Chancen von KI im Unternehmen: Routine abgeben, Service verbessern, Nachfrage planenOpportunities of AI in companies: hand off routine, improve service, plan demand

KI lohnt sich dort, wo Arbeit viel Zeit kostet und wenig Urteil braucht. Rechnungen kontieren, wiederkehrende Kundenfragen beantworten, Bewerbungen bearbeiten, Bestellmengen planen: In all diesen Aufgaben steckt Routine, und genau die kann KI heute übernehmen oder vorbereiten. Was daraus für dein Unternehmen folgt, zeigt sich nicht an Schlagworten, sondern an konkreten Abläufen.

Dieser Beitrag geht vier Einsatzfelder durch, jeweils mit Belegen. Danach geht es darum, was ein kleines oder mittleres Unternehmen für Prognosen braucht und wie du Kosten und Nutzen gegeneinander abwägst.

Wie viele Unternehmen nutzen KI schon?

2025 nutzte gut jedes vierte Unternehmen in Deutschland KI, bei den kleinen weniger als jedes vierte. Das Statistische Bundesamt befragt dazu jedes Jahr rund 20.000 Unternehmen ab zehn Beschäftigten. Große Unternehmen setzen KI mehr als doppelt so oft ein wie kleine.

Aufschlussreich sind die Gründe der anderen. Von den Unternehmen ohne KI hatte jedes fünfte den Einsatz schon erwogen. Gefragt, warum es dabei blieb, nannten sie vor allem fehlendes Wissen, unklare Rechtsfolgen und Datenschutz. Die Kosten folgen erst weit dahinter.

Fehlendes Wissen ist die Lücke, die sich am leichtesten schließen lässt. Die folgenden Beispiele sollen dabei helfen.

Welche Routineaufgaben kann KI übernehmen?

Vor allem Aufgaben, die oft vorkommen, festen Regeln folgen und sich gut prüfen lassen. Rechnungen zu kontieren ist ein typischer Fall. Buchhaltungsprogramme lesen Belege heute aus, schlagen Konto und Steuerschlüssel vor und lernen aus Korrekturen. Der Mensch prüft und gibt frei, statt jede Zeile selbst zu tippen. Ähnlich funktioniert es beim Sortieren von E-Mails, beim Erfassen von Lieferscheinen oder beim Zusammenfassen von Gesprächsnotizen.

Die gewonnene Zeit fließt in Tätigkeiten, für die es Menschen braucht: Beratung, Abstimmung, Entscheidungen in unklaren Fällen. Das ist auch eine Antwort auf den Fachkräftemangel. Selbst im schwachen Arbeitsmarkt 2025 blieb rechnerisch jede dritte offene Stelle für Qualifizierte unbesetzt.

Kleine und mittlere Unternehmen trifft das laut KOFA besonders. Wenn KI vorhandene Teams entlastet, bleiben Aufgaben machbar, für die sich keine neuen Leute finden. Sie ersetzt dabei selten eine ganze Stelle, eher einzelne Arbeitsschritte.

Was bringt KI im Kundenservice?

Schnellere Antworten rund um die Uhr, solange die Qualität stimmt. Heutige Sprachmodelle verstehen Anfragen in natürlicher Sprache und antworten im Gespräch fast wie ein Mensch. Das unterscheidet sie von den starren Chatbots früherer Jahre, die nur auf vorgegebene Stichworte reagierten. Wer abends oder am Wochenende eine passende Antwort bekommt, muss nicht bis zum nächsten Arbeitstag warten.

Wie viel ein KI-Assistent im Service bringen kann, haben Erik Brynjolfsson, Danielle Li und Lindsey Raymond bei einem Softwareanbieter mit über 5.000 Beschäftigten im Support gemessen. Der Assistent schlug Antworten vor, die Beschäftigten entschieden.

Im Schnitt lösten die Beschäftigten 14 Prozent mehr Anfragen pro Stunde, neue und weniger erfahrene sogar 34 Prozent. Bei den Erfahrensten war der Effekt minimal. Dazu wurde der Ton der Kundschaft freundlicher, und weniger Beschäftigte kündigten. Der Assistent gab offenbar das Wissen der Besten an die Neuen weiter.

Dass Tempo allein nicht reicht, zeigt der Fall Klarna. Der Zahlungsdienst ließ 2024 einen Großteil der Service-Chats von KI beantworten und meldete beeindruckende Zahlen. Ein Jahr später steuerte das Unternehmen nach.

