<\/p>\n
KI-Piloten reichen nicht: Warum der Mittelstand eine AI Foundation braucht<\/p>\n
<\/h1><\/div>
Inhalt<\/p>\n\n\n\n
- \n
- Drei Arten, wie KI im Unternehmen wirkt<\/a><\/li>\n\n\n\n
- Was der Mittelstand heute nutzt, und wo es aufh\u00f6rt<\/a><\/li>\n\n\n\n
- Wo es anf\u00e4ngt zu reiben<\/a><\/li>\n\n\n\n
- Azure AI Foundry: Portal oder Engineering<\/a><\/li>\n\n\n\n
- Die Foundation, auf der Use Cases skalieren<\/a><\/li>\n\n\n\n
- Wo Sie jetzt ansetzen k\u00f6nnen<\/a><\/li>\n<\/ul>\n\n\n\n
Rund jedes dritte Unternehmen in Deutschland setzt inzwischen KI ein, 2024 waren es erst 20 Prozent (Bitkom KI 2025<\/a>). Weitere 47 Prozent planen oder diskutieren den Einsatz. Die L\u00fccke liegt also nicht mehr im Interesse an KI, sondern in der skalierbaren, produktiven Umsetzung.<\/p>\n\n\n\n
Der Mittelstand hat seine KI-Investitionen 2025 trotzdem nicht erh\u00f6ht, sondern gesenkt: Auf 30 Prozent unter dem Marktdurchschnitt<\/strong> (Horv\u00e1th-Studie, Januar 2026<\/a>). Das passiert nicht, weil Unternehmen keine KI adoptieren wollen. Es passiert, weil die Projekte nicht liefern.<\/p>\n\n\n
\n![\"\"](\"https:\/\/whiteduck.de\/wp-content\/uploads\/ki-piloten-image-1-scaled.png\")
<\/figure>\n<\/div>\n\n\nWas wir im Markt immer wieder beobachten: KI-Piloten erreichen den Produktivbetrieb nicht. Prozesse werden teilautomatisiert, nicht durchautomatisiert. Und selbst die Use Cases, die laufen, laufen isoliert, ohne Governance, ohne Compliance und ohne Wiederverwendbarkeit f\u00fcr den n\u00e4chsten Use Case.<\/p>\n\n\n\n
Das Problem ist nicht das Modell. Es ist nicht der Anbieter. Es ist die fehlende Foundation. Solange jeder Use Case bei Null startet, ist Skalierung eine Illusion.<\/strong><\/p>\n\n\n\n
Drei Arten, wie KI im Unternehmen wirkt<\/h3>\n\n\n\n
Nicht alle KI-Initiativen stellen dieselben Anforderungen. Die Einordnung, ob es sich um einen pers\u00f6nlichen Assistenten, einen automatisierten Prozess oder ein agentisches System handelt, entscheidet direkt dar\u00fcber, welcher Stack der passende ist und welche Governance-Anforderungen entstehen.<\/p>\n\n\n\n
Pers\u00f6nliche Co-Pilots<\/strong> sind chat-basierte Assistenten f\u00fcr eine einzelne Person. Der Hebel ist individuelle Produktivit\u00e4t, und das Entscheidende daran ist oft nicht der Schreibassistent, sondern der direkte Zugang zu Unternehmensdaten \u00fcber nat\u00fcrlichsprachliche Abfragen: Ein Mitarbeiter befragt das Produkthandbuch, statt es zu durchsuchen, fragt nach einer spezifischen Klausel in der Vertragsdatenbank, ruft die relevante Kundenhistorie vor einem Meeting ab. Um nur einige Beispiele zu nennen.<\/p>\n\n\n\n
Flow- und Prozessautomatisierung<\/strong> geht einen Schritt weiter. Definierter Workflow, mehrere Schritte, integrierte Systeme. KI \u00fcbernimmt die Teile, die regelbasierte Automatisierung nicht sauber l\u00f6sen kann: Klassifikation, Validierung, Anreicherung. Eingangsbeleg-Validierung und Abgleich gegen Stammdaten, Ticket-Triage nach Priorit\u00e4t, Angebotspr\u00fcfung gegen Lieferanten-SLA.<\/p>\n\n\n\n
