Wer anderen bei der Automatisierung hilft, sollte selbst zeigen, was er damit meint. Dieser Artikel gibt einen ehrlichen Einblick in die Prozesse, die wir bei implec in den vergangenen Jahren schrittweise automatisiert haben — was funktioniert hat, was nicht, und was wir daraus gelernt haben.
Hinweis: KI-generiertes Bild.Bei implec haben wir seit 2022 mehrere interne Abläufe automatisiert: von der Ticket-Vorqualifizierung über die Dokumentation von Kundensystemen bis hin zur automatisierten Überwachung von Zertifikaten und Patch-Ständen. Keines dieser Projekte begann mit einem großen Rollout — jedes startete als kleiner, abgegrenzter Versuch. Die wichtigste Erkenntnis: Automatisierung lohnt sich am meisten dort, wo ein Prozess bereits klar definiert ist und sich regelmäßig wiederholt. Unklare Abläufe werden durch Automatisierung nicht besser, sondern schneller falsch. Laut einer Auswertung von Deloitte steigert KI-gestützte Prozessautomatisierung die operative Effizienz im Mittelstand im Schnitt um 30 Prozent — das deckt sich mit unseren eigenen Erfahrungen, sofern man die Vorarbeit nicht unterschätzt.
Laut Bitkom-KI-Studie 2026 nutzen 41 Prozent der deutschen Unternehmen ab 20 Mitarbeitern KI aktiv, weitere 48 Prozent planen den Einstieg. Die Zahlen klingen beeindruckend. Was dahintersteckt, bleibt in den meisten Berichten vage.
Wir merken das in Gesprächen mit Kunden: Viele wissen, dass Automatisierung sinnvoll sein könnte, aber sie haben kein konkretes Bild davon, wie das im Alltag eines mittelständischen Unternehmens aussieht. Kein Rechenzentrum, kein Data-Science-Team, keine Millionenbudgets — sondern zwölf Mitarbeiter, ein Büro in Mönchengladbach und Prozesse, die über Jahre gewachsen sind.
Deshalb zeigen wir hier, was wir selbst gemacht haben. Nicht als Werbung, sondern als Orientierung. Wer sieht, wie ein IT-Systemhaus mit rund 20 Mitarbeitern automatisiert, bekommt ein realistischeres Bild als aus Hochglanzstudien.
Unser erster Ansatzpunkt war die Ticket-Vorqualifizierung. Wenn ein Kunde eine Anfrage per E-Mail oder Formular schickt, muss jemand entscheiden: Ist das ein Notfall? Welches Team ist zuständig? Gibt es bereits ein offenes Ticket zu diesem System?
Diese Einschätzung hat früher täglich mehrere Stunden gebunden — verteilt auf verschiedene Kollegen, die sich gegenseitig abstimmen mussten. Wir haben einen regelbasierten Workflow aufgebaut, der eingehende Anfragen nach Schlagwörtern, Kundenprofil und Systemhistorie vorsortiert und dem richtigen Techniker zuweist. Kein KI-Modell, kein Machine Learning — zunächst schlicht strukturierte Regeln in unserem Ticketsystem.
Das klingt unspektakulär. Es hat aber sofort gewirkt. Die Reaktionszeit auf kritische Anfragen sank, weil sie nicht mehr in einer gemeinsamen Warteschlange verschwanden. Und die Kollegen, die vorher vorsortiert haben, konnten sich wieder um inhaltliche Arbeit kümmern.
Die Lektion: Der einfachste Automatisierungsschritt ist oft der wirksamste. Bevor man über KI nachdenkt, lohnt es sich zu fragen, welche Entscheidungen täglich nach denselben Kriterien getroffen werden.
Systemdokumentation ist in jedem IT-Betrieb ein Dauerproblem. Sie ist notwendig, wird aber selten konsequent gepflegt — weil sie Zeit kostet, die im Tagesgeschäft fehlt. Bei uns war das nicht anders.
Wir haben deshalb Skripte entwickelt, die bei jedem Wartungseinsatz automatisch relevante Systemdaten auslesen und in unsere Dokumentationsplattform schreiben: installierte Softwareversionen, Patch-Stand, Zertifikatslaufzeiten, Speicherbelegung. Was früher manuell eingetragen wurde — oder gar nicht — entsteht jetzt als Nebenprodukt der regulären Arbeit.
Der Aufwand für die Einrichtung war überschaubar. Der Nutzen zeigt sich vor allem dann, wenn etwas schiefläuft: Wir wissen sofort, in welchem Zustand ein System zuletzt war, ohne erst suchen zu müssen. Das ist auch für unsere Kunden relevant — ein Beispiel dazu haben wir im Artikel „Ein abgelaufenes Zertifikat legte Microsoft 365 lahm" beschrieben.
