Wie können Unternehmen sinnvolle Use Cases priorisieren?
Künstliche Intelligenz ist längst in den meisten Unternehmen angekommen. Zumindest auf der Agenda. Oft lautet die alles entscheidende Frage aber nicht mehr, ob KI überhaupt zum Einsatz kommt, sondern wo sie ganz konkret einen Mehrwert schaffen kann.
Und genau an diesem Punkt beginnt in vielen Organisationen die eigentliche Herausforderung, denn Ideen gibt es zumeist genug: ein interner Wissensassistent, automatisierte Dokumentenverarbeitung, bessere Forecasts, Unterstützung im Kundenservice, intelligente Prozessautomatisierung oder der Einsatz von AI Agents.
Die Schwierigkeit liegt selten darin, überhaupt einen möglichen KI-Use-Case zu finden. Viel schwieriger ist es zu entscheiden, welcher Use Case zuerst umgesetzt werden sollte und welcher sich auch wirtschaftlich, organisatorisch und technisch trägt. Genau hier setzt eine strukturierte KI-Beratung an: Diese hilft Unternehmen, aus zahlreichen Ideen diejenigen Anwendungsfälle auszuwählen, die einen messbaren Geschäftswert versprechen.
Denn eine Use-Case-Priorisierung allein reicht oftmals nicht aus, da diese nur verschiedene Anwendungsmöglichkeiten anhand definierter Kriterien vergleicht. Erst durch die Analyse, ob sich ein geplantes Vorhaben auch wirtschaftlich trägt, macht aus einem reinen KI-Wunsch einen belastbaren Business Case – einschließlich Nutzen, Investitionen, laufender Kosten und Risiken.
Schritt 1: Nicht mit der Technologie starten, sondern mit dem Problem!
Einer der häufigsten Fehler besteht darin, zu früh über Tools, Modelle oder Plattformen zu sprechen: „Wir möchten etwas mit Generative AI machen“. Denn diese Aussage ist zunächst noch kein Use Case.
Die deutlich bessere Ausgangsfrage lautet: Welches Problem wollen wir konkret lösen?
Dabei kann es sich zum Beispiel um einen hohen manuellen Bearbeitungsaufwand, lange Durchlaufzeiten, wiederkehrende Recherchearbeit, viele Rückfragen, schlechte Datenqualität oder einen hohen Aufwand bei der Erstellung von Prognosen handeln.
Erst wenn das Problem klar beschrieben ist, lässt sich tatsächlich beurteilen, ob KI überhaupt die richtige Lösung dafür ist. Denn nicht jede Herausforderung braucht künstliche Intelligenz. Manchmal reicht ein sauberer Workflow. In anderen Fällen ist eine Schnittstelle sinnvoller. Und gelegentlich lässt sich bereits durch eine Vereinfachung des bestehenden Prozesses ein großer Teil des Nutzens erzielen.
Genau deshalb sollte KI nicht als reiner Selbstzweck bewertet werden, sondern als ein praktisches Werkzeug innerhalb einer konkreten fachlichen Zielsetzung. Wie vielfältig solche Lösungen aussehen können, zeigen unsere KI-Anwendungsbeispiele aus der Praxis.
Schritt 2: Den Nutzen eines Use Case messbar machen.
Ein Use Case wird erst dann zu einem echten Business Case, wenn klar ist, welchen Nutzen er erzeugen soll. Dabei sollten Unternehmen so konkret wie möglich werden.
Etwaige Zielgrößen sind zum Beispiel:
- kürzere Bearbeitungszeiten
- weniger manueller Aufwand
- geringere Prozesskosten
- weniger Fehler und Nacharbeit
- höhere Qualität
- schnellere Entscheidungen
- bessere Forecast-Genauigkeit
- höhere Kundenzufriedenheit
Entscheidend ist, den aktuellen IST-Zustand zu kennen. Wenn bspw. ein Prozess heute durchschnittlich 30 Minuten an Bearbeitungszeit benötigt, kann später gemessen werden, wie stark sich dieser Aufwand durch den Einsatz von KI tatsächlich verändert hat.
Bleibt also noch die alles entscheidende Frage: Was bedeutet die gemessene Verbesserung tatsächlich in Euro? So könnten zum Beispiel 10 Minuten weniger Bearbeitungszeit bei 10.000 Vorgängen jährlich rund 1.667 Arbeitsstunden einsparen. Ob daraus letztendlich eine reale Kosteneinsparung entsteht, hängt davon ab, ob Kapazitäten reduziert, anderweitig produktiv genutzt oder zusätzliche Vorgänge bearbeitet werden können.
Heißt konkret: Ohne entsprechende Ausgangsbasis lässt sich zwar zeigen, dass eine KI-Lösung technisch funktioniert. Ob sie am Ende allerdings wirtschaftlich sinnvoll ist, bleibt nach wie vor vollkommen offen. Gerade bei Pilotprojekten sollte deshalb von Anfang festgelegt werden, welche Kennzahlen über Erfolg oder Misserfolg entscheiden.
Schritt 3: Datenverfügbarkeit und Datenqualität so früh wie möglich prüfen.
