Autor: Stephan Schmitz, Lebensmitteltechnologe im KI-Management
KI-Systeme scheitern im Lebensmittelbetrieb selten zuerst am Tool. Sie enden im Pilot-Nirvana an unklaren Fragestellungen/Problemen, fragmentierten Daten und manchmal sogar an fehlender Verantwortung, Hoppla!
In diesem Beitrag beantworte ich, warum ich den Satz „Wir müssten mal was mit KI machen“ als Symptom betrachte, - und wie Werksleitung, Produktionslinie und Qualitätsmanagement in Kürze mit einem ergebnisorientierten Pilotprojekt starten können.
„Wir müssten mal was mit KI machen“ ist keine Strategie. Eher Kulisse mit WLAN.
(C) Sahra M. Lodz
Warum KI-Einführung in (traditionell verankerten) Lebensmittelbetrieben an diffusen Herausforderungen, fragmentierten Daten (Silos) und verschwommenem oder falschem Pilotfokus scheitern können — und wie Werksleitung, Produktion und QM gezielt mit strukturierter Vorgehensweise einsteigen können. In kleinen Schritten, stetig.
Montagmorgen, 09:15 Uhr.
Im Besprechungsraum steht der Kaffee, das CIP-Protokoll klemmt, einer sucht noch die letzte Reklamationsauswertung und irgendwo sagt jemand den Satz, der inzwischen in erstaunlich vielen Unternehmen als Digitalstrategie durchgeht:
„Wir müssten mal was mit KI machen.“
Strategie-Start? Eher Symptom, ... aus der Tradition alter Strukturen heraus gewachsen.
Nach meinen Erfahrungen vor Ort oder im Teams Call beginnt an genau dieser Stelle selten ein gutes Projekt. Meist erkenne ich dort eher eine Mischung aus Technologiedruck, interner Nervosität und der Hoffnung, dass ein neues Tool etwas korrigieren möge, was seit Jahren niemand nachvollziehbar dokumentiert hat.
Kann der Betrieb als Einheit klar priorisieren, welches der Probleme zwingend gelöst werden muss?
Gibt es transparente Kalkulationen bzw. KPIs entlang der Prozesskette?
Die tatsächliche Realität hinter dem KI-Wunsch
Nach Fragestellungen aus Erstgesprächen zeigt sich fast immer dasselbe Muster:
- Viele Betriebe wollen über KI sprechen, bevor sie ihre Prozesse exakt dokumentiert haben.
- Es gibt oft keine belastbare Prozesslandkarte, gleichzeitig jedoch die Erwartung, dass eine (bestimmte) Technologie Prozessverbesserungen erkennen wird.
- Daten liegen irgendwo vor. In Excel. Im ERP. Im Kopf von drei erfahrenen Leuten. Im Schichtbuch. In Mails. Auf Zuruf.
- Sobald es konkret wird, kommt sehr schnell die Frage nach dem "Wunder-Tool". Ohne zuvor ein Ziel definiert zu haben: Engpass? Größter wirtschaftlicher Hebel?
Das ist in vielen Fällen einfach die Realität.
In Gesprächen habe ich, wie auch Kollegen oft gehört: Die größten Hürden sind selten technischer Natur. Viel häufiger reden wir über fehlende Transparenz, unklare Verantwortlichkeiten und Prozesse, die über Jahre gewachsen sind. Und wenn genau dieses Fundament wackelt, macht KI das Problem nicht kleiner, sondern schneller sichtbar.
Oder krass formuliert:
Wer Chaos digitalisiert, bekommt kein Smart Factory Wunder.
Er bekommt digitales Chaos in besserem Design.
Warum "Wir müssten mal KI einführen ..." trotzdem nicht völlig falsch ist
Jetzt kommt der wichtige Punkt: Ich halte nichts von der Haltung, dass Unternehmen erst perfekt aufgeräumt sein müssen, bevor sie mit KI starten dürfen. Auch das ist eine Ausrede. Nur in sauber gebügelter Form.
Nach meinen Erfahrungen vor Ort kann KI heute durchaus helfen, sichtbar zu machen, wie tatsächlich gearbeitet wird, wo implizites Wissen steckt und an welchen Stellen Prozesse inoffiziell längst anders laufen als auf dem Papier. Das heißt: Perfektion ist nicht die Eintrittskarte.
Aber: Lernfähigkeit ist es.
Der entscheidende Unterschied ist also nicht „perfekt vorbereitet“ versus „unvorbereitet“.
Der Unterschied ist: Starte ich mit einem klaren Pilotprojekt? Oder mit einer wolkigen Technologiefantasie?
Was meine Prozessstruktur- Analyse dabei praktisch leistet
Die Prozessstrukturmatrix ist für mich kein Schaubild für Beratungsfolien, sondern ein Ordnungswerkzeug aka "Framework". Sie hilft, einen Betrieb nicht nur nach Abteilungen, sondern entlang seiner logischen Wertschöpfung zu betrachten:
von strategischer Steuerung über Kernprozesse bis zu unterstützenden Prozessen. Genau dadurch wird sichtbar, wo ein Problem wirtschaftlich relevant ist, wo Daten entstehen und wo ein Pilot mit hoher Wahrscheinlichkeit sinnvoll ansetzen kann.
