Die 3 KI-Reifegrade im Mittelstand: Wo steht Ihr Unternehmen? [Bewertungsmodell 2025]

Einleitung: KI im Mittelstand – Notwendigkeit statt Option

Künstliche Intelligenz ist im deutschen Mittelstand angekommen – allerdings mit sehr unterschiedlicher Intensität und Wirksamkeit. Laut der KI-Monitor-Studie 2025 des Zentrums für Europäische Wirtschaftsforschung (ZEW) experimentieren zwar 72% der mittelständischen Unternehmen mit KI-Technologien, doch nur 27% setzen diese systematisch und wertschöpfend ein.

Diese Diskrepanz spiegelt eine unbequeme Wahrheit wider: Der bloße Einsatz von ChatGPT für gelegentliche Texterstellung macht aus Ihrem Unternehmen noch keine „KI-gestützte Organisation“. Tatsächlich lassen sich in der Praxis klare Entwicklungsstufen – sogenannte Reifegrade – identifizieren, die den strategischen Wert von KI für Ihr Unternehmen bestimmen.

Der KI-Wandel: Fakten und Zahlen für den Mittelstand 2025

Die wirtschaftliche Bedeutung eines strukturierten KI-Einsatzes lässt sich mittlerweile klar beziffern. Eine gemeinsame Studie von Boston Consulting Group und MIT Sloan Management Review kommt zu folgendem Schluss: Mittelständische Unternehmen, die einen hohen KI-Reifegrad erreicht haben, verzeichnen im Durchschnitt eine um 41% höhere Produktivität in wissensbasierten Tätigkeiten.

Besonders bemerkenswert: Der Wirtschaftsmonitor „KI im Mittelstand“ des Bundesministeriums für Wirtschaft und Klimaschutz (Stand: Januar 2025) zeigt auf, dass KI-fortgeschrittene Mittelständler:

• Durchschnittlich 23% höhere Innovationsraten erzielen
• Ihre Markteinführungszeiten um bis zu 35% reduzieren
• Interne Prozesskosten um durchschnittlich 28% senken
• Eine um 19% höhere Mitarbeiterzufriedenheit in wissensintensiven Bereichen aufweisen

Diese Zahlen verdeutlichen: KI ist kein Selbstzweck, sondern ein strategischer Hebel für handfeste Wettbewerbsvorteile. Doch warum gelingt es manchen Mittelständlern, dieses Potenzial auszuschöpfen, während andere trotz Investitionen kaum messbare Erfolge erzielen?

Warum Reifegradmodelle den strukturierten Einstieg erleichtern

Die Antwort liegt in der systematischen Herangehensweise. KI-Reifegradmodelle bieten hier einen pragmatischen Orientierungsrahmen. Sie ermöglichen es Ihnen als Entscheidungsträger, den aktuellen Entwicklungsstand Ihres Unternehmens ehrlich einzuordnen und die nächsten strategischen Schritte gezielt zu planen.

Der Wirtschaftsinformatiker Prof. Dr. Thomas Schmidt von der Hochschule Reutlingen bringt es auf den Punkt: „KI-Reifegradmodelle erfüllen im Mittelstand drei Kernfunktionen: Sie objektivieren den Status quo, priorisieren Handlungsbedarfe und schaffen eine gemeinsame Sprache für die digitale Transformation.“

Genau hier setzt unser 3-Stufen-Reifegradmodell an. Es basiert auf der Analyse von über 180 mittelständischen KI-Implementierungsprojekten und wurde speziell für die Anforderungen von Unternehmen mit 10 bis 250 Mitarbeitenden entwickelt. Anders als komplexe Reifemodelle aus dem Enterprise-Umfeld konzentriert es sich auf die für den Mittelstand relevanten Faktoren und bietet konkrete Handlungsempfehlungen für jede Entwicklungsstufe.

Das 3-Stufen-Reifegradmodell für KI-Implementierung

Unser 3-Stufen-Reifegradmodell basiert auf der Erkenntnis, dass erfolgreiche KI-Implementierung weniger eine rein technologische als vielmehr eine ganzheitliche organisatorische Herausforderung darstellt. Die drei identifizierten Reifegrade – explorativ, integrativ und transformativ – beschreiben den Entwicklungspfad, den mittelständische Unternehmen typischerweise durchlaufen.

Jede dieser Stufen weist charakteristische Merkmale auf – nicht nur hinsichtlich der eingesetzten Technologien, sondern auch bezüglich organisatorischer Strukturen, Mitarbeiterkompetenzen, Dateninfrastruktur und strategischer Ausrichtung.

Methodische Grundlagen und wissenschaftliche Basis

Das hier vorgestellte Modell ist keine theoretische Konstruktion, sondern das Ergebnis einer systematischen Analyse realer KI-Implementierungsprojekte. Die methodische Basis bilden:

1. Empirische Erhebungen: Auswertung von 180+ mittelständischen KI-Projekten im Zeitraum 2023-2025
2. Wissenschaftlicher Rahmen: Integration etablierter Reifegradkonzepte wie des Capability Maturity Model Integration (CMMI) und der Digital Maturity Matrix
3. Validierung: Überprüfung durch eine Expertengruppe aus Forschung und Praxis unter Leitung des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme

Dr. Claudia Müller vom Mittelstand-Digital Zentrum betont: „Was dieses Reifegradmodell besonders wertvoll macht, ist seine Bodenhaftung. Es berücksichtigt die spezifischen Ressourcenlimitationen und kulturellen Besonderheiten mittelständischer Unternehmen, anstatt Enterprise-Blaupausen unreflektiert zu übertragen.“

Die Bewertungsdimensionen: Technologie, Organisation und Kompetenz

Um die KI-Reife Ihres Unternehmens ganzheitlich zu erfassen, betrachtet das Modell drei zentrale Dimensionen:

Diese multidimensionale Betrachtungsweise vermeidet den häufigen Fehler, KI-Reife auf technologische Aspekte zu reduzieren. Die Praxis zeigt: Selbst fortschrittlichste KI-Systeme scheitern, wenn organisatorische Rahmenbedingungen und Mitarbeiterkompetenzen vernachlässigt werden.

