erste Reihe arbeitet sich daran ab und kommt zu nichts anderem.
Eure Mitarbeitenden fragen Fachfragen in WhatsApp-Gruppen, in Mails an Kolleg:innen, oder schlimmer: bei ChatGPT — weil das Firmenwissen in SharePoint, im DMS und auf Netzlaufwerken nicht auffindbar ist.
Das Marketing experimentiert mit ChatGPT, der Vertrieb mit Claude, die Personalabteilung mit irgendeiner Lebenslauf-KI — und niemand im Haus weiß, welche Firmen-Daten dort landen.

Warum das passiert

KI ist in den letzten zwei Jahren von einer Forschungs-Frage zu einem Vertriebs-Druck geworden. Jeder Microsoft-Partner spricht Copilot an, jeder Berater hat eine KI-Roadmap im Angebot, und gleichzeitig steigt die Erwartung von Geschäftsführungen, Aufsichtsräten und Familien-Gesellschaftern: „Wir müssen da etwas machen.” Was dabei selten passiert, ist die nüchterne Frage, wo KI im konkreten Betrieb tatsächlich Arbeit abnimmt — und wo sie ein teures Spielzeug bleibt, das nach drei Monaten in der Schublade liegt.

Dazu kommt: Die meisten Mittelständler haben ihre Daten nicht in dem Zustand, den moderne KI-Werkzeuge brauchen. Copilot kann nur so gut sein wie die SharePoint-Berechtigungen, auf die er aufsetzt — und in vielen Firmen sind diese Berechtigungen über Jahre gewachsen und niemand möchte sie anfassen. Wenn Copilot dann „erfolgreich” eingeführt wird, sieht er plötzlich Personaldaten, Gehaltsabrechnungen oder Vorstands-Protokolle, die er nicht sehen sollte. Das ist kein KI-Problem, das ist ein Datengrundlagen-Problem — aber es kommt erst durch die KI zum Vorschein.

Und schließlich: KI ist nicht gleich Automation. Vieles, was heute als „KI-Projekt” verkauft wird, ist im Kern ein Workflow-Problem — ein wiederkehrender Vorgang, der nie sauber abgebildet wurde, und für den jetzt ein Large Language Model eingespannt werden soll, weil das eindrucksvoller klingt als „Power Automate”. Wir trennen die beiden Welten bewusst: KI dort, wo Sprache und Mehrdeutigkeit im Spiel sind, klassische Automation dort, wo der Prozess eigentlich klar ist und nur nie konsequent umgesetzt wurde.

Worum es konkret geht

Microsoft 365 Copilot — wann er wirklich Sinn ergibt

Bevor wir eine Copilot-Lizenz buchen, prüfen wir mit euch zwei Dinge: Wie sehen eure SharePoint-Berechtigungen aus, und welche Daten sind in eurem Tenant überhaupt klassifiziert? Wenn die Berechtigungen wild gewachsen sind, sieht Copilot Dinge, die er nicht sehen darf — und die Frage „Wie hoch war der letzte Bonus der Geschäftsführung?” wird plötzlich für jede Person im Haus beantwortbar. Erst die Datenbasis in Ordnung bringen, dann Copilot. Und auch dann nicht für alle, sondern für die Rollen, in denen Textarbeit, Recherche und Zusammenfassungen täglich vorkommen — Vertrieb, Marketing, Geschäftsführung, Backoffice mit viel Mailaufkommen.

Interne Wissenssuche

Mitarbeitende fragen in Teams eine Fachfrage, und die Antwort kommt aus dem Firmenwissen — aus SharePoint, aus dem DMS, aus dem Wiki, mit zitierten Quellen. Technisch baut das auf Azure AI Search und einem klassischen RAG-Pattern (Retrieval-Augmented Generation): Die KI generiert keine Antwort aus dem Bauch, sondern findet zuerst die passenden Dokumente in eurem Bestand und formuliert die Antwort entlang dieser Quellen. Woran ihr es merkt, dass das dran ist: Wenn neue Mitarbeitende drei Wochen brauchen, bis sie wissen, wo welches Dokument liegt — und die alten Hasen ihr Wissen im Kopf tragen.

Workflow-Automation (Power Automate / n8n)

Der weniger glamouröse, aber meistens lohnendere Teil. Wiederkehrende Abläufe, die heute über Mail-Verteiler, Excel-Listen und Zuruf laufen, werden zu definierten Workflows: Angebots-Versand mit automatischer Ablage im DMS, Bestellbestätigung mit Rückmeldung an den Vertrieb, Onboarding einer neuen Mitarbeitenden mit Lizenz-Vergabe, Gruppen-Eintrag und Geräte-Vorbereitung. Wir nutzen, was zur Situation passt — Power Automate, wenn ihr ohnehin in der Microsoft-Welt seid, n8n für offenere Szenarien oder wenn ihr unabhängig bleiben wollt.

