0,35 Prozent Budget, 90 Prozent Hype: Die KI-Lücke im Mittelstand

Worum es in dieser Folge geht

Paul Krauss ist Partner AI bei Team One, Herausgeber des Fachmagazins AI:D für KI im E-Commerce und Dozent am AI Transformation Institute. Er moderiert die AI-Bühne der K5 und ist Mitglied der Agentic Commerce Alliance. Ich habe eine ganze Weile gebraucht, bis wir diesen Termin hinbekommen haben — er ist dafür extra aus Stuttgart gekommen.

Was ich an Paul mag: Er beschreibt sich selbst nicht als Data-Mensch und auch nicht als KI-Mensch.

Ich kürze gerne Lösungsräume ab, und dabei ist KI natürlich ein sehr, sehr spannendes Werkzeug.

Wir sprechen über drei Dinge: warum Strategieartefakte gerade entwertet werden, wie ein Mittelständler stattdessen vorgehen sollte — und warum die Lücke zwischen dem, was Unternehmen über KI sagen, und dem, was sie investieren, so absurd groß ist.

Die Storyline

Die These: zu viele Slides

Paul verdient sein Geld mit Strategieberatung und sagt trotzdem, dass der Wert der meisten Folien gegen null geht. Seine Begründung ist nicht Geschmack, sondern Ökonomie: Slides waren immer ein Versuch, Arbeit sichtbar zu machen. Je umfangreicher, je besser mit Studien belegt, desto mehr Sicherheitsgefühl hat das erzeugt.

Es fällt sehr schwer, vor allem dem ungeübten Auge, Bullshit zu spotten.

Wenn sich solche Artefakte in Minuten erzeugen lassen, inklusive Studien, die jede beliebige Zahl belegen, ist das Artefakt als Sicherheitsversprechen entwertet. Was bleibt, sind Erfahrungswerte und die Frage, wie viel davon je in die Umsetzung kommt.

Er ist ausdrücklich kein Gegner davon, Ideen in eine teilbare Form zu bringen. Sein Einwand richtet sich gegen die statische Form — gegen Papiere, die in Schubladen verschwinden oder hinterher als Beleg dienen, dass man sich das anders vorgestellt hatte.

Was aus der 36-Monats-Roadmap wird

Interessanterweise schafft Paul die lange Planung nicht ab. Für ERP-Relaunch, CRM-Wechsel, Internationalisierung, eine Hiring-Strategie oder den Aufbau eines Data Warehouse hält er sie für richtig — allein, um zu sehen, wer wann gleichzeitig an dieselben Datentöpfe muss.

Schwierig wird es im KI-Kontext.

Ich wüsste niemanden, der diese Trajektorie sauber forecasten könnte, länger als zwölf Monate.

Sein eigentlicher Punkt liegt tiefer. Planung ist ein Versuch, Unsicherheit zu reduzieren — aber ein Plan über drei Jahre in einem volatilen Feld suggeriert eine Sicherheit, die es nicht gibt. Und solange es keine Exit-Punkte gibt, arbeitet man den Plan weiter ab, auch wenn er längst nicht mehr zum Ziel führt. Zwei Jahre später merkt man dann, dass man die CDP gar nicht gebraucht hätte.

Was er stattdessen will, klingt simpel und passiert trotzdem selten: vorab festgelegte Exit-Szenarien. Wer ist zuständig? Was muss bis wann erreicht sein? Was wäre ein klares Kill-Kriterium — und wer entscheidet das? Eine Person, maximal noch eine zweite.

Dir gibt ja niemand High Five dafür, wenn du das Projekt cancelst.

Deshalb müsse man alle Wetten erst einmal gleichwertig betrachten, um Ressourcen frühzeitig auf die zweite Wette umzulenken, statt in die erste nachzuschieben. Agil ja — aber, wie er trocken ergänzt, mit weniger Agile Coaches, weil sonst wieder die Methode vor dem Outcome steht.

Ein Agentic-Commerce-Check in vier Wochen

Ich habe Paul gefragt, wie er konkret vorgehen würde, wenn ein Händler wissen will, ob Agentic Commerce für ihn überhaupt relevant ist — vier Wochen, kein Monsterprojekt.

