Von KI-Chat bis KI-Kollege: Die nächste Entwicklungsstufe der Künstlichen Intelligenz

Der KI-Einsatz in deutschen Unternehmen erfolgt in Stufen. Am Anfang steuerten Mitarbeiter:innen noch jeden einzelnen Schritt selbst. In einem KI-Chat stellten sie Anfragen, prüften die Ergebnisse und entwickelten darauf die nächste Frage. Dann kamen KI-Assistenten, die schon etwas selbstständiger arbeiteten, aber weiterhin engmaschig betreut werden mussten. Produktivitätsgewinne auf dieser Stufe waren immer nur individuell: Wer die KI geschickt anleitete, arbeitete etwas schneller.

„Wir erreichen nun die Stufe der KI-Agenten“, sagt Mücke. Ein solcher Agent erledigt mehrere Arbeitsschritte hintereinander von selbst und merkt sich frühere Ergebnisse. Als Beispiel nennt der KI-Experte einen Agenten für Mitschriften bei Teammeetings. Ein Agent protokolliert die Treffen und fasst die Ergebnisse nach Kriterien zusammen, die die Teilnehmer:innen vorher festgelegt haben. Auch Informationen aus früheren Treffen können hier einfließen.
Dem KI-Index zufolge setzt bereits jedes sechste Unternehmen solche Agenten ein – fast doppelt so viel wie noch vor einem Jahr. Der entscheidende Vorteil dabei: Mitarbeiter:innen können einen selbst gebauten Agenten mit Kolleg:innen teilen. „Hier entsteht ein echter Produktivitätshebel: Ein funktionierender KI-Agent verbessert nicht nur den individuellen Workflow, sondern den aller Arbeitsplätze, die diese Aufgabe erledigen“, sagt Mücke.
Die nächste Stufe sind KI-Kollegen. Sie übernehmen ein ganzes Aufgabengebiet im Team, berichten über ihre Arbeit, stimmen sich mit anderen ab und melden sich, wenn etwas nicht funktioniert. So weit sind deutsche Mittelständler laut Mücke aber noch nicht.

Kein Expertenwissen nötig

Unternehmen brauchen für den KI-Ausbau nicht zwingend externe Berater:innen. „Wer selbst einen Agenten bauen will, kann sich von den KI-Anwendungen durch den Prozess führen lassen“, rät Mücke. Allerdings müssen Mitarbeiter:innen dafür ausprobieren und solange nachbessern, bis der selbst gebaute Agent am Ende wirklich Zeit spart.
In der Praxis beginnen meist einzelne, besonders interessierte Mitarbeiter:innen damit, KI-Agenten für konkrete Aufgaben zu bauen. Funktioniert das, teilen sie ihn anschließend mit ihren Kolleg:innen, die vor den gleichen Arbeitsschritten stehen. Alle profitieren. Entscheider:innen sollten ihrem Team bewusst Raum geben, damit sie ausprobieren können. So zeigt sich schnell, wer ein Gespür für das Thema hat. Aus dieser Gruppe lässt sich eine erste Taskforce bilden, die neue KI-Prozesse entwickelt.
Dabei eignet sich nicht jede Aufgabe dafür, von einem KI-Agenten übernommen zu werden. „Vor allem Aufgaben, die repetitiv sind und häufig anfallen, lassen sich durch eine KI ersetzen“, sagt Mücke. Aus seiner eigenen Branche nennt er Kreditprüfung, Kreditentscheidung und Vertragsgestaltung, also klassische, standardisierte Aufgaben im Back-Office.
Führungskräfte sollten ihren Teams dabei klar vermitteln: KI soll entlasten, nicht Stellen abbauen. „Vielmehr befreien wir uns von Routinetätigkeiten und qualifizieren uns für eine höhere Ebene“, sagt Mücke. Davon profitieren auch die Mitarbeiter:innen. Mücke rät deshalb, zuerst dort KI einzusetzen, wo Teams am stärksten überlastet sind.

Produktivitätshebel brauchen Zeit

Bis echte Produktivitätshebel entstehen, die sich auch in den Geschäftszahlen zeigen, dürfte es trotzdem noch dauern. Das bestätigt auch der aktuelle „State of AI Report in 2026“ von McKinsey: Nur weil Mitarbeiter:innen effizienter arbeiten, verbessert das noch nicht die Ertragslage und die Kosten. Der Anteil von Unternehmen weltweit, die ihrer KI-Nutzung einen Effekt auf das Betriebsergebnis zuschreiben, liegt laut McKinsey zum Vorjahr unverändert bei 37 Prozent, obwohl inzwischen deutlich mehr Unternehmen KI-Agenten einsetzen.