Ticket-Triage & Klassifikation

Eingehende Service-Desk-Tickets werden vorab klassifiziert (Kategorie, Dringlichkeit, vermutlicher Lösungsweg), kurz zusammengefasst und an die richtige Stelle geroutet. Bei wiederkehrenden Standardfragen — Passwort, VPN, Drucker — schlägt das System einen Lösungsweg vor, den die zuständige Person nur noch bestätigen muss. Der Mensch bleibt im Loop. Woran ihr es merkt: Wenn euer 1st-Level zu 70 % aus denselben fünf Themen besteht und niemand mehr Zeit für die wirklich interessanten Tickets hat.

Governance — was darf die KI sehen, was nicht

Der unsichtbare, aber entscheidende Teil. Datenklassifizierung (was ist öffentlich, intern, vertraulich, streng vertraulich), Sensitivity Labels in M365, Prompt-Filter und Audit-Trail für KI-Nutzung. Dazu klare Spielregeln für Mitarbeitende: Was darf in ChatGPT, was nicht, welche internen Werkzeuge stehen zur Verfügung. Das ist die Antwort auf die Frage, die euch der Datenschutzbeauftragte ohnehin in den nächsten Monaten stellen wird.

Wo KI heute nicht hilft — die ehrliche Antwort

KI ist kein Allheilmittel, und wir sagen oft im Erstgespräch: „Das geht heute besser mit einem 50-Zeilen-Power-Automate-Flow als mit einem LLM.” Beispielsweise:

Strukturierte Datenextraktion aus immer gleichen Formularen — wenn das Formular jeden Tag identisch aussieht, ist Power Automate mit Form-Recognizer-Regeln stabiler, billiger und vorhersehbarer als jedes LLM.
Tickets schließen ohne Mensch im Loop — riskant. Eine KI, die selbstständig Zugriffe gewährt oder Passwörter zurücksetzt, ist eine Sicherheitslücke, die ihr im Audit nicht erklärt bekommt. Der Mensch sollte die Entscheidung treffen.
Komplexe juristische oder regulatorische Bewertungen — KI als Assistenz beim Recherchieren und Strukturieren ja, KI als Antwortgeber bei haftungsrelevanten Fragen nein.

Ein Satz, den wir öfter sagen: Wenn euer Vertrieb 50 Angebote pro Woche schreibt und 90 % davon sich nur in Stückzahlen und Preisen unterscheiden, braucht ihr keine KI — ihr braucht eine saubere Vorlage und einen Power-Automate-Flow. KI macht den Unterschied dort, wo Sprache wirklich variiert, wo Dokumente unterschiedlich aussehen, wo Fragen mehrdeutig sind. Dort ist sie ein Hebel. Bei festen Mustern ist sie der teure Umweg.

Worauf du achten solltest — auch wenn du nicht uns nimmst

Frag nach dem konkreten Use Case, bevor jemand über Lizenzen redet. Wer mit „Copilot kostet pro Monat …” beginnt, statt mit „In welcher Rolle bei euch würde das täglich Arbeit abnehmen?”, verkauft eine Lizenz, keine Lösung.
Lass dir die Datenklassifizierung zeigen, bevor ihr eine Wissens-KI ausrollt. Wenn niemand sagen kann, welche Dokumente vertraulich sind und welche nicht, sieht die KI am Ende alles. Das ist keine Schuld der KI, aber euer Problem.
Frag nach dem Rollback-Plan. Wenn ein Automation-Flow Bestellbestätigungen verschickt und morgens um drei in eine Endlos-Schleife läuft, will euer Vertrieb am nächsten Tag wissen, wie ihr das stoppt. Wer keine Antwort hat, hat keinen Plan.
Misstrauisch werden bei ROI-Versprechen mit konkreten Zahlen. Wer „300 % Produktivitätssteigerung durch Copilot” verspricht, hat keine Zahl, die er belegen kann — der Markt ist dafür schlicht zu jung, und die Messungen, die existieren, sind alle anbieter-finanziert. Seriös ist: „Wir definieren vorab, wie wir messen, und schauen nach drei Monaten ehrlich hin.”
Klärt früh, wo die Daten landen. Microsoft Copilot bleibt im Tenant. ChatGPT in der kostenlosen Variante nicht. Eine private Claude-Nutzung mit Firmen-Dokumenten ist ein Datenschutz-Vorfall. Wer das nicht differenziert, wirft Begriffe durcheinander.
Pilotiert klein, bevor ihr breit ausrollt. Eine Abteilung, sechs bis acht Wochen, klare Erfolgskriterien — danach entscheiden. Wer Copilot für die ganze Firma kauft, bevor jemand ihn echt benutzt hat, verbrennt Geld.