Für den KI-Start heißt das ergebnisorientiert: „In welchem Prozessschritt haben wir heute Reibung, Informationsverlust oder unnötigen Aufwand?“
So würde ich ein KI-Pilotprojekt in Lebensmittelbetrieben starten
Keine Roadshow. Auch nicht mit einem Tool-Shooting, begleitet mit Buzzword-Buffet.
1. Ein Problem auswählen, das heute schon weh tut
Suche keinen glamourösen Use Case. Suche einen teuren, nervigen oder qualitätskritischen Engpass.
Zum Beispiel dort, wo Informationen doppelt gepflegt werden, Entscheidungen auf Zuruf laufen oder Wissen zwischen Schichten, Bereichen oder Verantwortlichen verloren geht.
Bildmotiv-Vorschlag: Schichtübergabe mit Papier, Excel-Ausdruck und Whiteboard.
Bildwirkung: Informationsbruch sichtbar machen.
2. Den betroffenen Prozessschritt exakt eingrenzen
Nicht „wir wollen Produktion optimieren“. Das ist zu groß.
Besser: ein klar definierter Abschnitt mit Anfang, Ende, Beteiligten und messbaren Störungen.
Je kleiner der Einstieg, desto größer die Chance, dass ein Pilotprojekt nicht im Monatsmeeting stirbt.
3. Prüfen, welche Daten schon da sind
Nach meinen Erfahrungen aus Erstgesprächen ist das der oft unterschätzte Hebel. Der wichtigste erste Schritt ist oft nicht die KI-Auswahl, sondern die Frage, ob Informationen strukturiert und maschinenlesbar vorliegen. Perfekt muss das nicht sein. Aber nutzbar. Schon akkurat gepflegte CSV-Daten können ein hervorragender Start sein.
4. Einen fachlichen Owner benennen
Ein Pilot ohne klaren Verantwortlichen ist nur ein Experiment mit Kalendertermin.
Es braucht eine Person mit fachlicher Nähe zum Problem, Rückhalt aus der Leitung und genug Mandat, um Entscheidungen herbeizuführen.
5. Vor dem Start klare Erfolgskriterien festlegen
Was soll nach 8 bis 12 Wochen anders sein? Was genau ist die DoD (Definition of Done) in diesem Kontext?
Weniger Suchaufwand? Bessere Transparenz? Schnellere Reaktion? Weniger manuelle Nacharbeit?
Wenn das nicht vorab definiert ist, wird am Ende nur subjektiv diskutiert, ob „die KI was gebracht hat“.
6. Klein starten, aber ernsthaft
Ein Pilot ist kein Feigenblatt. Er ist ein kontrollierter Realitätstest.
Nicht alles auf einmal. Aber das, was man startet, bitte mit echter Relevanz, echten Daten und echter Bewertung.
EBENE
PROBLEM
PROZESS
DATEN
VERANTWORTUNG
ERFOLG
SKALIERUNG
LEITFRAGE
Welcher Engpass kostet heute Zeit, Qualität oder Nerven?
In welchem konkreten Schritt tritt das Problem auf?
Welche Informationen liegen schon strukturiert vor?
Wer verantwortet fachlich den Pilot?
Woran messen wir Nutzen nach 8–12 Wochen?
Was passiert bei Erfolg als Nächstes?
ZIEL
Relevanz statt Aktionismus
Klarer Startpunkt
Machbarkeit prüfen
Verbindlichkeit schaffen
Budgetfähigkeit erzeugen
Anschlussfähigkeit sichern
Woran ich einen guten KI-Anbieter erkenne
Spätestens bei Fragen zur Umsetzung bzw. Pilot-Start kommt in Erstgesprächen fast immer die nächste Frage:
„Und woran erkennen wir jetzt den richtigen Anbieter?“
Meine ehrliche Antwort: sicher nicht an der schönsten Demo.
Nach meinen Erfahrungen aus Erstgesprächen und Projektanbahnungen scheitert ein Einstieg ins Projekt oft daran, dass KMU-Lebensmittelbetriebe zu früh auf Oberfläche schauen und zu spät auf Passung. Erst wird eine Tool-Show bewertet, gerne direkt nach einem Messebesuch. Erst danach, nach Wochen wird gefragt, ob das Ganze überhaupt zum eigenen spezifischen Prozess, zu den Daten und zur Organisation passt. Genau diese "umgekehrte" Reihenfolge ist in der Praxis fatal für das freigegebene Budget. Es reicht dann plötzlich nicht mehr, wegen "unvorhergesehener" Lücken, Hoppla.
