KI-Integration in Deutschland

1. Executive Summary

Künstliche Intelligenz wird von der überwiegenden Mehrheit der kleinen und mittleren Unternehmen in Deutschland als disruptiver Faktor wahrgenommen, doch die tatsächliche Adaption hinkt hinterher. Während 82% der KMUs Interesse oder erste Ideen haben, fehlen häufig Know-how, Ressourcen, eine klare Strategie und die Akzeptanz innerhalb der Organisation. Die größten Herausforderungen sind der Mangel an KI-Fachkräften, Datenschutzbedenken und kulturelle Widerstände. Um die digitale Kluft zu schließen und die Wettbewerbsfähigkeit zu sichern, sind gezielte Bildungsinitiativen, Förderprogramme, ein innovationsfreundlicher Regulierungsrahmen (insbesondere der EU AI Act) und der Ausbau der digitalen Infrastruktur von entscheidender Bedeutung. Der bevorzugte Einstieg für KMU sind klar strukturierte, wirtschaftlich sinnvolle Proof-of-Concepts (PoCs), die auf spezifische Probleme abzielen und messbaren Nutzen liefern.

2. Einführung und Kontext

KMU bilden mit 99,3% das Rückgrat der deutschen Wirtschaft, doch ihre KI-Adaptionsrate liegt mit 10% weit hinter der von Großunternehmen. Dies gefährdet langfristig ihre Wettbewerbsfähigkeit und Innovationskraft. Aktuelle Studien beleuchten die Hemmnisse und Potenziale der KI-Einführung, um praxisnahe Empfehlungen abzuleiten. KI gilt als Schlüssel zur Bewältigung des Fachkräftemangels, der stagnierenden Produktivität und der Innovationsschwäche in Deutschland.

3. Aktueller Stand der KI-Adaption im Mittelstand

Wahrnehmung von KI: 95% der befragten KMU schätzen die Auswirkungen von KI auf ihre Branche als "disruptiv" (68,4%) oder "stark" (26,3%) ein. Dieses hohe Problembewusstsein steht jedoch im Kontrast zur langsamen Umsetzung.

Aktuelle Nutzung: Nur 37% der befragten deutschen Unternehmen nutzen KI, wobei dieser Anteil bei Großunternehmen (66%) deutlich höher ist als bei kleinen Unternehmen (36%). Die Nutzungsquote stagniert in Deutschland seit 2021 bei etwa 11-12%. Im europäischen Vergleich liegt Deutschland im oberen Drittel, aber hinter nordischen Ländern und einigen Nachbarstaaten.

Digitale Reife: Der Einsatz von KI erfordert eine hohe digitale Reife, die bei KMU im Durchschnitt deutlich geringer ist als bei Großunternehmen. Im Jahr 2023 wiesen 74,2% der deutschen KMU eine geringe bis sehr geringe digitale Intensität auf.

Anwendungsfelder (aktuell und geplant):Wichtigste Anwendungsfelder: Dokumenten- und Wissensmanagement (ca. 23%), Prozessautomatisierung (ca. 20%), Entscheidungsunterstützung (ca. 20%). Weitere relevante Bereiche sind Customer Support (ca. 10%), Softwareentwicklung (ca. 8%) und Bild- und Texterkennung (ca. 7%).

Nutzung nach Unternehmensbereichen (aktuelle Nutzer): Produktion/Dienstleistungserstellung (45,5%), IT (37,0%), Marketing (35,2%). Bereiche wie Personalwesen (7,6%) und Logistik (4,9%) nutzen KI noch seltener.

Geplanter Einsatz (Nicht-Nutzer mit Plan): IT (63,0%), Marketing (50,4%), Produktion/Dienstleistungserstellung (49,9%).

