Überblick der Cases
Diese Übersichtsseite stellt drei Erfolgsgeschichten vor, die wir 2025 begonnen und 2026 in den Produktivbetrieb überführt haben. Wir wählen bewusst diese drei, weil sie typische Use-Case-Klassen im Mittelstand abdecken: einen klassischen ML + RAG-Hybriden (Maschinenbau), einen agentischen Workflow (Großhandel) und eine Optimierung mit Voice-Schnittstelle (Logistik). Wer einen vergleichbaren Use Case erwägt, findet hier ein realistisches Aufwand-Nutzen-Profil.
Kumulierte Wirkung über die drei Mandate (Jahr 1 nach Roll-out)
Warum sind alle Cases anonymisiert?
Das ist eine bewusste Entscheidung unserer Mandanten, die wir respektieren. Mittelständische Unternehmen sehen erfolgreich implementierte KI als Wettbewerbsvorteil. Wenn ein Maschinenbauer eine RAG-basierte Wissensplattform betreibt, die seinen Servicetechnikern Antworten in Sekunden statt Stunden liefert, möchte er Wettbewerbern keine konkrete Anleitung geben — schon gar nicht namentlich. Auch im Großhandel gilt: Wer Angebote in Minuten erstellt, will das nicht öffentlich verraten, solange Wettbewerber noch tagelang brauchen.
Wir handhaben das so: Branche, Größe und alle Zahlen sind real. Wir veröffentlichen aber keine Logos, keine Firmennamen, keine Personen. Im konkreten Verkaufsprozess (mit NDA) vermitteln wir gerne Reference-Calls. Die ehrlichste Antwort, die wir Ihnen anbieten können, ist also: Sprechen Sie mit unseren Kunden direkt — wir vermitteln den Kontakt.
Case 1 — Maschinenbau
Predictive Maintenance + Wissens-RAG
Sondermaschinenbauer in NRW litt unter ungeplanten Stillständen und ineffizientem Wissenstransfer zwischen Service-Technikern. Wir haben ein zweistufiges System gebaut: ein klassisches ML-Modell für die Vorhersage von Lager-Ausfällen und ein RAG-System auf 11.400 internen Service-Berichten plus Hersteller-Handbüchern.
Vollständige Case Study lesen„Wir hatten den Bericht eigentlich schon abgeschrieben — und 30 Sekunden später hatte das System ihn gefunden, samt der Reparaturlösung von 2019.“
Case 2 — B2B-Großhandel
KI-Agent für Angebotserstellung
Großhändler für Industrieelektronik stand vor dem Problem, dass komplexe Angebote (50–500 Positionen, Sondergrößen, kundenindividuelle Konditionen) im Schnitt 3–7 Werktage dauerten. Wir haben einen agentischen Workflow gebaut, der Anfrage-Texte parst, das ERP nach Verfügbarkeit und Konditionen abfragt, Hersteller-Datenblätter zieht und ein revisionssicheres Angebot generiert.
Vollständige Case Study lesen„Vorher haben wir Anfragen gefiltert, weil unser Vertriebsinnendienst nicht hinterherkam. Heute beantworten wir alle — und nehmen mehr mit.“
Case 3 — Logistik / Spedition
KI-Disposition + Voice AI für Fahrer
Mittelständische Spedition mit eigener Flotte (40 LKW, 95 Fahrer) hatte hohe Leerkilometer-Quoten, manuelle Disposition und schwer planbare Zustellfenster. Wir haben ein KI-Optimierer-Modell für Tourenplanung gebaut und einen Voice-AI-Assistenten für Fahrer-Updates per Handy implementiert (DSGVO-konform, deutsche Server).
Vollständige Case Study lesen„Was uns überzeugt hat, war nicht die Technik, sondern dass die Fahrer es nach 2 Wochen freiwillig genutzt haben.“
Wiederkehrende Muster
Wer drei sehr unterschiedliche Branchen-Cases nebeneinanderlegt, sieht trotz aller Unterschiede klare Muster, die in fast jedem erfolgreichen KI-Mittelstandsprojekt auftauchen. Wir nennen sie hier explizit, damit Sie Ihre eigenen Vorhaben dagegen spiegeln können:
Muster 1: Klein anfangen, schnell messen
In allen drei Cases haben wir mit einem klar abgegrenzten Pilot begonnen — nicht mit einer "umfassenden KI-Transformation". Beim Maschinenbauer war der Pilot ausschließlich der Einsatz eines Wissens-RAG für ein einziges Servicegebiet (Antriebstechnik). Beim Großhändler nur die Angebote für eine Produktkategorie (Sensorik). In der Spedition nur die Tour-Optimierung für eine einzige Region. Dieses Vorgehen erlaubt es, in 8–12 Wochen einen messbaren Erfolg auszuweisen, der dann die Skalierung trägt.