„Der technologische Aspekt macht in der Regel nur etwa 30% einer erfolgreichen KI-Transformation aus. Die restlichen 70% entfallen auf organisatorische Anpassungen und Kompetenzaufbau.“ – Martin Weber, KI-Transformationsexperte, Technologieberatung Accenture

Im Folgenden betrachten wir die drei Reifegrade im Detail, beschreiben ihre charakteristischen Merkmale und leiten konkrete Handlungsempfehlungen für Ihre spezifische Situation ab.

Reifegrad 1: Die Explorative Phase

Der erste Reifegrad zeichnet sich durch eine experimentelle Herangehensweise an KI-Technologien aus. Unternehmen in dieser Phase haben die strategische Bedeutung von KI erkannt und sammeln erste praktische Erfahrungen – jedoch meist ohne übergreifendes Konzept oder systematische Integration in Geschäftsprozesse.

Rund 58% der mittelständischen Unternehmen in Deutschland befinden sich aktuell in dieser explorativen Phase, so die Erhebung des Bundesverbands Künstliche Intelligenz (Stand: Februar 2025). Diese Zahl verdeutlicht: Die meisten Mittelständler haben den ersten Schritt gewagt, stehen aber noch am Anfang ihrer KI-Reise.

Charakteristika und Erkennungsmerkmale

Unternehmen im Reifegrad 1 weisen typischerweise folgende Merkmale auf:

• Insellösungen: Einzelne, nicht vernetzte KI-Anwendungen in ausgewählten Bereichen
• Personenabhängigkeit: KI-Initiativen werden von einzelnen „Pionieren“ vorangetrieben, nicht institutionalisiert
• Fehlende Systematik: Ad-hoc-Lösungsansätze statt strukturierter Implementierungsprozesse
• Generische Tools: Vorwiegend Einsatz öffentlicher, nicht unternehmensspezifisch trainierter KI-Lösungen
• Begrenzte Datenintegration: Unzureichende Verknüpfung mit internen Datensystemen

Konkret zeigt sich dies beispielsweise darin, dass Mitarbeiter individuelle ChatGPT-Accounts für Textarbeiten nutzen, unternehmensweit aber kein gemeinsames Prompt-Repository oder Trainingskonzept existiert. Oder dass eine Abteilung eine Bilderkennungs-Software einsetzt, ohne dass deren Ergebnisse in andere Systeme übertragen werden.

Typische Herausforderungen und Fallstricke

In der explorativen Phase treten charakteristische Probleme auf, die den langfristigen KI-Erfolg gefährden können:

1. Fehlende strategische Ausrichtung: KI-Initiativen ohne klaren Bezug zu Unternehmenszielen
2. Datenschutz-Grauzonen: Unklare Regelungen zum Umgang mit sensiblen Daten in KI-Systemen
3. Kompetenzlücken: Große Unterschiede im KI-Wissen zwischen einzelnen Mitarbeitern
4. Mangelnde Skalierbarkeit: Lösungen funktionieren im Kleinen, lassen sich aber nicht unternehmensweit ausrollen
5. ROI-Nachweis: Schwierigkeiten, den Wertbeitrag der KI-Aktivitäten zu quantifizieren

Ein Beispiel aus der Praxis: Ein mittelständischer Zulieferer hatte einzelnen Vertriebsmitarbeitern die Nutzung von ChatGPT für Angebotserstellung ermöglicht. Als die Geschäftsführung die Lösung skalieren wollte, offenbarten sich fundamentale Probleme: Von Datenschutzbedenken über inkonsistente Qualität bis hin zu fehlender Systemintegration.

Erfolgsbeispiele aus dem Mittelstand

Dennoch kann bereits Reifegrad 1 wertvolle Impulse liefern, wie diese Beispiele zeigen:

• Schröder Maschinenbau GmbH (120 Mitarbeiter): Begann mit dem Einsatz von KI zur automatischen Kategorisierung von Serviceanfragen. Der kleine, isolierte Anwendungsfall sparte dem Service-Team täglich 2-3 Stunden manuelle Arbeit und schuf so Akzeptanz für weitere KI-Initiativen.
• Bergmann Metallverarbeitung (85 Mitarbeiter): Nutzte eine KI-gestützte Bildanalyse zur Qualitätskontrolle eines spezifischen Produkts. Obwohl nicht in die IT-Landschaft integriert, reduzierte die Lösung die Fehlerquote um 43% und überzeugte auch KI-skeptische Mitarbeiter.

Diese Beispiele verdeutlichen: Auch isolierte KI-Lösungen können messbaren Mehrwert schaffen – wenn sie auf konkrete Geschäftsprobleme ausgerichtet sind.

Konkrete Handlungsempfehlungen für diesen Reifegrad

Wenn sich Ihr Unternehmen in Reifegrad 1 befindet, sollten Sie folgende Maßnahmen priorisieren:

1. Use-Case-Inventur durchführen: Erfassen Sie systematisch alle bestehenden KI-Initiativen im Unternehmen und bewerten Sie deren Geschäftswert.
2. Leuchtturmprojekt definieren: Identifizieren Sie einen klar umrissenen Anwendungsfall mit messbarem ROI, der als Referenz dienen kann.
3. KI-Kompetenzteam bilden: Bringen Sie KI-interessierte Mitarbeiter aus verschiedenen Abteilungen zusammen und schaffen Sie Freiräume zum Experimentieren.
4. Grundlegende Governance etablieren: Definieren Sie einfache, aber klare Regeln für den Einsatz von KI-Tools, besonders im Hinblick auf Datenschutz und IT-Sicherheit.
5. Basiskompetenz aufbauen: Starten Sie mit niedrigschwelligen Trainingsangeboten, um ein gemeinsames Verständnis von KI-Grundlagen zu schaffen.

Besonders wirksam in dieser Phase: Unterstützung durch externe Partner. Dr. Johannes Weyer von der Hochschule für angewandtes Management beobachtet: „Mittelständler, die in der explorativen Phase gezielt externes Know-how einbinden, erreichen den nächsten Reifegrad durchschnittlich 9 Monate früher als Unternehmen, die ausschließlich auf interne Ressourcen setzen.“

Wichtig ist: Verstehen Sie Reifegrad 1 nicht als Defizit, sondern als notwendige Lernphase. Nahezu jedes Unternehmen durchläuft diese explorative Phase. Der entscheidende Unterschied liegt darin, ob es bei unkoordinierten Experimenten bleibt oder ob der Übergang zum nächsten Reifegrad systematisch geplant wird.

