Use Cases finden. Teams aufbauen. In Betrieb bringen.
Microteaming plant, besetzt und baut Vorhaben aus Data, digitalen Produkten und KI mit Teams von drei bis fünf Menschen, verstärkt durch KI-Agenten. Das Team stellen wir aus Ihrem Haus, mit Freelancern oder gemischt, für Inhaber, Geschäftsführung und Fachbereiche im Mittelstand und in Familienunternehmen.
Eine Beratung, die selbst umsetzt. Wir finden mit Ihnen den Anwendungsfall, der sich lohnt, stellen ein kleines Team für ihn auf und liefern, bis die Lösung im Alltag läuft.
Kleine Teams brauchen weniger Abstimmung. Vier Personen haben sechs Kommunikationswege, zwölf Personen haben 66; das Netz am Anfang dieser Seite zeigt beides.
Die Besetzung organisieren wir, mit Ihren Mitarbeitenden, mit Freelancern oder gemischt. Jedes Team bekommt ein Ziel, eine Kennzahl und vom ersten Tag an Zugang zu Daten und Werkzeugen.
Anatomie eines MicroteamsDrei Rollen um einen Use Case, umgeben von KI-Agenten. Ein Mensch gibt das Ziel vor, die Agenten führen aus, ein Mensch prüft und gibt frei.
aus Ihrem Haus
Freelance
KI-Agent
Leistungen
Was wir umsetzen
Data
Wir führen verstreute Daten zu einer Basis zusammen, auf die sich Geschäftsführung und Fachbereiche verlassen können. Berichte, Kennzahlen und Prognosen entstehen danach aus einer Quelle.
Datenplattform und Reporting für die Steuerung
Zusammenführung von ERP, CRM und Fachsystemen
Prognosen für Absatz, Bedarf und Auslastung
Digitale Produkte
Wir entwickeln Software, die Abläufe im Unternehmen vereinfacht oder Kunden eine neue Leistung bietet. Das Team baut vom ersten Prototyp bis zur Anwendung im täglichen Einsatz.
Interne Werkzeuge, die manuelle Abläufe ablösen
Portale und Self-Service für Kunden und Partner
Neue digitale Leistungen bis zum ersten Markttest
KI
Wir setzen KI dort ein, wo sie messbar Arbeit abnimmt, und jedes Ergebnis bleibt für einen Menschen prüfbar. Dazu gehören klare Regeln, wer KI wofür nutzt und wer freigibt.
Auswertung von Rechnungen, Verträgen und Anfragen
Assistenten auf dem Wissen des eigenen Unternehmens
KI-Governance mit Regeln, Rollen und Prüfschritten
Staffing
Wir stellen das Microteam für Ihr Vorhaben zusammen und organisieren die Besetzung vollständig. Die Menschen kommen aus Ihrem Haus, sind Freelancer, die wir auswählen, oder beides; Verträge, Einarbeitung und Koordination liegen bei uns.
Internes Staffing mit Mitarbeitenden aus Fachbereich und IT
Freelancer für Engineering, Data und KI
Gemischte Teams, in denen das Wissen im Haus bleibt
Projekte
Ausgewählte Projekte
Fünf Projekte aus Data, digitalen Produkten und KI, jeweils mit Ausgangslage, Besetzung, Vorgehen und Ergebnis.
aus Ihrem Haus
Freelance
KI
Daten und Systeme
1 / 5
KI · Großhandel
Eingangsrechnungen automatisch vorerfassen
Domain Expert aus der Buchhaltung intern
Tech Lead Freelance
Data Scientist Freelance
Agenten für Dokumente, Abgleich und Tests KI
Ausgangslage
Rechnungen kommen als PDF und per E-Mail und werden von Hand ins ERP übertragen. Die Buchhaltung verbringt viel Zeit mit Abtippen und Nachfragen.
Vorgehen
Ein KI-Modell liest die Rechnungen und gleicht sie mit Bestellungen und Wareneingängen ab. Abweichungen landen in einer Prüfliste, die ein Mensch bearbeitet und freigibt.
Ergebnis
Rechnungen stehen vorerfasst im ERP, die Buchhaltung prüft nur noch Abweichungen. Regeln für Freigabe und Verantwortung sind dokumentiert.
Stack
Python
Azure
Ablauf
Daten und Systeme: Rechnungen kommen als PDF und per E-Mail
KI: KI liest jede Rechnung
KI: Abgleich mit Bestellung und Wareneingang
Mensch aus dem Haus: Buchhaltung prüft Abweichungen und gibt frei
Daten und Systeme: Rechnung steht vorerfasst im ERP
Data · Familienunternehmen in der Fertigung
Eine Zahlenbasis für die Geschäftsführung
Domain Expert aus dem Controlling intern
Systemverantwortliche für das ERP intern
Data Engineer Freelance
Agenten für Datenaufbereitung und Tests KI
Ausgangslage
Monatszahlen entstehen aus Exporten von ERP und CRM, und jeder Standort rechnet etwas anders. Bis die Geschäftsführung Zahlen sieht, vergehen Wochen.