Wichtig war dabei: Wir haben nicht versucht, die gesamte Dokumentation auf einmal zu automatisieren. Wir haben mit einem Kundentyp begonnen, die Skripte dort stabilisiert und dann schrittweise ausgeweitet.
Ein großer Teil unserer täglichen Arbeit besteht darin, Systeme zu überwachen und aktuell zu halten — sowohl bei Kunden als auch in unserer eigenen Infrastruktur. Auch hier haben wir Automatisierung eingeführt, die wir selbst täglich nutzen.
Unser Monitoring schlägt nicht nur Alarm, wenn etwas ausfällt, sondern erkennt Muster: ein Speicher, der sich ungewöhnlich schnell füllt; ein Dienst, der in bestimmten Zeitfenstern regelmäßig langsamer wird; ein Gerät, das seit Wochen keinen Patch mehr erhalten hat. Diese Muster werden automatisch priorisiert und als Aufgaben in unser System eingestellt — ohne dass jemand täglich Dashboards durchsehen muss.
Das Patch-Management läuft bei uns nach festgelegten Zeitfenstern: Updates werden zunächst in einer Testumgebung eingespielt, bei unauffälligem Verhalten automatisch auf Produktivsysteme ausgerollt. Kritische Patches — wie im September-Patchday beschrieben — werden gesondert behandelt und manuell freigegeben.
Der Effekt: Unsere Techniker verbringen deutlich weniger Zeit mit Routineprüfungen und mehr Zeit mit Aufgaben, die tatsächlich Urteilsvermögen erfordern.
Regelbasierte Automatisierung ist ein Anfang. Seit 2024 haben wir an einigen Stellen auch Sprachmodelle eingebunden — mit klaren Grenzen und klarer Erwartungshaltung.
Konkret: Wir nutzen ein internes Sprachmodell, das auf unserer eigenen Dokumentation trainiert wurde, um erste Antwortvorschläge für häufige Kundenanfragen zu generieren. Der Techniker sieht den Vorschlag, prüft ihn und passt ihn an — oder verwirft ihn. Das Modell schreibt nicht selbstständig an Kunden. Es spart aber in vielen Fällen fünf bis zehn Minuten pro Ticket, weil der Techniker nicht bei null anfängt.
Außerdem haben wir einen internen Assistenten eingerichtet, der bei der Vorbereitung von Angeboten hilft: Er zieht relevante Informationen aus unserer Wissensdatenbank, schlägt passende Leistungsbausteine vor und prüft, ob ähnliche Projekte bereits dokumentiert sind. Auch hier gilt: Der Mensch entscheidet, das Modell bereitet vor.
Laut einer Auswertung von PwC amortisieren sich KI-Projekte im Mittelstand im Median nach 14 Monaten. Das passt zu unserer Erfahrung — vorausgesetzt, man rechnet den Einrichtungsaufwand ehrlich ein. Unsere KI-Prozessautomatisierung für Kunden basiert auf denselben Grundsätzen, die wir intern erprobt haben.
Ehrlichkeit gehört dazu: Nicht jeder Automatisierungsversuch bei implec war ein Erfolg.
Wir haben einmal versucht, die Priorisierung von Kundenprojekten automatisch zu steuern — auf Basis von Vertragslaufzeiten, offenen Tickets und zuletzt gemeldeten Vorfällen. Die Logik klang plausibel. In der Praxis hat das Modell Zusammenhänge nicht erkannt, die für jeden Techniker offensichtlich waren: dass ein kleiner Kunde mit einem kritischen System mehr Aufmerksamkeit braucht als ein großer mit einer Routineanfrage.
Wir haben das Projekt nach drei Monaten eingestellt. Nicht weil Automatisierung grundsätzlich falsch war, sondern weil der Prozess selbst zu wenig strukturiert war, um ihn sinnvoll abzubilden. Das deckt sich mit dem, was Studien zum deutschen Mittelstand als größte Hürde nennen: fehlendes Umsetzungswissen (85 Prozent der Befragten) und schwer kalkulierbare Kosten (63 Prozent). Beides haben wir in diesem Projekt erlebt.
Die Konsequenz: Wir beginnen heute jeden Automatisierungsansatz mit einer Prozessanalyse. Wenn wir den Ablauf nicht in klaren Schritten aufschreiben können, automatisieren wir ihn nicht — weder intern noch bei Kunden. Wer mehr über den strukturierten Einstieg erfahren möchte, findet einen Rahmen dafür in unserem KI-Workshop.
Der Blick in unsere eigene Werkstatt führt zu einigen Empfehlungen, die wir auch Kunden mitgeben:
Laut Accenture beträgt der durchschnittliche ROI von KI-Investitionen 210 Prozent innerhalb von 24 Monaten. Diese Zahl ist realistisch — aber nur, wenn die Grundlagen stimmen. Wer mit einem unklaren Prozess startet, wird diesen Wert nicht erreichen.
