Warum 95% aller KI-Projekte im Mittelstand scheitern - und was die anderen 5% anders machen

Im Jahr 2025 investierten Unternehmen weltweit 684 Milliarden Dollar in KI-Initiativen. Bis zum Jahresende hatten mehr als 547 Milliarden Dollar davon keinen beabsichtigten Geschaeftswert geliefert⁹. Das ist kein Rundungsfehler. Das ist die groesste Fehlallokation von Technologie-Investitionen in der Unternehmensgeschichte.

Fuer Deutschlands Mittelstand sind die Zahlen ebenso ernuechternd. Jedes vierte deutsche KMU nutzt inzwischen KI¹⁰, aber MITs Project NANDA hat gezeigt, dass 95% der Unternehmen mit generativer KI keine messbare Auswirkung auf ihre Gewinn- und Verlustrechnung erzielten¹. Die Technologie funktioniert. Die Implementierungen nicht.

Dieser Artikel richtet sich an den CTO, Betriebsleiter oder Geschaeftsfuehrer, der bereits ein KI-Projekt hat scheitern sehen, sein erstes plant oder Budget fuer einen zweiten Anlauf rechtfertigen muss. Wir analysieren, warum KI-Projekte scheitern, was die erfolgreiche Minderheit anders macht, und geben Ihnen ein praxistaugliches Framework, um vom Pilotfegefeuer in die Produktion zu kommen.

Das 547-Milliarden-Dollar-Problem

Die Ausfallrate von KI-Projekten ist kein neues Phaenomen, aber das Ausmass ist es. Mit steigenden Investitionen steigt auch die Verschwendung. Hier ist, was die Daten der letzten 18 Monate zeigen.

• 95% ohne GuV-Auswirkung - MITs Project NANDA untersuchte KI-Einfuehrungen in Unternehmen und stellte fest, dass nur 5% der generativen KI-Pilotprojekte eine schnelle Umsatzsteigerung erzielten. Der Rest lieferte wenig bis keinen messbaren finanziellen Ertrag¹.
• 80%+ aller KI-Projekte scheitern - Die Analyse der RAND Corporation beziffert die Ausfallrate auf ueber 80%, etwa doppelt so hoch wie bei Nicht-KI-IT-Projekten².
• 42% der Unternehmen brachen die meisten Initiativen ab - S&P Global stellte fest, dass 42% der Unternehmen 2025 die Mehrheit ihrer KI-Projekte einstellten, gegenueber 17% im Jahr 2024. Im Durchschnitt wurden 46% der Proofs of Concept vor der Produktion abgebrochen³.
• 60% werden allein an den Daten scheitern - Gartner prognostiziert, dass Organisationen bis 2026 60% der KI-Projekte ohne KI-gerechte Daten abbrechen werden⁵.
• Fertigung scheitert bei 76% - Branchenspezifische Ausfallraten zeigen die Fertigung bei 76,4%, Finanzdienstleistungen bei 82,1% und das Gesundheitswesen bei 78,9%⁹.

Die gute Nachricht: Die Muster hinter diesen Misserfolgen sind gut dokumentiert. Beheben Sie die Muster, und die Chancen aendern sich dramatisch.

Die 7 Ursachen des Scheiterns von KI-Projekten

RAND, Gartner, BCG und McKinsey haben unabhaengig voneinander untersucht, warum KI-Projekte scheitern. Ihre Ergebnisse konvergieren auf denselben Ursachen. Keine davon ist primaer technischer Natur.

1. Unklare Problemdefinition

RAND-Forscher fanden heraus, dass Missverstaendnisse ueber Absicht und Zweck eines Projekts der am haeufigsten genannte Grund fuer das Scheitern von KI sind². Unternehmen verfolgen Proofs of Concept rund um die Technologie statt rund um ein Geschaeftsergebnis. Die Frage “Was kann KI fuer uns tun?” produziert Experimente. Die Frage “Welcher konkrete Prozess kostet uns die meiste Zeit und das meiste Geld?” produziert Ergebnisse.