Muster 2: Daten-Aufbereitung ist 60 % der Arbeit
Im Maschinenbau-Case waren 11.400 Service-Berichte das Datenfundament des RAG. Sie lagen in unterschiedlichen Formaten vor (PDF-Scans aus 2003–2015, Word-Dokumente ab 2016, strukturierte Datenbank ab 2021). Allein die OCR-Aufbereitung, das Chunking, die Metadatenanreicherung und die Eval-Set-Erstellung haben rund 5 Wochen unseres Pilot-Aufwandes gekostet. Wer das überspringt, baut einen Bot, der gut klingt, aber unzuverlässig ist.
Muster 3: Akzeptanz steigt mit Verständlichkeit
Wir haben in allen drei Cases Quellenangaben in jeder Antwort als hartes Designprinzip durchgehalten. Das System sagt nicht „Antwort X“, sondern „Antwort X — basierend auf Bericht Nr. 7842 vom 03.11.2019, Abschnitt 4.2.“ Diese Transparenz ist der entscheidende Akzeptanztreiber. Servicetechniker, Vertriebsmitarbeiter und Disponenten misstrauen einer KI, die nur ein Ergebnis ausspuckt — sie vertrauen einer KI, die ihre Quellen offenlegt.
Muster 4: Voice und Mobile schlagen Desktop
Im Logistik-Case war die zentrale Erkenntnis: Fahrer wollen nicht in eine App tippen. Sie wollen sprechen — auf der Autobahn, in der Halle, beim Kunden. Voice AI mit deutschsprachiger Spracherkennung war der entscheidende Akzeptanzhebel. Im Maschinenbau-Case haben Servicetechniker das System überproportional vom Smartphone aus genutzt (vor Ort beim Kunden). Wer KI baut, ohne den primären Nutzungskontext zu durchdenken, verliert die Akzeptanz.
Muster 5: ROI-Schwerpunkt ist Zeitersparnis, nicht Personalabbau
In keinem der drei Cases wurde Personal abgebaut. Die freigewordene Kapazität wurde umgewidmet: Servicetechniker bearbeiten mehr Aufträge je Woche, Vertriebsmitarbeiter bedienen mehr Anfragen, Disponenten machen Strategiearbeit statt manuelle Routenplanung. Das ist im Mittelstand fast immer das tragfähigere Modell — sowohl wirtschaftlich als auch betriebsklima-bezogen. Mehr Hintergrund in unserem Leitfaden zur ROI-Berechnung von KI-Projekten.
Was wir gelernt haben (auch aus Misserfolgen)
Wir berichten ungern über erfolglose Projekte, aber wir tun es bewusst — weil das Lernen daraus oft größer ist. In den vergangenen 18 Monaten haben wir drei Pilotprojekte abgesagt oder nicht ausgerollt, obwohl die Mandanten dafür bezahlt hätten. In allen drei Fällen kam unsere ehrliche Einschätzung am Ende des Discovery zum Schluss: nicht tragfähig.
- Bewerbungsschreiben-Generator für eine Personalvermittlung. Rechtlich heikel (DSGVO-Profilbildung), ROI fraglich (Recruiter sehen Qualitätsverlust), Ergebnis: Wir haben empfohlen, KI nur für CV-Vorabklassifizierung einzusetzen und die Anschreiben weiter manuell zu generieren.
- ChatGPT-Replikation für Mitarbeiter bei einem Industrie-Mittelständler. Use Case ließ sich besser über Microsoft Copilot mit Enterprise-Tenant lösen — kein Eigenbau nötig. Wir haben die Mandantin in die Microsoft-Schiene begleitet und nur die Datenschutz-Architektur entworfen.
- Predictive Maintenance bei Druckmaschinen. Datenlage zu dünn (zu wenig Ausfallereignisse pro Maschinenklasse), ML-Modell hätte nicht zuverlässig genug funktioniert. Wir haben empfohlen, erst 12 Monate strukturierte Daten zu sammeln, dann erneut zu evaluieren.
Diese Empfehlungen kosten uns Pilot-Umsatz, bauen aber langfristig Vertrauen — und führen dazu, dass diese Mandanten uns dann zwei Jahre später für andere Projekte zurückrufen. Wenn Sie einen Use Case haben, von dem Sie nicht sicher sind, ob er trägt, ist das genau der richtige Moment für ein kostenfreies Erstgespräch.