KI-Anwendungsgebiete und -Methoden: Generative KI & Natural Language Processing (GenAI & NLP) sind mit 64,4% am weitesten verbreitet, und dies über alle Unternehmensgrößen hinweg. Sprach- und Bilderkennung (29,6%) sowie Datenanalyse & Vorhersagemodelle (21,9%) werden von deutlich weniger Unternehmen genutzt, bieten aber hohes Potenzial. Personalisierte Empfehlungssysteme (6,4%) sowie Automatisierung & Robotik (5,9%) finden bislang kaum Anwendung.

Beschaffungsformen: Kostenfreie KI-Tools werden am häufigsten genutzt (29,3%), gefolgt vom Erwerb von "AI as a Service" (13,0%). Nur 3,6% der Unternehmen entwickeln KI selbst. Dies deutet auf eine eher oberflächliche KI-Nutzung hin.

Informationsquellen: Für Informationen zu KI verlassen sich Unternehmen vor allem auf persönliche Netzwerke (45%), Messen und Konferenzen (35%), sowie Online-Events (20%). Fachzeitschriften und Verbände spielen eine geringere Rolle.

Entscheidungsprozesse: Die Entscheidung über KI-Projekte liegt mehrheitlich bei der Geschäftsführung (38%), gefolgt von der IT-Abteilung (30%) und Fachabteilungen.

4. Herausforderungen bei der KI-Adaption

Die Studien identifizieren eine Reihe von signifikanten Hemmnissen für die KI-Adaption in KMU:

Fachkräfte- und Know-how-Mangel (ca. 23% der Nennungen): Dies ist das größte Hindernis. Viele KMU haben keine dedizierten KI-Fachkräfte und kämpfen mit dem Mangel an qualifiziertem Personal für Big Data und KI. Selbst in hochdigitalisierten Unternehmen fehlt oft das nötige technologische Verständnis und interne Expertise.

Organisatorische und Kulturelle Hürden (ca. 18% der Nennungen): Dazu gehören Skepsis gegenüber Automatisierung, mangelnde Bereitschaft zur Veränderung, insbesondere bei etablierten Entscheidern, sowie die Notwendigkeit eines kulturellen Wandels hin zu Offenheit für neue Technologien. Fehlende transparente Kommunikation über Ziele und Potenziale der KI-Implementierung verstärkt diese Hürden.

Regulatorik und Datenschutz (ca. 18% der Nennungen): Datenschutz, rechtliche Unsicherheiten und hohe regulatorische Anforderungen (insbesondere DSGVO und der zukünftige EU AI Act) stellen erhebliche Hürden dar. Viele Expert:innen sehen die EU-Regulierungen als zu komplex und belastend für KMU an, was die Innovationsfähigkeit hemmen könnte.

Fehlende Strategie und Zieldefinition (ca. 10% der Nennungen): Viele Unternehmen haben keine klare KI-Strategie, wodurch es schwerfällt, konkrete Ziele und Anwendungsmöglichkeiten zu definieren und sinnvolle Use Cases zu identifizieren.

Zeit und Ressourcen (ca. 10% der Nennungen): Begrenzte finanzielle, personelle und zeitliche Kapazitäten erschweren Investitionen in KI-Projekte.

Daten und Infrastruktur (ca. 11% der Nennungen): Mangelnde Datenqualität und -verfügbarkeit sind wesentliche Hindernisse. Viele Unternehmen verfügen nicht über die notwendige moderne IT-Infrastruktur (z.B. leistungsfähige Cloud-Strategien, Rechenkapazitäten) für KI-Anwendungen. Deutschland hinkt im internationalen Vergleich bei Investitionen in KI-Forschung und -Entwicklung hinterher.

5. Ziele der KI-Nutzung in Unternehmen

Unternehmen, die KI nutzen oder dies planen, verfolgen folgende Hauptziele:

Befreiung oder Erleichterung von Routinearbeiten (84,5%): Dies ist das meistgenannte Ziel, insbesondere bei großen Unternehmen (94,5%), zur Steigerung der Produktivität und Entlastung des Personals.

Unterstützung bei der Erledigung komplexer Aufgaben (70,1%): Unabhängig von der Unternehmensgröße wird KI zur Entlastung von Fachpersonal und Stärkung der Innovationskraft eingesetzt.