• Symptom - Das Projektbriefing sagt “KI-Moeglichkeiten erkunden” statt “Rechnungsbearbeitungszeit von 45 auf 5 Minuten reduzieren”
• Auswirkung - Projekte mit klaren vorab genehmigten Metriken erreichen 54% Erfolgsquote gegenueber 12% ohne⁹
• Loesung - Definieren Sie einen Prozess, ein messbares Ergebnis und einen Zeitrahmen, bevor eine einzige Zeile Code geschrieben wird

2. Schlechte Datenqualitaet

Gartner berichtet, dass 85% der KI-Projekte an schlechter Datenqualitaet oder fehlenden relevanten Daten scheitern⁵. Aber “schlechte Daten” bedeutet nicht immer, was man denkt. Oft heisst es: Daten in unverbundenen Systemen, inkonsistente Formate oder schlicht nicht zugaengliche Daten.

• Symptom - Kundendaten in drei verschiedenen Systemen mit unterschiedlichen Feldnamen und ohne gemeinsamen Schluessel
• Auswirkung - 63% der Organisationen haben entweder nicht die richtigen Datenmanagement-Praktiken fuer KI oder sind sich unsicher⁵
• Loesung - Fuehren Sie ein Daten-Readiness-Assessment fuer Ihren spezifischen Anwendungsfall durch, bevor Sie etwas bauen. Unternehmen mit formaler Datenbewertung zeigen 47% Erfolg gegenueber 14% ohne⁹

3. Kein Sponsor in der Geschaeftsfuehrung

Deloittes Forschung ist eindeutig: Transformation ohne Sponsoring der Geschaeftsfuehrung scheitert in 80% der Faelle, unabhaengig von allen anderen Faktoren⁷. KI-Projekte brauchen jemanden mit Autoritaet, der Budget schuetzt, abteilungsuebergreifende Konflikte loest und die Organisation zur Adoption anhaelt.

• Symptom - Das Projekt wird allein von der IT getrieben, ohne einen Business Owner, der den Output taeglich nutzt
• Auswirkung - Nachhaltiges Sponsoring der Geschaeftsfuehrung erzielt 68% Projekterfolg gegenueber 11%, wenn es zurueckgezogen wird⁹
• Loesung - Identifizieren Sie einen Sponsor auf Geschaeftsfuehrer- oder Abteilungsleiter-Ebene vor Projektstart. Keinen Cheerleader - einen rechenschaftspflichtigen Eigentuemer

4. Technologie-zuerst-Denken

BCG beschreibt nachzuegelnde Organisationen als solche, die “zu breit experimentieren, Ressourcen ueber Dutzende unzusammenhaengende Initiativen verteilen, statt sich end-to-end auf wenige wichtige Workflows zu konzentrieren”⁶. Ein KI-Tool zu kaufen und dann einen Anwendungsfall zu suchen, ist wie einen Fabrikroboter zu kaufen, ohne zu wissen, was man herstellt.

• Symptom - Das Projekt startete, weil eine Anbieter-Demo beeindruckend aussah, nicht weil ein Geschaeftsproblem identifiziert wurde
• Auswirkung - RAND listet “Technologie-ueber-Problem-Fokus” als eine der fuenf Hauptursachen des KI-Scheiterns²
• Loesung - Starten Sie mit dem Workflow, nicht mit der Technologie. Kartieren Sie den Prozess end-to-end, bevor Sie einen KI-Ansatz waehlen

5. Keine Erfolgskriterien vorab definiert

Wenn Sie Erfolg nicht messen koennen, bevor Sie starten, koennen Sie ihn nach Abschluss nicht erklaeren. Zu viele KI-Projekte starten ohne Basismessungen oder Ziel-KPIs. Sie produzieren Demos, die im Besprechungsraum beeindrucken, aber keine Verbindung zu realen Geschaeftsergebnissen haben.

• Symptom - Sechs Monate spaeter kann das Team die Frage “Funktioniert das?” nicht mit einer Zahl beantworten
• Auswirkung - Projekte ohne vordefinierte Metriken haben 12% Erfolgsquote⁹
• Loesung - Dokumentieren Sie den Ist-Zustand (Zeit pro Aufgabe, Fehlerquote, Kosten pro Transaktion) und setzen Sie ein Verbesserungsziel, bevor der Pilot beginnt

6. Integrations-Luecken

Ein Modell, das in einem Notebook funktioniert, funktioniert nicht in der Produktion. Die Luecke zwischen einem Proof of Concept und einem deployten System, das sich mit Ihrem ERP, CRM und E-Mail verbindet, ist der Punkt, an dem die meisten Projekte sterben. Nur 25% der Fuehrungskraefte stimmen nachhaltig zu, dass ihre IT-Infrastruktur die Skalierung von KI unterstuetzen kann⁹.