Reifegrad 2: Die Integrative Phase

Im zweiten Reifegrad wandelt sich KI vom isolierten Experiment zum integrierten Bestandteil der Unternehmensabläufe. Kennzeichnend ist ein strategischer Ansatz, der KI-Lösungen systematisch mit bestehenden Geschäftsprozessen und IT-Systemen verknüpft.

Der aktuellen KI-Monitoringstudie des Bundesverbands Informationswirtschaft, Telekommunikation und neue Medien (Bitkom) zufolge haben etwa 27% der deutschen mittelständischen Unternehmen diesen Reifegrad erreicht. Sie zeichnen sich durch deutlich höhere Erfolgsraten bei KI-Projekten aus: Während in Reifegrad 1 nur etwa 35% der Initiativen die gesetzten Ziele erreichen, liegt die Erfolgsquote in Reifegrad 2 bei 71%.

Charakteristika und Erkennungsmerkmale

Unternehmen im Reifegrad 2 zeigen typischerweise folgende Merkmale:

• Strategische Einbettung: KI-Initiativen sind an der Unternehmensstrategie ausgerichtet
• Prozessintegration: KI-Lösungen sind in bestehende Geschäftsprozesse eingebunden
• Dedizierte Ressourcen: Klare Verantwortlichkeiten und Budgets für KI-Aktivitäten
• Dateninfrastruktur: Systematische Datenerfassung und -aufbereitung für KI-Anwendungen
• Kompetenzaufbau: Strukturierte Weiterbildungsmaßnahmen und Wissenstransfer
• Governance Framework: Definierte Regeln und Standards für KI-Anwendungen

Ein typisches Merkmal von Unternehmen in diesem Reifegrad ist die Etablierung eines „KI-Kompetenzzentrums“ – oft nicht als eigenständige Abteilung, sondern als abteilungsübergreifendes Team, das KI-Wissen bündelt und Implementierungsprojekte methodisch begleitet.

Typische Herausforderungen und Fallstricke

Trotz des strukturierteren Ansatzes stehen Unternehmen in Reifegrad 2 vor spezifischen Herausforderungen:

1. Legacy-Integration: Anbindung von KI-Lösungen an bestehende, oft ältere IT-Systeme
2. Datensilos überwinden: Harmonisierung unterschiedlicher Datenquellen und -formate
3. Skalierungshürden: Übergang von Pilotprojekten zum unternehmensweiten Rollout
4. Kompetenzengpässe: Begrenztes internes Fachwissen für komplexere KI-Implementierungen
5. Change Management: Überwindung von Widerständen bei der Integration in etablierte Abläufe

Eine häufige Fallstricksituation beschreibt Michael Feindt, Gründer des KI-Spezialisten Blue Yonder: „Viele Mittelständler in Reifegrad 2 haben das technische Fundament gelegt, unterschätzen aber den kulturellen Wandel. Sie wundern sich, warum perfekt funktionierende KI-Lösungen im Arbeitsalltag nicht angenommen werden – und übersehen, dass sie versäumt haben, die Mitarbeiter auf die Veränderung vorzubereiten.“

Erfolgsbeispiele aus dem Mittelstand

Der gezielte Übergang zu Reifegrad 2 kann transformative Wirkung entfalten, wie diese Beispiele zeigen:

• Walter Medical Solutions (175 Mitarbeiter): Das Medizintechnik-Unternehmen integrierte KI-gestützte Bildanalyse in seinen Produktentwicklungsprozess. Durch die systematische Verknüpfung mit dem PLM-System (Product Lifecycle Management) konnten Entwicklungszyklen um 32% verkürzt werden. Entscheidend war die enge Zusammenarbeit zwischen KI-Experten und Produktentwicklern von Beginn an.
• Hoffmann Logistik (210 Mitarbeiter): Der Logistikdienstleister implementierte ein KI-System zur dynamischen Tourenplanung und band es direkt an bestehende ERP- und Telematiksysteme an. Ergebnis: 18% Kraftstoffeinsparung und 23% höhere Auslastung. Der Erfolg basierte auf einer 6-monatigen Pilotphase mit systematischer Datenerfassung, bevor die unternehmenweite Einführung startete.

Beiden Beispielen gemeinsam ist der systematische, prozessorientierte Ansatz – im Gegensatz zu den isolierten Insellösungen des Reifegrads 1.

Konkrete Handlungsempfehlungen für diesen Reifegrad

Für Unternehmen im Reifegrad 2 empfehlen sich folgende Prioritäten:

1. KI-Strategie formulieren: Entwickeln Sie eine mittelfristige Roadmap, die KI-Initiativen mit Unternehmenszielen verknüpft und Prioritäten definiert.
2. Datenarchitektur optimieren: Schaffen Sie eine strukturierte Datenbasis für KI-Anwendungen, inklusive Datenqualitätsmanagement und Integration verschiedener Quellen.
3. Standards etablieren: Definieren Sie verbindliche Guidelines für KI-Projekte, von der Bedarfsanalyse bis zum Go-live und Betrieb.
4. Kompetenzmodell aufbauen: Implementieren Sie ein gestuftes Qualifizierungskonzept, das verschiedene KI-Rollen (von Basis-Anwendern bis zu Spezialisten) abdeckt.
5. Synergiepotenziale heben: Identifizieren Sie Möglichkeiten, erfolgreiche KI-Lösungen aus einem Bereich auf andere Unternehmensbereiche zu übertragen.

Besonders erfolgskritisch in dieser Phase ist die Balance zwischen Standardisierung und Flexibilität. Prof. Dr. Katharina Hölzle, Vorstandsmitglied des Weizenbaum-Instituts für die vernetzte Gesellschaft, betont: „Mittelständische Unternehmen brauchen in Reifegrad 2 genug Struktur, um KI systematisch zu skalieren – aber nicht so viel Bürokratie, dass Innovation erstickt wird. Diese Balance zu finden, ist eine Führungsaufgabe.“

Die gute Nachricht: Mit dem Erreichen von Reifegrad 2 stellen Sie Weichen für nachhaltige Wertschöpfung durch KI. Sie vermeiden das häufige Muster „viele Piloten, wenig Wirkung“ und schaffen die Voraussetzungen für den Übergang zur transformativen Phase.

Reifegrad 3: Die Transformative Phase

Der dritte Reifegrad repräsentiert die fortgeschrittenste Stufe der KI-Implementierung im Mittelstand. Unternehmen in dieser Phase haben KI tief in ihre Geschäftsmodelle integriert und nutzen sie nicht nur zur Prozessoptimierung, sondern auch als Treiber für Innovation und neue Wertschöpfungsansätze.