„AI gives us speed. Talent gives us empathy.“

Klarna-Sprecherin Clare Nordstrom gegenüber CX Dive, Mai 2025. Sinngemäß: KI bringt Tempo, Menschen bringen Einfühlungsvermögen.

Für dein Unternehmen heißt das: Lass KI die einfachen, häufigen Fragen beantworten und miss die Qualität, nicht nur die Geschwindigkeit. Und halte einen gut sichtbaren Weg zu einem Menschen offen.

Wie beschleunigt KI Bewerbungsprozesse?

Vor allem bei Ansprache, Kommunikation und Terminabstimmung. Bewerbungen schneller zu bearbeiten, hilft beiden Seiten. Unternehmen sichern sich gute Leute, bevor andere zusagen, Bewerberinnen und Bewerber bekommen früher eine Rückmeldung.

Ein Beispiel liefert Brother International in den USA. Laut einer Fallstudie des Softwareanbieters Phenom stieg die Zahl abgeschlossener Bewerbungen nach dem Neustart der Karriereseite mit KI-gestützten Jobempfehlungen und einem Chatbot innerhalb von drei Wochen um 140 Prozent. Bei Nutzerinnen und Nutzern des Chatbots stieg die Abschlussquote von 40 auf 69 Prozent. Das sind Angaben des Anbieters, nicht unabhängig geprüft, und sie betreffen die Ansprache, nicht die Auswahl.

Bei der Auswahl selbst ist Vorsicht geboten. Studien zeigen, dass Sprachmodelle beim Sortieren von Lebensläufen bestimmte Namen benachteiligen. Ab Dezember 2027 gilt KI für die Bewerberauswahl nach dem EU AI Act als Hochrisiko-System. Was das konkret bedeutet, beschreibt der Beitrag KI-Ethik im Unternehmen.

Wie hilft KI bei der Nachfrageplanung?

KI erkennt Muster in Verkaufsdaten und leitet daraus ab, was wann und wo gebraucht wird. Für die Lieferkette eines Händlers heißt das: Bestellungen und Lagerbestände lassen sich gezielter steuern. Winterjacken müssen schon im Herbst im Lager liegen, Fahrräder eher im Frühjahr als im Oktober. Je länger die Lieferzeit, desto früher muss die Bestellung raus.

Die Werte in der Grafik sind Beispiele. Ob ein Modell solche Muster zuverlässig erkennt, hängt von deinen Daten und vom Markt ab. Ein ungewöhnlich warmer Winter oder eine Aktion der Konkurrenz verschieben die Nachfrage, und ein Modell kennt nur, was in seinen Daten vorkommt.

Neben dem Zeitpunkt zählt der Ort. Deuten die Daten auf steigende Nachfrage nach Fahrrädern in München oder Köln, kann ein Unternehmen die Ware rechtzeitig in die passenden Lager bringen. Amazon hat dieses Prinzip in großem Maßstab umgesetzt. Das Unternehmen hat sein US-Netz in acht weitgehend eigenständige Regionen geteilt und nutzt maschinelles Lernen, um vorherzusagen, welche Artikel wo gefragt sein werden.

Wichtig ist die Unterscheidung: Amazon beschreibt eine vorausschauende Verteilung auf Lagerstandorte, keinen Versand an Kunden vor der Bestellung. Weil die Ware näher bei den Kunden liegt, sind die Wege kürzer, und mehr Bestellungen kommen noch am selben oder am nächsten Tag an. Dazu tragen auch eigene Same-Day-Standorte in Großstädten bei. Alle Zahlen sind Angaben des Unternehmens.

Welche Daten braucht eine KI-Anwendung?

Daten, die zum Prozess passen, in ausreichender Menge und Qualität. Die Datengrundlage ist oft der aufwendigste Teil eines KI-Vorhabens. Daten liegen verteilt, in unterschiedlichen Formaten, mit Lücken und ohne klare Zuständigkeit. Vier Fragen helfen beim Einstieg.

Die Antworten fallen in jedem Unternehmen anders aus. Wer sie früh klärt, merkt rechtzeitig, ob ein Vorhaben machbar ist, und vermeidet ein Projekt, das nach Monaten an fehlenden Daten scheitert.

Lohnt sich KI für mein Unternehmen?

Das zeigt eine ehrliche Abwägung von Kosten und Nutzen für einen konkreten Prozess. Ambitionierte Pläne müssen zum Budget passen. Gleichzeitig kann zu viel Zurückhaltung dazu führen, dass gute Gelegenheiten liegen bleiben. Der Rechner zeigt, wie Zeitaufwand, laufende Kosten und Einmalaufwand zusammenhängen. Setz deine eigenen Werte ein.