Qualitätsverbesserungen (64,6%): Reduzierung von Fehlerquoten und Optimierung von Prozessabläufen, um die Wettbewerbsfähigkeit zu erhöhen.

Abfedern des Fachkräftemangels (37,3%): Besonders mittlere (56,6%) und große (55,0%) Unternehmen sehen in KI eine Möglichkeit, personelle Engpässe zu kompensieren.

Einsparung von Personal (29,6%): Größere Unternehmen (55,5%) verfolgen dieses Ziel intensiver.

Einsparung von Rohstoffen und/oder Energie (20,2%): Ein Beitrag zur Nachhaltigkeit und langfristigen Kostensenkung, primär bei größeren Unternehmen (32,2%).

6. Handlungsempfehlungen

Die Quellen formulieren umfassende Handlungsempfehlungen für KMU, Beratungen/Anbieter und Politik/Verbände:

Für KMUs:

Wissensaufbau: Frühzeitig internes Wissen durch niedrigschwellige Experimente mit generativer KI und gezielte Schulungen aufbauen.

Strukturierter Einstieg: Nicht mit komplexen Großprojekten beginnen, sondern mit klar umrissenen, realistischen Proof-of-Concepts (PoCs), die konkrete Probleme adressieren und messbaren Nutzen bringen. KI sollte als zukünftige Normalität im Arbeitsalltag verstanden werden.

Mitarbeiterintegration: Mitarbeitende und Nutzer von KI-Anwendungen in den gesamten Prozess einbinden, von der Anforderungsdefinition bis zu iterativen Feedback- und Testschleifen.

Transparente Kommunikation: Offen über Ziele, Potenziale und Auswirkungen der KI-Implementierung kommunizieren.

Vernetzung: Mangelnde Expertise durch strategische Partnerschaften mit Technologieanbietern oder Servicezentren ausgleichen.

Aufbau einer Datenbasis: Ein Datenmanagement etablieren, das Daten organisiert, sichert und benutzerfreundliches Zugreifen ermöglicht (geeignete Formate, hohe Datenqualität).

Für Beratungen und Anbieter:

Zielgruppengerechte Angebote: Lösungen stärker auf die spezifischen Bedürfnisse von KMU zuschneiden, d.h., einfache, modulare Einstiegsformate, transparente Kommunikation, Fokus auf Nutzen statt Technologie.

Begleitendes Onboarding: Initial-Workshops, vorgefertigte Use-Case-Vorlagen und Unterstützung bei der Implementierung anbieten.

Für Politik und Verbände:

KI-Bildungsoffensiven:Schul- und Hochschulbildung: KI-Grundlagen und Datenkompetenz in Curricula verankern, mehr praxisnahe KI-Studiengänge (auch duale und englischsprachige) fördern.

Aus- und Weiterbildung: Anreize für betriebliche KI-Weiterbildungen schaffen (z.B. KI-Weiterbildungsbonus), KI-Beauftragte für bestimmte Unternehmen zur Auflage machen, KI-Inhalte in Ausbildungsordnungen integrieren. Eine zentrale Anlaufstelle (KI-Hub) mit Schulungsmaterial und Best-Practice-Beispielen etablieren.

Fachkräftegewinnung international: Visa- und Zuwanderungsprogramme für KI-Spezialisten ausbauen (z.B. Blue Card, schnelle Anerkennung von Abschlüssen).

Gezielte Förderpolitik:One-Stop-Shop: Eine zentrale Koordinierungsstelle für KI-Fördermaßnahmen einrichten (KI-Förderlotsenstelle), die bestehende Mittelstand-Digital-Zentren bündelt. KI-Readiness-Checks zur individuellen Einschätzung anbieten.

Entbürokratisierung und Tempo: Fast-Track-Verfahren für KI-Projekte (Zusage/Absage innerhalb von sechs Wochen) und langfristige Förderangebote sicherstellen.

