Eine Liste möglicher KI-Anwendungen ist schnell gefüllt. E-Mails formulieren, Dokumente zusammenfassen, Kampagnen vorbereiten, Kundenanfragen beantworten oder interne Informationen durchsuchen: Für fast jeden Bereich findet sich eine Idee.
Schwieriger ist die Auswahl. Häufig gewinnt der Vorschlag mit der eindrucksvollsten Demo. Manchmal setzt sich die Aufgabe durch, für die bereits ein Tool gekauft wurde. Beides sagt wenig darüber aus, ob der Anwendungsfall im Alltag einen messbaren Nutzen bringt.
Ein geeigneter erster KI-Use-Case löst ein klar beschriebenes Problem, lässt sich begrenzt testen und erzeugt Ergebnisse, die Menschen zuverlässig prüfen können. Dafür braucht es keine wochenlange Strategierunde. Eine einfache Matrix reicht, wenn vor der Bewertung die Risiken geklärt werden.
Eine gute Demo ist noch kein guter KI-Use-Case
Generative KI ist besonders überzeugend, wenn sie innerhalb weniger Sekunden etwas Sichtbares produziert. Ein Text erscheint, eine Präsentation entsteht oder ein Chatbot beantwortet eine Frage. Diese Wirkung macht Demos nützlich, verzerrt aber die Auswahl.
Im Arbeitsalltag zählen andere Fragen. Wie häufig tritt die Aufgabe auf? Wie viel Zeit kostet sie heute? Welche Fehler entstehen? Sind die benötigten Informationen verfügbar? Kann jemand beurteilen, ob das Ergebnis stimmt?
Der Satz „Wir wollen KI im Kundenservice einsetzen“ beschreibt deshalb noch keinen Use Case. „Antwortentwürfe für wiederkehrende Fragen zum Lieferstatus erstellen und vor dem Versand prüfen lassen“ ist deutlich brauchbarer. Aufgabe, Zielgruppe, Daten, Ergebnis und menschliche Kontrolle sind erkennbar.
Der Beitrag „KI im Mittelstand: Warum Tools allein keinen Wettbewerbsvorteil schaffen“ beschreibt fünf Bausteine für einen belastbaren KI-Einsatz: Wissen, Prozesse, Daten, Menschen und kontinuierliches Lernen. Die Auswahl eines Use Cases entscheidet, an welcher konkreten Aufgabe diese Bausteine erstmals zusammenarbeiten sollen.
Vor der Matrix kommt der Risikofilter
Nicht jeder Anwendungsfall gehört sofort in eine Nutzen-Aufwand-Matrix. Manche Ideen müssen vorher genauer geprüft oder ausgeschlossen werden.
Vier Fragen reichen für eine erste Sichtung:
- Verarbeitet die Anwendung personenbezogene, vertrauliche oder besonders schützenswerte Daten?
- Welche Folgen hätte ein falsches Ergebnis für Kunden, Beschäftigte oder das Unternehmen?
- Kann ein Mensch das Ergebnis vor einer Entscheidung oder Veröffentlichung sinnvoll kontrollieren?
- Fällt der vorgesehene Einsatz möglicherweise unter besondere rechtliche Vorgaben?
Der AI Act verfolgt einen risikobasierten Ansatz. Entscheidend ist der konkrete Verwendungszweck eines Systems, nicht allein das eingesetzte Modell. Ein Sprachmodell, das interne Texte zusammenfasst, ist anders zu bewerten als ein System, das Bewerber beurteilt oder Entscheidungen in einem sensiblen Bereich vorbereitet. Die Europäische Kommission beschreibt die Risikostufen und Anwendungsbereiche.
Auch das AI Risk Management Framework des NIST beginnt beim Kontext. Geschäftszweck, betroffene Personen und mögliche Folgen sollen beschrieben werden, bevor Risiken gemessen und priorisiert werden. Das NIST AI RMF ist freiwillig, liefert aber eine brauchbare Denkstruktur.
