KI im Mittelstand: Der vollständige Leitfaden für 2026

Das Wichtigste in Kürze: 36 % der deutschen Unternehmen setzen KI ein, doppelt so viele wie 2024. Trotzdem haben nur 32 % der KMU eine KI-Strategie, und 81 % messen den ROI ihrer KI-Projekte nicht. Dieser Leitfaden zeigt, wo der Mittelstand wirklich steht, welche Anwendungsfälle den größten Hebel bieten und was KI-Einführung kostet. Keine Theorie, sondern ein konkreter Fahrplan für 2026.

Wo steht der Mittelstand bei KI? Aktuelle Zahlen und Realität

Die KI-Adoption im deutschen Mittelstand hat sich innerhalb eines Jahres verdoppelt. Trotzdem stecken die meisten Unternehmen in der Experimentierphase. Zwischen erstem Ausprobieren und echtem Produktiveinsatz klafft eine erhebliche Lücke.

Die Zahlen sind eindeutig: Laut Bitkom nutzen 36 % der deutschen Unternehmen ab 20 Beschäftigten KI, fast doppelt so viele wie im Vorjahr (20 %).^[1] Weitere 47 % planen oder diskutieren den Einsatz. Nur noch 17 % sagen, KI sei für sie kein Thema. Vor einem Jahr waren es 41 %.

Klingt nach Aufbruch. Ist es auch, aber mit Einschränkung.

Der Sage KI-Index zeigt ein differenzierteres Bild für den Mittelstand: 33,1 % der Unternehmen bis 500 Mitarbeiter setzen KI-Lösungen ein.^[2] Das ist solide. Doch hinter den Zahlen verbirgt sich ein Muster, das ich bei fast jedem Beratungsmandat sehe: Viele Unternehmen haben ChatGPT-Zugänge verteilt oder einen einzelnen Prototyp gebaut und zählen das bereits als „KI-Nutzung".

Von echtem Produktiveinsatz mit messbarer Wirkung sind die meisten noch entfernt.

Kennzahl	2024	2025	Veränderung
KI-Nutzung (Unternehmen ab 20 MA)	20 %	36 %	+80 %
KI-Nutzung (KMU bis 500 MA)	–	33,1 %	–
„KI ist kein Thema"	41 %	17 %	−59 %
KI-Einsatz geplant/in Diskussion	37 %	47 %	+27 %
KI voll skaliert (global, McKinsey)	–	7 %	–

Quellen: Bitkom 2025^[1], Sage KI-Index 2025^[2], McKinsey State of AI 2025^[3]

Die globale McKinsey-Studie bestätigt das Bild: 88 % der befragten Unternehmen weltweit nutzen KI in irgendeiner Form, aber nur 7 % haben den Einsatz vollständig skaliert.^[3] Die Schere zwischen „wir machen was mit KI" und „KI verändert unsere Wertschöpfung" ist enorm.

Und noch eine Zahl, die aufhorchen lässt: Deutsche Mittelständler haben ihre KI-Investitionen 2025 auf 0,35 % des Umsatzes gesenkt, runter von 0,41 % im Vorjahr.^[4] Mehr Interesse, aber weniger Budget. Das passt zu dem, was ich in Gesprächen höre: Die Erwartungen sind gestiegen, die Unsicherheit über den richtigen Einsatz aber auch.

Warum scheitern KI-Projekte im Mittelstand? Die fünf häufigsten Fehler

Die meisten KI-Projekte scheitern nicht an der Technologie, sondern an fehlender Strategie, schlechter Datenqualität und der Lücke zwischen Erwartung und Realität. Fünf Fehler tauchen dabei immer wieder auf.

Ich habe in den letzten Jahren einige KI-Projekte begleitet, von erfolgreichen Produktivlösungen bis zu teuren Sackgassen. Die Fehler wiederholen sich mit erstaunlicher Regelmäßigkeit.

Fehler 1: Keine Strategie, nur Aktionismus

Nur 32 % der KMU haben eine ausgearbeitete KI-Strategie.^[5] Der Rest startet KI-Projekte ad hoc: Ein Vorstand hat etwas auf einer Messe gesehen, ein Abteilungsleiter hat einen Artikel gelesen, jemand hat ChatGPT ausprobiert. Das Ergebnis sind isolierte Experimente ohne klare Erfolgskriterien.

