5 Fragen vor jedem KI-Tool-Kauf: Wie KMU vermeiden, dass Lizenzen ungenutzt verstauben

In den letzten zwölf Monaten ist eine Branche entstanden, die KMU mit KI-Tools überschwemmt. Jeder Anbieter verspricht „80 % weniger manuelle Arbeit". Die Realität in den meisten Mittelstandsunternehmen: Drei bis fünf Lizenzen liegen ungenutzt herum, weil entweder die Voraussetzungen nicht stimmten oder der Use Case unklar war.

Das Problem ist nicht der Markt — das Problem ist die Reihenfolge der Fragen. Wer ein Tool kauft, bevor der Prozess klar ist, kauft fast immer das falsche.

Diese fünf Fragen helfen, das zu vermeiden.

Frage 1: Welcher Prozess konkret soll sich ändern?

Die offensichtlichste, am häufigsten übersprungene Frage. „Wir wollen KI einsetzen" ist kein Ziel. „Wir wollen unsere monatlichen Vertriebs-Reports automatisieren" ist ein Ziel.

Konkret heißt:

• Welcher heute manuelle Schritt soll wegfallen?
• Wer macht ihn heute, wie lange, wie oft?
• Welcher Output entsteht — und wer liest ihn?

Wenn auf diese drei Fragen keine klaren Antworten kommen, ist der Tool-Kauf zu früh. Zwei Wochen Prozessbeobachtung sind in dem Fall die bessere Investition als jede neue Lizenz.

Frage 2: Welche Daten braucht das Tool — und sind sie verfügbar?

Die zweite Häufig-Verlierer-Frage. KI-Tools sind nur so gut wie ihre Input-Daten. Wer ein KI-Tool für CRM-Workflows kauft, aber im CRM keine sauberen Daten pflegt, kauft ein teures Skript ohne Wirkung.

Praktischer Selbst-Check:

• Existieren die Eingangs-Daten in strukturierter Form?
• Liegt der Datenzugriff (API, Export, Webhook) in technisch nutzbarer Form vor?
• Wer pflegt die Daten? Wer ist verantwortlich, wenn sie kaputt sind?
• Gibt es Daten-Hygiene-Standards, die nicht in einer Person hängen?

Wenn die Antworten in mehr als einem Punkt offen sind, fließt jeder Euro für das KI-Tool durch ein Sieb.

Frage 3: Wer im Team trägt die Implementation und Pflege?

Tools brauchen Pflege. Jede Integration bricht irgendwann durch ein API-Update, ein UI-Update oder einen geänderten Auth-Flow. KI-Tools mit Modell-Abhängigkeit kommen mit zusätzlichem Risiko: Modelle werden abgekündigt, neu trainiert oder ändern ihr Verhalten.

Konkret:

• Wer ist intern dafür verantwortlich, dass das Tool produktiv bleibt?
• Hat diese Person die technischen Voraussetzungen?
• Wie viel Zeit pro Monat ist für Pflege realistisch eingeplant?
• Was passiert bei längerem Ausfall dieser Person?

Wer keinen Ansprechpartner für die Pflege benennen kann, sollte den Tool-Kauf an einen Dienstleister koppeln, der die Pflege mit übernimmt. Sonst verstaubt das Tool innerhalb von sechs Monaten.

Frage 4: Was ist der konkret messbare Output — und wer prüft ihn?

KI-Tools sind keine deterministischen Maschinen. Sie produzieren Output mit Schwankungen. Ohne klares Validierungs-Konzept entsteht entweder blindes Vertrauen oder ständige Skepsis. Beides ist schlecht für die Adoption.

Was geklärt sein muss:

• Welche konkrete Kennzahl misst den Erfolg des Tools?
• Wer kontrolliert in welchem Rhythmus, ob der Output stimmt?
• Was passiert bei Abweichungen — wer wird informiert, was wird angepasst?
• Wo ist der Mensch im Loop, wo ist er es bewusst nicht?

Beispiel: Ein KI-gestütztes Reporting-Tool kann Berichte automatisch erstellen. Aber die erste Version geht immer durch einen Menschen, bevor sie an die GF rausgeht. Das ist kein Misstrauen — das ist saubere Qualitätssicherung.

Frage 5: Was passiert, wenn der Anbieter morgen weg ist?

Diese Frage wird systematisch übersprungen — und ist die teuerste, wenn sie ignoriert wird. KI-Tool-Startups verschwinden im Jahres-Rhythmus. Größere Anbieter pivotieren oder ändern die Preisstruktur. Modelle ändern ihr Verhalten oder werden abgekündigt.