Agentische AI-Systeme<\/strong> sind die dritte Klasse. Der Agent entscheidet im Rahmen eines Ziels selbst, was als N\u00e4chstes passiert, \u00fcber mehrere Tools, mehrere Datenquellen, ohne explizite Schritt-f\u00fcr-Schritt-Anweisung. Das bedeutet nicht vollautomatische Systeme ohne menschliche Kontrolle, sondern Autonomie innerhalb eines definierten Scopes, oft mit Human-in-the-Loop-Gates an kritischen Entscheidungspunkten. Vollst\u00e4ndige Sales-Vorbereitung \u00fcber CRM, Web-Recherche, Mail-Historie und Kalender. Compliance-Check gegen Policy-Datenbank und aktuellen Regulierungstext. Ein Monitoring-Agent, der auf Anomalien in Produktionsdaten selbst\u00e4ndig reagiert.<\/p>\n\n\n\n
Diese drei Klassen sind keine Reifegradstufen. Sie sind unterschiedliche Antworten auf unterschiedliche Probleme. Aber je komplexer die Anforderungen werden, desto fr\u00fcher sto\u00dfen die heute g\u00e4ngigen Tools an ihre Grenzen.<\/p>\n\n\n\n
Was der Mittelstand heute nutzt, und wo es aufh\u00f6rt<\/h3>\n\n\n\n
Diese drei Klassen korrespondieren direkt mit dem Tool-Spektrum, das wir im Mittelstand vorfinden.<\/p>\n\n\n\n
M365 Copilot und andere In-App-AI-Tools<\/strong> sind der nat\u00fcrliche Einstieg f\u00fcr alle, die M365 oder andere Software bereits lizenziert haben. Copilot l\u00e4uft dort, wo Mitarbeiter ohnehin arbeiten, in Word, Teams, Outlook. Kein Setup-Aufwand, kein neues UI, sofortige erste Ergebnisse. Dabei gilt als neutraler Fakt: M365 Copilot ist zun\u00e4chst auf den Microsoft-365-Datenraum optimiert. Externe Systeme wie SAP, CRM oder eigene Datenbanken k\u00f6nnen \u00fcber Copilot- und Graph-Connectors eingebunden werden, sind aber kein automatisch vorhandener Bestandteil des Datenraums. Genau dort beginnt der Architektur- und Governance-Aufwand.<\/p>\n\n\n\n
Copilot Studio<\/strong> ist die Erweiterung in Richtung eigener Agents und strukturierter Flows auf Low-Code-Basis: Ein Visual Designer f\u00fcr die Anbindung an externe Systeme \u00fcber Connectors. Gut f\u00fcr klar umrissene conversational Use Cases mit SharePoint als Wissensbasis. F\u00fcr viele Mittelstandsteams ist es der erste Schritt \u00fcber den reinen Chat hinaus.<\/p>\n\n\n\n
Power Platform und n8n<\/strong> adressieren Workflow-Automatisierung mit KI. Power Automate, Teil der Power Platform, ist tief ins Microsoft-\u00d6kosystem integriert und richtet sich an Citizen Developer mit einem breiten Connector-Katalog. n8n<\/a> ist eine quelloffene Alternative f\u00fcr technisch affinere Teams, die Self-Hosting und Vendor-Neutralit\u00e4t priorisieren und dabei Infrastructure-as-Code-nahe arbeiten wollen. In beiden F\u00e4llen kommt KI als Baustein in einen definierten Workflow: Klassifikation, Extraktion, Textgenerierung. Keine eigenst\u00e4ndig agierenden Agenten-Systeme.<\/p>\n\n\n\n
Wir empfehlen, diese Tools nicht zu untersch\u00e4tzen. Sie liefern echten Mehrwert in ihrem jeweiligen Sweet Spot. Das Problem entsteht nicht beim ersten Use Case. Es entsteht, wenn Use Cases anspruchsvoller werden oder mehrere parallel laufen sollen. \u00dcber etwaige Datensilos und Systeme hinweg.<\/p>\n\n\n\n
Wo es anf\u00e4ngt zu reiben<\/h3>\n\n\n\n