• Symptom - Das KI-Modell ist im Test zu 95% genau, kann sich aber nicht mit SAP verbinden, benoetigt manuelle Datenexporte oder bricht bei Formatwechseln ab
• Auswirkung - Im Durchschnitt bricht eine Organisation 46% der Proofs of Concept vor der Produktion ab³
• Loesung - Planen Sie die Integrationsarchitektur ab Tag eins. Wenn das System sich nicht mit Ihren bestehenden Tools verbinden kann, wird es die Produktion nicht erreichen

7. Widerstand gegen Veraenderung

BCG fand heraus, dass 70% der KI-Adoptions-Herausforderungen auf Menschen- und Prozessthemen zurueckgehen, nicht auf Technologie¹⁶. Ein KI-System, das perfekt funktioniert, aber das niemand nutzt, ist ein gescheitertes Projekt. Mitarbeiter, die Ersetzung fuerchten, keine Schulung erhalten oder beim Design nicht einbezogen wurden, finden Wege, um das System zu umgehen statt mit ihm zu arbeiten.

• Symptom - Das Tool ist deployed, aber die Adoptionsrate stagniert nach dem ersten Monat bei 20%
• Auswirkung - EY-Forschung zeigt, dass Unternehmen bis zu 40% der KI-Produktivitaetsgewinne durch Luecken in der Personalstrategie verpassen¹⁴
• Loesung - Beziehen Sie Endnutzer ab der Designphase ein. Schulen Sie vor dem Launch, nicht danach. Messen Sie Adoption neben technischer Leistung

Was die erfolgreichen 5% anders machen

Die 5% der KI-Projekte, die messbaren Wert liefern, nutzen keine besseren Algorithmen oder teurere Tools. Sie verfolgen einen grundlegend anderen Ansatz. Hier zeigt die Forschung, was sie tun.

Muster 1: Sie starten mit einem Geschaeftsproblem, nicht mit einer Technologie

Erfolgreiche Projekte beginnen mit einem spezifischen, messbaren Schmerzpunkt. “Unsere Rechnungsbearbeitung dauert 45 Minuten pro Rechnung und wir bearbeiten 200 pro Tag” ist ein Startpunkt, der zum Erfolg fuehrt. “Wir sollten irgendwo KI einsetzen” ist ein Startpunkt, der ins Pilotfegefeuer fuehrt.

• Was sie tun - Den End-to-End-Workflow kartieren, bevor sie KI-Technologie anfassen
• Was sie vermeiden - Anbietergetriebene Initiativen, bei denen die Loesung vor dem Problem gewaehlt wird
• Ergebnis - McKinsey berichtet, dass Organisationen, die sich auf wenige hochwertige Workflows konzentrieren, 3x den ROI erzielen wie jene, die Ressourcen ueber viele Anwendungsfaelle streuen⁸

Muster 2: Sie definieren Erfolg, bevor sie bauen

Bevor Entwicklung beginnt, dokumentieren erfolgreiche Teams drei Dinge: die aktuelle Baseline (was der Prozess heute kostet), das Zielergebnis (wie Verbesserung aussieht) und die Go/No-Go-Kriterien (wann man aufhoert, wenn es nicht funktioniert).

• Was sie tun - Ein einseitiges Projektcharter mit messbaren KPIs und festem Zeitrahmen erstellen
• Was sie vermeiden - Offene Exploration ohne Deadline oder Erfolgskriterien
• Ergebnis - Projekte mit vordefinierten Metriken haben 54% Erfolgsquote, gegenueber 12% ohne⁹

Muster 3: Sie deployen in bestehende Workflows

Der groesste Unterschied zwischen den 5% und den 95% ist Integration. Erfolgreiche KI-Einfuehrungen schaffen keine neuen Workflows - sie docken an die Systeme und Prozesse an, die Menschen bereits nutzen. Der KI-Agent verbindet sich mit dem bestehenden ERP, sendet Ergebnisse an die bestehende E-Mail und aktualisiert das bestehende Dashboard.

