KI-Tools für KMU: Was wirklich funktioniert und was nicht

Die italienische Datenschutzbehörde Garante verhängte im Dezember 2024 eine Geldstrafe von 15 Millionen Euro gegen OpenAI wegen mutmasslicher DSGVO-Verstösse beim Betrieb von ChatGPT. Die Entscheidung wird seither juristisch angefochten; das Verfahren ist noch nicht abgeschlossen. Unabhängig vom Ausgang zeigt es, wie ernst europäische Aufsichtsbehörden den Datenschutz bei KI-Diensten nehmen. Sie hat eine Überprüfungsdebatte ausgelöst, die seither weitere EU-Behörden beschäftigt. Für KI-Tools für KMU im DACH-Raum stellt sich damit weniger die Frage, ob Datenschutzbehörden KI-Dienste ins Visier nehmen, als wie sich dieser Druck weiterentwickelt. Dabei beginnen die meisten KI-Einführungsprojekte in KMU mit einer harmlosen Anfrage: "Kann ChatGPT nicht schlicht unsere Angebote schreiben?" Technisch ja; rechtlich und operativ unter den Bedingungen des DACH-Raums im Jahr 2026 ist die Antwort erheblich komplizierter.

Was KI-Tools für KMU heute konkret leisten

Praktisch einsetzbar sind KI-Tools in drei Bereichen: Textproduktion, interne Wissensarbeit und Prozessunterstützung.

Für Angebots- und Kommunikationstexte liefern Modelle wie ChatGPT, Claude oder Jasper zuverlässige Ergebnisse: vorausgesetzt, die Prompts enthalten keine personenbezogenen Kundendaten. Viele Handwerksbetriebe, Rechts- und Steuerkanzleien sowie freiberufliche Dienstleister nutzen diese Tools bereits für Angebotsentwürfe, Zusammenfassungen oder interne Protokolle. Das funktioniert gut, solange Prompts generisch bleiben und nicht mit Kunden- oder Mitarbeiterdaten angereichert werden.

Für dokumentenbasiertes Wissensmanagement bieten RAG-Systeme (Retrieval-Augmented Generation) eine strukturiertere Lösung. Solche Systeme können so konfiguriert werden, dass keine Dokumente an externe Server übertragen werden. Das hängt aber von der konkreten Architektur, dem Hosting-Setup und dem eingesetzten Modell ab. Lokal betriebene RAG-Setups (z.B. mit Ollama oder privaten Cloud-Instanzen) bieten diese Datentrennung; SaaS-basierte Varianten nicht zwingend. Für KMU, die mit sensiblen Vertrags- oder Projektunterlagen arbeiten, ist dieses Modell deutlich besser geeignet als ein öffentliches Chat-Interface. Wie RAG technisch funktioniert und warum es für datensensible Betriebe relevant ist, erklärt der Artikel RAG erklärt: Wie KI mit eigenen Dokumenten arbeitet.

Darüber hinaus lassen sich repetitive Prozesse regelbasiert automatisieren: Klassifizierung eingehender E-Mails, Vorstrukturierung von Angeboten auf Basis von Projektvorlagen oder die automatische Zusammenfassung von Besprechungsprotokollen aus Audioaufnahmen. In diesen Anwendungsfällen unterstützt das Modell vorbereitend, ohne eigenständige Entscheidungen zu treffen. Das das regulatorische Risiko erheblich reduziert. Laut Bitkom-Studie 2025 nutzt bereits jedes dritte deutsche Unternehmen KI aktiv, der Anteil hat sich gegenüber dem Vorjahr fast verdoppelt. Die Nachfrage ist real, aber die Governance-Infrastruktur in KMU hält mit dieser Wachstumsrate nicht Schritt.