Solange ein oder zwei Use Cases auf demselben Stack laufen, gibt es kein Problem. Es wird spannend, wenn Use Cases skalieren sollen oder ein produktiver Use Case auf ein System zugreifen muss, das au\u00dferhalb des jeweiligen Tool-Stacks liegt.<\/p>\n\n\n\n
Copilot Studio: wenn die KI-Qualit\u00e4t nicht steuerbar ist<\/h4>\n\n\n\n
Die Plattform bietet RAG out-of-the-box: Wissensquellen konfigurieren, Fragen stellen, Antworten erhalten. Das Problem beginnt, wenn die Qualit\u00e4t nicht ausreicht und man nicht wei\u00df, warum. Copilot Studio liefert f\u00fcr jede Anfrage die Top-3-Ergebnisse pro Wissensquelle<\/a>; Chunk-Gr\u00f6\u00dfe, Embedding-Strategie und Retrieval-Parameter sind nicht konfigurierbar. Dazu kommen harte Skalierungsgrenzen: Pro Knowledge Source sind maximal 1.000 Dateien m\u00f6glich, die praktische Grenze f\u00fcr verl\u00e4ssliche Ergebnisse liegt bei 500<\/a>. F\u00fcr Unternehmen mit mehreren tausend internen Dokumenten ist das eine Architekturgrenze, kein Konfigurationsproblem.<\/p>\n\n\n\n
Hinzu kommen strukturelle Limitierungen, die in der Praxis h\u00e4ufig untersch\u00e4tzt werden:<\/p>\n\n\n\n
- \n
- Application Lifecycle Management (ALM) ist m\u00f6glich, wird aber selten genutzt:<\/strong> Copilot Studio unterst\u00fctzt Solutions, Pipelines und Git-Integration, viele Teams arbeiten jedoch in einer einzigen Umgebung ohne konsequenten Review-Prozess, mit den bekannten Folgen.<\/li>\n\n\n\n
- Keine Modell-Versions-Pinnung:<\/strong> Die Modell-Familie ist w\u00e4hlbar (GPT-4.1, GPT-5 etc.), ein spezifisches Deployment l\u00e4sst sich nicht fixieren. \u00c4ndert Microsoft den Modell-Default, \u00e4ndert sich das Verhalten des Agents, ohne dass das System den Wechsel protokolliert.<\/li>\n\n\n\n
- Token-Akkumulation ohne Management:<\/strong> Bei langen agentischen Konversationen akkumuliert sich der Verbrauch aus Conversation History, System Prompt und Knowledge Context bis zum Modell-Limit, ohne dass Copilot Studio natives Token-Management bietet.<\/li>\n\n\n\n
- Multi-Agent nur \u00fcber Workaround:<\/strong> Agentische Szenarien mit mehreren Agents sind heute nur \u00fcber einen Parent-Proxy-Workaround realisierbar.<\/li>\n<\/ul>\n\n\n\n
Das Resultat spricht f\u00fcr sich: Gartner hat Copilot-Enterprise-Kunden befragt<\/a> und kommt zum Ergebnis, dass deutlich weniger als 10 Prozent der Piloten den Sprung in den produktiven Betrieb schaffen.<\/p>\n\n\n\n
Power Platform und n8n: Wenn KI in Flows unsichtbar wird<\/h4>\n\n\n\n
Schnell gebaute Flows sind schnell vergessen: Wer hat sie deployed, welche Systeme sind angebunden, welche Credentials sind hinterlegt? Das kennt man aus klassischer Automatisierung. Bei KI-best\u00fcckten Flows kommt eine neue Schicht dazu. Ein Prompt, der direkt in einem Power-Automate-Step oder n8n-Node eingebettet ist, hat keine Versionshistorie. Wird er ge\u00e4ndert, auch nur ein Satz umformuliert, ver\u00e4ndert sich das Verhalten des Agents, ohne dass irgendjemand das protokolliert hat. Dasselbe gilt, wenn das Modell oder die Modell-Version durch den Anbieter ge\u00e4ndert wird: Auch das hat keine Versionshistorie, keinen Audit-Trail, keinen Rollback. Hinzu kommt ein konkretes Kostenrisiko: Die seeded AI Builder Credits<\/a>, die in vielen Power-Apps-Premium-Lizenzen enthalten sind, laufen zum 1. November 2026 aus. Danach sind separate Copilot Credits oder AI Builder Add-ons erforderlich. Wer heute auf diesem Modell aufbaut, ohne die Kostenstruktur zu kennen, baut auf einem ablaufenden Fundament.<\/p>\n\n\n\n