Der Risikofilter ist keine vollständige rechtliche Prüfung. Er verhindert, dass ein Team einen scheinbar einfachen Piloten startet und erst später bemerkt, dass Daten, Verantwortung oder Fehlerfolgen ungeklärt sind.
Nutzen und Umsetzbarkeit bilden die beiden Achsen
Nach dem Risikofilter lassen sich die verbleibenden KI-Use-Cases in einer Matrix einordnen. Die vertikale Achse zeigt den geschäftlichen Nutzen. Die horizontale Achse zeigt die Umsetzbarkeit.
Eine solche 2×2-Matrix ist kein neues Konzept. Auch der Leitfaden KI.Schnellstart von KI.NRW ordnet KI-Vorhaben nach Wert und Machbarkeit. Für den Einsatz im Unternehmen ergänze ich zwei Punkte: den vorgeschalteten Risikofilter und den Lernwert eines kleinen Piloten.
Geschäftlicher Nutzen
Ein Use Case hat einen hohen Nutzen, wenn er ein relevantes und wiederkehrendes Problem verbessert. Zeitersparnis kann ein Teil davon sein. Ebenso wichtig sind Qualität, Fehlerquote, Geschwindigkeit, Kundenerfahrung oder besser zugängliches Wissen.
Der heutige Zustand muss zumindest grob messbar sein. Ohne Ausgangswert bleibt nach dem Piloten nur ein Eindruck. „Die Mitarbeitenden finden es hilfreich“ ist eine Rückmeldung, aber noch kein Nachweis dafür, dass ein Prozess besser geworden ist.
Umsetzbarkeit
Die Umsetzbarkeit hängt selten nur vom KI-Modell ab. Entscheidend sind verfügbare Daten, ein verständlicher Prozess, technische Zugänge, klare Verantwortlichkeiten und die Möglichkeit, Ergebnisse zu prüfen.
Ein Unternehmen kann einen wirtschaftlich interessanten Anwendungsfall haben und trotzdem noch nicht startbereit sein. Wenn Produktinformationen veraltet sind, Zuständigkeiten fehlen oder niemand die Qualität bewerten kann, löst ein besseres Modell das Grundproblem nicht. Der KI-Readiness-Check hilft dabei, diese Voraussetzungen getrennt vom einzelnen Use Case zu betrachten.
Vier Felder, vier verschiedene Entscheidungen
Jetzt testen: hoher Nutzen und gute Umsetzbarkeit
Hier liegen die besten Kandidaten für einen Piloten. Die Aufgabe tritt häufig auf, ein Erfolg lässt sich messen und die benötigten Informationen sind zugänglich. Fehler können erkannt und korrigiert werden.
Ein Pilot sollte trotzdem eng begrenzt bleiben. Eine Produktgruppe, ein Dokumenttyp oder eine klar definierte Anfragekategorie reicht für den Anfang. So lässt sich feststellen, ob der angenommene Nutzen tatsächlich entsteht.
Vorbereiten: hoher Nutzen und geringe Umsetzbarkeit
Diese Vorhaben sind interessant, aber noch nicht reif. Oft fehlen gepflegte Daten, ein stabiler Prozess oder eine verantwortliche Person. Die richtige Entscheidung lautet dann nicht „nie“, sondern „noch nicht“.
Aus dem KI-Projekt wird zunächst eine Vorbereitungsaufgabe. Wissen dokumentieren, Daten bereinigen, Schnittstellen klären oder Qualitätskriterien festlegen: Diese Arbeit ist weniger spektakulär als eine Demo, erhöht aber die Chance auf einen brauchbaren Einsatz.
Lerntest: begrenzter Nutzen und gute Umsetzbarkeit
Ein einfacher Anwendungsfall mit überschaubarem wirtschaftlichem Nutzen kann als Lernprojekt sinnvoll sein. Ein Team übt damit, Aufgaben sauber zu beschreiben, Ergebnisse zu prüfen und Rückmeldungen zu dokumentieren.
