Kleine Unternehmen tragen die Hälfte der wirtschaftlichen Last und erhalten einen Bruchteil der KI-Diskussion
Das vorherrschende Narrativ über künstliche Intelligenz und Wirtschaft weist eine strukturelle Verzerrung auf, die selten beim Namen genannt wird: Es ist fast ausschließlich um Unternehmen mit mehr als 500 Mitarbeitern herum aufgebaut. Nicht weil große Konzerne interessanter wären, sondern weil sie für Technologieanbieter berechenbarere Verträge, relativ kürzere Verkaufszyklen und wiederkehrende Einnahmequellen darstellen, die Ausgaben für Vertrieb und Marketing rechtfertigen. Die Logik ist aus der Perspektive der Verkäuferwirtschaft nachvollziehbar. Das Problem ist, dass diese Logik das Bild davon verzerrt hat, wo die eigentliche Arbeit in der Wirtschaft stattfindet.
Laut Daten der US-amerikanischen Small Business Administration, zitiert von Fast Company, sind in den USA rund 36 Millionen Kleinunternehmen tätig, die 46 % der Beschäftigten im Privatsektor beschäftigen. Von diesem Universum haben rund 88 % weniger als 20 Mitarbeiter. Sie sind keine Anhängsel des Arbeitsmarkts: Sie sind sein Rückgrat. Wenn künstliche Intelligenz die Arbeitsproduktivität transformieren soll, kann dieser Prozess nicht nur in den Führungsetagen der Fortune-500-Unternehmen stattfinden.
Diese Diskrepanz zwischen dem Ort, an dem die Debatte stattfindet, und dem Ort, an dem die Arbeit gelebt wird, ist der Ausgangspunkt, um zu verstehen, was wirklich bei der KI-Adaption im Segment der kleinen und mittleren Unternehmen (KMU) passiert – und warum die jüngsten Daten ein komplexeres Bild zeichnen als der Konsens von vor gerade einmal zwei Jahren.
Zwei Studien, zwei Segmente, ein Bruch, der zeigt, wo das eigentliche Problem liegt
Im Jahr 2024 war der wissenschaftliche und unternehmensberatungsbezogene Konsens recht einheitlich: Nur wenige Kleinunternehmen hatten KI in bedeutsamer Weise eingeführt. Bis 2026 zersplitterte dieser Konsens – nicht weil die Daten von 2024 falsch waren, sondern weil zwei neuere Studien auf unterschiedliche Populationen hinweisen und einen Riss aufdecken, der sorgfältig analysiert werden sollte.
Eine Studie von Goldman Sachs über 10.000 Kleinunternehmen ergab, dass rund drei Viertel bereits KI nutzen, wobei 84 % Verbesserungen bei Produktivität und Effizienz meldeten. Gleichzeitig gaben nur 14 % an, KI in ihre Kernabläufe integriert zu haben. Die National Federation of Independent Business (NFIB), deren Stichprobe sehr kleine und traditionelle Betriebe wie Klempner oder Cateringdienstleistungen umfasst, stellte fest, dass lediglich 25 % ihrer Befragten angaben, KI-Tools zu verwenden.
Diese beiden Zahlen widersprechen sich nicht: Sie beschreiben verschiedene Teilmärkte innerhalb des Universums kleiner Unternehmen. Goldman erfasst tendenziell digital ausgerichtete Unternehmen wie E-Commerce oder professionelle Dienstleistungen. Die NFIB spiegelt das traditionellere, arbeitsintensivere Gewerbe wider. Der Abstand zwischen beiden Zahlen misst nicht den Optimismus oder Pessimismus gegenüber KI; er misst die strukturelle Kluft zwischen Unternehmen mit digitaler Infrastruktur und solchen ohne.
Was aus der Perspektive der Geschäftsmodellanalyse entscheidend ist, ist nicht, welche Zahl „richtig" ist. Was zählt, ist, dass die 14 % Integration in Kernabläufe aus der Goldman-Studie – selbst unter der empfänglichsten Population – die reale Adoptionsobergrenze von heute offenbart. Drei Viertel nutzen irgendein KI-Tool, aber nur ein kleiner Bruchteil hat es zu einem Bestandteil gemacht, der verändert, wie das Unternehmen tatsächlich funktioniert. Der Rest befindet sich in einer Zone peripherer Experimente, die marginale Verbesserungen erzeugt, aber die Architektur der Arbeit nicht verändert.
