KI im Mittelstand: Wie Finway mit KI 50.000 € spart – und was Geschäftsführer daraus lernen

Auf KI-Veranstaltungen sind gefühlt 95 Prozent der Leute Berater. Was fehlt, sind Geschäftsführer, die offen erzählen, wie sie KI im Mittelstand tatsächlich einsetzen und was es messbar bringt. Genau so einen habe ich in Folge 3 von „Mittelstand macht KI“ zu Gast gehabt: Norman Rohr, CEO von Finway. Seine Firma hat 30 Mitarbeitende, hat KI bewusst zentral eingeführt und seit Jahresbeginn 50.000 Euro eingespart. In diesem Artikel fasse ich zusammen, was dahintersteckt, welche Fehler Norman vermieden hat und wie wir live einen echten Praxisfall gelöst haben.

Das Wichtigste in Kürze

• Effizienz vor Umsatz: Norman sieht KI vor allem als Hebel für schlankere Prozesse, bessere Qualität und geringere Kosten. Umsatzversprechen hält er für schwer messbar.
• Messbare Ergebnisse: 50.000 Euro eingespart durch abgelöste Tools, drei- bis vierfacher Output in der Produktentwicklung, 50 bis 100 Stunden weniger Aufwand pro Monat bei der Lead-Qualifizierung.
• Zentral statt Wildwuchs: Ideen darf jeder haben, gesteuert wird über zwei feste Verantwortliche für Produkt und interne Prozesse.
• Die richtige Person entscheidet: Ein interner „KI-Zar“ mit Geschäftssinn, Prozessverständnis und echter Lust auf das Thema ist wichtiger als die Wahl des Tools.
• Typische Fehler: das große Flagship-Projekt, „Tools first“ und KI ohne klare Priorität.

Die ganze Folge als Video

Wer lieber zuschaut: Hier ist das komplette Gespräch mit Norman Rohr inklusive Live-Praxisfall.

Wer ist Finway und warum ist dieses Beispiel relevant?

Finway digitalisiert Finanzprozesse in Unternehmen, vor allem das Ausgabenmanagement: Eingangsrechnungen, Freigaben, Firmenkarten, Vorkontierung und Bestellungen. Norman selbst kommt nicht aus der Technik, sondern aus Finance, Operations und Marketing. Genau das macht seine Sicht so wertvoll für Geschäftsführer im Mittelstand: Er bewertet KI nicht danach, was technisch spannend ist, sondern danach, was sich in Zahlen zeigt.

Finway setzt KI auf zwei Ebenen ein. Einmal im eigenen Produkt, damit Finanzsoftware auch für Menschen ohne Buchhaltungs-Know-how gut bedienbar wird. Und einmal in den internen Abläufen des Unternehmens. Um diese zweite Ebene geht es in diesem Artikel, denn sie lässt sich auf fast jeden Mittelständler übertragen.

KI im Mittelstand: Effizienz schlägt Umsatzversprechen

Norman hat eine Anekdote mitgebracht, die ich seitdem oft erzähle. Auf einer Veranstaltung fragte er in den Raum, wer schon Umsatz mit KI generiert. Rund 60 Prozent hoben die Hand. Auf die Nachfrage, wer das auch messbar nachweisen kann, blieben noch ein oder zwei Hände oben.

Seine Schlussfolgerung: Viele schauen nur auf die Topline und übersehen dabei den Bereich, in dem KI heute am verlässlichsten wirkt, nämlich die Effizienz. Prozesse laufen schneller, die Qualität steigt, die Kosten sinken. Das lässt sich messen, und es lässt sich deutlich leichter umsetzen als jede Wachstumsfantasie.

Ganz ohne Umsatzeffekt geht es übrigens nicht. Ich habe Norman im Gespräch von einem Geschäftsführer erzählt, der zum ersten Mal an einer Ausschreibung teilgenommen und die Unterlagen mit einem vorbereiteten KI-Projekt bearbeitet hat. Er hat die Ausschreibung gewonnen. Normans trockener Kommentar: Da sei er also, der messbare Umsatzeffekt, nach dem er gefragt hatte.