Fast jeder Use Case, bei dem KI eingesetzt wird, ist letztlich auch ein Datenprojekt. Deshalb sollte früh geklärt werden, welche Informationen überhaupt benötigt werden und ob diese auch tatsächlich im Unternehmen verfügbar sind.
Drei Fragen sind dabei besonders wichtig:
- Sind die relevanten Daten vorhanden?
- Sind sie in ausreichender Qualität verfügbar?
- Dürfen und können sie für den vorgesehenen Zweck genutzt werden?
Ein interner Wissensassistent beispielsweise ist nur so gut wie die Inhalte, auf die er zugreifen kann.
Ein Forecasting-Modell kann nur dann belastbare Ergebnisse liefern, wenn historische Daten konsistent und fachlich interpretierbar sind.
Und ein AI Agent kann nur dann sinnvoll in Prozesse eingreifen, wenn klar geregelt ist, welche Daten und Systeme er nutzen darf.
Datenqualität, Zugriffsrechte und Governance sind deshalb keine Themen, die erst kurz vor dem Go-live betrachtet werden sollten. Vielmehr gehören sie bereits in die Bewertung des Use Cases.
Schritt 4: Technische Machbarkeit reicht nicht aus.
Viele KI-Projekte scheitern nicht daran, dass die Technologie nicht funktioniert. Das eigentliche Problem entsteht häufig erst danach: Ein Proof of Concept kann zum Beispiel aufzeigen, dass eine Lösung grundsätzlich machbar ist. Für den produktiven Einsatz fehlen im Anschluss daran zumeist die nötigen Schnittstellen, Verantwortlichkeiten, Betriebsprozesse oder gar eine klare Integration in bestehende Systeme. Genau an dieser Stelle wird ein professionelles AI Application Engineering entscheidend, um aus einem funktionierenden Prototyp eine zuverlässig betreibbare KI-Anwendung zu entwickeln.
Deshalb sollte bei der Priorisierung nicht nur danach gefragt werden: Können wir diesen Use Case umsetzen? Es braucht auch Antworten auf die Fragen: Was kostet uns das nach dem Piloten wirklich? Und können wir den Anwendungsfall anschließend sinnvoll betreiben?
Hierzu zählen unter anderem Themen wie:
- Integration in bestehende Anwendungen
- Berechtigungsmanagement
- Monitoring
- Datenschutz und Governance
- Verantwortlichkeiten
- Ausnahmebehandlung
- fachliche Kontrolle
- Betrieb und Support
Ein technisch beeindruckender Use Case mit sehr hohem Integrationsaufwand kann deshalb eine schlechtere Priorität haben als ein weniger spektakulärer Use Case, der schnell in die Produktivität übersetzt werden kann.
Schritt 5: Nutzen und Aufwand gemeinsam bewerten.
Für die Priorisierung von Use Cases bietet sich eine einfache Matrix an. Während auf der einen Seite der erwartete Nutzen festgehalten wird, wird auf der anderen Seite der Aufwand und Risiko abgetragen.
Ein besonders geeigneter erster Use Case besitzt idealerweise:
- einen klaren fachlichen Schmerzpunkt
- messbaren Nutzen
- verfügbare Daten
- überschaubare technische Komplexität
- begrenzte Risiken
- einen klar definierten Prozess
- eine realistische Perspektive für den produktiven Einsatz
Dadurch entstehen insgesamt vier typische Kategorien, anhand derer such Use Cases klassifizieren bzw. bewerten lassen:
- Hoher Nutzen, geringer Aufwand (Quick Wins): Diese Use Cases sind gute Kandidaten für einen schnellen Start.
- Hoher Nutzen, hoher Aufwand (Big Bets): Strategisch interessant, aber häufig eher als längerfristige Initiative geeignet.
- Geringer Nutzen, geringer Aufwand (Low-Hanging Fruit): Möglicherweise sinnvoll als Lernprojekt, aber nicht unbedingt geschäftskritisch und mit nur begrenztem geschäftlichen Effekt.
- Geringer Nutzen, hoher Aufwand (Money Pits): Diese Use Cases sollten meist nicht priorisiert werden.
Die Kunst besteht also nicht darin, den technologisch spannendsten Use Case auszuwählen. Sondern denjenigen, bei dem Business Value und Umsetzbarkeit am besten zusammenpassen.
Schritt 6: Klein starten, aber den Weg zur Skalierung groß mitdenken.
Ein Pilot sollte bewusst begrenzt sein. Das bedeutet aber nicht, dass nur bis zum Piloten gedacht werden sollte. Bereits bei der Entwicklung einer übergreifenden KI-Strategie sollten Unternehmen deshalb berücksichtigen, wie erfolgreiche Anwendungsfälle später in den produktiven Betrieb überführt und skaliert werden können. Zudem sollte bereits vor dem Start klar sein, was konkret passiert, wenn der Use Case erfolgreich ist:
- Wer übernimmt die Lösung?
- Wie wird sie in den Prozess integriert?
- Welche Systeme müssen angebunden werden?
- Welche Anforderungen entstehen an Sicherheit, Governance und Betrieb?
- Welche weiteren Bereiche könnten später profitieren?
Ein guter Pilot beantwortet deshalb nicht nur die Frage: „Funktioniert die Technologie?“. Er beantwortet auch: „Lohnt sich die Lösung und können wir sie sinnvoll skalieren?“.