Das JPMorgan Chase Institute dokumentierte diese Dynamik aus einem anderen Blickwinkel. Anhand von Transaktionsdaten aus Geschäftsbankkonten zwischen 2019 und 2025 verzeichnete es, wie die Zahlungen kleiner Unternehmen an KI-Dienste von durchschnittlich rund 50 US-Dollar monatlich im Jahr 2019 auf 20–30 US-Dollar monatlich im Jahr 2025 sanken – ein Zeichen dafür, dass die Einstiegskosten weit genug gefallen sind, um den Zugang zu erweitern. Außerdem stellte es fest, dass Unternehmen, die KI nutzen, im Laufe der Zeit dazu neigen, mehr Dienste und mehr Arten von Diensten zu bezahlen, was darauf hindeutet, dass Einsteiger dazu neigen, sich zu konsolidieren und nicht aufzugeben. Doch die Kluft zwischen Unternehmen mit und ohne Angestellte sowie zwischen wissensintensiven und körperlich arbeitsintensiven Sektoren bleibt bestehen, ohne dass die Preissenkungen sie geschlossen hätten.
Das bestätigt etwas, das reine Adoptionszahlen nicht aussagen: Das Hemmnis ist in erster Linie nicht der Preis. Es ist die Integrationsfähigkeit.
Der Markt für KMU-Tools als Feld des Wettbewerbspositioning
Die Reaktion der Technologieanbieter auf diese Integrationslücke folgt einer eigenen Positionierungslogik, und es lohnt sich, sie zu analysieren, weil sie zeigt, wer welche Wette eingeht und welchen Verzicht jede einzelne impliziert.
Microsoft und Google haben den Weg des geringsten Widerstands gewählt: KI-Fähigkeiten direkt in Produkte zu integrieren, die Kleinunternehmen bereits nutzen. Copilot innerhalb von Microsoft 365 und Gemini innerhalb von Google Workspace sind Wetten darauf, dass der beste Adoptionsvektor nicht darin besteht, einen Geschäftsinhaber davon zu überzeugen, ein neues Tool einzuführen, sondern das Tool, das er täglich öffnet, mit mehr Leistungsfähigkeit auszustatten. Das ist eine Distributionsstrategie, die die Nutzerakquisitionskosten senkt und den wahrgenommenen Wert des bestehenden Abonnements erhöht. Der damit verbundene Verzicht ist die Tiefe: Eine horizontale Integration über alle Unternehmensfunktionen hinweg erschwert die Spezialisierung auf die spezifischen Bedürfnisse jedes Unternehmenstyps.
Intuit, HubSpot und Zapier repräsentieren ein anderes Modell: Plattformen, die Kleinunternehmen seit Jahren in spezifischen Funktionen bedient haben (Buchhaltung, CRM, Workflow-Automatisierung) und die KI-Schichten über Anwendungsfälle legen, die sie bereits gut verstehen. Der strukturelle Vorteil hier liegt im Kontextwissen: Ein Buchhaltungsunternehmen, das bereits die Finanzdaten von Hunderttausenden kleiner Unternehmen verarbeitet, ist in einer privilegierten Position, um Agenten zu trainieren, die reale Cashflow-Muster oder Risikowarnungen verstehen. Der Verzicht ist die Geschwindigkeit: Konsolidierte Plattformen mit KI-Logik zu erneuern, ohne das zu zerstören, was Kunden bereits beherrschen, ist ein langsamer Prozess.
Anthropic traf diese Woche mit der Einführung von Claude für Kleine Unternehmen eine explizitere Positionierungsentscheidung: ein Paket aus Workflows, Fähigkeiten und Integrationen, die speziell für häufige Funktionen in diesem Segment entwickelt wurden. Das Interessante an dieser Wette ist nicht das Produkt selbst, sondern was es darüber verrät, wo Anthropic den Engpass sieht. Laut Lina Ochman, zuständig für den KMU-Markt bei Anthropic, wissen rund 32 % der Mitarbeiter in diesem Segment nicht, wie oder wann sie KI einsetzen sollen, und 64 % möchten über grundlegende Chatbots hinausgehen hin zu Agenten, die vollständige Workflows verwalten, haben aber keinen klaren Weg dorthin.