Die Ergebnisse: Was KI bei Finway messbar bringt

50.000 Euro gespart durch abgelöste Tools

Seit Anfang des Jahres hat Finway rund 50.000 Euro eingespart, indem bestehende Software-Tools durch KI-Lösungen ersetzt wurden. Der Nebeneffekt ist fast noch wichtiger: mehr Flexibilität. Eine Standardsoftware anzupassen ist aufwendig. Eine KI-Lösung lässt sich schnell erweitern, wenn plötzlich eine zusätzliche Information gebraucht wird. Ein Beispiel aus dem Gespräch: Ein Mitarbeiter hat in 24 Stunden eine Lösung gebaut, die ein fehleranfälliges Tool ersetzt. Das spart zwei bis vier Stunden Nacharbeit im Monat und zusätzlich Lizenzkosten.

Drei- bis vierfacher Output in der Produktentwicklung

Am stärksten wirkt KI bei Finway in der Produktentwicklung. Im Vergleich zu vor zwei Jahren liefert das Team drei- bis viermal so viel. Das merken inzwischen sogar die Kunden an der Geschwindigkeit, mit der neue Funktionen kommen. Norman betont, dass dieser Bereich von vielen Unternehmen übersehen wird, genauso wie die Qualitätssicherung.

50 bis 100 Stunden pro Monat bei der Lead-Qualifizierung

Im Marketing nutzt Finway KI nicht zum massenhaften Anschreiben, sondern zur Bewertung eingehender Anfragen: Wie gut ist die Anfrage, wer soll sie bearbeiten? Das spart 50 bis 100 Stunden im Monat, umgerechnet etwa eine halbe Vollzeitstelle.

Ein Arbeitstag weniger pro Fachartikel

Auch beim Content hilft KI, wie in fast jedem Unternehmen. Für einen guten, langen Blogartikel spart Norman ungefähr einen Arbeitstag. Wichtig dabei: Mit gutem Prompting vermeiden, dass der Text nach KI klingt.

KI im Unternehmen einführen: zentral steuern statt Wildwuchs

Ein Punkt, den ich besonders bemerkenswert finde: Finway hat KI bewusst nicht nach dem Motto „Jeder legt mal los“ eingeführt. Jeder darf Ideen einbringen, aber sie laufen über zwei Verantwortliche. Ideen fürs Produkt gehen über den Produktleiter, Ideen für interne Prozesse über eine Person, die für KI zuständig ist und gemeinsam mit der Geschäftsführung priorisiert.

Das verhindert, dass überall eigene Insellösungen zusammengezimmert werden, dass niemand mehr die Sicherheit im Blick hat und dass Tools doppelt angeschafft werden. Inhaltlich hat Finway drei Ziele verfolgt:

• Effizienz: Prozesse automatisieren, Kosten senken, alte Tools ablösen, zum Beispiel in Finanzbereich, Support und Kundenbetreuung.
• Risiko reduzieren: Wissen, das nur in einzelnen Köpfen steckt, für die Organisation verfügbar machen. Was passiert, wenn jemand kündigt oder in Rente geht?
• Qualität: weniger Fehler, weniger Nacharbeit, bessere Entscheidungsgrundlagen.

Der „KI-Zar“: Welche Person KI im Unternehmen voranbringt

Wenn Norman heute noch einmal bei null anfangen würde, würde er eine Sache früher machen: die eine Person benennen, bei der alle KI-Initiativen zusammenlaufen. Am Anfang hat Finway mit zwei, drei Leuten parallel gearbeitet. Das hat nicht so gut funktioniert. Er nennt diese Rolle augenzwinkernd den „KI-Zaren“. Gemeint ist keine Compliance-Rolle, wie sie oft unter dem Begriff KI-Beauftragter läuft, sondern jemand, der KI im Alltag wirklich umsetzt. Diese Person braucht laut Norman:

1. Geschäftssinn: Sie erkennt, ob eine Initiative überhaupt Sinn ergibt und welches Ergebnis realistisch ist, und kann das gegenüber den Teamleitern vertreten.
2. Prozessverständnis: Sie versteht, wie ein Prozess von Anfang bis Ende läuft und wo Fehlerquellen liegen. Nur dann lässt er sich sinnvoll automatisieren.
3. Kommunikationsstärke: Sie holt die Leute ab, statt mit dem Kopf durch die Wand zu gehen.
4. Technikaffinität, aber keine Spielfreude: Sie muss nicht programmieren können. Und sie sollte nicht jemand sein, der vor allem gern mit neuer Technik herumspielt. Zweckmäßigkeit geht vor.
5. Echte Lust auf das Thema: Fehlt diese Motivation, dauert alles viel länger.

Normans Überzeugung: So eine Person gibt es in jedem Unternehmen. Man muss sie nur finden, ihr Zeit geben und das Team so einbinden, dass die unterschwellige Angst vor KI verschwindet.