Der Gegenansatz: Bevor Sie ein einziges Tool evaluieren, klären Sie drei Fragen. Welches Geschäftsproblem lösen wir? Wie messen wir Erfolg? Und wer verantwortet das Ergebnis? In meiner KI-Beratung starte ich genau damit, nicht mit Technologieauswahl.

Aber Strategie heißt nicht: alles top-down durchplanen und dann ausrollen. Ein zentrales Problem, das ich sehe, ist das Gegenteil von Aktionismus: KI wird von oben verordnet, während die Leute, die tatsächlich in den Prozessen arbeiten, nie ausprobieren dürfen, was für sie funktioniert. Der Architekt Christopher Alexander hat einmal vorgeschlagen, Fußwege nicht am Reißbrett zu planen, sondern erst zu beobachten, wo die Menschen tatsächlich langlaufen, und dann dort zu pflastern. Bei KI im Unternehmen ist das ähnlich: Lassen Sie Ihre Fachabteilungen experimentieren, beobachten Sie, welche Anwendungen sich durchsetzen, und bauen Sie dann die Infrastruktur drum herum. Strategie gibt die Leitplanken vor. Aber die besten Use Cases finden die Anwender selbst. Warum das so ist, beschreibe ich ausführlich in meinem Artikel „KI ist kein IT-Thema".

Fehler 2: Datenqualität unterschätzen

76 % der KMU kämpfen mit unzureichender Datenqualität und Datensilos.^[5] Das ist der häufigste Projektbremser, den ich sehe. Ein Unternehmen will KI-gestützte Absatzprognosen, aber die Vertriebsdaten liegen in drei verschiedenen Excel-Dateien, einem CRM und dem Kopf des Vertriebsleiters.

Die gute Nachricht: Sie brauchen nicht erst ein Data Warehouse aufzubauen, bevor Sie mit KI starten können. Gerade Large Language Models haben die Spielregeln hier verändert. LLMs können mit unstrukturierten Daten arbeiten, die für klassische Analysemethoden unbrauchbar wären: E-Mails, Gesprächsnotizen, PDF-Verträge, Freitextfelder. Das senkt die Einstiegshürde erheblich.

Trotzdem gilt: Für prädiktive Modelle und wiederkehrende Automatisierung bleibt Datenqualität ein Thema. Datenaufbereitung frisst bei solchen Projekten 40–60 % des Budgets. Wer das nicht einplant, hat nach drei Monaten ein schönes Modell, das auf schlechten Daten trainiert wurde. Das ist schlimmer als kein Modell. Aber „unsere Daten sind nicht gut genug" sollte kein Grund sein, gar nicht erst anzufangen.

Fehler 3: Kompetenzlücke ignorieren

82 % der befragten KMU berichten von einer erheblichen Kompetenzlücke bei KI-Fähigkeiten.^[5] Das betrifft IT-Abteilungen genauso wie Führungskräfte. Wer nicht einschätzen kann, was KI realistisch leisten kann, trifft entweder zu optimistische oder zu pessimistische Entscheidungen. Beides kostet Geld.

Bei Projekten, die ich begleite, starte ich deshalb oft mit einem Workshop für die Geschäftsführung. Nicht weil Vorstände programmieren lernen sollen, sondern weil sie fundierte Entscheidungen treffen müssen.

Fehler 4: Zu großer Scope am Anfang

„Wir wollen eine unternehmensweite KI-Plattform." Diesen Satz höre ich regelmäßig, und rate regelmäßig davon ab. Unternehmen ohne KI-Erfahrung, die mit einem Mammutprojekt starten, scheitern fast immer. Nicht weil die Idee schlecht ist, sondern weil die Organisation noch nicht bereit ist.

Besser: Ein klar abgegrenzter Proof of Concept mit einem einzigen Use Case, messbaren Erfolgskriterien und einem Zeitrahmen von vier bis sechs Wochen. Danach wissen Sie, ob die Technologie funktioniert, ob Ihre Daten taugen und ob das Team mitziehen kann.

Fehler 5: Keinen ROI messen

81 % der KMU messen den ROI ihrer KI-Projekte nicht systematisch.^[5] Das ist, als würde man eine Maschine kaufen und nie prüfen, ob sie die versprochene Stückzahl produziert.