Der Rechner zählt nur Arbeitszeit. Weniger Fehler, schnellere Antworten oder zufriedenere Kunden kommen dazu, lassen sich aber schwerer beziffern. Plane außerdem Zeit für Einführung und Schulung ein. Wie du von einem Geschäftsziel zu einem messbaren Pilot kommst, beschreibt der Beitrag KI-Beratung: vom Geschäftsziel zum Pilot.

Wo fängst du an?

Bei einem Prozess, der heute spürbar Zeit kostet. Welche Aufgaben binden in deinem Unternehmen viel Zeit? Wo würden Mitarbeitende oder Kunden sofort von einer schnelleren Bearbeitung profitieren? Und wo würde eine bessere Prognose helfen? Prüfe dann, ob die nötigen Daten und das Budget dafür da sind. Wenn du zuerst wissen willst, wo dein Team bei KI steht, hilft der KI-Kompetenz-Check.

Quellen

• Statistisches Bundesamt: Nutzung von IKT in Unternehmen, Ergebnisse 2025, Stand 24.11.2025.
• KOFA: Jahresrückblick 2025: Schwacher Arbeitsmarkt, erste Impulse durch Sondervermögen?, KOFA Kompakt 3/2026.
• Brynjolfsson, Li, Raymond: Generative AI at Work, Quarterly Journal of Economics, 2025.
• Klarna: Klarna AI assistant handles two-thirds of customer service chats in its first month, 27.02.2024.
• CX Dive: Klarna changes its AI tune and again recruits humans for customer service, 09.05.2025.
• Reuters: Sweden's Klarna shifts AI focus from cost cuts to growth, 10.09.2025.
• Phenom: Fallstudie Brother International Corporation (Anbieterangaben).
• Amazon Science: How Amazon reworked its fulfillment network to meet customer demand, 24.07.2023.
• Amazon: Doug Herrington: How Amazon is delivering at its fastest speeds ever, 31.07.2023.
• Amazon: Amazon announces AI-powered innovations in delivery, inventory, robotics, 11.06.2025.

Grafiken, Saisonplaner und Rechner sind eigene Darstellungen. Saisonplaner und Rechner arbeiten mit Beispielwerten und speichern nichts.

AI pays off where work takes a lot of time and little judgement. Coding invoices, answering recurring customer questions, handling applications, planning order quantities: all of these tasks contain routine, and that routine is exactly what AI can take over or prepare today. What this means for your company shows up in concrete workflows, not in buzzwords.

This article walks through four areas of use, each with evidence. It then looks at what a small or medium-sized company needs for forecasts and how to weigh costs against benefits.

How many companies already use AI?

In 2025, just over one in four companies in Germany used AI, and fewer than one in four small ones. The Federal Statistical Office surveys around 20,000 companies with ten or more employees every year. Large companies use AI more than twice as often as small ones.

The reasons of the others are telling. One in five companies without AI had already considered it. Asked why they did not go ahead, they mainly named lack of knowledge, unclear legal consequences and data protection. Costs come far behind.

Lack of knowledge is the easiest gap to close. The following examples are meant to help.

Which routine tasks can AI take over?

Mainly tasks that occur often, follow fixed rules and are easy to check. Coding invoices is a typical case. Accounting software now reads receipts, suggests account and tax code and learns from corrections. A person checks and approves instead of typing every line. Sorting e-mails, capturing delivery notes or summarising meeting notes work in a similar way.

The time gained goes into work that needs people: advice, coordination, decisions in unclear cases. That is also an answer to the shortage of skilled workers. Even in the weak German labour market of 2025, one in three vacancies for qualified workers could not be filled, arithmetically speaking.

According to KOFA, small and medium-sized companies are hit particularly hard. When AI relieves existing teams, tasks stay manageable even when no new people can be found. It rarely replaces a whole job, more often individual steps.

What does AI bring to customer service?

Faster answers around the clock, as long as the quality is right. Today's language models understand requests in natural language and answer almost like a person. That sets them apart from the rigid chatbots of earlier years, which only reacted to preset keywords. Anyone who gets a useful answer in the evening or at the weekend does not have to wait for the next working day.

Erik Brynjolfsson, Danielle Li and Lindsey Raymond measured how much an AI assistant can help in service at a software company with more than 5,000 support agents. The assistant suggested replies; the agents decided.