Die drei typischen Fehler bei der KI-Einführung

1. Das große Flagship-Projekt

Wenn ein Unternehmen „jetzt mal ein großes KI-Projekt“ startet, sind die Erwartungen kaum einzuholen. Es fließen viele Ressourcen, aber der schnelle Erfolg bleibt aus, den man braucht, um die Organisation mitzunehmen. Nach sechs Monaten und viel versenktem Geld wird das Projekt dann oft beerdigt. Ich nenne das gerne „monatelang am großen Traumschiff bauen“. Besser sind kleine Anwendungsfälle mit schnellem, echtem Nutzen.

2. „Tools first“ und zu viele Tools

Erst Tools anschaffen und dann überlegen, wofür man sie nutzt: Norman erlebt regelmäßig Unternehmen, die drei Tools für zusammen 50.000 bis 80.000 Euro im Jahr gekauft haben und jetzt nach Einsatzzwecken suchen. Dazu kommt das Problem der Tool-Vielfalt. Der eine arbeitet mit Claude, die andere mit Gemini, der Dritte mit seinem privaten ChatGPT-Konto. Spätestens dann gibt es Datenschutzprobleme. Die Reihenfolge muss umgekehrt sein: erst das Ziel und der gewünschte Effekt, dann das Werkzeug. Welches große Sprachmodell man nimmt, spielt laut Norman für die meisten Mittelständler eine untergeordnete Rolle.

3. KI ohne Priorität und ohne Treiber

Jedem eine Copilot- oder Gemini-Lizenz geben und schauen, was passiert: Das versandet, vor allem, wenn niemand zentral steuert. Dazu kommt ein menschlicher Faktor. Alle wollen KI, aber gerne erst mal in einer anderen Abteilung. Die Geschäftsführung muss hier aktiv Druck erzeugen und erklären, warum bestimmte Projekte Vorrang haben.

KI und Datenschutz: Sprinten mit dem Autoreifen am Körper

Beim Thema Datenschutz wurde Norman deutlich. Er versteht die Ziele der europäischen Regeln, aber die Praxis fühlt sich für ihn an, als solle man als Leichtathlet einen Sprint laufen und habe dabei einen Autoreifen um den Körper geschnürt. Sein Beispiel: Ein Unternehmen hat Google Workspace freigegeben. Jetzt kommt Gemini als Funktion in Workspace dazu, und das Ganze soll noch einmal komplett separat geprüft werden. Gleiches gilt für jedes andere Tool, das KI-Funktionen ausrollt.

Besonders absurd wird es, wenn man erst sechs Monate auf Genehmigungen wartet und dann nach einem Monat Test feststellt, dass der Ansatz gar nicht funktioniert. Normans pragmatischer Vorschlag: erste Tests ohne personenbezogene oder sensible Daten durchführen und erst dann in die aufwendige Prüfung gehen, wenn klar ist, dass sich der Anwendungsfall lohnt.

Meine Sicht dazu: Wer heute mit KI schnell vorankommen will, braucht eine gewisse Risikobereitschaft und muss Eigenverantwortung übernehmen. Leichtsinn ist damit nicht gemeint, sondern bewusste Entscheidungen statt reflexhaftem Abwarten. Norman ergänzt noch einen Punkt, der oft übersehen wird: geistiges Eigentum. Es reicht nicht immer, das Training mit den eigenen Daten abzuschalten. Schon die Art, wie man mit einem Sprachmodell arbeitet, verrät viel über die eigene Denkweise. Für sehr forschungsintensive Unternehmen kann deshalb ein eigenes, selbst gehostetes Modell sinnvoll sein. Für den normalen Mittelständler gilt: einfach anfangen.

Von Effizienz zur strategischen Ressource: KI-Agenten im Unternehmen

An dieser Stelle habe ich im Gespräch eine These aufgemacht, die mich seit Monaten beschäftigt. KI ist heute nicht mehr nur ein Werkzeug, das Text erzeugt. Moderne Sprachmodelle können ein komplexes Problem in Teilschritte zerlegen und diese mit KI-Agenten selbstständig bearbeiten. Ganz ehrlich: Ein gutes KI-System kann heute nahezu alle Denkarbeiten erledigen, die ich in meinem Unternehmen mache. Oft sogar besser als ich.