Aber ich will hier differenzieren: Nicht jedes KI-Experiment braucht einen Business Case mit drei Nachkommastellen. Gerade in der Anfangsphase ist Experimentierfreude wichtiger als perfekte ROI-Berechnung. Teams sollten ausprobieren, testen, verwerfen dürfen. Aber wenn ein Projekt aus der Experimentierphase herauswächst und echte Budgets bindet, dann brauchen Sie Zahlen. Definieren Sie zwei bis drei KPIs: Zeitersparnis pro Vorgang, Fehlerquote, Durchsatz. Messen Sie vorher, messen Sie nachher. Der Fehler liegt nicht im Experimentieren ohne ROI, sondern im Skalieren ohne ROI.

Welche KI-Anwendungsfälle lohnen sich wirklich?

Die höchsten Renditen erzielen KI-Projekte bei repetitiven, datenintensiven Aufgaben: Dokumentenverarbeitung, Vertriebsunterstützung und Kundenservice. Generative KI ist der Einstiegspunkt, aber nicht der einzige.

73 % der Unternehmen, die KI nutzen, setzen generative KI ein, also Large Language Models wie ChatGPT, Claude oder Gemini.^[5] Das ist der Einstieg, der am wenigsten Infrastruktur erfordert. Aber die wirklich großen Hebel liegen oft woanders.

Anwendungsfall	Typische Zeitersparnis	Einstiegshürde	ROI-Potenzial
Dokumentenverarbeitung (OCR, Klassifikation, Extraktion)	60–95 %	Mittel	Sehr hoch
Vertriebsunterstützung (Lead-Scoring, Angebotserstellung)	30–50 %	Niedrig bis Mittel	Hoch
Kundenservice (Assistenz, FAQ-Automatisierung)	40–60 %	Niedrig	Hoch
Textgenerierung (E-Mails, Berichte, Zusammenfassungen)	50–70 %	Sehr niedrig	Mittel bis Hoch
Qualitätskontrolle (Bilderkennung, Anomalieerkennung)	20–40 %	Hoch	Hoch
Absatzprognose / Demand Forecasting	15–30 % genauere Prognosen	Hoch	Mittel

Ein konkretes Beispiel: Ein Unternehmen, das ich begleitet habe, hatte Außendienstmitarbeiter, die pro Kundengespräch 15–20 Minuten für die Berichterstellung brauchten. Mit einer KI-gestützten Lösung sprechen sie ihre Eindrücke jetzt in unter zwei Minuten ein. Die KI transkribiert, strukturiert und speichert automatisch. Die Erfassungsquote liegt bei nahezu 100 %, vorher war sie deutlich niedriger.

Oder nehmen Sie Agentic Engineering: Ein Entwicklerteam hat durch die systematische Einbettung von KI-Agenten in den Entwicklungsprozess seine Geschwindigkeit vervierfacht, bei besserer Codequalität. Der Schlüssel war nicht die Technologie, sondern die Methodik.

Mein Rat: Starten Sie dort, wo drei Bedingungen zusammenkommen. Erstens ein hoher Anteil repetitiver Aufgaben. Zweitens vorhandene oder beschaffbare Daten. Drittens ein Team, das bereit ist, den neuen Prozess zu tragen. Die Technologieauswahl kommt danach.

Wie starte ich ein KI-Projekt richtig? Der Weg vom Interesse zum Ergebnis

Ein strukturierter Weg in fünf Schritten verhindert die typischen Fehlstarts: vom KI-Reifegrad über die Use-Case-Priorisierung bis zur skalierten Lösung. Der wichtigste Schritt ist der erste, eine ehrliche Standortbestimmung.

Acht von zehn Unternehmen sehen KI als wichtigste Zukunftstechnologie.^[1] Aber „wichtig finden" und „richtig machen" sind verschiedene Dinge. Hier ist der Weg, der in der Praxis funktioniert.

Schritt 1: Standort bestimmen

Wo steht Ihr Unternehmen heute? Nicht wo Sie hinwollen, sondern wo Sie tatsächlich sind. Haben Sie strukturierte Daten? Hat jemand im Haus Erfahrung mit KI-Tools? Gibt es Prozesse, die dokumentiert genug sind, um sie zu automatisieren?

Die ehrliche Antwort auf diese Fragen bestimmt, welche KI-Projekte realistisch sind und welche Wunschdenken bleiben. Ein KI-Reifegrad-Assessment dauert einen Tag und spart Monate.

Schritt 2: Use Cases priorisieren

Nicht jeder Anwendungsfall, der technisch möglich ist, lohnt sich wirtschaftlich. Ich bewerte Use Cases nach zwei Dimensionen: Geschäftswert (Zeitersparnis, Umsatzpotenzial, Fehlerreduktion) und Machbarkeit (Datenverfügbarkeit, technische Komplexität, Organisationsreife). Die Schnittmenge ergibt die Shortlist.