Gezielte Förderinstrumente: Anwendungsorientierte Maßnahmen wie KI-Innovationsgutscheine für KMU, Matching-Fonds und Ausbau regionaler KI-Transferzentren. Förderung von Open-Source-KI.

Themenspezifische Förderung: KI-Bereiche mit hoher Hebelwirkung wie Cybersicherheit und vertrauenswürdige KI sowie generative KI (Made-in-Germany-Lösungen) besonders fördern.

Bessere Bedingungen für Start-ups: Steuerliche Anreize für Wagniskapital, Ausbau öffentlicher VC-Fonds und Bürokratieabbau bei KI-Gründungen.

Innovationsfreundlicher Regulierungsrahmen:Praxisnahe Umsetzung des AI Act: Harmonisierte, unternehmensfreundliche Umsetzung, zentrale Anlaufstellen und Self-Assessment-Tools für KMU fördern.

Regulatory Sandboxes und Reallabore: Geschützte Umgebungen zum Testen von KI-Lösungen schaffen.

Vermeidung von Doppelregulierung: Sicherstellen, dass der AI Act bestehende Regelungen nicht unnötig dupliziert oder widerspricht.

Positives Narrativ und Gütesiegel: Ein innovationsfreundliches Narrativ zur KI fördern, Risiken adressieren, aber Chancen betonen. Ein Gütesiegel "KI made in Europe" als Qualitätsmerkmal etablieren.

Verbesserter Infrastrukturzugang:Breitband- und 5G-Ausbau: Priorität auf Gewerbegebiete und ländliche Räume.

Rechenleistung (HPC, Cloud): Vergünstigte Tarife oder kostenlose Startkontingente für KMU auf Supercomputern und KI-Clouds, Vernetzung öffentlicher und privater Rechenzentren.

Datenzugang: Initiativen fördern, die Datenpools unter klaren rechtlichen Rahmenbedingungen verfügbar machen (z.B. Datenkooperativen, Datentreuhänder). Förderung der "Data Economy Readiness" von Unternehmen.

7. EU AI Act: Relevanz für Behörden und Unternehmen

Der EU AI Act schafft einen risikobasierten Rechtsrahmen, der KI-Anwendungen in vier Risikokategorien einteilt (inakzeptables, hohes, begrenztes, minimales Risiko). Er betrifft sowohl private als auch staatliche Akteure.

Definitionen: Ein KI-System ist ein maschinengestütztes System, das für autonomen Betrieb angelegt ist und aus Eingaben Ausgaben ableitet (z.B. Vorhersagen, Inhalte). GPAI-Modelle (Allzweck-KI-Modelle) sind wesentliche Komponenten von KI-Systemen, die mit großen Datenmengen trainiert werden und für eine breite Palette von Aufgaben einsetzbar sind (z.B. GPT-4 als Modell, ChatGPT als System).

Rollen: Behörden können als Anbieter (entwickeln oder entwickeln lassen und unter eigenem Namen in Verkehr bringen/in Betrieb nehmen) oder Betreiber (in eigener Verantwortung nutzen) von KI-Systemen auftreten.

Hochrisiko-KI-Systeme (HRKS): Diese sind besonders streng reguliert und umfassen Anwendungen in Bereichen wie biometrische Identifizierung, kritische Infrastrukturen, Bildung, Beschäftigung, Zugang zu öffentlichen Dienstleistungen, Strafverfolgung, Migration und Justizverwaltung.

Registrierungspflichten: Anbieter und bestimmte Betreiber von HRKS (insbesondere öffentliche Behörden) müssen sich in einer EU-Datenbank registrieren. Für HRKS in kritischen Infrastrukturen erfolgt die Registrierung national.

Dokumentations- und Auskunftspflichten: Anbieter von HRKS müssen technische Dokumentation, Qualitätsmanagementsysteme und EU-Konformitätserklärungen für zehn Jahre bereithalten. Betreiber von HRKS müssen automatisch erzeugte Protokolle aufbewahren und ggf. Datenschutz- oder Grundrechte-Folgenabschätzungen registrieren.