Sein Nullter Schritt war der, an den ich am wenigsten gedacht hätte: Darf ChatGPT und Co. überhaupt auf die eigene Website? Es gibt genug Firmen, die per rigoroser Bot-Policy genau die Bots aussperren, die sie nicht hätten aussperren sollen.

Dann die Fokusfrage: Geht es um den Checkout, um Agentic Fulfillment — oder um Agentic Discovery, also darum, ob man überhaupt mitbekommt, dass sich Kundinnen und Kunden längst über KI zum eigenen Produkt informieren? Die Antwort darauf ist in neun von zehn Fällen: keine Ahnung.

Quantifizieren statt präsentieren, lautet der nächste Schritt. Referral Traffic, der nachweisbar aus den Modellen kommt, liegt aktuell bei fast allen im Bereich von 0,5 bis 2 Prozent — trügerisch, weil je nach Anbieter die Crawl-to-Click-Ratio katastrophal ist und sehr viel aus dem Korpus der Modelle heraus beantwortet wird.

Statt zufällige Prompts zu monitoren, holt er sich die echten Fragestellungen aus Customer Service und User Research und schickt sie durch die Modelle — eingeloggt und nicht eingeloggt, unbedingt auch durch Gemini wegen der AI Overviews. Wer dabei schlecht wegkommt, sollte zuerst sein Sentiment und die negativen Inhalte in den Griff bekommen, bevor er Produkte optimiert.

Und dann landet man da, wo man immer landet:

Und dann stolpern wir wieder über die gute alte Stammdatenqualität.

Wer nach schmalen Füßen oder breiten Schultern sucht, braucht genau diese Angabe am Produkt — Conversational Attributes, erweiterte Produktdaten. Und ein Detail, das erstaunlich wenige wissen: In ChatGPT ist der Google Merchant Feed integriert. Den zu optimieren war also nie eine schlechte Idee. Rund die Hälfte der Händler hat ihren Google-Feed nach Pauls Einschätzung nicht im Griff.

Die Zahl: 0,35 Prozent

Jetzt kommt die Stelle, die mich am meisten beschäftigt hat. Praktisch alle Unternehmen nennen KI als wichtigsten Technologietrend — in der EHI-Studie sind es 100 Prozent, in einer Handelsblatt-Studie 80 bis 90. Investiert werden im Schnitt 0,35 Prozent des Umsatzes.

Pauls Übersetzung dieser Zahl finde ich brutal gut: Auf ein Jahreseinkommen von etwa 50.000 Euro heruntergebrochen wären das die Kosten eines Netflix-Abos.

Wenn mir jemand sagt, er holt keinen RoI aus KI raus, dann denke ich: ja gut, du hast ja auch nichts investiert.

Bei einem 100-Millionen-Unternehmen sind 0,35 Prozent keine halbe Million — also ein bis zwei Personen, ein paar Toolkosten und eine Basisschulung. Damit kann schlicht nicht viel passieren.

Er hat trotzdem Verständnis für die Zurückhaltung. In Zeiten großer Volatilität sei es ein nachvollziehbarer Reflex, erst einmal abzuwarten, was der Wettbewerber tut. Spoiler: nichts. Sein Bild dafür ist die Eisdiele mit 60 Sorten — allein die Rekombinatorik kostet so viel mentale Energie, dass man sich lieber gar nicht entscheidet.

Seine Gegenposition kommt von Stefan Wenzel, den er auf der K5 zitiert hat: 10 Prozent deiner Leute bauen 100 Prozent deiner Zukunft. Finde heraus, wer diese 10 Prozent sind — und gib denen ein bisschen Spielgeld.

Der Test, den kaum jemand baut

Der praktischste Tipp der Folge ist ein Perspektivwechsel. Wenn du ein Problem hast, von dem du weißt, dass KI es heute nicht lösen kann, ist die falsche Ableitung: geht nicht. Die richtige ist, einen automatisierten Test unter Idealbedingungen zu bauen — perfekter Kontext, End-to-End-Szenario, vollautomatisiert — und den alle drei Monate gegen die neue Modellgeneration laufen zu lassen.