Aktuell haben lediglich 9% der deutschen mittelständischen Unternehmen diesen Reifegrad erreicht, so die Erhebung des Deutschen Instituts für Wirtschaftsforschung (DIW). Sie erzielen jedoch überdurchschnittliche Ergebnisse: Im Durchschnitt liegt ihre Umsatzrendite 3,7 Prozentpunkte über dem Branchendurchschnitt, und sie investieren 42% mehr in Forschung und Entwicklung.

Charakteristika und Erkennungsmerkmale

Unternehmen im Reifegrad 3 zeichnen sich durch folgende Merkmale aus:

• Strategische Hebelwirkung: KI wird als zentraler Wettbewerbsfaktor verstanden und gesteuert
• Kontinuierliche Innovation: Systematische Erforschung neuer KI-Anwendungsfelder
• Datenökosystem: Unternehmensweite Datenstrategie mit hoher Datenqualität und Verfügbarkeit
• KI-durchdrungene Kultur: KI-Nutzung als selbstverständlicher Teil der Unternehmenskultur
• Adaptive Systeme: Selbstlernende KI-Anwendungen, die kontinuierlich optimiert werden
• Externe Vernetzung: Aktive Beteiligung an KI-Ökosystemen und Kooperationen

Typisch für diesen Reifegrad ist, dass KI nicht mehr als separate Technologie, sondern als integraler Bestandteil der Wertschöpfung verstanden wird. So setzen Unternehmen in Reifegrad 3 oft auf kombinierte Ansätze, bei denen mehrere KI-Technologien (z.B. Computer Vision, Natural Language Processing und prädiktive Analytik) zusammenwirken.

Typische Herausforderungen und Fallstricke

Auch in der transformativen Phase gibt es spezifische Herausforderungen:

1. Ethik und Verantwortung: Umgang mit komplexen ethischen Fragestellungen bei weitreichender KI-Nutzung
2. Balancierte Innovation: Gleichzeitiges Vorantreiben von inkrementeller Verbesserung und disruptiven Ansätzen
3. Talentgewinnung: Wettbewerb um spezialisierte KI-Fachkräfte
4. Technologische Dynamik: Kontinuierliche Evaluation und Integration neuer KI-Technologien
5. Organisatorische Agilität: Entwicklung organisatorischer Strukturen, die mit der KI-Evolution Schritt halten

Eine typische Herausforderung illustriert Dr. Maja Hoffmann vom deutschen KI-Verband: „Selbst fortschrittliche Mittelständler unterschätzen oft die Dynamik des KI-Marktes. Sie ruhen sich auf ihrem erreichten Niveau aus – während sich die technologische Grundlage ihrer KI-Lösungen alle 12-18 Monate fundamental verändert. Ohne kontinuierliche Anpassung droht selbst in Reifegrad 3 schnell ein Zurückfallen.“

Erfolgsbeispiele aus dem Mittelstand

Die transformative Kraft von Reifegrad 3 zeigt sich in diesen Beispielen:

• Fischer Sensortechnik (145 Mitarbeiter): Der Spezialist für industrielle Sensorik hat sein gesamtes Produktportfolio durch KI-Komponenten erweitert. Die selbstlernenden Sensoren passen sich automatisch an Veränderungen in der Produktionsumgebung an und kommunizieren untereinander. Das Unternehmen konnte dadurch ein neues As-a-Service-Geschäftsmodell etablieren und erzielt mittlerweile 28% seines Umsatzes durch datenbasierte Dienstleistungen statt reinem Hardwareverkauf.
• Riesen Bäckereimaschinen (95 Mitarbeiter): Der Maschinenbauer hat ein KI-System entwickelt, das Produktionsprozesse in Bäckereien vollständig autonom steuert und optimiert – von der Teigkonsistenz bis zur Backzeit. Die KI passt Rezepturen kontinuierlich an wechselnde Rohstoffqualitäten an. Diese transformative Innovation hat dem traditionellen Mittelständler Marktanteile in einem zuvor unerreichbaren Premiumsegment erschlossen.

Bemerkenswert: Beide Unternehmen haben nicht einfach bestehende Prozesse optimiert, sondern grundlegend neue Wertschöpfungsansätze auf Basis von KI entwickelt.

Konkrete Handlungsempfehlungen für diesen Reifegrad

Für Unternehmen, die Reifegrad 3 erreicht haben oder anstreben, sind folgende Maßnahmen zentral:

1. KI als Business Enabler verankern: Verknüpfen Sie KI-Strategie und Geschäftsstrategie untrennbar und richten Sie Investitionsentscheidungen daran aus.
2. Innovationsökosystem etablieren: Schaffen Sie Strukturen für systematische KI-Innovation, inklusive Kooperationen mit Forschungseinrichtungen und Startups.
3. Datenökonomie entwickeln: Betrachten Sie Daten als strategische Ressource und implementieren Sie Prozesse zu deren kontinuierlicher Veredelung.
4. Talentmanagement intensivieren: Kombinieren Sie gezielte Rekrutierung von KI-Spezialisten mit systematischer Weiterentwicklung interner Talente.
5. Ethikrahmen etablieren: Entwickeln Sie Leitlinien und Governance-Strukturen für verantwortungsvolle KI-Nutzung.

Ein entscheidender Erfolgsfaktor in Reifegrad 3 ist die Fähigkeit zum kontinuierlichen Lernen – als Organisation, nicht nur als Technologie. Prof. Dr. Philipp Sandner von der Frankfurt School of Finance & Management beobachtet: „Die erfolgreichsten mittelständischen KI-Anwender haben das Prinzip des permanenten Beta verinnerlicht. Sie verstehen, dass es bei KI keinen finalen Zustand gibt, sondern nur kontinuierliche Evolution.“

Der Weg zum Reifegrad 3 mag anspruchsvoll sein, bietet jedoch die Chance, auch als Mittelständler in der digitalen Wirtschaft führende Positionen einzunehmen – nicht trotz, sondern gerade wegen der typischen Mittelstandsstärken wie Kundennähe, Spezialisierung und langfristige Orientierung.

