88 % nutzen KI. 5,5 % verdienen damit Geld. Den Rest machen wir.
Die Hälfte eurer KI-Liste fällt weg. Der Rest bekommt einen Geschäftseffekt — wenn vor dem Pilot aussortiert, Datenreife geklärt und Adoption parallel gebaut wird. KI im Alltag für Industrie und Großhandel im DACH-Mittelstand. EU-AI-Act-Einstufung pro Use-Case, dazu die passende Architektur.
Der Sprung von „AI ist im Haus" zu „AI bewegt EBIT" misslingt drei Vierteln aller Unternehmen. Der Engpass liegt selten im Modell, er liegt zwischen Pilot und Alltag.
Mindestens eine Geschäftsfunktion mit AI im Einsatz, meist isoliert, ohne Anschluss an Kern-Workflows.
Quelle: McKinsey · State of AI 2025Zwei Drittel scheitern am Sprung vom Pilot zur breiten Adoption — der Use-Case bleibt im Demo-Stadium.
Quelle: McKinsey · State of AI 2025Nur diese Minderheit kann Finanz-Returns aus AI nachweisen, der Rest läuft, ohne im Geschäftsergebnis sichtbar zu werden.
Quelle: McKinsey · State of AI 2025Zwischen „läuft" und „bringt EBIT" liegen 82,5 Prozentpunkte Lücke. Genau dort setzen wir an, vor und nach dem Modell.
Wir sehen über Mandate hinweg drei wiederkehrende Engpässe, alle drei liegen außerhalb des Modells. Use-Case-Hygiene vor dem Pilot, Datenreife parallel zum Pilot, Adoption nach dem Pilot. Bei zweien davon entscheidet sich, ob es überhaupt EBIT-relevant wird.
Vor dem Pilot wird die Liste sortiert, was lohnt sich wirklich, was ist Hype, was ist Lieblings-Demo eines Vorstands. ROI-Realitätscheck pro Use-Case, mit Datenreife als hartem Filter. Demos ohne Anschluss an einen echten Workflow bauen wir nicht. Wir streichen die Hälfte der Liste, die übrige Hälfte hat eine Chance. Was wir streichen, sind verbrannte Pilot-Budgets, bevor sie ausgegeben werden.
Datenqualität, Zugriffe, Lineage, Lock-Ins, Stammdaten-Hygiene, vor dem Modell. Daten sind in den meisten B2B-Häusern verteilt über ERP, CRM, PIM, Excel und Außendienst-Notizen. Wir mappen den Bestand ehrlich, identifizieren die Datentöpfe, die wirklich AI-ready sind, und priorisieren Use-Cases entsprechend.
Bestes Modell ohne Adoption ist nutzlos. Wir bauen Adoption parallel zum Pilot — Sales-Champion, Trainings, Feedback-Loops, sichtbare Erfolge im Tagesgeschäft. Der Außendienst muss spüren, dass die Empfehlung den Alltag erleichtert, nicht erschwert. Sonst bleibt die Demo schön, und das Pilot-Investment liegt ungenutzt.
Vor jedem produktiven Use-Case stehen zwei Fragen: Welche EU-AI-Act-Klasse trifft uns? Und welche Architektur trägt unsere Datenhoheit? Beides wird auf den Tech-Sub-Pages im Detail beantwortet.
Vier Risiko-Klassen — unannehmbar, hoch, begrenzt, minimal. Hochrisiko-Anwendungen brauchen Audit-Trails, Doku und Human-Oversight von Tag eins. Strafrahmen bei Nicht-Compliance: bis 35 Mio € oder 7 % weltweiter Jahresumsatz (Art. 99). Wir klassifizieren pro Use-Case und bauen Compliance parallel zur Entwicklung auf — schriftlicher Befund, keine Workshop-Stimmung.
KI-Audit im Detail →Frontier-API (Anthropic, OpenAI, Google), lokales Modell (Llama, Mistral) oder Hybrid mit Routing — Entscheidung pro Use-Case nach Datensensitivität, Latenz, Kosten und Vendor-Bindung. Default: Daten bleiben im Haus. Cloud nur kontrolliert.
KI-Orchestration im Detail →Auf dieser Seite: C-Level-Sicht. Tech-Tiefe (Modell-Architektur, AI-Act-Matrix, Audit-Säulen) auf KI Orchestration. Architektur-Prinzipien als Reference: Souverän gebaut — fünf Prinzipien.
Bitkom 09/2025. Souveränität trägt nicht durch Markenbindung, sondern durch Architektur — auch wenn Anbieter konsolidieren. Fünf Architektur-Prinzipien lesen →
Wir bauen mit euch, nicht für euch. Mandate sind Werkbank, nicht Theater. Lieferung in kurzen Schleifen. Saubere Übergabe, danach trägt eure Mannschaft allein.
Methode im Detail
25 Jahre IT, davon 14 Jahre in B2B-Commerce. Architektur-Mandate bei Großkonzernen, Aufbau und Steuerung verteilter Expertenteams, vendor-neutrale Projektrettung. Schwerpunkte: Plattform-Architektur, Projektrettung, Team-Operations.
Chris Zepernick
Wir messen Use-Cases am Alltag der Menschen, die sie nutzen sollen. Wenn der Außendienst die Empfehlung ignoriert, hat das Modell keinen Wert, egal wie gut es benchmark.
So arbeiten wirAI-Use-Case in der Pipeline? Ein paar Minuten am Telefon. Wir sortieren sinnvoll von Hype.