Der Lerntest braucht ein Zeitlimit. Sonst bleibt eine kleine Spielerei dauerhaft im Betrieb, obwohl sie kaum etwas verbessert. Nach dem Test sollte feststehen, welche Erkenntnisse auf wichtigere Prozesse übertragbar sind.
Streichen: geringer Nutzen und geringe Umsetzbarkeit
Manche Ideen gehören aus der Liste. Wenn ein Prozess selten vorkommt, kaum Kosten verursacht und zusätzlich schlechte Daten benötigt, gibt es keinen vernünftigen Grund für einen Piloten.
Das Streichen ist kein Scheitern. Eine Priorisierung, bei der jede Idee am Ende „strategisch relevant“ bleibt, ist keine Priorisierung.
Sechs Bewertungen machen Annahmen sichtbar
Für einen Workshop genügt eine Skala von 1 bis 5. Drei Werte beschreiben den Nutzen, drei die Umsetzbarkeit.
| Bereich | Frage |
|---|---|
| Häufigkeit | Wie oft tritt die Aufgabe auf? |
| Wirkung | Welche Zeit, Kosten, Fehler oder Wartezeiten lassen sich beeinflussen? |
| Bedeutung | Verbessert der Use Case einen wichtigen Prozess oder nur eine Nebenaufgabe? |
| Daten | Sind die benötigten Informationen aktuell, zugänglich und zulässig nutzbar? |
| Prozess | Ist der heutige Ablauf so klar, dass ein begrenzter Test möglich ist? |
| Prüfbarkeit | Kann jemand zuverlässig beurteilen, ob das Ergebnis brauchbar ist? |
Aus den ersten drei Werten entsteht ein Nutzenwert, aus den letzten drei ein Wert für die Umsetzbarkeit. Die Zahlen sind keine objektive Wahrheit. Sie zwingen die Beteiligten aber dazu, ihre Annahmen offenzulegen.
Wenn der Vertrieb einen Use Case mit fünf Punkten bewertet und die IT nur zwei Punkte vergibt, ist das Ergebnis kein Rechenfehler. Es zeigt, wo Gesprächsbedarf besteht. Vielleicht unterschätzt die IT den geschäftlichen Wert. Vielleicht setzt der Vertrieb Daten voraus, die gar nicht verfügbar sind.
Beispiel: Antwortentwürfe im Kundenservice
Angenommen, ein Händler erhält viele wiederkehrende Fragen zu Lieferstatus, Rücksendung und Produktdetails. Mitarbeitende suchen Informationen in mehreren Systemen und formulieren ähnliche Antworten immer wieder neu.
Der Nutzen könnte hoch sein, wenn diese Anfragen viel Zeit binden und langsam beantwortet werden. Die Umsetzbarkeit hängt von den Details ab. Sind Lieferinformationen zuverlässig abrufbar? Gibt es aktuelle und freigegebene Textbausteine? Kann das System erkennen, wann ein Fall an einen Menschen gehört?
Für einen ersten Piloten würde ich keine Antworten automatisch versenden. Das System erstellt Entwürfe für eine klar begrenzte Anfragekategorie. Mitarbeitende prüfen und korrigieren sie. Gemessen werden Bearbeitungszeit, Korrekturaufwand und die Zahl der Fälle, die weiterhin vollständig manuell bearbeitet werden müssen.
Nach einigen Wochen gibt es drei mögliche Entscheidungen:
- Die Entwürfe sparen Zeit und benötigen wenig Korrektur. Der Pilot kann erweitert werden.
- Die Idee funktioniert, aber Daten oder Regeln müssen verbessert werden.
- Der Prüfaufwand ist so hoch, dass kein sinnvoller Vorteil entsteht. Der Pilot wird beendet.
Alle drei Ergebnisse sind brauchbar. Ein früh beendeter Pilot ist günstiger als ein System, das aus Prestige weiterbetrieben wird.
Ein Pilot braucht eine Ausgangslage und ein Ende
Viele KI-Tests beginnen mit einem Tool und enden mit einer Präsentation. Für eine belastbare Entscheidung braucht es vorher eine kleine Messung des heutigen Prozesses.