Wenn du das ein halbes Jahr vor deinen Wettbewerbern herausfindest, weil du die Testpipeline gebaut hast: herzlichen Glückwunsch.

Das ist Old-School-Softwareentwicklung im besten Sinne — und es reduziert Unsicherheit, weil es messbar ist, statt sie mit einem Plan zu übertünchen.

Und weil ich den CFO-Blick bei Data-Themen für Pflicht halte, habe ich Paul um 90 Sekunden Pitch gebeten. Seine Kurzfassung: Die Zeit läuft, KI ist eine Variable für moderne Technologie im Lösen von Problemen — hast du eine bessere Wette? Danach runterdrillen, wo diese Wette den größten Hebel an den Kernprozessen hat, viele kleine Wetten parallel auf kurzem Zeithorizont laufen lassen und die Wette erst vergrößern, wenn Sicherheit gewonnen ist. Im Handel bekommt ohnehin niemand einen Case durch, der nicht binnen zwölf Monaten einen RoI zeigt.

Warum alle über Modelle reden und nicht über Daten

Ich habe Paul die Frage gestellt, die ich mir seit Jahren stelle: Warum startet der Mittelstand immer wieder am Modell und nicht an den Daten? Seine Antwort ist unangenehm einleuchtend. Über Modelle kann jeder mitreden — neues Modell, Benchmark, kostet weniger, kann mehr. Über Datenqualität nicht.

Du kannst ja nicht sagen: Ich verkaufe jetzt Datenqualität. Das wäre ein richtig schlechtes Geschäftsmodell.

Dazu kommt die Zugänglichkeit. KI ist die barrierefreieste Technologie, die es je gab — deshalb entsteht der Eindruck, jeder könne sie sofort. Kann er aber nicht: Eine Zielrichtung klar zu formulieren, einzugrenzen, zu sagen, woran man das Ergebnis misst, ist die eigentliche Arbeit. Und das erklärt auch den POC-Friedhof: Etwas für 100 Samples hinzubekommen ist eben ein anderes Spiel als für 100.000.

Daraus folgt für ihn eine Konsequenz beim Upskilling, die ich unterschreibe: Die besten zehn Prozent dürfen nicht allein sein, wenn sie feststecken. Menschen mit dem Eigenantrieb, sich das komplett selbst beizubringen, sind das eine Prozent. Die 25 Prozent, die eine realistische Chance hätten, bekommen oft schlicht keine Werkzeuge.

Am Ende ist Paul es, der meinen eigenen Satz aufgreift und ihn damit erst richtig setzt:

Die Modelle sind für alle zugänglich — die eigenen und historischen Daten nicht.

Warum mich das besonders umtreibt

Ich habe in dieser Folge selbst erzählt, wie ich mein eigenes Setup gebaut habe: erst E-Mails schreiben lassen, dann in meinem Schreibstil, und irgendwann die Erkenntnis, dass der eigentliche Hebel der Kontext ist. Ein Wochenende Arbeit, um meine Notizen und Transkripte sauber zu strukturieren — seitdem entsteht bei mir messbarer Mehrwert. Und ehrlich: Dieses Wochenende ist der günstigste Invest, den ich je in das Thema gesteckt habe.

Genau diesen Schritt sehe ich in sehr vielen Unternehmen nicht. Die Schulung ist gebucht, der Account ist da, die E-Mail wird geschrieben. Aber niemand baut das Gehirn dahinter: Kontext setzen, aus den Antworten lernen, den Feedback-Loop einbauen. Das ist unbequem, weil es Prozesse, Datenschutzfragen und Struktur berührt — und es ist der einzige Teil, den ein Wettbewerber nicht einfach kaufen kann.

Eine Bitte noch, die aus dieser Aufnahme entstanden ist: Wenn ihr Paul öfter im Podcast hören wollt, schreibt es mir in die Kommentare oder auf LinkedIn. Ich überlege, ob wir daraus ein wiederkehrendes Format machen.