Wann das jetzt dran ist

Eure Geschäftsführung fragt aktiv nach Copilot oder KI, und ihr wollt eine fundierte Antwort statt einer Bauchgefühl-Reaktion.
Wachstum stockt an einem Plateau, das nach mehr Personal aussieht, aber eigentlich ein Produktivitäts-Problem ist — die wiederkehrenden Vorgänge fressen die Kapazität, die für das eigentliche Geschäft fehlt.
Stellensuche im 1st-Level oder im Backoffice bleibt seit Monaten erfolglos — der Arbeitsmarkt gibt das nicht her, und ihr braucht eine andere Hebel-Logik.
Eine konkrete Datenschutz-Sorge ist aufgekommen: Mitarbeitende nutzen ChatGPT mit Kundendaten, oder im Marketing taucht plötzlich generierter Text auf, dessen Herkunft niemand kennt.
Microsoft-Lizenz-Renewal steht an, Copilot wird angeboten, und ihr wollt eine ehrliche Entscheidungsgrundlage statt Vertriebs-Druck.
NIS-2-Vorbereitung läuft, und die Frage „Wie geht ihr mit KI-Werkzeugen um?” wird im Fragebogen auftauchen.

Wie wir vorgehen

Phase 1 — Erstgespräch & Use-Case-Inventur

30 Minuten Erstgespräch, danach ein strukturierter Blick auf die wiederkehrenden Vorgänge bei euch: Was passiert täglich, was passiert wöchentlich, wo sammelt sich Frust, wo geht Zeit verloren. Liefer-Ergebnis: eine Use-Case-Liste, sortiert nach „lohnt sich KI”, „lohnt sich klassische Automation”, „lohnt sich gar nichts, weil der Prozess vorher geklärt werden muss”.

Phase 2 — Pilot in einer Abteilung

Wir wählen mit euch einen Use Case aus, der überschaubar, messbar und im Erfolgsfall sichtbar ist. Sechs bis acht Wochen Pilot in einer Abteilung, mit klaren Erfolgskriterien, die vorher definiert sind. Liefer-Ergebnis: ein laufender Use Case, eine ehrliche Auswertung („was hat funktioniert, was nicht”), eine Entscheidungsgrundlage für die Frage „weiter ausrollen oder anders machen”.

Phase 3 — Ausrollen oder zurück auf Anfang

Wenn der Pilot trägt, rollen wir schrittweise aus — pro Abteilung, pro Use Case, mit Schulung der Anwendenden und Aufnahme in die Governance. Wenn der Pilot nicht trägt, sagen wir das offen, und wir suchen entweder einen besseren Use Case oder geben den Hinweis, dass KI bei euch aktuell nicht der richtige Hebel ist.

Phase 4 — Betrieb & laufende Anpassung

KI-Modelle ändern sich, Lizenzen ändern sich, Workflows ändern sich. Wir begleiten den laufenden Betrieb optional in einem Quartals-Rhythmus: Was hat sich bei Microsoft getan, welche neuen Use Cases sind dazugekommen, was läuft nicht mehr wie geplant. Liefer-Ergebnis: KI- und Automatisierungs-Bestand, der mitwächst, statt zu verrosten.

Was du von uns erwarten kannst — und was nicht

Was ihr bekommt:

Direkten Kontakt zum Gründer als festen Ansprechpartner — kein Ticket-Karussell, keine wechselnden Account-Manager:innen.
Eine ehrliche Use-Case-Bewertung, bevor irgendwer eine Lizenz kauft oder einen Flow baut.
Pilot-Phasen mit definierten Erfolgskriterien, statt „wir schauen mal”.
Dokumentation, die ein:e Nachfolger:in versteht — kein Spaghetti-Workflow, den nur wir warten können.
Empfehlungen, die auch gegen unseren eigenen Umsatz gehen — wenn der richtige Hebel ein simpler Power-Automate-Flow ist, bauen wir genau den.

Was wir bewusst nicht machen:

ROI-Versprechen mit konkreten Prozentzahlen. Der Markt gibt sie nicht her, und wir wollen uns nicht in Bauchgefühl-Zahlen verstricken, die euch im Aufsichtsrat um die Ohren fliegen.
KI als Selbstzweck. Wenn der Use Case mit klassischer Automation günstiger und stabiler läuft, machen wir das.
Vollautomation kritischer Entscheidungen ohne Mensch im Loop. Tickets schließen, Verträge freigeben, Zahlungen auslösen — da bleibt der Mensch.