Diese Einschätzung definiert das Produkt: Wenn das Problem nicht der Preis oder die Verfügbarkeit ist, sondern die Fähigkeit, einen betrieblichen Bedarf in eine Anweisung oder einen Workflow für ein KI-Tool zu übersetzen, dann besteht die Lösung darin, die Distanz zwischen dem Anwendungsfall und der Implementierung zu reduzieren. Die vorkonzipierten Workflows funktionieren als Integrations-Templates, nicht als Code. Anthropics Wette ist, dass das wertvollste Segment nicht das Kleinunternehmen ist, das bereits weiß, wie man Agenten baut, sondern das, welches es gerne täte, aber nicht weiß, wo es anfangen soll.
Der implizierte Verzicht dieser Wette ist klar: Vorkonzipierte Workflows funktionieren gut für die gängigsten Anwendungsfälle und verlieren an Präzision bei spezifischen. Ein Unternehmen, das die Verwaltung von Frachtgebührenstreitigkeiten automatisieren muss – wie der im Originalartikel dokumentierte Fall von Rebel Cheese –, wird das mit einem generischen Paket nicht lösen. Es muss etwas Maßgeschneidertes bauen, und dieser Prozess dauerte Monate, selbst mit verfügbaren technischen Kapazitäten. Das Segment, das Anthropic priorisiert, ist das, das 80-%-Lösungen benötigt, nicht das, das 100-%-Lösungen braucht.
Die echte Integration kostet Zeit, nicht nur Geld, und das verändert die Machbarkeitsanalyse
Der Fall von Rebel Cheese, dem veganen Käseunternehmen in Austin, das im Fast-Company-Artikel erwähnt wird, dient als präziser Referenzpunkt dafür, was KI-Integration in Kernabläufe für ein Kleinunternehmen wirklich bedeutet. Die Mitgründerin stellte fest, dass das Unternehmen rund 50.000 US-Dollar monatlich an überhöhten Spediteurgebühren zahlte. Sie nutzte Claude, um das Problem zu diagnostizieren und ein System für automatisierte Streitbeilegungen zu entwerfen, unter Verwendung eines Agenten-Orchestrierungstools namens Manus. Der Prozess dauerte Monate, umfasste mehrere Iterationen und erforderte erhebliche Zeit ihrerseits zum Testen und Anpassen.
Das potenzielle Ergebnis ist substanziell: 50.000 US-Dollar monatlich zurückzugewinnen, ist eine materielle Differenz in der Finanzstruktur jedes Kleinunternehmens. Aber die Kosten, dorthin zu gelangen, beschränkten sich nicht auf den Preis des Claude-Abonnements. Es war die Zeit einer Gründerin, die wahrscheinlich Dutzende anderer gleichzeitiger Verantwortlichkeiten hat, die Fähigkeit, während des Iterationsprozesses mit Zwischenmisserfolgen umzugehen, und ausreichende technische Kompetenz, um zu verstehen, was sie aufbaute.
Das ist der Punkt, den aggregierte Adoptionsdaten nicht gut erfassen. Wenn die 14 % der von Goldman befragten Kleinunternehmen angeben, KI in ihre Kernabläufe integriert zu haben, umfasst diese Zahl Unternehmen, die genau das getan haben, was Rebel Cheese getan hat, und die wahrscheinlich ähnliche Profile aufweisen: Gründer mit technischer Erfahrung oder mit der Zeit und der Bereitschaft, in Iteration zu investieren. Der Rest der 75 %, die angeben, KI zu „nutzen", befindet sich mehrheitlich im Bereich der Inhaltsgenerierung, Zusammenfassungen oder E-Mail-Assistenten – Anwendungen mit echtem Mehrwert, die aber die Mechanik des Unternehmens nicht verändern.
Die Distanz zwischen diesen beiden Nutzungstypen schließt sich nicht allein durch zugänglichere Tools. Sie schließt sich durch Zeit, durch die Fähigkeit, betriebliche Probleme in Automatisierungsstrukturen zu übersetzen, und durch Toleranz gegenüber Zwischenmisserfolgen. Diese drei Dinge haben im Universum von 36 Millionen Kleinunternehmen sehr unterschiedliche Verteilungen. Die größeren Unternehmen des Segments, mit mehr Mitarbeitern und mehr Ressourcen, haben von allen dreien mehr. Mikrounternehmen mit weniger als 5 Personen haben weniger davon.