• Was sie tun - KI als Schicht auf bestehenden Tools bauen, nicht als separates System, in das sich Mitarbeiter einloggen muessen
• Was sie vermeiden - Standalone-KI-Tools, die Workflow-Aenderungen oder neue Oberflaechen erfordern
• Ergebnis - Gartner prognostiziert, dass 40% der Enterprise-Anwendungen bis Ende 2026 aufgabenspezifische KI-Agenten einbetten¹⁵

Die Mittelstand-spezifische Falle

Deutsche KMU stehen vor allen sieben oben genannten Ursachen, plus einer Reihe von Herausforderungen, die einzigartig fuer ihre Struktur, Kultur und Marktposition sind. Diese Mittelstand-spezifischen Fallen zu verstehen ist entscheidend, weil die generischen Ratschlaege aus US-zentrierten Beratungsberichten nicht immer anwendbar sind.

Die Ressourcen-Asymmetrie

Ein 500-Mitarbeiter-Hersteller kann sich kein dediziertes KI-Team leisten. Grossunternehmen stellen Data Scientists, ML-Engineers und KI-Produktmanager ein. Mittelstaendler muessen die gleichen Ergebnisse mit ihren bestehenden Mitarbeitern plus einem Partner erzielen. Das ist keine Schwaeche - es ist eine strukturelle Realitaet, die einen anderen Ansatz erfordert.

• Grossunternehmen - 10-koepfiges KI-Team, 2 Mio. EUR Jahresbudget, 12 Monate Zeitrahmen
• Mittelstand-Realitaet - 0-1 dedizierte KI-Personen, 100-300K EUR Budget, braucht Ergebnisse in 90 Tagen
• Implikation - Der Mittelstand kann es sich nicht leisten, breit zu experimentieren. Jedes Projekt muss gezielt und zeitlich begrenzt sein

Der Fachkraeftemangel-Multiplikator

Deutschlands Fachkraeftemangel macht KI gleichzeitig dringender und schwieriger zu implementieren. Die DIHK berichtet, dass 83% der Unternehmen negative Auswirkungen des Mangels erwarten¹². Die OECD prognostiziert, dass Deutschland bis 2030 3,9 Millionen Erwerbsfaehige verlieren wird¹³. Sie brauchen KI, um fehlende Arbeitskraefte zu kompensieren - aber es fehlen auch die Arbeitskraefte, um KI zu implementieren.

• 149.000 offene IT-Stellen in Deutschland heute¹²
• 70% der Unternehmen brauchen externe Hilfe, um Wert aus KI zu ziehen¹¹
• 40% der Unternehmen finden keine KI-qualifizierten Mitarbeiter¹¹

Die Legacy-System-Realitaet

Viele Mittelstaendler betreiben ERP-Systeme, Produktionssoftware und Datenbanken, die vor einem Jahrzehnt oder laenger installiert wurden. Diese Systeme funktionieren, sie enthalten wertvolle Daten, und sie zu ersetzen kommt nicht in Frage. Jede KI-Loesung, die das Herausreissen bestehender Infrastruktur erfordert, ist von vornherein zum Scheitern verurteilt.

Der Kulturfaktor

Mittelstandsunternehmen sind auf tiefer Fachexpertise, langer Mitarbeiterbindung und Prozesszuverlaessigkeit aufgebaut. Diese Staerken werden zu Hindernissen, wenn KI als Disruption statt als Verstaerkung positioniert wird. Der Mitarbeiter, der seit 15 Jahren die Produktionsplanung managt, wird keiner Blackbox vertrauen, die ihm sagt, es anders zu machen.

Vom Pilot zur Produktion: Ein 5-Schritte-Framework

Die Luecke zwischen einem funktionierenden Prototyp und einem Produktivsystem, das taeglich Wert liefert, ist der Punkt, an dem die meisten KI-Projekte sterben. Dieses Framework adressiert jeden Fehlerpunkt systematisch. Es ist fuer Mittelstandsunternehmen mit begrenzten KI-Ressourcen und einem 90-Tage-Zeitrahmen konzipiert.

Schritt 1: Problemauswahl (Woche 1-2)

Waehlen Sie einen spezifischen Prozess, der messbar Zeit oder Geld kostet. Starten Sie nicht mit “Was kann KI?” Starten Sie mit “Welcher Prozess schmerzt am meisten?”

Schritt 2: Daten-Readiness-Assessment (Woche 2-3)

Bevor Sie irgendetwas bauen, bewerten Sie, ob Ihre Daten den Anwendungsfall unterstuetzen koennen. Dies ist der Schritt, den die meisten Unternehmen ueberspringen - und der Grund, warum 60% der Projekte allein an den Daten scheitern⁵.