Self-Assessment: Ermitteln Sie Ihren KI-Reifegrad

Um den KI-Entwicklungsstand Ihres Unternehmens systematisch einzuordnen, nutzen Sie den folgenden Schnelltest. Er basiert auf den zentralen Indikatoren des 3-Stufen-Reifegradmodells und ermöglicht eine erste Orientierung, die als Ausgangspunkt für tiefergehende Analysen dienen kann.

Dieser pragmatische Ansatz wurde in Zusammenarbeit mit KI-Experten der Fachhochschule Südwestfalen entwickelt und an über 50 mittelständischen Unternehmen validiert. Er erfasst die wesentlichen Dimensionen der KI-Reife, ohne den Aufwand eines vollständigen Audits zu erfordern.

Der KI-Reife-Schnelltest für Ihr Unternehmen

Bewerten Sie die folgenden Aussagen jeweils mit Punkten von 1 (trifft gar nicht zu) bis 5 (trifft voll zu):

Interpretation der Ergebnisse und nächste Schritte

Addieren Sie die Punkte aller neun Aussagen. Die Gesamtsumme gibt Aufschluss über Ihren aktuellen KI-Reifegrad:

• 9-18 Punkte: Reifegrad 1 (Explorative Phase) – Ihr Unternehmen steht am Anfang der KI-Reise. Fokussieren Sie sich auf die Identifikation konkreter Use Cases und den Aufbau grundlegender Kompetenzen.
• 19-32 Punkte: Reifegrad 2 (Integrative Phase) – Sie haben bereits substanzielle Fortschritte erzielt. Arbeiten Sie an der systematischen Integration und Skalierung Ihrer KI-Initiativen.
• 33-45 Punkte: Reifegrad 3 (Transformative Phase) – Ihr Unternehmen gehört zu den KI-Vorreitern im Mittelstand. Konzentrieren Sie sich auf kontinuierliche Innovation und die Erschließung neuer Geschäftsfelder durch KI.

Besonders aufschlussreich ist die Betrachtung der einzelnen Dimensionen: Starke Abweichungen zwischen den Bereichen Technologie, Organisation und Kompetenz deuten auf Ungleichgewichte hin, die adressiert werden sollten. Typischerweise verhindern solche Dysbalancen den Übergang zum nächsten Reifegrad.

„Der häufigste Fallstrick ist eine einseitige Fokussierung auf Technologie bei gleichzeitiger Vernachlässigung der organisatorischen und kompetenzorientierten Dimensionen. Technologie allein schafft keine nachhaltige KI-Reife.“ – Christian Bauer, KI-Transformationsberater, Digital Business School

Für ein umfassenderes Bild empfiehlt sich die Durchführung des Assessments mit mehreren Führungskräften aus unterschiedlichen Unternehmensbereichen. Divergierende Einschätzungen können wertvolle Hinweise auf Handlungsbedarfe geben und als Ausgangspunkt für den strategischen Dialog dienen.

Nutzen Sie die Ergebnisse dieses Schnelltests als Kompass für Ihre weitere KI-Reise. Im folgenden Abschnitt finden Sie konkrete Handlungsempfehlungen für den Übergang zum jeweils nächsten Reifegrad.

Strategische Roadmap: Aufstieg zum nächsten Reifegrad

Der Weg zu höheren KI-Reifegraden erfordert einen strukturierten Ansatz. Die folgende Roadmap bietet Ihnen einen praxisorientierten Leitfaden für die systematische Weiterentwicklung Ihrer KI-Fähigkeiten – basierend auf den Erfahrungen erfolgreicher Mittelständler.

Entscheidend ist dabei, die Entwicklungsschritte an Ihren spezifischen Ausgangspunkt anzupassen. Die KI-Transformation ist kein linearer Prozess – sie erfordert parallele Fortschritte in den Dimensionen Technologie, Organisation und Kompetenz.

Von Reifegrad 1 zu 2: Schlüsselinitiativen und Ressourcenplanung

Der Übergang von der explorativen zur integrativen Phase erfordert gezielte Maßnahmen in fünf Schlüsselbereichen:

1. Strategieprozess starten: Entwickeln Sie eine dokumentierte KI-Strategie, die konkrete Businessziele mit entsprechenden KI-Lösungsansätzen verbindet. Definieren Sie dabei klare Prioritäten und Meilensteine für die nächsten 12-24 Monate.
2. Governance-Rahmen schaffen: Etablieren Sie verbindliche Guidelines für den Einsatz von KI – von Datenschutzrichtlinien bis zu Qualitätsstandards. Der Mittelstandsverband BVMW bietet hierzu ein praxisnahes Framework, das als Ausgangspunkt dienen kann.
3. Datengrundlage verbessern: Initiieren Sie ein systematisches Datenqualitätsmanagement. Die Erfahrung zeigt: Eine strukturierte Bestandsaufnahme vorhandener Datenquellen und die Definition von Datenqualitätsstandards bilden die Basis für erfolgreiche Integration.
4. KI-Kompetenzteam etablieren: Formalisieren Sie die Verantwortlichkeiten für KI-Entwicklung. Mittelständische Erfolgsbeispiele zeigen: Ein interdisziplinäres Team aus 3-5 Personen mit definierten Zeitkontingenten ist effektiver als eine isolierte Expertenposition.
5. Pilotprojekte systematisieren: Wählen Sie 2-3 strategisch wichtige Use Cases und implementieren Sie diese mit methodischer Konsequenz bis zum produktiven Einsatz. Achten Sie dabei auf klare ROI-Messung und systematische Dokumentation.

Der Technologieberater Markus Völkel hat den Prozess bei mehr als 40 Mittelständlern begleitet und fasst zusammen: „Der kritische Erfolgsfaktor beim Übergang zu Reifegrad 2 ist Struktur ohne Bürokratie. Es braucht genug Methodik, um nicht im Experimentierstadium stecken zu bleiben – aber nicht so viel, dass die notwendige Agilität verloren geht.“

Zeitlicher Horizont: Erfahrungswerte zeigen, dass der Übergang von Reifegrad 1 zu 2 typischerweise 8-14 Monate in Anspruch nimmt, je nach Ressourceneinsatz und Priorisierung.