54 % der KMU wissen nicht, welche KI-Use-Cases für ihr Unternehmen relevant sind.^[5] Das ist kein Zeichen von Rückständigkeit, sondern das Ergebnis einer Technologie, die sich schneller entwickelt als die meisten Organisationen folgen können.

Schritt 3: Proof of Concept

Ein Proof of Concept beantwortet in zwei bis sechs Wochen die entscheidende Frage: Funktioniert es mit unseren Daten, in unserem Kontext, für unseren Prozess? Nicht in der Theorie, sondern nachweisbar.

Ein PoC ist kein Prototyp und kein MVP. Er validiert eine Hypothese. Am Ende steht eine Go/No-Go-Entscheidung mit Zahlen, nicht ein halbfertiges System, das niemand weiterbauen will.

Schritt 4: Produktivlösung und Skalierung

Vom erfolgreichen PoC zur produktiven Lösung braucht es drei Dinge: saubere Implementierung mit Monitoring, Integration in bestehende Systeme und Schulung der Anwender. Hier wird oft gespart, und genau hier entstehen die teuren Probleme.

Ein Modell, das im Labor 95 % Genauigkeit erreicht, kann im Produktivbetrieb auf 70 % abstürzen, wenn Datenqualität, Edge Cases und Nutzerfeedback nicht berücksichtigt werden.

Schritt 5: Governance und Weiterentwicklung

KI-Modelle sind keine statischen Softwareprodukte. Sie brauchen laufendes Monitoring, regelmäßige Qualitätsprüfung und klare Governance-Regeln. Wer verantwortet die Ergebnisse? Wie werden Fehler erkannt und korrigiert? Was passiert bei Modell-Updates des Anbieters?

In meiner Erfahrung ist der fünfte Schritt der, den Unternehmen am häufigsten überspringen. Und der, der über den langfristigen Erfolg entscheidet.

Was kostet KI-Einführung im Mittelstand?

KI-Projekte kosten je nach Umfang zwischen 5.000 und 500.000 Euro. Der Break-even liegt typischerweise bei 6–18 Monaten, der 3-Jahres-ROI zwischen 85 % und 210 %. Die häufigste Überraschung: versteckte Kosten für Datenaufbereitung und Integration.

Die Frage nach den Kosten höre ich in jedem Erstgespräch. Die ehrliche Antwort: Es kommt drauf an. Aber ich kann Ihnen zeigen, worauf es ankommt.

Projekttyp	Typische Kosten	Zeitrahmen	Beispiel
Quick Win (API-Integration, Prompt-Optimierung)	5.000–20.000 €	1–4 Wochen	KI-gestützte E-Mail-Vorlagen, Dokumentenzusammenfassung
Proof of Concept	15.000–50.000 €	2–6 Wochen	Validierung eines spezifischen Use Case mit echten Daten
Produktive KI-Lösung	50.000–250.000 €	3–6 Monate	Automatisierte Dokumentenverarbeitung, Vertriebsassistent
Unternehmensweite KI-Plattform	150.000–500.000+ €	6–18 Monate	Integrierte KI-Infrastruktur mit mehreren Anwendungsfällen

Entscheidend sind drei Kostentreiber, die regelmäßig unterschätzt werden:

Datenaufbereitung. Wenn Ihre Daten in Silos liegen, unstrukturiert oder inkonsistent sind, kann die Aufbereitung 40–60 % des Gesamtbudgets ausmachen. Das ist kein KI-Problem, sondern ein Datenproblem, das erst sichtbar wird, wenn Sie KI einsetzen wollen.

Integration. Eine KI-Lösung, die neben den bestehenden Systemen läuft statt in ihnen, wird nicht genutzt. Die Anbindung an ERP, CRM oder bestehende Workflows kostet Zeit und Geld. Daran führt kein Weg vorbei.

Schulung und Change Management. Ein KI-Workshop für das Team ist keine nette Zugabe, sondern eine Voraussetzung. Die beste KI-Lösung bringt nichts, wenn die Mitarbeiter sie nicht nutzen können oder wollen.

Zum ROI: Der durchschnittliche Break-even für KI-Projekte im Mittelstand liegt bei 6–18 Monaten. Der 3-Jahres-ROI bewegt sich zwischen 85 % und 210 %.^[6] Die höchsten Renditen erzielen Projekte mit klarem, messbarem Nutzen: Zeitersparnis bei der Dokumentenverarbeitung, Fehlerreduktion in der Qualitätskontrolle, höhere Abschlussquoten im Vertrieb.