Regulatorik, die Engineering-Kontrolle erzwingt<\/h4>\n\n\n\n
Der EU AI Act<\/a> ist seit dem 1. August 2024 in Kraft. Die urspr\u00fcnglich f\u00fcr August 2026 erwarteten Hochrisiko-KI-Pflichten stehen durch das laufende Digital-Omnibus-Verfahren aktuell unter Anpassung und k\u00f6nnten f\u00fcr bestimmte Systeme auf Dezember 2027 oder sp\u00e4ter verschoben werden. F\u00fcr Unternehmen \u00e4ndert das wenig an der praktischen Aufgabe. \u00a7203 StGB<\/a> betrifft alle regulierten Berufe: Steuerberater, Rechtsanw\u00e4lte, Healthcare-Dienstleister. Ein konkretes Szenario: Ein Mitarbeiter einer Kanzlei nutzt einen Copilot-Studio-Agenten, der Mandantenanfragen beantwortet. Das Modell zieht den Kontext aus einem SharePoint, der Fallakten enth\u00e4lt. \u00a7203 StGB sch\u00fctzt das Mandantengeheimnis, und ein Agent ohne nachvollziehbaren Datenfluss und Audit-Trail ist mit dieser Anforderung nicht vereinbar, egal wie gut die Antworten klingen. Dasselbe gilt f\u00fcr DORA in der Finanzbranche: Wer nicht nachweisen kann, welches Modell wann welche Daten verarbeitet hat, hat ein Compliance-Problem. Was compliance-relevante Use Cases zwingend brauchen: Einen vollst\u00e4ndigen Audit-Trail, dokumentierte Datenfl\u00fcsse, nachvollziehbare Modell-Auswahl.<\/p>\n\n\n\n
OpenClaw und die Grenzen der Autonomie<\/h4>\n\n\n\n
Was wir aktuell bei den Innovation-Units mittelst\u00e4ndischer Kunden sehen: Experimente mit lokal laufenden autonomen Agents, bei denen diese einen LLM-Modellzugang und einen Systemzugriff bekommen und selbst entscheiden, was sie tun. Das bekannteste Beispiel ist OpenClaw<\/a>, ein quelloffenes Framework, das genau dieses Prinzip verk\u00f6rpert. Die Demos sind faszinierend. Im produktiven Einsatz hat noch kein einziger Fall in unserer Kundenbasis ein Security-Review \u00fcberlebt. Der Grund ist einfach: Jede Systemaktion braucht in einer regulierten Umgebung einen nachvollziehbaren, vorher definierten Scope. Ein autonomer Agent ohne Scope-Definition, Human-Approval-Gates und Audit-Trail ist keine Production-KI. Autonomie ohne Struktur ist keine Skalierung. Es ist ein gut gemeintes Experiment.<\/p>\n\n\n\n
Die folgende Tabelle fasst zusammen, wo diese Grenzen liegen:<\/p>\n\n\n\n
- Keine Modell-Versions-Pinnung:<\/strong> Die Modell-Familie ist w\u00e4hlbar (GPT-4.1, GPT-5 etc.), ein spezifisches Deployment l\u00e4sst sich nicht fixieren. \u00c4ndert Microsoft den Modell-Default, \u00e4ndert sich das Verhalten des Agents, ohne dass das System den Wechsel protokolliert.<\/li>\n\n\n\n
- Was der Mittelstand heute nutzt, und wo es aufh\u00f6rt<\/a><\/li>\n\n\n\n
![\"\"](\"https:\/\/whiteduck.de\/wp-content\/uploads\/azure_ai_foundry_grafik-1.png\")
<\/figure>\n<\/div>\n\n\n![\"\"](\"https:\/\/whiteduck.de\/wp-content\/uploads\/ki-piloten-3-scaled.png\")
<\/figure>\n<\/div>\n\n\n