Microsoft 365 Copilot ist für viele DACH-KMU der naheliegende Einstieg, weil er sich nahtlos in bestehende Office-Workflows integriert. Microsoft 365 Copilot sichert kommerziellen Kunden zu, dass Prompts und Antworten nicht zum Training der zugrundeliegenden Modelle verwendet werden. Für KMU relevant: Diese Zusagen gelten für kommerzielle Microsoft-365-Lizenzen mit Copilot-Add-on: noch kein für alle Consumer-Angebote. Wer Copilot im Unternehmenskontext einsetzt, sollte die konkreten Datenschutzzusagen seiner Lizenz prüfen.

An dieser Stelle lässt sich ein erstes Fazit ziehen: Die verfügbaren Tools sind gut genug. Das Problem liegt weniger im Produktangebot als in der fehlenden Infrastruktur auf Unternehmensseite: Governance, Datenschutz-Know-how und interne Zuständigkeiten.

Die schwächste Annahme: "KI ist für KMU sofort einsatzbereit"

Die meisten KI-Einführungspläne in KMU ruhen auf einer Grundannahme: Das Tool ist fertig: man muss es nur aktivieren und die Mitarbeitenden einweisen. Diese Annahme stimmt nicht.

Erstens setzt eine rechtskonforme KI-Einführung dann eine Datenschutzfolgenabschätzung (DSFA) voraus, wenn der geplante Einsatz für betroffene Personen ein voraussichtlich hohes Risiko mit sich bringt: etwa bei KI-gestützter Auswertung von Mitarbeiterdaten, der Verarbeitung besonderer Datenkategorien oder einer umfangreichen automatisierten Überwachung. Bei CRM-Integration, personalisierten Kundenkommunikationsprozessen oder KI-gestützten HR-Anwendungen ist dieses Risikokriterium häufig erfüllt. Eine DSFA verlangt IT- und Rechtskenntnisse, die in einem Betrieb mit 20 Mitarbeitenden in aller Regel fehlen.

Zweitens fehlt in den meisten KMU eine interne KI-Governance: Wer entscheidet, welche Tools freigegeben sind? Wer kontrolliert, ob diese Entscheidung eingehalten wird? Ohne schriftliche Nutzungsrichtlinie entsteht unweigerlich Schatten-KI, also der unkontrollierte Parallelbetrieb privater oder nicht freigegebener Tools im Arbeitsalltag. Nach aktuellem Befund ist das häufigste Compliance-Risiko in KMU-Umgebungen.

Drittens kostet die Einführung Zeit, die KMU typischerweise nicht eingeplant haben: Prompt-Entwicklung, Tool-Konfiguration, Mitarbeiterschulungen, Datenschutz-Check, laufende Pflege. Wer das unterschätzt, landet bei einem Tool, das nach drei Monaten unkontrolliert weiterläuft oder im Regal verstaubt.

Die Annahme "sofort einsatzbereit" erzeugt falsche Erwartungen bei Geschäftsführern, verschiebt Compliance-Aufwand auf einen undefinierten späteren Zeitpunkt und treibt die Entstehung von Schatten-KI aktiv voran. Wer KI in einem KMU einführt, sollte mit dem internen Rahmen beginnen, nicht mit dem Tool-Test.

Regulatorischer Rahmen: EU AI Act und Schweizer DSG im Konflikt mit KMU-Praxis

Die Zeitachse des EU AI Act ist gestaffelt: die vollständigen Hochrisiko-Pflichten greifen ab dem 2. August 2026, wobei für bestimmte in regulierte Produkte eingebettete Systeme spätere Fristen gelten. Eine vollständige Übersicht der Fristen und betroffenen Systemkategorien bietet der Artikel EU AI Act 2026: Welche Hochrisiko-KI-Systeme jetzt reguliert werden.

