Einen KI-Use-Case findest du über Aufgaben, nicht über Werkzeuge. Sammle wiederkehrende Tätigkeiten je Team, prüfe die Datenlage und bewerte jeden Kandidaten nach Häufigkeit, Daten, Fehlerfolgen, Messbarkeit, Akzeptanz, Anbindung und Datenschutz. Den ersten Pilot schneidest du klein zu, mit Vorher-Wert, Erfolgskriterium und einem festen Termin für die Entscheidung über Go oder No-Go.
Ein KI-Use-Case ist eine konkrete, wiederkehrende Aufgabe in deinem Unternehmen, bei der ein KI-System messbar hilft: mit benannten Daten, einer verantwortlichen Person und einem Erfolgskriterium. „Wir brauchen einen Chatbot“ ist kein Use Case, sondern eine Werkzeugidee. Deshalb fange ich bei den Aufgaben an und nicht bei den Tools.
Ich leite solche Vorhaben von außen und führe in meinen eigenen Projekten KI-Agenten wie ein Team, mit schriftlichen Regeln. Wie ich eine Einführung als Projekt führe, steht unter KI-Projekte leiten. Hier geht es um den Schritt davor. Der ist unbequemer, weil er auch mit „noch nicht“ enden kann.
Warum die Tool-Frage zu früh kommt
Eine Lizenz ist schnell gekauft. Danach liegt die Frage, wofür, weiter auf dem Tisch, jetzt mit Rechnung. Die Folgen kennst du vielleicht: Piloten ohne Erfolgskriterium, Werkzeuge, die im Alltag niemand öffnet, und Daten, die für das Werkzeug zu dünn sind. Eine Potenzialanalyse, die mit einer Produktliste beginnt, hat die Antwort schon, bevor sie die Frage kennt.
Ein Chatbot löst kein Datenproblem. Solange die Daten Fehler haben, verteilt eine KI sie nur schneller. Die Datenpflege vorher erspart dir einen Pilot, den hinterher niemand verteidigen will.
In sechs Schritten zum ersten Pilot
Aufgaben sammeln, nicht Ideen
Frag jedes Team nach Aufgaben, die oft wiederkommen, viel Text oder Daten bewegen und nach erkennbaren Regeln laufen. Notiere je Aufgabe: wer sie erledigt, wie oft, woher die Daten kommen und was daran nervt. Im letzten Feld steht meist die Wahrheit.
Die Datenlage prüfen
KI ist so gut wie das, was sie lesen darf. Prüf, wo die Daten liegen, wer sie pflegt und in welchem Zustand sie sind. Bei einer Online-Apotheke habe ich die Artikeldatei mit über 200.000 Zeilen gelesen, bevor ein Preis auf dem Tisch lag, und dabei einen Fehler in der Preislogik gefunden. Eine Automatisierung auf dieser Datei hätte den Fehler schneller verteilt, nicht behoben. Das ist der unspektakuläre Teil, und er entscheidet.
Kandidaten mit dem Raster bewerten
Jeder Kandidat bekommt Punkte nach dem Raster weiter unten. Das Raster ersetzt keine Entscheidung, es macht Kandidaten vergleichbar. Ein Use Case mit schwacher Datenlage fliegt raus, egal wie gut er in der Präsentation aussah.
Den Pilot zuschneiden
Der erste Pilot ist klein, abgegrenzt und hat ein Erfolgskriterium, das vorher feststeht. Dazu kommen Abnahmekriterien und ein Termin für Go oder No-Go. Verbindlich ist nur dieser Schritt. Im Angebot für den Großhändler weiter unten stand dafür ein eigener Abschnitt „Was KI leistet und was nicht“, damit niemand mit falschen Erwartungen in den Pilot geht.
Regeln und Verantwortung festlegen
Wer prüft, was die KI liefert? Welche Daten darf ein Werkzeug sehen, welche nicht? Wer gibt frei? In meinen eigenen Projekten arbeiten KI-Agenten nach schriftlichen Regeln, prüfen sich gegenseitig, und Entscheidungen bekommen Nummern. Freigaben bleiben bei Menschen.
Messen und entscheiden
Halte vor dem Pilot einen Vorher-Wert fest, etwa Zeit pro Vorgang, Fehlerquote oder Durchlaufzeit. Nach dem Pilot vergleichst du und trennst sichtbar, was gemessen, was geschätzt und was angenommen ist. Dann entscheidest du: ausrollen, nachschärfen oder beenden. Beenden ist ein ordentliches Ergebnis. Es ist nur unbeliebter als ein Pilot, der ohne Entscheidung weiterläuft.
