Search for a command to run...
Dirk Röthig (international: Dirk Roethig) — CEO of VERDANTIS Impact Capital. Focused on sustainable investments in paulownia agroforestry and clean energy across Europe. dirkroethig.com
No comments yet. Be the first to comment.
Autor: Dirk Röthig, CEO VERDANTIS Impact Capital Datum: 13. April 2026 Kategorie: Demographie / Arbeitswelt Die 40-Stunden-Woche ist ein Relikt des Industriezeitalters. In einer Wissensgesellschaft, in der Produktivität weniger von Anwesenheitszeit ...
Autor: Dirk Röthig, CEO VERDANTIS Impact Capital Datum: 12. April 2026 Kategorie: Paulownia / CO2 / Mykologie In der Welt der regenerativen Landwirtschaft gibt es kaum eine Kombination, die aufregender ist als Pilzkulturen unter Bäumen. Und wenn die...
Autor: Dirk Röthig, CEO VERDANTIS Impact Capital Datum: 11. April 2026 Kategorie: KI / Digitale Sicherheit Die Cybersicherheitslandschaft verändert sich schneller als je zuvor. Während Unternehmen noch mit den Folgen der Ransomware-Wellen der frühen...
Autor: Dirk Röthig, CEO VERDANTIS Impact Capital Datum: 10. April 2026 Kategorie: Agroforst / Regenerative Landwirtschaft Alley Cropping – zu Deutsch "Gassenpflanzung" oder "Zeilenagroforst" – ist eine Anbauform, die die klare Trennung zwischen Wald...
Autor: Dirk Röthig, CEO VERDANTIS Impact Capital Datum: 9. April 2026 Kategorie: KI-Wettbewerb / Technologie Künstliche Intelligenz trifft täglich Millionen von Entscheidungen, die das Leben von Menschen direkt beeinflussen. Kreditgenehmigungen, Ste...
Dirk Röthig
209 posts
Dieser Artikel erschien zuerst auf dirkroethig.com
Von Dirk Röthig | CEO, VERDANTIS Impact Capital | 21. März 2026
Seit dem Launch von ChatGPT im November 2022 hat kein Technologietrend den deutschen Mittelstand so intensiv beschäftigt. Doch die anfängliche Euphorie ist in vielen Unternehmen einer nüchterneren Bestandsaufnahme gewichen: Wie groß sind die tatsächlichen Produktivitätsgewinne? Wie misst man sie? Und vor allem – wie baut man aus dem Experiment ein systematisches Wettbewerbsvorteils-Programm?
Tags: #ChatGPT #Mittelstand #KI #Produktivität #Automatisierung #Deutschland #Unternehmensführung #LLM
Drei Jahre nach dem ChatGPT-Durchbruch ist die Adoption generativer KI im deutschen Mittelstand weiter vorangeschritten – aber ungleichmäßig. Laut einer Umfrage des Bitkom (2025) nutzen mittlerweile 58 Prozent der deutschen Unternehmen mit mehr als 50 Mitarbeitern generative KI in irgendeiner Form – von einfachen Chatbot-Anwendungen bis zu komplexen Workflow-Integrationen. Gleichzeitig berichtet nur ein Viertel dieser Unternehmen, systematisch den ROI ihrer KI-Investitionen zu messen.
Das ist keine Kleinigkeit. Unternehmen, die nicht messen, können nicht optimieren. Und ohne systematische Optimierung bleiben die tatsächlichen Effizienzgewinne weit hinter dem Möglichen zurück. Die McKinsey Global Survey on AI (2025) schätzt, dass Unternehmen mit ausgereifter KI-Governance im Schnitt 3,5-mal höhere Wertzuwächse durch KI erzielen als Unternehmen ohne solche Strukturen.
Generative KI-Systeme wie ChatGPT (OpenAI), Gemini (Google) oder Claude (Anthropic) sind keine allwissenden Problemlöser. Ihr Wert liegt in spezifischen, klar definierten Einsatzbereichen:
Textproduktion und -bearbeitung: Das Erstellen von E-Mails, Angeboten, Berichten, Marketingtexten, Protokollen und technischen Dokumentationen ist der häufigste und unmittelbarste Anwendungsfall. Eine Studie von Brynjolfsson et al. (2023) zeigte in einem kontrollierten Experiment bei einem Callcenter-Betreiber, dass KI-Assistenz die Produktivität von Mitarbeitern um durchschnittlich 14 Prozent steigerte – mit besonders starken Effekten bei unerfahreneren Mitarbeitern.