Die Einstiegskosten sinken rapide. Cloud-APIs für Sprachmodelle kosten einen Bruchteil dessen, was vor zwei Jahren noch fällig war. Vortrainierte Modelle eliminieren den teuersten Teil vieler KI-Projekte, nämlich das Training von Grund auf.

EU AI Act: Was muss der Mittelstand bis wann tun?

Der EU AI Act ist seit 2024 in Kraft und wird schrittweise wirksam. Für die meisten Mittelständler sind zwei Dinge relevant: die AI-Literacy-Pflicht (gilt bereits) und die Hochrisiko-Anforderungen ab August 2026.

Die wichtigste Erkenntnis zuerst: Der EU AI Act betrifft nicht nur KI-Anbieter. Sobald Sie KI in Ihren Geschäftsprozessen einsetzen, sind Sie Betreiber und tragen Verantwortung.

Timeline der Anforderungen

Datum	Was gilt	Relevanz für KMU
Februar 2025	Verbotene KI-Praktiken + AI-Literacy-Pflicht	Hoch: Mitarbeiterschulung ist Pflicht
August 2025	Regeln für General-Purpose-AI-Modelle	Niedrig: betrifft Anbieter, nicht Nutzer
August 2026	Hochrisiko-KI-Anforderungen	Mittel bis Hoch: relevant bei KI in HR, Kreditwesen, Sicherheit
August 2027	Vollständige Geltung aller Regeln	Hoch: alle verbleibenden Bestimmungen

Was bedeutet AI-Literacy-Pflicht konkret? Ihre Mitarbeiter, die KI-Systeme nutzen, müssen verstehen, was sie tun. Keine Informatik-Vorlesung, aber ein Grundverständnis von Funktionsweise, Grenzen und Risiken. Das klingt selbstverständlich, ist es aber bei 82 % Kompetenzlücke offensichtlich nicht.

Für KMU gibt es drei gute Nachrichten: abgemilderte Bußgeldregelungen, kostenlose Beratung über die Mittelstand-Digital Zentren und den KI-Service Desk der Bundesnetzagentur, mit dem Sie prüfen können, ob und in welchem Umfang die Verordnung für Ihre KI-Systeme gilt.^[7]

Meine Empfehlung: Nutzen Sie die Compliance-Anforderungen als Anlass, ohnehin überfällige Grundlagen zu schaffen. Klare Richtlinien, Schulungen, Dokumentation. Das brauchen Sie nicht wegen des Gesetzes, sondern weil KI ohne diese Grundlagen schlecht funktioniert.

93 % der Unternehmen würden einen KI-Anbieter aus Deutschland bevorzugen.^[1] Nachvollziehbar, aber kein Ersatz für eigene Governance. Auch ein deutscher Anbieter nimmt Ihnen die Verantwortung für den ordnungsgemäßen Einsatz nicht ab.

Wie baue ich KI-Kompetenz im Team auf?

KI-Kompetenz lässt sich nicht mit einem einzelnen Workshop aufbauen. Es braucht einen strukturierten Ansatz auf drei Ebenen: Geschäftsführung, Fachabteilungen und IT. Die häufigste Fehleinschätzung: KI sei ein reines IT-Thema.

Die Bitkom-Zahlen zeigen: Fehlendes technisches Know-how (53 %) und fehlende personelle Ressourcen (51 %) sind die größten Hemmnisse beim KI-Einsatz, noch vor rechtlichen Unsicherheiten.^[1] Das deckt sich mit dem, was ich in der Praxis sehe. Und es zeigt, dass Technologie allein das Problem nicht löst.

Ebene 1: Geschäftsführung

Entscheider brauchen kein Detailwissen über Transformer-Architekturen. Sie brauchen die Fähigkeit, KI-Projekte richtig einzuordnen: Was ist realistisch? Was kostet es? Wo liegen die Risiken? Ein strategischer KI-Workshop auf Geschäftsführerebene schafft die Grundlage für fundierte Investitionsentscheidungen statt Bauchgefühl.

Ebene 2: Fachabteilungen

Die wertvollsten KI-Ideen kommen selten aus der IT-Abteilung. Sie kommen von Mitarbeitern, die ihre Prozesse kennen und erkennen, wo Automatisierung den größten Hebel hat. Aber nur, wenn sie verstehen, was KI kann und was nicht.