• Zugaenglichkeit - Koennen die Daten programmatisch aus bestehenden Systemen extrahiert werden?
• Qualitaet - Sind die Daten fuer den spezifischen Anwendungsfall konsistent genug? Perfekte Daten sind nicht noetig - zweckmaessige Daten schon
• Volumen - Gibt es genug Daten, um nuetzlich zu sein? Fuer viele Geschaeftsprozesse koennen schon einige hundert Beispiele ausreichen
• Governance - Wem gehoeren diese Daten? Gibt es DSGVO- oder Compliance-Einschraenkungen fuer ihre Nutzung?

Schritt 3: Bauen und Testen (Woche 3-8)

Mit einem klaren Problem und validierten Daten bauen Sie die KI-Loesung mit Integration als erstklassiger Anforderung. Der Agent muss sich ab Tag eins mit Ihren bestehenden Systemen verbinden - nicht als Nachgedanke.

• Integration-first-Architektur - Entwerfen Sie das System so, dass es aus Ihren bestehenden Tools liest und in sie schreibt
• Human-in-the-Loop - Bauen Sie Checkpoints ein, an denen Menschen KI-Entscheidungen vor kritischen Aktionen pruefen
• Fehlerbehandlung - Planen Sie fuer Ausnahmen. Was passiert, wenn die KI auf etwas trifft, das sie noch nicht kennt?
• Nutzertests - Setzen Sie das System in Woche 6 vor echte Endnutzer, nicht in Woche 12

Schritt 4: Produktiv-Deployment (Woche 8-10)

Deployen Sie in die Produktion mit Monitoring, Schulung und klaren Eskalationspfaden. Dies ist kein “Schalter-umlegen”-Moment - es ist ein gesteuerter Rollout.

• Parallellauf - Lassen Sie die KI 1-2 Wochen parallel zum bestehenden Prozess laufen, um Ergebnisse zu validieren
• Schulung - Schulen Sie jeden Nutzer, der mit dem System interagiert, vor Go-live, nicht danach
• Monitoring - Richten Sie Dashboards ein, die Genauigkeit, Verarbeitungszeit und Nutzer-Adoption taeglich tracken
• Eskalation - Definieren Sie klare Pfade fuer den Fall, dass die KI einen Fehler macht oder auf einen Grenzfall trifft

Schritt 5: Messen und Iterieren (Woche 10-12+)

Vergleichen Sie die Ergebnisse mit der Baseline, die Sie in Schritt 1 dokumentiert haben. Hier beweisen Sie den Wert und bauen die Grundlage fuer Skalierung.

• Woechentliche KPI-Reviews - Tracken Sie dieselben Metriken, die Sie vor Projektstart als Baseline erfasst haben
• Nutzer-Feedback - Sammeln Sie strukturiertes Feedback von Endnutzern. Was funktioniert? Was nicht?
• Go/No-Go-Entscheidung - In Woche 12 treffen Sie eine klare Entscheidung: skalieren, iterieren oder stoppen
• Learnings dokumentieren - Ob das Projekt erfolgreich ist oder nicht, halten Sie fest, was Sie gelernt haben

Messen, was zaehlt

Der Grund, warum die meisten Unternehmen keinen KI-ROI beweisen koennen, ist, dass sie nie definiert haben, wie Erfolg aussieht. Hier ist ein Messrahmen, der fuer den Mittelstand funktioniert.

Frueh-Indikatoren (woechentlich messen)

Diese zeigen Ihnen, ob das System funktioniert, bevor die finanziellen Ergebnisse sichtbar werden.

• Bearbeitungszeit pro Aufgabe - Wie lange dauert der KI-unterstuetzte Prozess im Vergleich zur manuellen Baseline?
• Fehlerquote - Wie oft macht die KI Fehler, die menschliche Korrektur erfordern?
• Adoptionsrate - Welcher Anteil der Zielnutzer nutzt das System aktiv?
• Ausnahmequote - Wie oft trifft die KI auf Situationen, die sie nicht bewaeltigen kann?

Spaet-Indikatoren (monatlich messen)

Diese beweisen den Geschaeftswert und rechtfertigen weitere Investitionen.