Je nach Aufgabe können folgende Werte genügen:
- durchschnittliche Bearbeitungszeit
- Fehler- oder Korrekturquote
- Zahl der Eskalationen
- Anteil vollständig nutzbarer Ergebnisse
- Rückmeldung der Mitarbeitenden zu konkreten Arbeitsschritten
Vor dem Start sollte außerdem feststehen, wann das Team den Piloten erweitert, verändert oder beendet. Diese Entscheidungskriterien verhindern, dass aus einem vierwöchigen Test ein dauerhaftes Provisorium wird.
Wer die Methode vertiefen will: der KI-Campus-Kurs
Die Matrix in diesem Beitrag eignet sich für eine erste Sichtung oder einen kompakten Workshop. Wer die Auswahl von KI-Anwendungsfällen systematischer erarbeiten will, findet beim KI-Campus einen passenden kostenlosen Kurs.
Der deutschsprachige Kurs „Identifikation geeigneter KI-Anwendungsfälle“ richtet sich an Einsteigerinnen und Einsteiger aus mittelständischen Unternehmen. Er umfasst rund 15 Stunden, schließt mit einem Leistungsnachweis ab und wird von einem Team der Technischen Universität München angeboten.
Der Kurs setzt an einem verbreiteten Missverständnis an: Die starke öffentliche Präsenz von KI erzeugt leicht die Erwartung, dass sich KI beinahe überall wertschaffend einsetzen lasse. In der Praxis entsteht der Nutzen nur in geeigneten Anwendungsfeldern und unter passenden organisatorischen Bedingungen.
Der Kurs gehört außerdem zu meiner persönlichen Challenge für 2026: Jeden Monat schließe ich einen neuen KI-Kurs ab. Im September werde ich diesen Kurs des KI-Campus absolvieren. Nach dem Abschluss werde ich ergänzen, wie gut die Methodik erklärt wird und wie brauchbar sie für die Praxis ist.
Behandelt werden deshalb nicht nur Ideen für KI-Use-Cases. Der Kurs verbindet fünf Aufgaben:
- Fähigkeiten und Risiken von KI beurteilen
- Geschäfts- und Verbesserungspotenziale methodisch identifizieren
- bestehende Prozesse und Herausforderungen auf KI-Potenziale untersuchen
- ethische und rechtliche Fragen berücksichtigen
- ausgewählte Anwendungsfälle in die vorhandene IT-Infrastruktur einordnen
Damit geht der Kurs deutlich tiefer als eine einzelne Priorisierungsmatrix. Die Matrix hilft beim Sortieren und Entscheiden. Der KI-Campus-Kurs vermittelt den Prozess, mit dem ein Unternehmen mögliche Anwendungsfelder findet, bewertet und in die eigene Organisation übersetzt.
Ich würde ihn besonders dann empfehlen, wenn ein Unternehmen nicht nur einen einzelnen Piloten auswählen, sondern eine wiederholbare Methode für weitere KI-Vorhaben aufbauen will.
Der erste KI-Use-Case muss nicht beeindrucken
Ein guter erster Anwendungsfall ist eng genug für einen kontrollierten Test und relevant genug für eine ernsthafte Auswertung. Er benötigt keine besonders sichtbare Oberfläche und keinen autonomen Agenten.
Die Matrix hilft dabei, vier unterschiedliche Entscheidungen nicht zu vermischen: sofort testen, Voraussetzungen schaffen, bewusst lernen oder streichen. Unternehmen sparen damit nicht jede Diskussion. Sie führen aber die richtige Diskussion über ein konkretes Problem, verfügbare Daten, prüfbare Ergebnisse und vertretbare Risiken.
Das ist eine bessere Grundlage als die Frage, welches KI-Tool gerade die eindrucksvollste Demo liefert.
Quellen und weiterführende Hinweise: NIST AI Risk Management Framework, AI RMF Core, Europäische Kommission zum AI Act, KI.Schnellstart von KI.NRW, KI-Campus-Kurs „Identifikation geeigneter KI-Anwendungsfälle“