Damit wird KI zu einer strategischen Ressource, ähnlich wie gute Mitarbeitende. Kluge Köpfe werden plötzlich günstiger, verfügbarer und skalierbarer. Wer das ernst nimmt, kann nicht nur Prozesse optimieren, sondern sein Geschäftsmodell neu denken. Mein Ansatz dafür sind Regelkreise statt Wasserfall: Welche Metriken zeigen mir, ob etwas funktioniert? Wo ist der Sensor? Und wie reagiert das System, wenn etwas abweicht?

Norman brachte als Finanzsoftware-Hersteller sofort den entscheidenden Punkt ein: Jeder KI-Agent braucht sein eigenes Benutzerkonto, damit nachvollziehbar bleibt, wer was getan hat. Auditierbarkeit bleibt Pflicht. Und witzigerweise dokumentiert die KI oft zuverlässiger als der Mensch.

Ein Beispiel aus meinem eigenen Unternehmen: Für die Prozessautomatisierung habe ich lange n8n eingesetzt, selbst gehostet, mit voller Datenhoheit. Inzwischen löse ich n8n wieder ab. Starre Wenn-dann-Abläufe stoßen bei Sonderfällen an ihre Grenzen. Meine KI-Agenten sind heute per API und MCP so tief integriert, dass sie sich die Prozessdokumentation selbst holen, den Prozess ausführen, das Ergebnis prüfen und mir Ausnahmen mit einem Lösungsvorschlag melden. Das ist deutlich smarter als harte Schritt-für-Schritt-Automatisierung.

Praxisfall: Vertragsverlängerungen mit KI effizienter machen

Am Ende jeder Folge lösen mein Gast und ich einen echten Fall live. Norman brachte die Vertragsverlängerung mit: Ein Vertrag läuft aus, Kunde und Kundenbetreuer werden informiert, der Kunde möchte über Konditionen sprechen, ein Meeting wird vereinbart. Am Ende geht es bei kleinen Verträgen vielleicht um wenige Prozent Rabatt bei einem niedrigen Monatsbetrag, aber ein Mitarbeiter ist mehrere Stunden beschäftigt. Gleichzeitig soll sich der Kunde weiterhin gut betreut und wertgeschätzt fühlen.

Bevor wir in Lösungen gegangen sind, haben wir die Erfolgsmessung festgelegt: weniger manueller Aufwand pro Vertragsverlängerung, bei gleichbleibender Kundenzufriedenheit (CSAT und NPS) und mindestens gleicher Verlängerungsquote. Meine Lösung bestand aus vier Schritten.

Schritt 1: Dateninventur

Zuerst die analytische Aufgabe an die KI geben: Wie viele Verträge gibt es, wie viel Umsatz hängt daran, welche Rabattstufen wurden in den letzten Jahren gewährt? Wenn vorhanden, auch Gesprächsnotizen früherer Verlängerungen. Mein Tipp: Solche Gespräche ab sofort datenschutzkonform transkribieren, damit Einwände, Fragen und Wünsche der Kunden auswertbar werden.

Schritt 2: Strategie und Lösungskorridor

Auf Basis der Daten entwickelt die KI einen Lösungsansatz. Dafür bekommt sie ein klares Ziel: Effizienz steigern, manuelle Beteiligung senken, Betreuungsqualität halten und Verlängerungsquote mindestens stabil halten.

Schritt 3: Assistent oder komplett KI-first?

Hier sehe ich zwei Wege. Variante A ist der Assistent: Die Kundenbetreuerin bleibt verantwortlich, bekommt aber einen spezialisierten KI-Agenten. Er bereitet die Kundenhistorie auf, legt anstehende Verlängerungen proaktiv vor, entwirft Nachrichten, bereitet Gespräche mit Argumenten und Konditionen vor und gibt danach Feedback zur Gesprächsführung.

Variante B denkt den Prozess komplett KI-first. Der Agent bekommt das Ziel und steuert den Ablauf weitgehend selbst. Er analysiert das Nutzungsverhalten, wählt den richtigen Zeitpunkt (nicht gerade, wenn ein kritischer Supportfall offen ist) und macht dem Kunden direkt ein Angebot, zum Beispiel in der Software selbst. Statt „5 oder 7 Prozent?“ lautet die Wahl dann: „5 Prozent für ein Jahr oder 10 Prozent für zwei Jahre?“ Norman griff die Idee sofort auf: Man könne verschiedene Anreize gegeneinander testen, etwa einen Gratismonat gegen Rabatt, und herausfinden, was bei welchem Kunden am besten wirkt.