Was geprüft sein muss:

• Welche Daten verbleiben im Tool? Welche können exportiert werden?
• Gibt es eine Datenportabilitäts-Klausel im Vertrag?
• Wie kritisch ist das Tool für den Geschäftsbetrieb? Was passiert bei 4 Wochen Ausfall?
• Gibt es Alternativen am Markt — und wie aufwändig wäre der Wechsel?

Bei mission-kritischen Tools: nie ohne Datenexport-Möglichkeit kaufen. Wenn die Daten im Tool gefangen sind, ist der Wechsel später ein Komplettneubau, kein Tool-Wechsel.

Was bei diesen fünf Fragen oft auffällt

In neun von zehn Fällen zeigt sich nach den fünf Fragen: Das Tool ist nicht das Problem. Das Problem ist eine der drei darunterliegenden Strukturen:

• Der Prozess ist nicht sauber beschrieben. Dann hilft kein Tool.
• Die Daten sind nicht in nutzbarer Form vorhanden. Dann hilft kein Tool.
• Es gibt keinen Owner für Implementation und Pflege. Dann hilft kein Tool.

Wer eines dieser drei Fundamente vor dem Tool-Kauf klärt, kauft besser ein. Wer sie ignoriert, kauft öfter — und das Geld liegt am Ende auf Lizenzen, die niemand öffnet.

Häufige Folge-Fragen aus Mittelstandsgesprächen

Welches KI-Tool soll ich denn jetzt nehmen?

Die richtige Antwort: Es kommt auf die Antworten zu den fünf Fragen an. Für Reporting-Automation reichen oft n8n + ein Sprachmodell-API. Für komplexere Workflows ggf. Make oder eine kleine Custom-App. „Welches Tool" ist immer die zweite Frage. Die erste ist „welcher Prozess".

Sollten wir nicht erstmal ChatGPT für alle freischalten?

Vorsicht. ChatGPT-Lizenzen für alle ohne Anwendungskontext sind genau das Lizenz-Verstaubungs-Phänomen aus der Einleitung. Besser: einen klaren Pilot-Use-Case definieren, mit 3–5 Personen produktiv durchspielen, dann Erfolgskriterien prüfen, dann ausweiten.

Was kostet ein realistisches erstes KI-Tool im Mittelstand?

Sehr unterschiedlich. Für eine einzelne produktive Workflow-Automation (z. B. n8n + OpenAI für Reporting) realistisch 2.500–6.000 € einmaliger Aufbau und 80–200 € / Monat laufende Kosten. Lizenzen für Standard-KI-Suiten (Microsoft 365 Copilot, ChatGPT Enterprise) eher 20–60 € / User / Monat. Custom-Lösungen mehr.

Was ist mit Datenschutz?

DSGVO-konformer Einsatz ist möglich, wenn die Anbieter sauberen DPA / SCC anbieten und die Verarbeitung auf konkrete Verarbeitungszwecke beschränkt ist. Vorsicht bei Anbietern, die keine klaren Datenflüsse dokumentieren — und bei „Trainings"-Klauseln, die eure Daten zur Modellverbesserung verwenden.

Wie Motainment dabei unterstützt

Bei Motainment ist KI-Tool-Auswahl nie ein Standalone-Thema. Sie ist eingebettet in einen Workshop, in dem wir zunächst Prozesse und Datenflüsse anschauen — und erst dann konkrete Tools und Workflows empfehlen. Das vermeidet die typische Lizenz-Verstaubungs-Falle.

Wir bringen unsere eigenen Standard-Bausteine mit (n8n, OpenAI, Anthropic, Pipedrive, Supabase) und ergänzen sie um die Tools, die im konkreten Kunden-Stack bereits leben. Keine ideologische Tool-Religion, sondern eine pragmatische Auswahl pro Use Case.

Tagessatz Workshop: 1.200 € netto. Output: konkretes Konzept-Dokument mit priorisierten Hebeln, Aufwandsschätzungen und Tool-Empfehlungen. Du kannst es danach auch ohne uns weiterverwenden.

Was du jetzt prüfen kannst

1. Schreibe deine drei am häufigsten genannten KI-Tool-Ideen auf.
2. Beantworte für jede Idee die fünf Fragen oben.
3. Wenn auch nur eine Idee in mehr als einer Frage offen bleibt, ist Tool-Kauf zu früh.
4. Bewerte stattdessen, welche der drei Fundamente (Prozess, Daten, Owner) zuerst geklärt werden muss.

Wenn die Bewertung mehrdeutig bleibt: ein Erstgespräch klärt in 30 Minuten, ob der nächste Schritt ein Workshop ist oder ein konkreter Pilot-Workflow.