Wenn vorher nicht genauestens geklärt ist, welches Problem gelöst werden soll, welche Daten nutzbar vorliegen und wie ein Pilot messbar gemacht wird, dann wird auch die Anbieterauswahl schnell zum Buzzword-Marktplatz. Die Grundlogik ist aus meiner Sicht eindeutig: Nicht das Tool zieht den Use Case nach sich. Der Use Case zieht das passende Setup nach sich.
Darum setze ich für einen kurzen, praxistauglichen Entscheidungsprozess diese Vorgehensweise an:
1. Bedarfsfit vor Tool-Show
Der Anbieter muss zu einem klar definierten Use Case passen.
Nicht zu einer allgemeinen KI-Erzählung.
Wenn am Ende nur beeindruckend aussieht, was am Anfang nicht sauber beschrieben wurde, ist das kein Auswahlprozess. Das ist Technik-Kino.
2. Integration vor Insellösung
In Lebensmittelbetrieben bringt dir die klügste Anwendung wenig, wenn sie neben ERP, QM, HACCP, Dokumentation oder Warenwirtschaft wie ein neuer Mitarbeiter ohne Onboarding einfach im Büro sitzt, ... alles schon erlebt. Entscheidend ist nicht nur, was ein Tool kann, sondern wohin es anschlussfähig ist. Fragmentierte Systeme und Daten sind ja schon ohne KI anstrengend genug.
3. Messbarkeit vor Buzzword
Ein guter Anbieter spricht nicht nur über Potenziale.
Er hilft, eine Baseline, sinnvolle KPI und ein realistisches Zielbild zu definieren.
Wenn hinter „Effizienzsteigerung“ am Ende nur warme Luft steckt, wird aus dem Pilot schnell ein Glaubenskrieg.
4. Branchenlogik vor Allgemeinplatz
Lebensmittelbetriebe sind kein x-beliebiger Office-Use-Case.
Wer hier ernsthaft unterstützen will, muss Auditfähigkeit, Hygiene, Rückverfolgbarkeit, Chargenlogik und die Realität auf dem Shopfloor verstehen. Standardsoftware allein reicht nicht.
5. Einführungskompetenz vor Lizenzverkauf
Ein Anbieter ist dann interessant, wenn er nicht nur Software verkauft, sondern Einführung mitdenkt: Schulung, Rollen, Verantwortlichkeiten, Akzeptanz im Team und ... Change-Management! Nach eigenen Erfahrungen wie auch zahlreichen Erfahrungsberichten auf LinkedIn scheitern viele Veränderungsprozesse nicht an der techn. Funktion. Es ist die unkoordinierten Einführung eines neuen Systems: fehlende Transparenz, unklare Verantwortlichkeiten. Zudem historisch gewachsene Prozesse, welche nicht kritisch hinterfragt werden, ob sie für das neue System wirksam/kompatibel sein können --> Metakognitiver Denkansatz.
6. Pilotfähigkeit vor Vollversprechen
Wenn ein Anbieter nicht bereit ist, klein, kontrolliert und messbar zu starten, werde ich skeptisch.
Denn gerade in KMU und Lebensmittelbetrieben braucht es keinen digitalen Großalarm, sondern einen belastbaren ersten Schritt. Die Logik dahinter ist simpel: kleine Erfolge schaffen Vertrauen, und Vertrauen schafft Budget für den nächsten Schritt.
Kurz gesagt:
Ich würde keinen Anbieter danach bewerten, wie futuristisch seine Folien aussehen.
Sondern danach, ob er mir hilft, ein konkretes Problem im Betrieb schnell, nachvollziehbar und integrierbar zu lösen.
Mein Fazit
Der Satz „Wir müssten mal was mit KI machen“ ist nicht deshalb gefährlich, weil darin zu viel Veränderung steckt. Es mangelt meist an Klarheit!
KI scheitert in KMU und Lebensmittelbetrieben nach meiner Erfahrung nicht zuerst am Tool.
Sie scheitert an unklaren Problemen, fragmentierten Daten.
Oftmals an Verantwortungsdiffusion, sowie an der Hoffnung, man könne die Arbeit zwischen Problem und Lösung einfach überspringen.
Die gute Nachricht: Man muss nicht perfekt starten um ehrlich starten zu können.
Nicht mit einer Technologiefolklore, besser mit einem konkreten Problem, einem eingegrenzten Prozess und einem Pilotprojekt, das Effizienz oder Stabilität steigert.
Erstgespräch
Wenn du in deinem Betrieb nicht noch ein KI-Projekt auf Zuruf starten willst, sondern ein Pilotprojekt mit realistischem Mehrwert, dann lass uns sprechen.
Vor dem Erstgespräch versende ich eine Frageliste zur Vorbereitung und Einordnung. Damit klären wir vorab, wo ihr aktuell steht, welcher Engpass wirklich relevant ist und mit welcher Voraussetzung ein Pilotprojekt jetzt wirksam aufgesetzt werden kann.
So wird aus „Wir müssten mal was mit KI machen“ ein definierter erster Schritt nach vorn.