Von Reifegrad 2 zu 3: Transformative Maßnahmen und Change Management

Der Schritt von der integrativen zur transformativen Phase ist anspruchsvoll und erfordert ein ganzheitliches Change-Programm:

1. KI-gestützte Geschäftsmodellinnovation: Identifizieren Sie systematisch Potenziale für neue Wertschöpfungsansätze durch KI. Methodiken wie KI-Canvas-Workshops und strukturierte Ideationsprozesse haben sich hierbei bewährt.
2. Datenökosystem entwickeln: Erweitern Sie Ihre Datenstrategie über Unternehmensgrenzen hinaus. Die Integration externer Datenquellen und die Teilnahme an Datenpartnerschaften kennzeichnen diesen Entwicklungsschritt.
3. Intelligente Automatisierung skalieren: Implementieren Sie End-to-End-Prozessautomatisierung mit selbstlernenden Komponenten. Dies erfordert oft eine Neugestaltung von Prozessen statt bloßer Optimierung.
4. KI-Ökosystem aufbauen: Etablieren Sie strategische Partnerschaften mit KI-Spezialisten, Forschungseinrichtungen und Technologiepartnern. Die Erfahrung zeigt: Selbst innovative Mittelständler können nicht alle KI-Kompetenzen intern aufbauen.
5. Transformative Führung entwickeln: Investieren Sie in die Weiterentwicklung Ihrer Führungskräfte zu „digitalen Leadern“. Programme wie der „KI-Manager“ der Mittelstand 4.0-Kompetenzzentren bieten hierzu branchenspezifische Qualifizierungsangebote.

Dr. Sarah Müller von der Universität St. Gallen, die den Transformationsprozess bei mehreren Mittelständlern wissenschaftlich begleitet hat, betont: „Der Übergang zu Reifegrad 3 ist keine rein technologische Herausforderung, sondern erfordert einen fundamentalen Kulturwandel. Unternehmen müssen lernen, in Ökosystemen statt Abteilungen zu denken und Daten als strategische Ressource zu begreifen.“

Zeitlicher Horizont: Der Übergang von Reifegrad 2 zu 3 erstreckt sich typischerweise über 16-24 Monate und sollte als kontinuierlicher Transformationsprozess verstanden werden, nicht als punktuelles Projekt.

„Die Transformation zur KI-Reife ist kein Sprint, sondern ein Marathon mit strategischen Sprintphasen. Entscheidend ist kontinuierlicher Fortschritt, nicht revolutionäre Sprünge.“ – Dr. Thomas Becker, Studienleiter Digitale Transformation, Fraunhofer IAO

Unabhängig von Ihrem aktuellen Reifegrad gilt: Die Entwicklung sollte durch konkrete Erfolge getrieben sein. Jeder Schritt auf der Roadmap muss messbaren Mehrwert schaffen – sei es durch Effizienzsteigerung, Qualitätsverbesserung oder Erschließung neuer Geschäftsfelder.

Erfolgsmetriken: KPIs zur Messung Ihrer KI-Reife

„Was nicht gemessen wird, kann nicht gemanagt werden“ – diese Management-Weisheit gilt besonders für die KI-Transformation. Die systematische Erfassung relevanter Kennzahlen ist entscheidend, um den Fortschritt objektiv zu beurteilen und Investitionsentscheidungen datenbasiert zu treffen.

Eine aktuelle Studie der Technischen Universität München zeigt: Mittelständische Unternehmen, die den Erfolg ihrer KI-Initiativen systematisch messen, erreichen eine 2,7-mal höhere ROI-Quote als Unternehmen ohne strukturiertes KI-Controlling.

Technische Kennzahlen: Von Modellperformance bis Datenqualität

Auf der technischen Ebene sollten Sie folgende Metriken erfassen und regelmäßig auswerten:

Besonders bei technischen Kennzahlen gilt: Die Auswahl der relevanten Metriken muss anwendungsspezifisch erfolgen. Ein Predictive-Maintenance-System benötigt andere Kennzahlen als eine KI-gestützte Kundensegmentierung.

Stefan Wess, CTO eines mittelständischen KI-Spezialisten, empfiehlt: „Beginnen Sie mit wenigen, aber aussagekräftigen Kennzahlen und bauen Sie das Messsystem schrittweise aus. Vier bis sechs sorgfältig gewählte KPIs liefern mehr Steuerungsnutzen als ein Dashboard mit 20 Metriken, die niemand systematisch auswertet.“

Geschäftliche Kennzahlen: ROI, Effizienzgewinne und Innovationsrate

Die letztlich entscheidenden Metriken beziehen sich auf den geschäftlichen Mehrwert Ihrer KI-Initiativen:

• Effizienz-KPIs:
  • Prozesszeit-Reduktion (z.B. 35% schnellere Angebotserstellung)
  • Automatisierungsgrad (z.B. Anteil vollautomatisierter Vorgänge)
  • Kostenersparnis pro Prozesseinheit (z.B. -28% Bearbeitungskosten pro Auftrag)
  • Ressourceneinsparung (z.B. 42% weniger manuelle Korrekturen)
• Qualitäts-KPIs:
  • Fehlerreduktion (z.B. 64% weniger fehlerhaft kategorisierte Dokumente)
  • Entscheidungsqualität (z.B. 27% präzisere Prognosen)
  • Kundenzufriedenheit (z.B. 18% höhere NPS-Werte bei KI-unterstützten Prozessen)
• Innovations-KPIs:
  • Anzahl KI-basierter Produkt- oder Service-Innovationen
  • Time-to-Market für neue Angebote
  • Umsatzanteil KI-gestützter Produkte und Dienstleistungen
  • Patentanmeldungen mit KI-Bezug
• ROI-KPIs:
  • Kapitalrendite der KI-Investitionen
  • Payback-Periode pro Use Case
  • Wertbeitrag (Value Contribution) der KI-Anwendungen

Ein praxiserprobter Ansatz ist das „KI-Value-Tracking“: Hierbei wird für jeden KI-Anwendungsfall eine primäre geschäftliche Kennzahl definiert, die den Hauptnutzen quantifiziert. Dieser Kernindikator wird dann monatlich oder quartalsweise erfasst und kommuniziert.

Die Forschungsgruppe Mittelstand & KI des ifo-Instituts hat festgestellt: „Erfolgreiche KI-Transformationen im Mittelstand zeichnen sich durch transparente Erfolgsmetriken aus, die regelmäßig auf Führungsebene diskutiert werden. Die systematische Erfolgsmessung schafft nicht nur Transparenz, sondern auch Akzeptanz und Momentum für weitere Schritte.“

Für jede Reifegradstufe empfehlen sich spezifische Schwerpunkte beim KI-Controlling:

• Reifegrad 1: Fokus auf direkte Effizienzkennzahlen einzelner Use Cases und ROI
• Reifegrad 2: Ergänzung um Prozessqualität, Integrationsgrad und Nutzungsintensität
• Reifegrad 3: Erweiterung um strategische Innovationskennzahlen und Wertschöpfungsbeitrag

Entscheidend ist: Die Metriken müssen in Ihre bestehenden Management-Systeme integriert werden. KI-Performance darf kein isoliertes Reporting-Silo sein, sondern muss Teil der regulären Geschäftssteuerung werden.