• Kosteneinsparungen - Reduktion von Arbeitsstunden, Ueberstunden oder fehlerbedingten Kosten
• Umsatzwirkung - Schnellere Bearbeitung, bessere Kundenreaktionszeiten, hoeherer Durchsatz
• Mitarbeiterzufriedenheit - Umfragewerte der Teammitglieder, die das System taeglich nutzen
• Skalierungsbereitschaft - Kann das System das 2-fache Volumen ohne Qualitaetsverlust bewaeltigen?

Wie Superkind vorgeht

Superkind baut massgeschneiderte KI-Agenten fuer mittelstaendische Unternehmen. Unser Ansatz ist rund um die oben beschriebenen Fehlermuster konzipiert - nicht weil wir schlauer sind, sondern weil wir gesehen haben, was schiefgeht, und unseren Prozess entsprechend gebaut haben.

• Workflow-first, nicht Technologie-first - Wir beginnen mit der Kartierung Ihrer tatsaechlichen Prozesse, bevor wir einen KI-Ansatz waehlen. Die ersten zwei Wochen sind Prozessanalyse, nicht Coding.
• Integration ab Tag eins - Unsere Agenten verbinden sich mit Ihrem bestehenden ERP, CRM, E-Mail und Datenbanken. Keine neuen Plattformen zum Lernen. Keine Datenmigrationen. Ihr Team arbeitet mit den Tools, die es bereits kennt.
• Erste Agenten live innerhalb von zwei Wochen - Wir deployen erste Agenten schnell, weil Geschwindigkeit Risiko reduziert. Ein funktionierendes System in zwei Wochen lehrt mehr als eine sechsmonatige Planungsphase.
• Vordefinierte Erfolgskriterien - Jedes Projekt beginnt mit einer Baseline-Messung und Ziel-KPIs. Wir fangen nicht an zu bauen, bis wir uns einig sind, wie Erfolg aussieht.
• Ihr Team behaelt die Kontrolle - KI-Agenten uebernehmen Routineaufgaben. Ihre Experten treffen die Entscheidungen. Human-in-the-Loop ist nicht optional - es ist die Art, wie wir bauen.

Entscheidungsrahmen: Selbst bauen vs Kaufen vs Partner

Jedes Mittelstandsunternehmen vor einer KI-Implementierung hat drei Optionen. So entscheiden Sie, welche zu Ihrer Situation passt.

Option 1: Intern selbst bauen

• Am besten fuer - Unternehmen mit einem bestehenden Data-Science-Team und einem einzigartigen Wettbewerbsvorteil im zu automatisierenden Prozess
• Typische Kosten - 500K-2M EUR pro Jahr (Teamgehaelter plus Infrastruktur)
• Zeit bis zum ersten Produktiv-Deploy - 6-18 Monate
• Risiko - Hoch. Erfordert die Einstellung knapper Talente und langfristige Systemwartung

Option 2: Standardloesung kaufen

• Am besten fuer - Standardprozesse ohne unternehmensspezifische Logik (z.B. einfacher Chatbot, Standard-Dokumenten-OCR)
• Typische Kosten - 20-100K EUR pro Jahr (SaaS-Lizenz)
• Zeit bis zum ersten Produktiv-Deploy - 2-8 Wochen
• Risiko - Mittel. Passt moeglicherweise nicht zu Ihrem spezifischen Workflow. Vendor-Lock-in. Eingeschraenkte Anpassung

Option 3: Partner fuer massgeschneiderten Aufbau

• Am besten fuer - Unternehmen, die KI brauchen, die auf ihre spezifischen Workflows zugeschnitten ist, aber interne KI-Expertise fehlt
• Typische Kosten - 50-300K EUR fuer den initialen Aufbau, niedrigere laufende Kosten
• Zeit bis zum ersten Produktiv-Deploy - 2-12 Wochen
• Risiko - Niedriger. Partner absorbiert technisches Risiko. Sie behalten die Domaenen-Kontrolle

Haeufig gestellte Fragen

Quellen

Henri Jung

Co-Founder bei Superkind. Henri arbeitet mit mittelstaendischen Unternehmen in ganz Deutschland, um massgeschneiderte KI-Agenten zu bauen, die sich mit bestehenden Systemen verbinden und messbare Ergebnisse liefern. Vor Superkind verbrachte er Jahre in B2B-SaaS und Enterprise-Software. Er schreibt ueber KI-Implementierung, den Mittelstand und was tatsaechlich funktioniert im Vergleich zu dem, was in einer Praesentation gut klingt.