Das Bewertungsraster
Vergib je Kriterium 1 bis 3 Punkte. Mehr Punkte heißen: besser geeignet für einen ersten Pilot. Zwei Regeln stehen über der Summe: Ein Punkt bei der Datenlage beendet die Bewertung. Ein Punkt bei den Fehlerfolgen heißt: nicht als erster Pilot.
Bewertungsraster für KI-Use-Cases mit sieben Kriterien und je 1 bis 3 Punkten
Kriterium
Leitfrage
1 Punkt
3 Punkte
Häufigkeit
Wie oft fällt die Aufgabe an?
Selten und unregelmäßig
Täglich oder wöchentlich, in Mengen
Datenlage
Liegen die nötigen Daten vor, und sind sie gepflegt?
Verstreut, veraltet, niemand zuständig
An einem Ort, aktuell, mit verantwortlicher Person
Fehlerfolgen
Was passiert, wenn die KI danebenliegt?
Schaden bei Kunden, rechtlich oder finanziell
Ein Mensch bemerkt und korrigiert es vor der Freigabe
Messbarkeit
Gibt es einen Vorher-Wert?
Nein, nur ein Gefühl
Ja, als Zeit, Menge oder Fehlerquote
Akzeptanz
Wollen die Leute, die es nutzen sollen?
Widerstand oder Desinteresse
Das Team hat die Aufgabe selbst vorgeschlagen
Anbindung
Wie tief muss die Lösung in bestehende Systeme?
Tief ins Kernsystem
Läuft daneben, mit klarer Schnittstelle
Datenschutz und Recht
Sind personenbezogene oder vertrauliche Daten betroffen?
Ja, und ungeklärt
Nein, oder geregelt
Lies die Summe nicht als Urteil. Zwei Kandidaten mit gleicher Punktzahl unterscheiden sich oft darin, ob jemand sie im Alltag verantworten will. Nimm den, für den sich eine Person meldet.
Wunsch oder Use Case: vier Beispiele
Der Unterschied liegt in der Formulierung. Ein Wunsch nennt ein Werkzeug, ein Use Case nennt eine Aufgabe, eine Person und ein Ergebnis.
Vier Wünsche und die Use Cases dahinter
So klingt der Wunsch
So klingt der Use Case
„Wir brauchen einen Chatbot.“
Anfragen zu Lieferzeiten und Rückgaben werden mit Antworten aus der eigenen Wissensbasis vorbereitet, eine Person schickt sie ab.
„Wir brauchen ein CRM.“
Der Außendienst findet Produkt- und Kundenwissen unterwegs, ohne im Innendienst anzurufen.
„KI soll unsere Angebote schreiben.“
Angebote entstehen aus festen Bausteinen und einem Briefing, Preise gibt eine Person frei, bevor etwas rausgeht.
„Wir wollen in KI-Antworten vorkommen.“
Regelmäßig wird geprüft, wen KI-Antwortmaschinen bei typischen Kundenfragen empfehlen, und die Lücken steuern die Inhalte.
Die letzten beiden stammen aus meiner eigenen Arbeit. Für die Angebote im clickpuls-Netzwerk habe ich ein Angebotssystem gebaut, in dem Entwurfspreise erst nach meiner Freigabe zum Kunden gehen. Und vor einem Termin mit einem Konzern habe ich eine KI-Antwortmaschine gefragt, wen sie empfiehlt: drei Mitbewerber, den Kunden nur am Rand. Das war kein Werkzeugkauf, sondern eine Frage mit Messung.
Praxisbeispiel: Der Großhändler, der einen Preis wollte und einen Weg bekam
Ausgangslage
Ein B2B-Textilgroßhändler: Das alte ERP läuft aus, laut Kunde liegen 80 Prozent der Daten ungenutzt. Ein CRM wäre die naheliegende Antwort gewesen, nur hätte der Außendienst es nicht angenommen.
Wendepunkt
Statt einer riskanten Integration ins alte System habe ich eine KI-Insellösung daneben vorgeschlagen, eine Wissensdatenbank statt CRM. Aus einem Pauschalpaket wurde über 10 Revisionen in rund 21 Stunden ein Stufenmodell: verbindlich nur ein technischer Kickoff, danach Phasen mit Go/No-Go und Abnahmekriterien. Projektmanagement stand als eigener, sichtbarer Posten im Angebot, dazu der Abschnitt „Was KI leistet und was nicht“.