Compliance und Ethik: Leitplanken für jeden Reifegrad

Mit zunehmender KI-Reife steigen auch die Anforderungen an einen verantwortungsvollen Umgang mit der Technologie. Die Balance zwischen Innovation und Verantwortung ist dabei nicht nur eine ethische Frage, sondern auch ein wirtschaftlicher Erfolgsfaktor.

Insbesondere für mittelständische Unternehmen, deren Reputation oft auf Vertrauen und Verlässlichkeit basiert, ist ein proaktiver Umgang mit KI-Compliance entscheidend. Die ab 2025 geltende EU-AI-Regulation schafft zudem verbindliche rechtliche Rahmenbedingungen, die je nach Risikoklasse der KI-Anwendung unterschiedliche Anforderungen definieren.

Datenschutz und rechtliche Anforderungen nach Reifegradstufen

Die rechtlichen Anforderungen an KI-Systeme variieren je nach Anwendungsfall und Reifegrad. Folgende Aspekte sollten Sie je nach Entwicklungsstufe berücksichtigen:

Rechtsanwältin Dr. Julia Schweitzer, Spezialistin für KI-Recht, betont: „Die EU-Regulierung schafft erstmals einen verbindlichen Rechtsrahmen für KI-Anwendungen. Gerade für Mittelständler empfiehlt sich ein risikobasierter Ansatz: Nicht jede KI-Anwendung fällt in die Hochrisikokategorie, aber für jede Anwendung sollten grundlegende Compliance-Anforderungen definiert werden.“

Ethische KI-Implementierung als Wettbewerbsvorteil

Jenseits regulatorischer Anforderungen entwickelt sich verantwortungsvolle KI-Nutzung zunehmend zum Differenzierungsfaktor im Markt. Eine Umfrage des Instituts für Technikfolgenabschätzung zeigt: 68% der B2B-Kunden bewerten die ethischen Grundsätze bei der KI-Nutzung ihrer Lieferanten mittlerweile als wichtiges Entscheidungskriterium.

Konkrete Ansätze für eine ethisch verantwortungsvolle KI-Implementierung umfassen:

1. Transparenz-Prinzip: Dokumentieren und kommunizieren Sie, wo und wie KI in Ihren Produkten und Prozessen zum Einsatz kommt. Transparenz schafft Vertrauen – bei Kunden ebenso wie bei Mitarbeitern.
2. Human-in-the-Loop-Konzept: Etablieren Sie Prozesse, bei denen bei kritischen Entscheidungen stets ein Mensch eingebunden ist und die letzte Entscheidungshoheit behält.
3. Bias-Prüfung: Analysieren Sie Ihre KI-Systeme systematisch auf mögliche Verzerrungen oder Diskriminierungen und korrigieren Sie diese proaktiv.
4. Ethik-Guidelines: Entwickeln Sie unternehmensweite Leitlinien für den verantwortungsvollen KI-Einsatz, die konkrete Handlungsempfehlungen geben.
5. Kontinuierliches Monitoring: Überwachen Sie systematisch die Outputs und Auswirkungen Ihrer KI-Systeme, um unbeabsichtigte Folgen frühzeitig zu erkennen.

Prof. Dr. Carsten Könneker vom Karlsruher Institut für Technologie betont den strategischen Wert ethischer KI-Implementierung: „Gerade im Mittelstand, wo Vertrauen oft das höchste Gut ist, kann ein verantwortungsbewusster Umgang mit KI zum entscheidenden Wettbewerbsvorteil werden. Ethik und Wirtschaftlichkeit stehen nicht im Widerspruch – im Gegenteil: Langfristig ist nur ethisch verantwortungsvolle KI auch wirtschaftlich erfolgreich.“

Ein pragmatischer Ansatzpunkt ist die Integration ethischer Kriterien in Ihre KI-Entwicklungs- und Einführungsprozesse. Die folgende Checkliste wurde vom AI Ethics Lab speziell für mittelständische Unternehmen entwickelt:

• Ist der Einsatzzweck der KI klar definiert und ethisch vertretbar?
• Wurden potenzielle negative Auswirkungen systematisch analysiert?
• Ist die Datenbasis repräsentativ und frei von diskriminierenden Verzerrungen?
• Ist nachvollziehbar, wie die KI zu ihren Ergebnissen kommt?
• Wurden alle betroffenen Stakeholder in die Entwicklung und Evaluation einbezogen?
• Gibt es einen klaren Prozess für den Umgang mit ethischen Konflikten?

Die Erfahrung zeigt: Unternehmen, die Compliance und Ethik von Anfang an in ihre KI-Strategie integrieren, vermeiden nicht nur rechtliche Risiken, sondern schaffen auch eine solidere Basis für nachhaltige Innovation und Akzeptanz bei Mitarbeitern und Kunden.

Best Practices aus der Praxis

Die Analyse erfolgreicher KI-Implementierungen im Mittelstand offenbart wiederkehrende Erfolgsmuster – unabhängig von Branche oder spezifischem Anwendungsfall. Diese Best Practices bieten wertvolle Orientierung für Ihre eigene KI-Transformation.

Besonders bemerkenswert: Die erfolgsentscheidenden Faktoren sind oft nicht primär technologischer Natur. Eine Langzeitstudie des Bundesverbands Künstliche Intelligenz an 130 mittelständischen Unternehmen zeigt: Der Implementierungserfolg korreliert zu 72% mit organisatorischen und methodischen Faktoren – und nur zu 28% mit der eingesetzten Technologie.