Bei Enablement-Workshops, die ich durchführe, bringen Teilnehmer eigene Arbeitsbeispiele mit und lösen sie mit KI-Unterstützung. Der überraschendste Effekt: Mehrere Teilnehmer identifizieren eigenständig Einsatzmöglichkeiten, die vorher niemand auf dem Schirm hatte.

Ebene 3: IT und Technik

Ihre technischen Teams brauchen Know-how für Integration, Betrieb und Qualitätssicherung von KI-Lösungen. Das umfasst Prompt Engineering ebenso wie RAG-Architekturen, API-Management und Monitoring. Hier lohnt sich gezielte Weiterbildung oder die temporäre Verstärkung durch externe Expertise.

Schatten-KI als Warnsignal

Ein Phänomen, das ich zunehmend beobachte: Mitarbeiter nutzen KI-Tools auf eigene Faust, ohne Wissen der IT-Abteilung, ohne Richtlinien, ohne Kontrolle über Datenschutz. Das ist kein Fehlverhalten, sondern ein Signal. Die Belegschaft ist weiter als die Organisation. Statt Verbote auszusprechen, sollten Sie Leitplanken schaffen: klare Regeln, welche Tools erlaubt sind, welche Daten tabu sind und wie Ergebnisse geprüft werden.

Fazit: Die drei wichtigsten Schritte für 2026

Die KI-Adoption im Mittelstand beschleunigt sich. Das Zeitfenster, in dem KI-Kompetenz noch ein Differenzierungsmerkmal ist, schließt sich. Wer 2026 nicht mindestens einen produktiven KI-Anwendungsfall hat, verliert nicht nur Effizienz, sondern Anschluss.

Drei Schritte, die ich jedem mittelständischen Unternehmen empfehle:

1. Reifegrad ehrlich bestimmen. Kein Wunschdenken, keine Hochglanz-Präsentation. Wo stehen Ihre Daten, Ihre Prozesse, Ihr Team? Diese Standortbestimmung ist die Grundlage für alles Weitere. Ein Tag Aufwand, der Monate Fehlallokation verhindert.

2. Einen Use Case mit einem Proof of Concept validieren. Nicht drei gleichzeitig, nicht die unternehmensweite KI-Strategie. Einen konkreten Prozess, mit echten Daten, mit messbaren Erfolgskriterien. In vier bis sechs Wochen wissen Sie, ob es funktioniert und haben die Faktenbasis für die nächste Investitionsentscheidung.

3. KI-Kompetenz aufbauen, auf allen Ebenen. Geschäftsführung, Fachabteilungen, IT. Nicht als einmaliges Event, sondern als kontinuierlichen Prozess. Die AI-Literacy-Pflicht des EU AI Act ist der gesetzliche Rahmen. Der eigentliche Grund ist simpler: KI funktioniert nur, wenn die Menschen im Unternehmen sie verstehen und nutzen können.

Wenn Sie wissen wollen, wo Ihr Unternehmen steht und welcher Anwendungsfall den größten Hebel hat, sprechen Sie mich an. Ich berate mittelständische Unternehmen dabei, KI nicht nur einzuführen, sondern so einzusetzen, dass sie tatsächlich wirkt.

---

Dieser Artikel wird regelmäßig aktualisiert, um aktuelle Entwicklungen abzubilden. Letzte Aktualisierung: Februar 2026.

---

Fußnoten

1. Bitkom e.V., „Künstliche Intelligenz 2025", Befragung von 604 Unternehmen ab 20 Beschäftigten, KW 27–32/2025. ↩ ↩² ↩³ ↩⁴ ↩⁵

2. Sage, „KI-Index Mittelstand 2025", 2025. ↩ ↩²

3. McKinsey & Company, „The State of AI in 2025", November 2025. ↩ ↩²

4. IW Köln, „KI als Wettbewerbsfaktor", IW-Report 2025. ↩

5. HKA Hochschule Karlsruhe / maximal.digital, „KI-Studie 2025: KI im Mittelstand und KMU", 2025. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

6. SURION Group, ROI-Berechnungen von KI-Investitionen im Mittelstand; KMU Automation, KI-Implementierungskosten, 2025. ↩

7. Bundesnetzagentur, KI-Service Desk zur EU-KI-Verordnung; Mittelstand-Digital Zentren, kostenlose KI-Beratung für KMU. ↩