2 FTE in Angeboten und Reporting. 12 Stunden pro Woche zurück — in 4 Wochen.

Familien­unternehmen mit ca. 80 Mitarbeitenden, Sondermaschinen­bau. Zwei Vollzeit­kräfte waren mit Angebots­erstellung und manuellem Reporting gebunden. Ein KI-Audit, drei produktive Use-Cases, ChatGPT plus n8n als Werkzeuge — ROI nach 7 Wochen.

Die Ausgangslage.

Der Mandant — wir nennen ihn hier den „Sondermaschinenbauer" — entwickelt seit über 40 Jahren kunden­spezifische Maschinen für die Verpackungs- und Lebensmittel­industrie. 80 Mitarbeitende, 14 Mio € Umsatz, EBITDA-Marge stabil bei 9–11 %. Geschäfts­führung in zweiter Generation, der Sohn des Gründers, 49 Jahre.

Das Problem war kein Wachstums­problem. Das Problem war ein Engpass: zwei Vollzeit­kräfte aus dem Vertriebs­innen­dienst und dem Controlling waren mit zwei Routine­aufgaben fast vollständig gebunden — und beide Aufgaben waren wiederholungs­lastig, aber nicht trivial.

• Angebots­erstellung: 4–8 Stunden pro Standard­angebot. Bei 12–18 Anfragen pro Woche zwei Personen am Limit. Kunden warteten regelmäßig 5–10 Tage auf Erst­angebote — Wettbewerber lieferten in 3 Tagen.
• Wochen­reporting: Vertriebs-Pipeline, Auftrags­bestand, Fertigungs­auslastung, Working Capital — manuell aus drei Systemen zusammen­gestellt. 6–8 Stunden pro Woche Aufwand für die Person, der GF las es Sonntagabend.

Was nicht funktioniert hätte.

Der GF hatte in den 12 Monaten davor schon einiges versucht und verworfen:

• „KI-Strategie-Workshop" bei einem klassischen Beratungs­haus. Angebot: 8 Wochen Konzept­phase, 35.000 €. Der GF spürte: das Ergebnis wäre eine Folien­mappe gewesen.
• ERP-Modul-Erweiterung für Angebots­konfigurator. Angebot: 9 Monate Implementierung, 110.000 €. Zu langsam, zu teuer für die anstehende Investitions­phase.
• Junior einstellen. Talent­knappheit im Vertriebs­innen­dienst, drei Stellen seit Monaten unbesetzt. Mehr Personal hätte das eigentliche Problem nicht gelöst.

Das Erstgespräch.

Beim Erstgespräch (60 Minuten, Video) zeigte sich schnell: die Voraussetzungen für eine KI-gestützte Lösung waren günstig. Standard­angebote folgten einem klaren Aufbau. Die ERP-Daten waren gepflegt, wenn auch in drei Systemen verteilt. Der GF war pragmatisch — kein KI-Skeptiker, kein KI-Enthusiast. Er wollte messbare Effekte, kein Strategie­dokument.

Wir empfahlen ein 4-Wochen-KI-Audit nach dem Crowd-Solution-Standard­format: Bestands­aufnahme, Use-Case-Mapping, Pilot-Implementation, Übergabe. Honorar 14.000 € netto. Beauftragung folgte nach drei Tagen.

Schwarm-Aktivierung.

Aus dem Crowd-Solution-Netzwerk wurden zwei Personen aktiviert:

Partner F — KI-Implementations­spezialist mit eigener Praxis seit 2022, Schwerpunkt n8n + LLM-Pipelines im Mittelstand. Hat in den letzten zwei Jahren 11 vergleich­bare KI-Audits durchgeführt. Übernimmt die technische Implementation und die Datenfluss-Architektur.

Partnerin G — Vertriebs-Innen­dienst-erfahrene Bereichs­leiterin aus dem Maschinenbau, kennt die Realität von Angebots­konfiguration aus eigener operativer Praxis. Übernimmt das Sparring mit der Vertriebs­leitung und die Akzeptanz-Begleitung im Team.

Woche 1 — Bestandsaufnahme.