Ergebnis
Das Paket kam fristgerecht beim Kunden an, der Ausgang ist offen. Genau das war der Plan: Der Kunde entscheidet nach jedem Schritt frei, ob es weitergeht. Im Angebot stand, wer die Arbeit macht: Martin Ogris von clickpuls und ich, persönlich. Dazwischen saß niemand, der nur weiterreicht. Ein Satz aus dem Angebot gilt für jede Suche nach Use Cases: „Jede Aussage, die ohne diese Analyse getroffen würde, wäre reine Schätzung und würde Ihnen und uns schaden.“
Von der Liste zur Roadmap
Aus den bewerteten Kandidaten entsteht die KI-Roadmap: zuerst ein Pilot mit guter Datenlage und geringen Fehlerfolgen, danach die Kandidaten, die auf seinen Daten oder Regeln aufbauen, zum Schluss alles, was tief ins Kernsystem muss. Fokus schlägt Breite. Ein Pilot, der sauber gemessen wird, bringt dir mehr als eine Handvoll, die nebeneinander laufen.
Wer den Use Case danach baut
Ich führe Use-Case-Suche, Pilot und Entscheidung. Gebaut wird im Netzwerk der Wiener Agentur clickpuls, Technik und KI verantwortet dort Martin Ogris. Was clickpuls in der KI-Beratung (externer Link) anbietet, steht dort, wer sonst noch mitarbeitet, auf meiner Seite Netzwerk.
Ein Beispiel aus der eigenen Werkstatt: Bei einem Website-Relaunch habe ich das Ergebnis von einer Jury aus KI-Agenten prüfen lassen, aus 6 Perspektiven. 115 Befunde wurden bestätigt, 5 verworfen. Das ersetzt kein Urteil. Es sorgt dafür, dass mein Urteil auf mehr Befunden steht.
Suchst du für die Einführung erst noch die passende Projektleitung, hilft der Ratgeber Externen Projektleiter finden. Wie ich in anderen Projekten gearbeitet habe, zeigen die Fälle unter Projekte.
Checkliste: Ist dein Use Case pilotreif?
Die Aufgabe ist in einem Satz beschrieben, ohne Werkzeugnamen.
Eine Person verantwortet sie im Alltag und will den Pilot.
Die Daten sind gefunden, gesichtet und gepflegt.
Es gibt einen Vorher-Wert.
Das Erfolgskriterium steht schriftlich fest, bevor der Pilot startet.
Klar ist, wer Ergebnisse prüft und freigibt.
Der Datenschutz ist geklärt: Welche Daten dürfen in welches Werkzeug?
Es gibt einen Termin für Go oder No-Go.
Der nächste Schritt
Hast du eine Liste mit Ideen und noch keinen Use Case, ist das ein guter Anfang für ein Gespräch. Weißt du, welchen Use Case du willst, und brauchst jemanden, der ihn als Projekt durchzieht, lies KI-Projekte leiten. Fehlt noch das Ziel dahinter, beginnt es bei Strategie und Konzept.
Wie viele KI-Use-Cases sollte ich gleichzeitig starten?
Einen. Parallel kannst du die nächsten Kandidaten bewerten und ihre Daten vorbereiten. Mehrere Piloten gleichzeitig lohnen sich erst, wenn Regeln, Verantwortung und Messung beim ersten funktionieren. Vorher misst du drei Dinge halb statt eines ganz.
Wer sollte bei der Suche nach Use Cases dabei sein?
Die Leute, die die Aufgaben täglich erledigen, denn sie wissen, was nervt und wo die Daten liegen. Dazu eine Person, die für die Daten zuständig ist, jemand mit Blick auf den Datenschutz und eine Person, die am Ende entscheiden darf. Ohne die Menschen aus dem Alltag findest du Use Cases, die auf dem Papier gut aussehen und im Betrieb niemand öffnet.
Was ist der Unterschied zwischen einer KI-Potenzialanalyse und einer Use-Case-Bewertung?
Eine KI-Potenzialanalyse schaut breit auf das Unternehmen und fragt, wo KI grundsätzlich helfen könnte. Eine Use-Case-Bewertung nimmt einzelne Aufgaben und prüft sie nach festen Kriterien wie Datenlage, Fehlerfolgen und Messbarkeit. Die Analyse liefert die Kandidaten, die Bewertung die Reihenfolge.