On average, agents resolved 14 percent more issues per hour, and new and less experienced agents 34 percent more. For the most experienced, the effect was minimal. Customers also became friendlier in tone, and fewer agents quit. The assistant apparently passed on the know-how of the best to the newcomers.

The Klarna case shows that speed alone is not enough. In 2024 the payments company had AI answer most of its service chats and reported impressive figures. A year later it changed course.

"AI gives us speed. Talent gives us empathy."

Klarna spokesperson Clare Nordstrom to CX Dive, May 2025.

For your company this means: let AI answer the simple, frequent questions and measure quality, not just speed. And keep a clearly visible way to a human open.

How does AI speed up hiring?

Mainly in outreach, communication and scheduling. Handling applications faster helps both sides. Companies secure good people before others make an offer, and applicants hear back sooner.

Brother International in the US is one example. According to a case study by the software vendor Phenom, completed applications rose by 140 percent within three weeks after the careers site was relaunched with AI-based job recommendations and a chatbot. Among chatbot users, the completion rate rose from 40 to 69 percent. These are vendor figures, not independently verified, and they concern outreach, not selection.

Selection itself calls for caution. Studies show that language models disadvantage certain names when sorting resumes. From December 2027, AI for candidate selection counts as a high-risk system under the EU AI Act. The article AI ethics in companies explains what that means in practice.

How does AI help with demand planning?

AI finds patterns in sales data and derives what will be needed when and where. For a retailer's supply chain this means orders and stock levels can be managed more precisely. Winter jackets need to be in the warehouse by autumn, bicycles in spring rather than in October. The longer the delivery time, the earlier the order has to go out.

The values in the chart are examples. Whether a model detects such patterns reliably depends on your data and your market. An unusually warm winter or a competitor's promotion shifts demand, and a model only knows what is in its data.

Besides timing, location matters. If the data point to rising demand for bicycles in Munich or Cologne, a company can move the goods to the right warehouses in time. Amazon has implemented this principle at scale. The company split its US network into eight largely self-sufficient regions and uses machine learning to predict which items will be in demand where.

The distinction matters: Amazon describes anticipatory placement across warehouse sites, not shipping to customers before they order. Because goods sit closer to customers, distances are shorter and more orders arrive the same or next day. Dedicated same-day sites in large cities add to this. All figures are company figures.

What data does an AI application need?

Data that fit the process, in sufficient quantity and quality. The data basis is often the most laborious part of an AI project. Data sit in different places and formats, with gaps and without clear ownership. Four questions help you get started.

The answers differ from company to company. Settling them early shows in time whether a project is feasible and avoids one that fails after months for lack of data.

Is AI worth it for my company?

An honest weighing of costs and benefits for one specific process will tell you. Ambitious plans have to fit the budget. At the same time, too much restraint can mean good opportunities are left unused. The calculator shows how time spent, running costs and one-off effort relate. Enter your own values.

The calculator counts working time only. Fewer errors, faster answers or happier customers come on top but are harder to put a number on. Also plan time for rollout and training. The article AI consulting: from business goal to pilot describes how to get from a business goal to a measurable pilot.

Where do you start?

With a process that noticeably costs time today. Which tasks tie up a lot of time in your company? Where would employees or customers benefit right away from faster handling? And where would a better forecast help? Then check whether the necessary data and budget are there. If you first want to know where your team stands with AI, the AI competence check helps.

Sources

• Federal Statistical Office (Destatis): ICT usage in enterprises, results 2025, as of 24 November 2025.
• KOFA: Annual review 2025, KOFA Kompakt 3/2026.
• Brynjolfsson, Li, Raymond: Generative AI at Work, Quarterly Journal of Economics, 2025.
• Klarna: Klarna AI assistant handles two-thirds of customer service chats in its first month, 27 February 2024.
• CX Dive: Klarna changes its AI tune and again recruits humans for customer service, 9 May 2025.
• Reuters: Sweden's Klarna shifts AI focus from cost cuts to growth, 10 September 2025.
• Phenom: Case study Brother International Corporation (vendor figures).
• Amazon Science: How Amazon reworked its fulfillment network to meet customer demand, 24 July 2023.
• Amazon: Doug Herrington: How Amazon is delivering at its fastest speeds ever, 31 July 2023.
• Amazon: Amazon announces AI-powered innovations in delivery, inventory, robotics, 11 June 2025.

Charts, season planner and calculator are my own work. Season planner and calculator use example values and store nothing.