Wo doppelte Arbeit entsteht
Wenn wir in Mittelstandsbetriebe kommen und einen Tag lang mitlaufen, sehen wir immer wieder dasselbe Muster: Die gleiche Information wird drei- bis fünfmal an verschiedenen Stellen aufgeschrieben.
Beispiel: Ein Kunde ruft an und sagt seinen neuen Adressänderungswunsch durch. Die Mitarbeiterin schreibt das in Outlook, ändert es im CRM, schickt eine Notiz an die Buchhaltung, die das in DATEV pflegt, und die Kollegin im Vertrieb bekommt es noch per Slack weitergeleitet. Vier Systeme, viermal eingegeben, vier mögliche Fehlerquellen. Wenn jemand vergisst, irgendwo zu pflegen, gibt’s später Ärger mit Rechnungen oder Lieferungen.
Das ist nicht Unvermögen. Das ist die Realität gewachsener IT-Landschaften. Aber es ist auch der Punkt, an dem KI und smarte Automatisierung am meisten Hebel haben.
Was „Single Source of Truth” eigentlich heißt
Der Begriff ist alt, kommt aus der Datenbank-Welt: Eine Information hat genau eine maßgebliche Quelle. Alles andere zieht sich aus dieser Quelle. Wenn etwas sich ändert, ändert es sich genau einmal — überall sonst wird es automatisch nachgezogen.
Im Mittelstand ist das selten Realität. Der Versuch, alles in ein einziges System zu zwingen (das berüchtigte „Wir machen jetzt SAP”), endet meist in jahrelangen Projekten und mäßigem Erfolg. Was viel besser funktioniert: Bestehende Systeme über schlanke KI- und Workflow-Schichten verbinden.
Konkret: Du behältst dein CRM, deine Buchhaltung, dein Branchentool. Aber dazwischen läuft eine Schicht, die Daten weiterreicht, transformiert und konsistent hält. Manchmal ist das klassische Automatisierung (Make, n8n, Zapier), oft mit KI-Komponenten für die Übersetzung zwischen Datenformaten oder die intelligente Klassifizierung.
Drei Beispiele aus der Praxis
Anfrage einmal aufnehmen, überall pflegen
Eine Marketing-Agentur (35 MA) bekam Briefings auf fünf Wegen: E-Mail, Slack, Telefon, Meeting, Loom-Videos. Jeder Projektmanager pflegte sich selbst zusammen, was er gerade vom Kunden gehört hatte. Heute: Alle Eingänge laufen in einen zentralen Briefkasten, ein KI-System extrahiert strukturierte Daten (Projekt, Deadline, Zielgruppe, Zugänge), legt automatisch in Asana und Notion an. Die PMs sehen einen einzigen Datensatz pro Projekt. Stunden gespart pro Woche: 4–6 pro PM.
Wissen einmal schreiben, immer aktuell
Ein IT-Dienstleister hatte das Problem: Standard-Lösungen für Kundenprobleme wurden in jeder Mail neu geschrieben. Heute gibt’s eine zentrale Wissensbasis, die per RAG durchsucht wird. Wenn ein Support-Ticket reinkommt, schlägt das System die passende Antwort aus der Wissensbasis vor. Wenn jemand merkt, dass die Standardantwort veraltet ist, wird sie einmal aktualisiert — gilt sofort für alle. Vorher: 5 Antwortversionen kursierten parallel; heute: eine, immer aktuell.
Reports statt Datenbastelei
Ein Maschinenbauer hatte monatliche Geschäftsleitungs-Reports mit Daten aus ERP, CRM, Wartungstool und Excel. Eine Mitarbeiterin baute diese Reports per Hand — 8 Stunden im Monat. Heute zieht ein Workflow die Daten automatisch, ein LLM formuliert die Kommentarabschnitte zu Trends und Auffälligkeiten. Die Mitarbeiterin prüft 30 Minuten und schickt raus. Aus 8 Stunden Bastelei wurden 30 Minuten Quality Control.
Was du dafür brauchst
Cleverer arbeiten ist kein Ein-Tag-Projekt. Es braucht ein paar Voraussetzungen:
Klare Daten-Hoheit. Welches System ist für welche Daten die Master-Quelle? Wenn das nicht klar ist, baust du immer wieder Inkonsistenzen rein. Eine 2-Stunden-Workshop-Übung mit der Geschäftsleitung sortiert das meist.
Standardvorlagen, die genutzt werden. KI-Output basiert oft auf Vorlagen. Wenn deine Vorlagen für Angebote, Berichte, Mandantenschreiben veraltet oder uneinheitlich sind, replizierst du den Wirrwarr. Vor dem KI-Projekt: Vorlagen aufräumen.
Akzeptanz für „Bot-Output ist Entwurf”. Wer gewohnt ist, alles selbst zu schreiben, muss den mentalen Sprung machen, dass ein Tool 80% der Arbeit macht und der Mensch die letzten 20% prüft. Das fühlt sich anfangs falsch an („das könnte ich doch selber”), wird aber schnell zur Norm.
Was nicht funktioniert
- Die „One-Tool-to-rule-them-all”-Hoffnung. Es gibt kein KI-Tool, das alles kann. Wer das anbietet, lügt. Die richtige Antwort ist meist eine Kombination aus 3–5 spezialisierten Tools, die sauber zusammenarbeiten.
- „KI macht jetzt alles automatisch.” Selbst die smartesten Systeme brauchen menschliche Freigabe an den richtigen Stellen. Wer das überspringt, produziert peinliche Fehler.
- Komplette Neusysteme einführen, ohne Alt-Daten zu migrieren. Ohne Migration ist deine schöne neue Single Source of Truth leer — und alle pflegen weiter im Altsystem.
Erste Schritte
- Mache eine 1-Tages-Bestandsaufnahme: Welche Daten leben in welchen Systemen? Wo gibt’s Doppelpflege?
- Wähle den schmerzhaftesten Doppelpflege-Punkt als Pilot — meist Kontaktdaten oder Auftragsstatus
- Baue eine schlanke Workflow-Lösung (Make, n8n) mit KI-Klassifizierung dazwischen
- Nicht alles auf einmal — ein Datenfluss nach dem anderen
- Nach 4–6 Wochen messen: Wie oft musste jemand noch manuell synchronisieren? Wenn die Antwort „kaum” ist, gehst du zum nächsten Datenfluss.
Vertiefung
Die technische Grundlage für Wissensbestände ist Embeddings & RAG. Welche Modelle dafür Sinn machen, klärt Large Language Models. Wenn du Coding-Aufgaben damit beschleunigen willst, lies Claude Code & Codex direkt nutzen.
Eine KI-Implementierung baut die Pipelines mit dir auf — bestehende Systeme bleiben, dazwischen wird’s intelligent.