Drei Einzel­gespräche à 60 Minuten mit GF, Vertriebs­leitung und der Person aus dem Controlling. Plus ein Daten-Sichtungs­tag mit Partner F im Betrieb. Was dabei rauskam:

• Standard-Angebote folgen einem Schema mit ca. 70 % Wieder­verwendung. Kunden­spezifische Anpassungen sind oft Variant­varianten, keine Neu­entwicklungen.
• Das ERP enthält brauchbare Stamm­daten (Artikel, Preise, Kunden­historie), aber kein angeschlossenes Angebots­modul.
• Die Wochen­reports sind in der Struktur seit Jahren stabil — der GF will dieselben acht Kennzahlen, plus Kommentar zu Auffälligkeiten.
• Reklamations­bearbeitung war ein dritter heimlicher Zeitfresser — kam nicht in der Auftrags­stellung vor, aber im Gespräch zur Sprache.

Woche 2 — Use-Case-Auswahl.

Aus 17 möglichen Anwendungs­ideen wurden drei priorisiert nach den Crowd-Solution-Kriterien (Wirkung in 90 Tagen, technisch machbar ohne Daten-Großprojekt, interner Champion verfügbar):

Use-Case 1 — Angebots­erstellung. n8n-Workflow: Vertriebler füllt ein 12-Felder-Briefing (Kunde, Produkt­variante, Stückzahl, Sonderwünsche). Ein LLM (ChatGPT-Enterprise-Account, EU-Hosting) erstellt aus den ERP-Stamm­daten und den drei jüngsten ähnlichen Angeboten einen Entwurf. Der Vertriebler korrigiert, ergänzt Sonder­anpassungen, schickt raus.

Use-Case 2 — Wochen­reporting. Sonntag­morgen läuft ein n8n-Workflow: zieht Daten aus ERP, Vertriebs-CRM und Bank-Konto­auszug, übergibt sie an ein LLM mit klarem Prompt-Template, erzeugt einen 1-Seiten-Report mit acht Kennzahlen plus Auffälligkeits­kommentar. Der GF erhält ihn Sonntag­abend per E-Mail.

Use-Case 3 — Reklamations­triage. Eingehende Reklamations-E-Mails werden automatisch klassifiziert (Kategorie, Dringlichkeit, vermutlicher Verantwortlicher). Routing per E-Mail an die richtige Person, mit Vorschlag für eine erste Antwort. Der Sachbearbeiter prüft und sendet — oder eskaliert.

Woche 3 — Pilot-Implementation.

Partner F baute die n8n-Workflows in einer abgegrenzten Test­umgebung. Drei zentrale technische Entscheidungen:

• n8n self-hosted auf einem deutschen Server (Hetzner). Damit bleiben Daten innerhalb der Kontrolle des Mandanten — DSGVO-konform.
• ChatGPT-Enterprise mit AVV und EU-Hosting. Personen­daten in den Angebots-Briefings (Ansprech­partner­namen) sind unkritisch verarbeitet.
• Manuelle Freigabe vor Versand bei Use-Cases 1 und 3. Kein autonomer Mailversand — der Mensch entscheidet immer am Ende.

Daten­schutz­erklärung wurde um den KI-Abschnitt erweitert (Standard-Bausteine), AVV mit OpenAI abgeschlossen, Verzeichnis von Verarbeitungs­tätigkeiten ergänzt. Aufwand für die Compliance-Schritte: ca. 4 Stunden.

Woche 4 — Übergabe und Schulung.

Zwei Workshops à 90 Minuten mit den drei Schlüssel­personen (Vertriebler, Innen­dienst, Controlling). Partnerin G moderierte — wichtig, weil bei Use-Case 1 die Sorge im Team da war, dass die KI „den Job ersetzt". Wurde mit Daten und mit dem GF-Statement entschärft: Ziel ist Zeit­gewinn für Kunden­kontakt, nicht Personal­abbau.

Übergabe-Dokumentation: 8 Seiten Bedien-Anleitung, Screencast-Videos für jede Routine, ein klarer Eskalations­pfad bei Tool-Problemen (Partner F bleibt 90 Tage als technischer Support an Bord, dann Übergabe an einen lokalen IT-Dienst­leister).

Was nach 7 Wochen messbar war.