Wo wir auch mal Nein sagen:

Wenn ihr Copilot „weil alle es haben” einführen wollt und die Datengrundlage nicht trägt — dann erst SharePoint und Berechtigungen aufräumen, dann reden wir nochmal.
Wenn die ehrliche Antwort lautet: „Das ist kein KI-Use-Case, das ist ein nie sauber definierter Prozess.” Dann reden wir über Prozess, nicht über Modell.
Wenn der Bedarf eigentlich Schulung der Mitarbeitenden im sicheren Umgang mit den vorhandenen KI-Werkzeugen ist, statt einer Eigenentwicklung. Auch das ist eine valide Antwort.

So fängt es an

30 Minuten Erstgespräch, kostenfrei, unverbindlich, per Video oder Telefon.
Was wir klären: Wo entsteht bei euch heute spürbarer Aufwand, der wiederkehrt, und welche der bestehenden Werkzeuge sind schon im Haus.
Optional vorab nützlich, aber nicht Pflicht: aktuelle Microsoft-Lizenzpakete, eingesetzte Workflow-/Automation-Werkzeuge, eine grobe Vorstellung, welche Abteilung am ehesten Pilot-Träger sein könnte.
Engagement-Modelle sind möglich als einmaliges Pilot-Projekt, als laufende Begleitung im Quartals-Rhythmus, oder als Hybrid — was zu euch passt, klären wir im Gespräch.

Erstgespräch buchen

Häufige Fragen

Brauchen wir Microsoft 365 Copilot wirklich? Das hängt an zwei Dingen: an euren Rollen — wer arbeitet täglich mit Text, Recherche, Zusammenfassungen — und an eurer Datenklassifizierung. Wenn die SharePoint-Berechtigungen sauber sind und es im Haus Rollen gibt, die viel Textarbeit machen, kann Copilot ein echter Hebel sein. Wenn die Daten unsortiert sind, kauft ihr euch ein Sicherheits-Risiko mit. Wir messen das vorher.

Was kostet ein KI-Projekt? Das hängt an drei Treibern: wie viele Use Cases im Pilot stehen, wie sauber die Datenbasis schon ist (oder ob sie erst aufgeräumt werden muss), und wie viele Mitarbeitende am Ende geschult werden. Wir geben im Erstgespräch eine ehrliche Spannweite — Pauschal-Aussagen ohne Blick in euren Tenant wären unseriös.

Wie verhindern wir, dass die KI Firmen-Daten an OpenAI schickt? Über die Auswahl des Werkzeugs und über klare Spielregeln. Microsoft Copilot bleibt im eigenen Tenant, Azure OpenAI Service ebenfalls. ChatGPT in der kostenlosen Variante nicht — dort wandern Prompts standardmäßig ins Training. Wir bauen die Werkzeuge so ein, dass die Firmen-Daten dort bleiben, wo sie hingehören, und definieren mit euch, was in welches Werkzeug darf.

Können wir KI auch ohne Microsoft nutzen? Ja. Azure OpenAI ist eine Option, Anthropic Claude über AWS Bedrock eine andere, lokale Modelle (Llama, Mistral) auf eigener Hardware eine dritte. Wir sind nicht ideologisch auf Microsoft festgelegt — was zur Situation passt, kommt zum Einsatz. Microsoft ist für viele Mittelständler der pragmatische Weg, weil M365 ohnehin im Haus ist; verpflichtend ist das nicht.

Wer haftet, wenn die KI was Falsches sagt? Im Zweifel die Firma, die die Antwort verwendet. Deshalb sind unsere Architekturen so gebaut, dass der Mensch im Loop bleibt — die KI schlägt vor, der Mensch entscheidet. Das ist keine Bremse, das ist Risiko-Management. Bei Wissens-Suchen mit Quellen-Zitaten ist die KI ein Recherche-Werkzeug, nicht der Antwortgeber.

Was machen wir, wenn unsere Mitarbeitenden ChatGPT privat nutzen für Firmen-Arbeit? Erst nicht moralisch reagieren — sie tun das, weil ihnen das interne Werkzeug fehlt oder zu umständlich ist. Zweitens: klare Spielregeln und ein anerkanntes internes Werkzeug bereitstellen, damit der Reflex nicht auf ChatGPT zeigt. Drittens: Schulung, was in welches Werkzeug darf. Verbote ohne Alternative funktionieren nicht.

AI & Automation — wo KI im Mittelstand wirklich hilft, und wo nicht