Überwachungsbefugnisse: Marktüberwachungsbehörden haben weitreichende Befugnisse, relevante Dokumente, Daten und sogar den Quellcode einzusehen.

GPAI-Modelle (Allzweck-KI-Modelle): Anbieter von GPAI-Modellen haben Pflichten bezüglich technischer Dokumentation, Bereitstellung von Informationen für nachgelagerte Anbieter und die Veröffentlichung einer Zusammenfassung der Trainingsinhalte (Urheberrechtsstrategie). Für Modelle mit systemischem Risiko (z.B. über 10^25 FLOPs Rechenleistung im Training) gelten zusätzliche Anforderungen wie Modellbewertungen und Angriffstests.

Fine-Tuning: Eine signifikante Modifikation von GPAI-Modellen (z.B. Nutzung von über einem Drittel der ursprünglichen Trainingsrechenressourcen) kann zur Anbietereigenschaft für den "downstream modifier" führen, wodurch entsprechende Pflichten entstehen.

Trainingsdaten: Anbieter von GPAI-Modellen müssen eine Strategie zur Einhaltung des EU-Urheberrechts implementieren, insbesondere hinsichtlich Rechtsvorbehalten für Text- und Data-Mining.

Transparenzpflichten (Art. 50 KI-VO):Anbieter von KI-Systemen, die direkt mit Menschen interagieren (z.B. Chatbots), müssen dies offenlegen, es sei denn, es ist offensichtlich.

Anbieter von KI-Systemen, die synthetische Audio-, Bild-, Video- oder Textinhalte erzeugen, müssen diese als künstlich erzeugt oder manipuliert kennzeichnen.

Betreiber von Emotionserkennungs- oder biometrischen Kategorisierungssystemen müssen Nutzer informieren.

Betreiber von Deepfakes oder KI-generierten Texten zu Angelegenheiten öffentlichen Interesses müssen die künstliche Erzeugung oder Manipulation offenlegen.

Kompetenzbildung (Art. 4 KI-VO): Anbieter und Betreiber von KI-Systemen müssen "nach besten Kräften" sicherstellen, dass ihr Personal und andere Personen, die in ihrem Auftrag mit KI-Systemen befasst sind, über ein ausreichendes Maß an KI-Kompetenz verfügen. Dies ist unabhängig von der Risikostufe des KI-Systems. Die Anforderungen variieren je nach Rolle, Kontext und Betroffenen. Die Kommission empfiehlt ein allgemeines Verständnis von KI, ihrer Funktionsweise, Chancen und Risiken, sowie spezifische Kenntnisse für den Umgang mit HRKS. Eine Dokumentation der Maßnahmen wird empfohlen, auch wenn sie nicht explizit vorgeschrieben ist.

Compliance-Management: Obwohl nicht explizit vorgeschrieben, wird die Benennung eines KI-Beauftragten und die Implementierung einer KI-Governance-Struktur empfohlen, um die Einhaltung der KI-VO, Risikomanagement und Kompetenzbildung zu koordinieren.

8. Fazit und Ausblick

KI birgt ein enormes Potenzial, die deutschen KMU zu transformieren und wirtschaftliche Herausforderungen zu meistern. Der Weg zur flächendeckenden und umfassenden Implementierung ist jedoch steinig und erfordert ein koordiniertes Vorgehen aller Akteure. Die Fokussierung auf "KI Made in Germany" als Qualitätssiegel für Innovation, Zuverlässigkeit und ethische Standards könnte Deutschland im globalen Technologiewettlauf positionieren. Um dies zu erreichen, müssen die identifizierten Hemmnisse (Know-how-Mangel, Ressourcen, Regulierung, Infrastruktur) durch gezielte Bildung, Förderprogramme, eine pragmatische Umsetzung des AI Acts und den Ausbau der digitalen Infrastruktur abgebaut werden. Strukturierte PoCs und der Erfahrungsaustausch sind Schlüsselelemente für den Erfolg.