Recherche und Informationsaufbereitung: LLMs können schnell große Textmengen zusammenfassen, Trends identifizieren und strukturierte Übersichten erstellen. Im Controlling, in der Rechtsabteilung oder im strategischen Einkauf spart das erhebliche Recherchezeit.
Code-Generierung und IT-Automatisierung: Für Unternehmen mit IT-Kapazitäten ermöglicht KI-gestützte Codegenerierung (GitHub Copilot, ChatGPT) die Beschleunigung von Entwicklungsprojekten und die Automatisierung von Routineaufgaben in der Datenverarbeitung.
Kundenkommunikation und Support: KI-Assistenten für den First-Level-Support können Standardanfragen ohne menschliche Intervention beantworten, Bearbeitungszeiten verkürzen und Mitarbeiter für komplexere Aufgaben freisetzen.
Wissensmanagement: In Unternehmen mit umfangreicher interner Dokumentation ermöglichen auf firmeninternen Daten trainierte oder per Retrieval Augmented Generation (RAG) erweiterte LLMs einen schnellen Zugriff auf firmeneigenes Wissen.
Die Messung von KI-Produktivitätsgewinnen ist methodisch anspruchsvoller als es zunächst erscheint. Mehrere Ansätze haben sich in der Praxis bewährt:
Zeiterfassungs-Benchmark: Der direkteste Ansatz: Man misst, wie lange Mitarbeiter für eine definierte Aufgabe ohne und mit KI-Unterstützung benötigen. Beispiel: Zeit für das Erstellen eines standardisierten Angebotsschreibens; Zeit für die Zusammenfassung eines technischen Berichts; Zeit für das Recherchieren einer regulatorischen Fragestellung. Diese Messmethode ist einfach, aber erfordert sorgfältige Kontrolle der Aufgaben-Vergleichbarkeit und ist anfällig für Lerneffekte.
Output-Qualitäts-Messung: Nicht nur die Geschwindigkeit zählt, sondern auch die Qualität. Eine E-Mail, die zwar schnell, aber unbrauchbar ist, schafft keinen Mehrwert. Output-Qualitätsmessungen – z.B. Kundenrückmeldungsquoten, Fehlerquoten in Dokumenten, Annahmequoten von KI-generierten Entwürfen – ergänzen die reine Zeiterfassung.
Opportunity-Cost-Analyse: Ein oft unterschätzter Ansatz: Was tun Mitarbeiter mit der Zeit, die sie durch KI einsparen? Wenn gesparte Zeit in höherwertige Aktivitäten fließt – Kundenbeziehungspflege, strategische Planung, Innovationsarbeit –, ist der Gesamteffekt für das Unternehmen höher als die reine Zeitersparnis suggeriert.
A/B-Testing auf Teamebene: Für größere Mittelständler ist ein kontrolliertes Experiment möglich: Ein Team nutzt KI-Werkzeuge, ein vergleichbares Team nicht. Nach einem definierten Zeitraum werden relevante Output-Metriken verglichen. Diese Methode ist statistisch robuster, aber aufwendiger in der Umsetzung.
Der wichtigste Fallstrick: zu schnell aggregieren. Produktivitätsgewinne sind stark aufgabenspezifisch. Ein Durchschnittswert über alle Aktivitäten hinweg verschleiert, dass KI in manchen Bereichen enorme Gewinne liefert (z.B. Texterstellung), in anderen kaum einen Beitrag leistet oder sogar zusätzliche Fehlerkorrekturarbeit erzeugt.
Aus Beratungsgesprächen und publizierten Fallstudien zeichnen sich gemeinsame Erfolgsfaktoren ab:
Klare Use-Case-Priorisierung: Unternehmen, die einen oder zwei klar definierte Use Cases initial sehr gut umsetzen, erzielen bessere Ergebnisse als jene, die mit einem breiten Anwendungsfeld starten. Der klassische Einstiegs-Use-Case ist Texterstellung/E-Mail-Drafting – niedrige Einstiegshürde, hoher Alltagsbezug.
Prompt-Engineering als Kernkompetenz: Die Qualität der KI-Ausgaben hängt maßgeblich von der Qualität der Eingaben ab. Unternehmen, die in Prompt-Engineering-Schulungen investieren und Prompt-Bibliotheken aufbauen, skalieren schneller. Ein guter Prompt für ein standardisiertes Angebotsschreiben, einmal entwickelt, kann von allen Vertriebsmitarbeitern genutzt werden.