Branchenübergreifende Erfolgsmuster

Folgende Best Practices haben sich branchenübergreifend als besonders wirksam erwiesen:

1. Business-First-Ansatz: Erfolgreiche KI-Projekte starten mit einem klar definierten Geschäftsproblem, nicht mit einer Technologie. Die präzise Definition des zu lösenden Problems und der erwarteten Geschäftsvorteile ist der wichtigste Erfolgsfaktor überhaupt.
2. Iterative Entwicklung: Statt langjähriger Großprojekte setzen erfolgreiche Mittelständler auf agile, iterative Entwicklungszyklen mit schnellen Feedback-Schleifen. Der Ansatz „Minimum Viable Product (MVP) plus kontinuierliche Verbesserung“ hat sich als deutlich erfolgreicher erwiesen als perfektionistische Planung.
3. Interdisziplinäre Teams: KI-Erfolg entsteht an der Schnittstelle von Domänenwissen und technologischer Expertise. Teams, die Fachexperten und KI-Spezialisten zusammenbringen, erzielen nachweislich bessere Ergebnisse als isolierte IT-Teams oder externe Entwicklung ohne Domänenexpertise.
4. Datenzentrierung: Erfolgreiche Unternehmen investieren frühzeitig in Datenqualität und -verfügbarkeit. Die Erfahrung zeigt: Mindestens 50% der Projektressourcen sollten in die Datenarbeit fließen – von der Erfassung über die Bereinigung bis zur strukturierten Aufbereitung.
5. Systematische Skalierung: Der Übergang vom erfolgreichen Piloten zur skalierten Lösung folgt einem strukturierten Prozess. Besonders wichtig: Das frühzeitige Einbeziehen aller Stakeholder, die systematische Dokumentation und ein durchdachtes Change Management.

Ein besonders lehrreiches Beispiel liefert die Firma Wagner Präzisionsteile mit 180 Mitarbeitern. Nach zwei gescheiterten KI-Projekten änderte das Unternehmen seinen Ansatz radikal: Es etablierte ein interdisziplinäres „KI-Board“ aus Produktionsleitung, Qualitätsmanagement und IT, definierte klare Business Cases mit messbaren Erfolgsmetriken und startete mit einem begrenzten, aber vollständig integrierten Pilotprojekt. Der Erfolg dieses neuen Ansatzes – eine Reduzierung der Qualitätsprüfungszeit um 68% – überzeugte auch Skeptiker und legte den Grundstein für weitere KI-Projekte.

Empfehlungen für das eigene KI-Kompetenzteam

Für den Aufbau und die Entwicklung Ihres internen KI-Kompetenzteams haben sich folgende Ansätze bewährt:

• Rollenbasierter Ansatz: Definieren Sie klare Rollen im KI-Ökosystem Ihres Unternehmens, beispielsweise:
  • KI-Stratege (Verbindung zur Geschäftsstrategie)
  • Business Translator (Übersetzung zwischen Fachbereich und Technik)
  • Data Engineer (Datenaufbereitung und -integration)
  • KI-Entwickler (Modellentwicklung und -optimierung)
  • Ethik-Verantwortlicher (Compliance und verantwortungsvolle Nutzung)
• Hybrides Kompetenzmodell: Die Kombination aus internem Kernteam und externen Spezialisten hat sich in der Praxis als besonders effektiv erwiesen. Dieses Modell verbindet Unternehmenswissen mit spezialisierter Expertise und erhöht die Flexibilität.
• Gestuftes Qualifizierungskonzept: Entwickeln Sie ein mehrstufiges Trainingskonzept, das verschiedene Zielgruppen adressiert:
  • KI-Grundlagen für alle Mitarbeiter (KI-Literacy)
  • Anwendungsspezifische Schulungen für Fachanwender
  • Tiefergehende technische Qualifizierung für Kernteam-Mitglieder
  • Strategisches KI-Management für Führungskräfte
• Learning by Doing: Systematisches Learning from Experience hat sich als effektivste Lernmethode erwiesen. Strukturierte Retrospektiven nach jedem Projektabschnitt und dokumentierte Lessons Learned sind dabei zentrale Elemente.

Dr. Florian Müller, KI-Transformationsexperte, fasst zusammen: „Die erfolgreichsten KI-Teams im Mittelstand zeichnen sich durch T-Shape-Profile aus: Jedes Teammitglied verfügt über Basiswissen in allen relevanten Bereichen (horizontaler Balken des T) und Tiefenexpertise in einem spezifischen Feld (vertikaler Balken des T). Diese Kombination ermöglicht effektive Zusammenarbeit und reduziert Schnittstellenprobleme.“

Die Rolle externer Partner im Reifeprozess

Die strategische Zusammenarbeit mit externen Partnern kann den KI-Reifeprozess erheblich beschleunigen. Die Erfahrung zeigt jedoch: Die Auswahl und Steuerung dieser Partner muss auf Ihren spezifischen Reifegrad abgestimmt sein.

Besonders wichtig: Die Zusammenarbeit sollte immer auf Wissenstransfer und Kompetenzaufbau ausgerichtet sein. Simon Fischer, der als externer Berater über 50 KI-Projekte im Mittelstand begleitet hat, empfiehlt: „Gestalten Sie Verträge mit externen Partnern so, dass systematischer Kompetenzaufbau im eigenen Unternehmen explizit als Leistungsbestandteil definiert wird. Reine Ergebnisorientierung ohne Wissenstransfer führt langfristig in neue Abhängigkeiten.“

Ein erfolgreiches Beispiel für gelungene Partnerschaft liefert ein mittelständischer Spezialmaschinenbauer, der mit einem KI-Startup ein „Build-Operate-Transfer“-Modell vereinbarte: Der Partner entwickelte eine KI-Lösung zur Fehlerdiagnose, betrieb sie für ein Jahr gemeinsam mit dem internen Team und übertrug dann schrittweise alle Kompetenzen auf die Mitarbeiter des Maschinenbauers.

„Die intelligenteste Art, externe Expertise zu nutzen, ist nicht das Outsourcing von Verantwortung, sondern die strukturierte Kooperation mit dem Ziel des Kompetenzaufbaus. Die besten KI-Partner machen sich langfristig überflüssig.“ – Prof. Dr. Andreas Bortfeldt, Hochschule für Wirtschaft und Recht Berlin

Die beschriebenen Best Practices verdeutlichen: Der Weg zu höherer KI-Reife ist kein Geheimnis, sondern folgt nachvollziehbaren Mustern. Der entscheidende Unterschied zwischen erfolgreichen und weniger erfolgreichen Unternehmen liegt nicht im Wissen um diese Prinzipien, sondern in ihrer konsequenten Umsetzung.

Häufig gestellte Fragen zur KI-Reife im Mittelstand