Dies hat Implikationen dafür, wie Produkte bewertet werden sollten, die auf das Segment abzielen. Ein vorkonfigurierter Workflow von Claude für Kleine Unternehmen kann die technische Barriere für jemanden beseitigen, der weiß, was er braucht. Er löst nicht das Problem desjenigen, der noch nicht formulieren kann, was er in Begriffen braucht, die ein KI-Tool ausführen kann. Und diese zweite Barriere ist es, die laut den eigenen Daten von Anthropic 32 % der Mitarbeiter im Segment blockiert.
Das Kleinunternehmenssegment als Designproblem, nicht als Skalierungsproblem
Was sich aus diesem Bild ergibt, ist keine Geschichte einer verspäteten Adoption, die sich von selbst löst, wenn die Preise fallen und die Tools besser werden. Es ist eine Geschichte über die strukturelle Heterogenität eines Segments, das Analysen dazu neigen, als einheitlich zu behandeln.
Das Universum der Kleinunternehmen hat keine einzige Adoptionskurve, sondern mehrere parallele Kurven, die Teilmärkten mit radikal unterschiedlichen Kapazitäten, Anreizen und Reibungspunkten entsprechen. Ein E-Commerce-Unternehmen mit fünf Mitarbeitern und vollständig digitalem Betrieb hat mehr gemeinsam mit einem mittelgroßen Technologieunternehmen als mit einer lokalen Schreinerei mit zwei Personen. Dieselbe Adoptionsanalyse oder dasselbe Produkt auf beide anzuwenden, hat keine strukturelle Grundlage.
Die Anbieter, die in diesem Segment an Boden gewinnen, sind diejenigen, die mit ausreichender Präzision gewählt haben, an wen sie verkaufen, um das passende Angebot zu gestalten. Microsoft und Google verkaufen an diejenigen, die bereits in ihrer Infrastruktur sind. Intuit verkauft an diejenigen, die bereits ihre Plattformen nutzen. Anthropic setzt mit Claude für Kleine Unternehmen auf ein spezifisches Segment: Unternehmen mit ausreichender Digitalisierung, um identifizierbare Workflows zu haben, aber ohne die Zeit oder das technische Personal, um Automatisierungen von Grund auf zu entwickeln.
Dieser implizite Verzicht – nicht zu versuchen, 100 % des Marktes von 36 Millionen Unternehmen zu erfassen, sondern ein Segment, das durch Absorptionsfähigkeit und klare Anwendungsfälle definiert ist – ist genau das, was dem Produkt Rückgrat verleiht. Ein generisches Paket für alle Kleinunternehmen müsste so einfach sein, dass es keine komplexen Probleme löst, oder so flexibel, dass es dasselbe Maß an Expertise erfordert wie ein Aufbau von Grund auf.
Der Knoten, für den noch keine offensichtliche Lösung existiert, ist das kleinste und traditionellste Segment: Unternehmen mit weniger als 5 Personen in arbeitsintensiven Sektoren, ohne konsolidierte digitale Infrastruktur, bei denen die 25-%-Adoptionsrate der NFIB den operativen Einsatz wahrscheinlich überschätzt. Für dieses Segment ist die Barriere weder technologischer noch wirtschaftlicher Natur im konventionellen Sinne. Es ist eine Frage der Aufmerksamkeitsdichte: Der Inhaber, der gleichzeitig fünf Rollen ausübt, hat keinen kognitiven Spielraum, um mit neuen Systemen zu experimentieren, selbst wenn der Einstiegspreis 25 US-Dollar monatlich beträgt.
Keiner der großen Anbieter hat heute eine strukturell überzeugende Antwort für dieses Segment, und die Frage, ob es sich lohnt, eine zu haben, hängt davon ab, ob die Produktökonomie die Akquisitions- und Supportkosten trägt, die dies erfordern würde. Vorerst hat der Markt, der sich mit größter Geschwindigkeit entwickelt – der der kleinen, aber digital reifen Unternehmen –, eine ausreichende Größe, um den bereits stattfindenden Wettbewerb zu rechtfertigen. Das traditionellere Segment wird für eine schwer abzuschätzende Zeit ein Problem der öffentlichen Politik bleiben, mehr als ein Problem kommerzieller Produkte.