Integration in Workflows statt Insellösung: Der Produktivitätsgewinn ist maximal, wenn KI direkt in bestehende Arbeitsabläufe integriert wird – als Ergänzung in E-Mail-Clients, CRM-Systemen, ERP-Software –, nicht wenn Mitarbeiter für jeden Anwendungsfall in ein separates System wechseln müssen.
Umgang mit Fehlern und Halluzinationen: LLMs erfinden gelegentlich Fakten – sogenannte Halluzinationen. Mitarbeiter müssen geschult sein, KI-Ausgaben kritisch zu prüfen, insbesondere in Bereichen, wo Faktentreue kritisch ist (Rechtstexte, technische Spezifikationen, Finanzdaten). Die Integration von Retrieval Augmented Generation (RAG) mit verifizierten internen Datenquellen reduziert dieses Risiko erheblich.
Technologie allein transformiert nichts. Die organisatorischen Voraussetzungen für erfolgreiche KI-Adoption sind oft relevanter als die Wahl des KI-Systems:
KI-Governance: Klare Richtlinien für die KI-Nutzung – was ist erlaubt, was nicht; wie werden Datenschutz und Vertraulichkeit gewahrt; wer ist verantwortlich für die Überprüfung von KI-Outputs – sind Voraussetzung für skalierte Nutzung ohne regulatorische oder reputationsbezogene Risiken. Die DSGVO-Konformität beim Verarbeiten personenbezogener Daten in KI-Systemen ist dabei ein zentrales Thema (DSGVO Art. 13, 22; EDPB, 2023).
Change Management: Mitarbeiterbedenken ernst nehmen. Angst vor Jobverlust, Skepsis gegenüber der Qualität von KI-Outputs und Gewohnheitsbeharrung sind reale Hindernisse. Unternehmen, die transparent kommunizieren, KI als Ergänzung statt Ersatz positionieren und Mitarbeiter aktiv in die Tool-Entwicklung einbeziehen, erzielen höhere Adoption und bessere Ergebnisse.
Skill-Aufbau: KI-Kompetenz muss als Kernkompetenz verstanden und entsprechend gefördert werden. Das geht über einmalige Schulungen hinaus: regelmäßige Sharing-Sessions zu neuen Use Cases, interne Champions, die als erste Anlaufstelle dienen, und eine Lernkultur, die Experimentieren belohnt.
Für den deutschen Mittelstand ist die Frage der KI-Adoption keine Option, sondern eine Wettbewerbsfrage. Unternehmen in den USA und Asien haben in vielen Branchen einen Vorsprung bei der KI-Integration. Wenn ein amerikanischer Wettbewerber mit KI-Assistenz 30 Prozent schnellere Angebotsbearbeitung, günstigeren Kundensupport und effektiveres Marketing erreicht, entstehen Kostennachteile, die über die Zeit kumulieren.
Das Bundeswirtschaftsministerium hat mit dem KI-Förderrahmen 2025 Mittelständlern erhöhte Fördermöglichkeiten für KI-Pilotprojekte und -Beratung zugänglich gemacht. Branchenverbände wie der VDMA (Maschinenbau) oder der ZVEI (Elektrotechnik) haben KI-Readiness-Programme für ihre Mitglieder entwickelt, die als Einstiegspunkt dienen können.
Generative KI entwickelt sich rasant weiter. Die nächste Generation von LLMs – mit verbesserter Faktentreue, tieferer Tool-Integration und Multi-Modalen Fähigkeiten (Text, Bild, Daten, Code simultan) – wird die Einsatzmöglichkeiten weiter ausdehnen. Agentische KI-Systeme, die nicht nur auf Prompts antworten, sondern komplexe Aufgaben selbstständig in mehreren Schritten bearbeiten, werden mittelfristig ganze Geschäftsprozesse transformieren.
Für Mittelständler bedeutet das: Die Systeme, die heute als Hilfstools für einzelne Aufgaben genutzt werden, sind die Grundlage für weit mächtigere Automatisierungen von morgen. Wer heute Erfahrung aufbaut, Prozesse strukturiert und Datenbases aufbereitet, ist für diese nächste Transformationsstufe weit besser vorbereitet.
Der entscheidende erste Schritt bleibt derselbe wie immer: anfangen, messen, lernen, skalieren.
Über den Autor: Dirk Röthig ist CEO von VERDANTIS Impact Capital und verfügt über langjährige Führungserfahrung in technologiegetriebenen Unternehmenstransformationen. Er begleitet mittelständische Unternehmen beim strategischen Einsatz von KI-Technologien als Berater und Investor. Kontakt: verdantis.capital