Echte Produktivitätssprünge entstehen erst, wenn Unternehmen ihre Geschäftsprozesse selbst verändern. Mücke vergleicht das mit der Einführung des Elektromotors: Erst vierzig Jahre nach seiner Erfindung schlugen sich die Effizienzgewinne tatsächlich in der Rendite nieder. Vorher mussten Betriebe erst klären, wie sie die Fertigung umbauen, um mit weniger Energie mehr Output zu erzielen. Bei KI dürfte das zwar schneller gehen, aber nicht von heute auf morgen. „Unternehmen müssen Produktionsprozesse neu denken, damit KI zum Produktivitätshebel wird“, sagt Mücke. Dafür brauche es nicht nur Zugang zu KI und fähige Mitarbeiter:innen, sondern vor allem ein Redesign der eigenen Abläufe.

Als Beispiel für ein solches Redesign nennt Mücke die Blechverarbeitung:
Heute müssen sich Konsument:innen häufig innerhalb vordefinierter Größen und Produktvarianten bewegen. Individuelle Anforderungen sind zwar technisch möglich, verursachen aber zusätzlichen Aufwand in Prüfung, Planung und Fertigung. KI könnte diese Logik verändern: Ein Agent übersetzt den individuellen Kundenwunsch in eine technisch machbare Variante, prüft ihn gegen physikalische und produktionstechnische Vorgaben und überführt diesen anschließend direkt in die Fertigungsplanung. Individualisierung wird damit schneller und wirtschaftlicher. Statt den Kundenwunsch an den bestehenden Prozess anzupassen, wird der Prozess dynamisch an den Kundenwunsch angepasst. Genau darin liegt das eigentliche Potenzial von KI: Sie optimiert nicht nur bestehende Abläufe, sondern kann die Grenzen dessen verschieben, was wirtschaftlich überhaupt sinnvoll angeboten werden kann.
Für inhabergeführte Mittelständler ergibt sich dabei laut Mücke eine besondere Chance. Führungskräfte, die ihr Geschäftsmodell gut kennen, könnten Probleme heute direkt in eine KI übersetzen, ohne den Umweg über mehrere Hierarchieebenen zu machen. Das belegt auch die McKinsey-Studie: Gut ein Drittel der befragten Unternehmen hat mindestens einen Softwarekauf bewusst ausgelassen, weil ein eigener KI-Agent die gewünschte Funktion ebenso gut selbst bauen konnte.

Datensicherheit hat ihren Preis.

Zu allen Implementierungsfragen gehört auch das Thema Datensicherheit. Wie viel Kontrolle ein Unternehmen hier braucht, hängt davon ab, wofür es KI einsetzt. Wer nur öffentliche Daten zusammenfasst, kommt oft mit einer gemieteten Lösung wie Microsoft Copilot aus. Wer dagegen Kerngeschäftsprozesse oder Kundendaten verarbeitet, muss abwägen: Reicht ein gemietetes Modell, oder lohnt sich ein eigenes Rechenzentrum mit einem eigenen KI-Modell? Nur so bleiben alle Daten im eigenen Haus.
Ein eigenes Modell kostet zunächst mehr. Doch der Aufschlag ist niedriger, als viele denken. Mücke schätzt die Kosten pro Arbeitsplatz auf das Zwei- bis Dreifache eines Mietmodells. „Das sind Fragen, die gerade viele Entscheider:innen beschäftigen", sagt Mücke. Er rät, zunächst mit einem Mietmodell zu starten. Erst wenn KI im eigenen Unternehmen zu einem echten Produktivitätshebel wird, der Datenabfluss an Cloud-Anbieter allerdings bedenklich ist, könnte sich die Implementierung von KI in ein eigenes Rechenzentrum lohnen

Fazit:  Der größte Hebel liegt nicht nur in KI-Agenten, sondern im Geschäftsmodell

KI-Agenten können dem Mittelstand helfen, Routinetätigkeiten zu automatisieren, Wissen zu skalieren und die Produktivität von Teams spürbar zu steigern – aber sie sind kein Selbstläufer. Unternehmen, die ihren Mitarbeitenden Raum zum Ausprobieren geben und gleichzeitig ihre Abläufe neugestalten, schaffen die ideale Grundlage dafür, dass aus Effizienz auch Rendite wird.

Wie Sie Investitionen in KI und IT wirtschaftlich tragfähig planen können?

Die Finanzierung technologischer Transformationen ist eine zentrale Herausforderung. Investitionen in KI-Infrastruktur, Rechenleistung, Software, Datenplattformen oder moderne IT-Arbeitsplätze müssen wirtschaftlich tragfähig gestaltet werden. Hier unterstützen Finanzierungslösungen der Deutschen Leasing Unternehmen dabei, den technologischen Wandel planbar umzusetzen.