Sieben Wochen nach Audit-Start meldete der GF die ersten harten Zahlen:

• Angebots­erstellung: Durchschnittliche Bearbeitungs­zeit von 5,5 auf 1,8 Stunden gesunken — minus 67 %. Kunden bekommen Erst­angebote jetzt in 1,5 Tagen statt 5–10. Erste Auftrags­zugänge, die der Vertriebs­leiter explizit auf die Antwort­geschwindigkeit zurück­führte.
• Wochen­reporting: Aufwand der Controlling-Person von 6–8 Stunden auf 30 Minuten gesunken — die freigewordene Zeit ging in Kosten­stellen­analysen, die seit Monaten liegen geblieben waren.
• Reklamations­triage: Erst­reaktions­zeit auf Kunden­reklamationen von durchschnittlich 1,3 Tagen auf 4 Stunden. Eskalations­quote zur Geschäfts­führung um zwei Drittel gesunken, weil die richtige Person sofort Bescheid wusste.

Gesamt­zeitersparnis: ~12 Stunden pro Woche, also 30 % einer Vollzeit­stelle. Die zwei FTE waren nicht weniger ausgelastet — sie verbrachten die freigewordene Zeit mit Kunden­kontakt, Auftrags­nachverfolgung und Auftrags­bestand­steuerung. Mess­bare Effekte auf die Auftrags­quote in den nächsten Quartalen.

Investment und Folgekosten.

Audit-Honorar: 14.000 € netto für 4 Wochen. Implementations­kosten: einmalig ca. 3.500 € für n8n-Server-Setup und Workflow-Programmierung durch Partner F. Laufende Kosten: n8n-Server (Hetzner) ~25 €/Monat, ChatGPT-Enterprise (3 Lizenzen) ~210 €/Monat, OpenAI-API-Credits für die n8n-Workflows ~80–120 €/Monat — insgesamt ca. 320–360 €/Monat.

Bei einer eingesparten 0,3-FTE-Kapazität (Brutto-Personalkosten ~22.000 €/Jahr) liegt der ROI rechnerisch nach 7 Wochen, wenn man Audit + Implementation als Einmalkosten setzt. Der GF rechnet konservativer mit 9–12 Wochen, weil die freigewordene Kapazität nicht 1:1 in Personal­einsparung übersetzt wird, sondern in Kunden­zeit fließt — was wiederum auf Auftrags­zugang einzahlt, schwerer messbar aber wirtschaftlich relevant.

Was 6 Monate später passiert ist.

Der Mandant hat in den darauf­folgenden Monaten zwei weitere Use-Cases hinzugefügt — selbstständig, ohne Crowd-Solution-Begleitung: automatisches Erstellen von Liefer­scheinen aus Auftrags­daten, und ein Ticket­routing für Service­anfragen. Beide laufen mit derselben n8n-Infrastruktur.

Das ist für uns das eigentliche Erfolgs­signal. Ein KI-Audit, das nach Übergabe stehen bleibt, ist halb gelungen. Eines, bei dem das Mandanten­team selbst weiterbaut, ist gelungen.

Was das beispielhaft zeigt.

KI im Mittelstand 2026 funktioniert nicht über große KI-Strategien. Sie funktioniert über drei klar abgegrenzte Use-Cases, die wirklich produktiv werden — mit Werkzeugen, die heute funktionieren (ChatGPT, n8n, ein gepflegtes ERP), DSGVO-konform aufgesetzt, mit klarer Rollen­verteilung zwischen Mensch und Maschine. Der Schwarm hilft, weil zwei Spezial­profile zusammen­arbeiten (technische Implementation + Akzeptanz-Begleitung) — etwas, das ein einzelner KI-Berater selten gleich­zeitig kann.

Sie haben einen ähnlichen Engpass — eine oder zwei Personen gebunden in Routine­arbeit, die nicht wegfallen darf? Erstgespräch buchen — 30 Minuten, ergebnis­offen. Wenn ein KI-Audit sinnvoll ist, sagen wir es. Wenn nicht, auch.

Hinweis zur Anonymität: Branche, Mitarbeitendenzahl, Umsatz und konkrete Zeitwerte wurden zur Wahrung der Vertraulichkeit angepasst, ohne den Kern der Geschichte zu verändern. Der zeitliche Ablauf, die eingesetzten Werkzeuge und die Rollen­verteilung im Schwarm entsprechen einem realen Mandat. Konkrete Referenzen nennen wir auf Anfrage und mit Mandanten­freigabe.