Vorgehen
Das Team legt mit dem Controlling einheitliche Kennzahlen fest und baut eine automatische Datenstrecke aus den Quellsystemen. Jede Woche sieht die Geschäftsführung den Stand und gibt Rückmeldung.
Ergebnis
Ein Bericht, der sich selbst aktualisiert, mit Kennzahlen, auf die sich alle Standorte geeinigt haben. Controlling und IT betreiben ihn ohne externe Hilfe weiter.
Stack
Snowflake
dbt
Python
Ablauf
Mensch aus dem Haus: Controlling legt einheitliche Kennzahlen fest
Daten und Systeme: Daten aus ERP, CRM und allen Standorten
Daten und Systeme: Automatische Datenstrecke in Snowflake mit dbt
Daten und Systeme: Bericht aktualisiert sich selbst
Mensch aus dem Haus: Geschäftsführung sieht jede Woche den Stand
Digitale Produkte · Maschinenbau
Ein Portal für Ersatzteilbestellungen
Domain Expert aus dem Service intern
Tech Lead Freelance
Entwickler Freelance
Produktverantwortung aus dem Vertrieb intern
Agenten für Coding, Tests und Dokumentation KI
Ausgangslage
Kunden bestellen Ersatzteile per Telefon und E-Mail, oft ohne die richtige Teilenummer. Der Service sucht jede Anfrage einzeln in Zeichnungen und Stücklisten nach.
Vorgehen
Das Team baut zuerst einen Prototyp mit wenigen Pilotkunden und erweitert ihn in kurzen Zyklen. Stücklisten und Seriennummern kommen direkt aus den bestehenden Systemen.
Ergebnis
Kunden finden Ersatzteile über die Seriennummer ihrer Maschine und bestellen selbst. Das Service-Team betreut das Portal und entwickelt es weiter.
Stack
Python
GCP
BigQuery
Ablauf
Daten und Systeme: Seriennummer der Maschine im Portal
Daten und Systeme: Stückliste aus den bestehenden Systemen
Daten und Systeme: Passende Ersatzteile im Portal
Daten und Systeme: Bestellung direkt im Portal
Mensch aus dem Haus: Service-Team betreut und entwickelt weiter
KI · Medien
Empfehlungen für Inhalte in einer Medien-App
Domain Expert aus Produkt und Redaktion intern
Entwicklung der App intern
Data Scientist Freelance
Data Engineer Freelance
Agenten für Datenaufbereitung, Auswertung und Tests KI
Ausgangslage
Die App zeigt allen Nutzern dieselben Inhalte, chronologisch oder von der Redaktion sortiert. Ältere und speziellere Beiträge finden kaum noch Leser.
Vorgehen
Das Team wertet die Nutzungsdaten aus und baut eine Recommendation-Engine, die zu jedem Nutzer passende Inhalte vorschlägt. Die Redaktion legt Leitplanken fest, und ein A/B-Test vergleicht die Empfehlungen mit der bisherigen Sortierung.
Ergebnis
Personalisierte Empfehlungen in der App, deren Wirkung im A/B-Test gemessen ist. Produkt und Data betreiben das Modell weiter und passen die Leitplanken selbst an.
Stack
Python
GCP
BigQuery
Ablauf
Daten und Systeme: Nutzungsdaten der App
KI: Empfehlungsmodell schlägt Inhalte vor
Mensch aus dem Haus: Redaktion setzt Leitplanken
Daten und Systeme: A/B-Test gegen die bisherige Sortierung
Daten und Systeme: Personalisierte Empfehlungen in der App
Data · Abonnementgeschäft
Ein Engagement-Score für Kundenbindung
Domain Expert aus Kundenservice und CRM intern
Data Scientist Freelance
Analytics Engineer Freelance
Agenten für Datenaufbereitung und Tests KI
Ausgangslage
Kündigungen fallen erst auf, wenn sie eingehen. Maßnahmen zur Kundenbindung erreichen alle Kunden gleich, ob sie gefährdet sind oder nicht.
Vorgehen
Das Team führt Nutzungs-, Vertrags- und Servicedaten zu einem Engagement-Score je Kunde zusammen, der auch das Kündigungsrisiko abbildet. Der Kundenservice testet Maßnahmen für die gefährdeten Gruppen und misst, welche wirken.