Schritt 4: Value Loop – messen und verbessern

Zum Schluss der Regelkreis: Ein monatlicher Bericht zeigt, wie viele Fälle es gab, wie viel manueller Aufwand anfiel, wie sich die Verlängerungsquote entwickelt hat, welches Argument am besten gezogen hat und welche Optimierung als Nächstes getestet wird. Oder wie Norman es sagt: Ohne Messung ist alles nur fürs eigene Wohlgefühl.

Selbst bauen oder Software kaufen?

Normans Gegenfrage an mich war eine der spannendsten des Gesprächs: Wann baut man eine KI-Lösung selbst, wann kauft man Standardsoftware? Meine Faustregel: Ist ein Prozess regulatorisch, im Rollenmodell oder im Datenmodell hochkomplex, etwa im ERP, im CRM oder im Finanzsystem, nutze ich lieber Standardsoftware und deren KI-Funktionen. Die Hersteller haben unzählige Sonderfälle bereits durchdacht. Geht es um Tätigkeiten, die heute ein Mensch erledigt, also Daten übertragen, Analysen erstellen, Konzepte schreiben, dann ist die Komplexität überschaubar. Dafür reichen zwei, drei große KI-Anbieter, mit denen man in Minuten funktionierende Werkzeuge bauen kann.

Norman ergänzt eine wichtige Unterscheidung: Sprachmodelle arbeiten mit Wahrscheinlichkeiten. Wo ein Ergebnis immer exakt gleich und regelbasiert sein muss, ist bestehende Software oft die bessere Wahl. Und vor allem: priorisieren. Man kann heute vieles selbst bauen. Die Frage ist, wo der größte Wertbeitrag fürs Unternehmen liegt.

Der wichtigste Rat für Geschäftsführer, die mit KI starten wollen

Zum Abschluss habe ich Norman gefragt, was er einem Geschäftsführer mit 30 bis 70 Mitarbeitenden rät, der jetzt mit KI loslegen will. Seine Antwort ist erfrischend unspektakulär:

Wo schmerzt der Prozess? Wo läuft es bei Übergaben nicht rund, wo entstehen Fehler? Dort anfangen.

Dann die interne Person finden, die das Thema treibt. Und wenn es die noch nicht gibt: als Geschäftsführer selbst für drei bis sechs Monate die Hälfte der eigenen Zeit investieren und sich jemanden an die Seite holen, mit dem man es umsetzt.

Häufige Fragen zu KI im Mittelstand

Womit sollte ein Mittelständler bei der KI-Einführung anfangen?

Mit einem konkreten, schmerzhaften Prozess und nicht mit der Auswahl eines Tools. Gute Startpunkte sind wiederkehrende Abläufe mit viel manueller Arbeit, zum Beispiel Angebotserstellung, Support, Lead-Qualifizierung oder Rechnungsprüfung. Wichtig ist eine klare Kennzahl, an der man den Erfolg misst.

Braucht ein mittelständisches Unternehmen einen KI-Verantwortlichen?

Nach Normans Erfahrung ja. Eine Person, bei der alle Initiativen zusammenlaufen, beschleunigt die Umsetzung enorm. Sie braucht Geschäftssinn, Prozessverständnis, Kommunikationsstärke und echte Motivation, aber keine Programmierkenntnisse.

Wie misst man den Erfolg von KI im Unternehmen?

Am einfachsten über Effizienzkennzahlen: eingesparte Stunden, abgelöste Lizenzkosten, weniger Fehler und Nacharbeit, mehr Output pro Person. Umsatzeffekte sind schwerer zuzuordnen. Hilfreich ist ein Regelkreis mit regelmäßigem Bericht, der zeigt, was funktioniert und was nicht.

Wie geht man mit Datenschutz bei KI-Projekten um?

Ein pragmatischer Weg ist, erste Tests ohne personenbezogene oder sensible Daten zu machen und erst bei einem vielversprechenden Anwendungsfall in die vollständige Prüfung mit der oder dem Datenschutzbeauftragten zu gehen. Wichtig ist auch, einen Tool-Wildwuchs zu vermeiden, bei dem Mitarbeitende private KI-Konten nutzen.

Du willst KI in deinem Unternehmen umsetzen?

Genau dabei begleite ich Geschäftsführer im Mittelstand: vom ersten Anwendungsfall bis zum funktionierenden System. Buch dir hier ein kostenloses Strategiegespräch mit mir.

Mehr Gespräche mit Unternehmern, die KI wirklich umsetzen, findest du auf der Seite zum Podcast „Mittelstand macht KI“. Mehr über Finway erfährst du auf finway.de, Norman Rohr findest du auf LinkedIn.