Artikel 6 legt fest, welche Systeme als hochriskant einzustufen sind: darunter KI-Tools im HR-Bereich (Bewerbervorauswahl, Leistungsüberwachung) sowie im Kredit- und Finanzwesen. Artikel 13 schreibt Transparenz und lückenlose Dokumentation vor; Artikel 50 regelt Kennzeichnungspflichten für bestimmte KI-Systeme: darunter Chatbots und KI-generierte Inhalte, die als menschlich wahrgenommen werden könnten.

Für ein KMU, das ChatGPT für Angebotsentwürfe nutzt, klingt das zunächst abstrakt. Konkret wird es, sobald ein KI-Tool automatisierte oder automatisierungsunterstützte Entscheidungen trifft: Ein Tool, das Kreditwürdigkeit bewertet, Bewerberprofile vorselektiert oder Vertragsrisiken einstuft, kann unter die Hochrisiko-Kategorie fallen: auch wenn es im Marketing als "intelligenter Assistent" vermarktet wird.

In der Schweiz kommt das revidierte Datenschutzgesetz (DSG) dazu. Artikel 6 definiert Grundprinzipien der Datenbearbeitung: Zweckbindung, Verhältnismässigkeit und Erkennbarkeit für Betroffene. Artikel 21 stellt besondere Anforderungen an automatisierte Einzelentscheidungen, die Rechtsfolgen für Betroffene haben oder diese erheblich beeinträchtigen: Betroffene haben das Recht, eine nachvollziehbare Erklärung zu verlangen und die Entscheidung manuell überprüfen zu lassen.

Das erzeugt einen strukturellen Konflikt, der DACH-KMU direkt trifft: KI-Tools sind primär darauf ausgelegt, Entscheidungen zu beschleunigen und zu automatisieren. Das Schweizer DSG verlangt im Gegenzug Erklärbarkeit und menschliche Überprüfbarkeit: in einer Form, die für viele Black-Box-Modelle technisch kaum realisierbar ist. Wer diesen Konflikt ignoriert, riskiert Bussgelder und zivilrechtliche Haftungsansprüche von Betroffenen.

Die Wahl zwischen Open-Source- und proprietären Modellen hat an diesem Punkt direkte Compliance-Konsequenzen: Lokal betriebene Open-Source-Modelle lösen zumindest das Datentransfer-Problem, erzeugen aber eigene Governance-Anforderungen. Eine strukturierte Entscheidungshilfe dazu bietet der Artikel Open-Source vs. proprietäre KI-Modelle: Wann welches?.

Wo KMU-Projekte im Betrieb scheitern

Schatten-KI ist das grösste operative Risiko und zugleich das schwierigste zu kontrollieren. ChatGPT Free, Perplexity, Gemini und DeepSeek sind mit einem Klick im Browser verfügbar. Mitarbeitende sehen oft keinen Grund, die private Nutzung zu melden, und Unternehmen ohne klare Richtlinie haben keine Grundlage, sie dazu anzuhalten. Das Ergebnis ist eine unkontrollierte Daten-Exfiltrationszone, die von keiner Governance erfasst wird. DeepSeek verdient dabei besondere Aufmerksamkeit: Die italienische Datenschutzbehörde Garante hat den Dienst am 30. Januar 2025 vorläufig gesperrt; die Berliner Datenschutzbehörde hat DeepSeek im Kontext erhöhter Datenschutzrisiken geprüft. Wer DeepSeek in einem Umfeld einsetzt, das DSGVO-pflichtige Kundendaten verarbeitet, trägt ein erhöhtes Haftungsrisiko.

Vendor Lock-in entsteht schnell und wird unterschätzt. Wer früh auf ein proprietäres KI-System setzt: Microsoft Copilot, Salesforce Einstein oder ein branchenspezifisches SaaS-Tool: bindet sich an dessen Preispolitik, API-Stabilität und künftige Compliance-Entscheidungen des Anbieters. Ändert der Anbieter seine Datenschutzbedingungen oder erhöht Preise erheblich, ist der Wechsel mit erheblichem Migrationsaufwand verbunden. KMU ohne eigene IT-Abteilung unterschätzen dieses Risiko systematisch, weil es im Einführungsmoment unsichtbar ist.