Nicht jede Automatisierung braucht einen externen Partner. Regelbasierte Workflows in bestehenden Tools — Ticketsystem, CRM, E-Mail — lassen sich oft intern aufbauen, wenn jemand im Team die Zeit und die Bereitschaft mitbringt.
Externer Beistand lohnt sich, wenn:
Für Unternehmen, die noch keinen Überblick haben, welche ihrer Prozesse überhaupt automatisierbar wären, ist ein strukturierter Einstieg über unsere KI-Automatisierung sinnvoll — nicht weil man sofort ein großes Projekt starten muss, sondern weil ein externer Blick oft Potenziale sichtbar macht, die intern unsichtbar geblieben sind.
Selbst ausprobieren ist richtig, wenn ein klar abgegrenzter Prozess vorhanden ist, jemand im Team Verantwortung übernimmt und das Ergebnis messbar ist.
Externer Beistand bleibt sinnvoll, wenn Systemgrenzen überschritten werden, Compliance-Anforderungen gelten oder der erste Versuch nicht das gebracht hat, was erwartet wurde.
FAQ
Kurz und konkret beantwortet.
Nein. Viele wirksame Automatisierungen entstehen mit Bordmitteln: Regeln im Ticketsystem, Skripte in bestehenden Tools, Workflows in Microsoft 365. Der Aufwand hängt weniger vom Budget ab als von der Klarheit des Prozesses, den man automatisieren möchte. Wer einen gut definierten, sich wiederholenden Ablauf hat, kann oft mit wenig Aufwand starten.
Regelbasierte Automatisierung folgt festen Wenn-dann-Logiken: Wenn eine E-Mail das Wort „Ausfall" enthält, wird sie als kritisch markiert. KI im engeren Sinne erkennt Muster in Daten und trifft Einschätzungen auch bei unvollständigen oder neuen Informationen. Für die meisten Mittelstandsprozesse ist regelbasierte Automatisierung der sinnvolle erste Schritt — KI kommt dann ins Spiel, wenn Varianz und Komplexität zunehmen.
Der häufigste Fehler ist, einen Prozess zu automatisieren, der vorher nicht klar definiert war. Automatisierung macht einen unklaren Ablauf nicht besser — sie macht ihn schneller falsch. Bevor ein Workflow gebaut wird, sollte der Prozess so beschrieben sein, dass ihn auch ein neuer Mitarbeiter ohne Rückfragen ausführen könnte.
Laut einer PwC-Auswertung amortisieren sich KI-Projekte im Mittelstand im Median nach 14 Monaten. Einfache regelbasierte Automatisierungen können sich deutlich schneller rechnen — manchmal innerhalb weniger Wochen, wenn sie täglich wiederkehrende Aufgaben ersetzen. Entscheidend ist, den Aufwand für Einrichtung und Pflege von Anfang an realistisch einzukalkulieren.
Ja. In Nordrhein-Westfalen gibt es beispielsweise das Förderprogramm „KI-Impuls NRW", das Zuschüsse für KI-Einstiegsprojekte im Mittelstand bereitstellt. Auch auf Bundesebene existieren Programme über das BMWK. Die Voraussetzungen und der Ablauf unterscheiden sich je nach Programm — eine Prüfung vor Projektstart lohnt sich in jedem Fall.
Ja, und das ist einer der wichtigsten Erfolgsfaktoren. Wer einen Prozess täglich ausführt, kennt seine Ausnahmen und Sonderfälle am besten. Automatisierungen, die ohne dieses Wissen gebaut werden, scheitern häufig an genau diesen Fällen. Außerdem steigt die Akzeptanz erheblich, wenn das Team von Anfang an eingebunden ist und den Nutzen selbst erlebt.
Weiterlesen

KI

KI

KI
Fragen zu Ihrem Projekt?
Ob KI & Automatisierung oder ein anderes Thema — wir schauen uns Ihre Situation an und sagen Ihnen ehrlich, was sinnvoll ist.
Kontakt aufnehmenKostenlose Erstberatung
Unverbindlich und ohne Fachchinesisch. Wählen Sie den Weg, der Ihnen am liebsten ist.
4,7 ★ GoogleAntwort in unter 4 Stundenpersönlich seit 2002
Rückruf anfordern
Innerhalb von 4 Stunden — kostenlos und unverbindlich.
Wir melden uns innerhalb von 4 Stunden bei Ihnen.
Bewirb dich in 2 Minuten
Ohne Anschreiben-Zwang. Wähl den Weg, der dir am liebsten ist.
26 Kolleg:innenseit 2002 im RheinlandRückmeldung zeitnah
Rückruf anfordern
Zeitnah — kostenlos und unverbindlich.
Wir melden uns zeitnah bei dir.