Ergebnis
Ein Score, der sich täglich im CRM aktualisiert, und ein Katalog von Maßnahmen je Risikogruppe mit gemessener Wirkung. Der Kundenservice steuert die Kundenbindung damit selbst.
Stack
Snowflake
dbt
Python
Ablauf
Daten und Systeme: Nutzungs-, Vertrags- und Servicedaten
KI: Engagement-Score mit Kündigungsrisiko je Kunde
Daten und Systeme: Score aktualisiert sich täglich im CRM
Mensch aus dem Haus: Kundenservice wählt Maßnahmen je Risikogruppe
Daten und Systeme: Wirkung jeder Maßnahme gemessen
Vorgehen
Ein Use Case, ein Team, bis in den Betrieb
1
Use Cases finden
Mit Geschäftsführung und Fachbereichen sichten wir, wo Daten, Software oder KI einen spürbaren Unterschied machen. Ausgewählt wird der Anwendungsfall mit dem größten Nutzen und der geringsten Hürde.
Ergebnis
Ein priorisierter Use Case mit Ziel, Kennzahl und einer Einschätzung der nötigen Daten und Systeme.
2
Microteam aufbauen
Wir besetzen das Team mit drei bis fünf Menschen, intern, mit Freelancern oder gemischt, und organisieren Auswahl, Verträge und Einarbeitung. Dazu gehört immer jemand aus Ihrem Fachbereich, der den Prozess kennt; KI-Agenten übernehmen Recherche, Datenaufbereitung und Routinen beim Coding.
Ergebnis
Ein besetztes Team mit klarem Mandat und eine geschützte Umgebung, in der es ab dem ersten Tag arbeitet.
3
Umsetzen
Das Team liefert in kurzen Zyklen und zeigt jede Woche funktionierende Software. Was KI-Agenten erzeugen, prüft ein Mensch, bevor es weitergeht.
Ergebnis
Eine Lösung im Betrieb, Kennzahlen zu ihrer Wirkung und Mitarbeitende, die sie weiterführen.
Grundsatz
Für den nächsten Use Case entsteht ein eigenes Team. So bleibt jedes Team klein, und der Abstimmungsaufwand wächst nicht mit.
Use Case 1eigenes Team
Use Case 2eigenes Team
Use Case 3eigenes Team
Wachstum über weitere Teams: Jedes bleibt bei drei bis fünf Menschen plus KI-Agenten.
Warum kleine Teams
49 %
So viel ihrer Zugkraft brachte jede Person im Schnitt noch auf, als acht Menschen gemeinsam an einem Seil zogen. Allein waren es 100 %, zu dritt noch 85 %.
Zugkraft pro Person nach Gruppengröße
1 Person
100 %
2 Personen
93 %
3 Personen
85 %
8 Personen
49 %
Maximilien Ringelmann (1913), aufbereitet von Kravitz und Martin, Journal of Personality and Social Psychology 50 (1986)
+350 %
Teams ab neun Personen waren rund 30 % schneller als Teams unter vier. Sie kosteten rund 350 % mehr und machten rund 500 % mehr Fehler.
Teams ab neun Personen, Index: Teams unter vier Personen = 100 %
Laufzeit
70 %
Kosten
450 %
Fehler
600 %
QSM, Re-Analyse von D. Putnam (2018, 390 Anwendungen). QSM ist eine Branchendatenbank; die Zahlen sind nicht in einem Fachjournal begutachtet.
4,6
So viele Personen empfanden Mitglieder als ideale Gruppengröße. Bei diesem Wert galt eine Gruppe weder als zu klein noch als zu groß.
4,612345678910
Personen je Gruppe; hervorgehoben der Bereich eines Microteams (3 bis 5)
Hackman und Vidmar, Sociometry 33 (1970)
Die Microteaming-Methode
Methode, Quellen und den vollständigen Zyklus beschreibt das Paper zur Methode, veröffentlicht auf Zenodo in der 2. Auflage vom Juli 2026. Es ist frei verfügbar unter CC BY 4.0 und über seine DOI zitierfähig.
Krimmel, N. P. (2026). Die Microteaming-Methode: Wie kleine, KI-gestützte Einheiten große Data- & KI-Initiativen zum Erfolg führen. Zenodo. https://doi.org/10.5281/zenodo.23164154
Gründer
Nicholas Krimmel
Nicholas Krimmel arbeitet seit 2009 in Data und KI und ist Autor der Microteaming-Methode, veröffentlicht auf Zenodo. Er ist Lehrbeauftragter an der FOM Hochschule Düsseldorf.
Forschung, Lehre und Beiratsarbeit beschreibt er auf seiner persönlichen Seite. In Microteaming bündelt er die Projekte, in denen aus diesen Themen laufende Systeme werden.