Technical Debt durch KI-Infrastruktur ist die am wenigsten diskutierte Langzeitlast. Prompt-Bibliotheken veralten, Modell-Updates verändern Ausgaben unerwartet, Integrations-Skripte brechen bei API-Änderungen. Wer KI-Tools produktiv in Workflows einbindet, schafft Abhängigkeiten, die langfristig Wartung erfordern. Das ist eine versteckte Personalanforderung, die in den meisten KI-Einführungsplänen nicht vorkommt und die sich erst zwölf bis 18 Monate nach dem Launch bemerkbar macht.

Was sich für IT und Compliance konkret ändert

Regulatorische Fragmentierung als dauerhafte operative Last

Bis Ende 2027 laufen in der DACH-Region drei parallele Regelwerke im Vollbetrieb: EU AI Act mit vollständiger Anwendung, nationales DSGVO-Enforcement mit KI-spezifischen Aufsichtsleitlinien und in der Schweiz das DSG mit wachsender Behördenpraxis zu automatisierten Entscheidungen. Für IT-Projektleiter in KMU bedeutet das: Compliance wird ein kontinuierlicher Prozess mit sich verändernden Anforderungen, kein einmaliges Audit-Ereignis und zunehmend überschneidenden Zuständigkeiten. Wer jetzt keine interne Governance aufbaut, wird in 18 Monaten mit retroaktiver Aufräumarbeit beschäftigt sein und dabei gleichzeitig laufende Projekte begleiten müssen.

KI-Kompetenz als Einstellungskriterium verschiebt Marktmacht zu Grossunternehmen

Es zeichnet sich ab, dass Arbeitnehmer mit solider KI-Kompetenz: Prompt Engineering, RAG-Architektur, Compliance-Kenntnisse: zunehmend Positionen in Grossunternehmen mit strukturierten KI-Programmen bevorzugen. Wenn diese Verschiebung eintritt, verschärft sie die ohnehin bestehende Kompetenzlücke in KMU: unabhängig davon, welche Tools verfügbar oder erschwinglich sind. Die These ist plausibel, hängt aber von Arbeitsmarktdynamiken ab, die sich noch entwickeln.

Automatisierungsunterstützte Haftungslücken als juristisches Neuland

Ein spezifisches Risiko, das in KMU-Praxis selten diskutiert wird: Wenn ein KI-Tool eine Empfehlung produziert, etwa eine Angebotspreiskalkulation, eine Bonitätsbewertung oder eine Vertragsklausel, und ein Mitarbeitender diese ungeprüft übernimmt, entsteht eine Grauzone zwischen menschlicher und maschineller Verantwortung. Eine gefestigte Rechtsprechung zu dieser Haftungsfrage fehlt noch. KMU, die keine internen Prüfschritte für KI-generierte Empfehlungen definieren, exponieren sich für Haftungsszenarien, die heute noch nicht vollständig absehbar sind.

Fazit

KI-Tools für KMU sind kein Selbstläufer. Sie sind aber auch kein Grund zur Lähmung. Der realistische Einstieg beginnt mit einer internen Bestandsaufnahme vor dem Tool-Test: Welche Daten verarbeitet das Unternehmen? Welche Prozesse lassen sich automatisieren, ohne in die Hochrisiko-Kategorien des EU AI Act zu fallen? Wer trägt intern Verantwortung für Auswahl, Freigabe und Kontrolle?

Die Frage ist letztlich weniger, ob KI-Tools für KMU prinzipiell funktionieren. Sie ist präziser zu stellen: Welche KMU verfügen über die Kapazität, den Einsatz so zu strukturieren, dass er in drei Jahren noch rechtlich und operativ tragfähig ist, und welche schaffen sich mit demselben Tool still und leise ein Haftungsrisiko an?