Ein guter KI-Use-Case lässt sich ohne Modellnamen erklären.
- 01
Starten Sie mit einer wiederkehrenden Aufgabe und dem Problem im heutigen Ablauf – nicht mit einer Liste verfügbarer KI-Produkte.
- 02
Prüfen Sie zuerst, ob Suche, klare Regeln oder klassische Automatisierung die Aufgabe verlässlicher und günstiger lösen.
- 03
Bewerten Sie Nutzen und Risiko gemeinsam: Je größer die mögliche Folge eines Fehlers, desto stärker müssen Prüfung und menschliche Freigabe sein.
Das Problem kommt vor der Technologie.
Viele KI-Initiativen beginnen mit einer Produktdemo. Danach sucht das Team nach Aufgaben, auf die sich die Technik anwenden lässt. Das erzeugt interessante Versuche, aber selten belastbare Prioritäten.
Drehen Sie die Reihenfolge um: Wo verlieren Mitarbeitende regelmäßig Zeit? Wo fehlen Informationen für eine Entscheidung? Wo entstehen Wartezeiten, Medienbrüche oder vermeidbare Fehler? Erst wenn die Aufgabe beschrieben ist, wird geprüft, ob KI überhaupt der passende Lösungsweg ist.
- Aufgabe und Nutzergruppe konkret benennen
- Häufigkeit, Bearbeitungszeit und heutige Fehler erfassen
- Benötigte Quellen und Systeme identifizieren
- Festlegen, woran eine bessere Lösung erkannt wird
Nicht jedes Wissensproblem braucht einen Agenten.
Wenn eine eindeutige Regel existiert, ist eine klassische Automatisierung meist die bessere Wahl. Wenn lediglich Dokumente auffindbar sein müssen, kann eine verbesserte Suche ausreichen. KI wird interessant, wenn Inhalte verstanden, zusammengeführt, formuliert oder in wechselnden Situationen eingeordnet werden müssen.
Auch dann muss ein Agent nicht automatisch handeln. Häufig ist ein Assistent, der Informationen mit Quellen vorbereitet oder einen nächsten Schritt vorschlägt, der bessere Einstieg.
- Suche für das gezielte Finden
- Workflow für feste Regeln und Abläufe
- Copilot für Unterstützung im Arbeitskontext
- Agent für mehrstufige Aufgaben mit klar begrenzten Werkzeugen
Zeitgewinn allein ist noch kein Business Case.
Ein einfacher Business Case betrachtet Fallzahl, heutige Bearbeitungszeit, erreichbare Verbesserung und die Kosten für Einführung und Betrieb. Dazu gehören Datenaufbereitung, Integration, Qualitätssicherung, Lizenzen, Modellnutzung und laufende Betreuung.
Wichtig ist außerdem die Wirkung auf Qualität und Durchlaufzeit. Eine Lösung kann wirtschaftlich sinnvoll sein, obwohl sie kaum Personalzeit einspart – etwa wenn sie Angebote schneller vorbereitet, Servicefälle früher erkennt oder Wissen für neue Mitarbeitende verfügbar macht.
- Volumen und heutiger Aufwand
- Erwartete Zeit-, Qualitäts- oder Umsatzwirkung
- Einmaliger Implementierungsaufwand
- Laufende Kosten für Plattform, Modelle und Betreuung
- Kosten und Folgen falscher Ergebnisse
Mit echten Fällen testen – und eine Abbruchentscheidung zulassen.
Ein guter Pilot arbeitet mit einer begrenzten Nutzergruppe, echten Aufgaben und einem festen Zeitraum. Vor dem Start werden Beispiele gesammelt, an denen sich Qualität und Nutzen prüfen lassen.
Nach vier bis acht Wochen sollte das Team entscheiden können: ausbauen, verändern oder beenden. Ein beendeter Versuch ist kein Misserfolg, wenn dadurch eine größere Fehlinvestition vermieden wurde.
- 20 bis 50 repräsentative Aufgaben als Testbestand
- Benannter fachlicher und technischer Owner
- Messung von Qualität, Nutzung, Zeit und Kosten
- Klare Entscheidung nach der Testphase
Passt KI zu dieser Aufgabe?
- 01
Ist das heutige Problem klar beschrieben?
- 02
Tritt die Aufgabe häufig genug auf?
- 03
Sind die benötigten Informationen verfügbar und zugänglich?
- 04
Kann ein gutes Ergebnis überprüft werden?
- 05
Sind Folgen und Kosten eines Fehlers vertretbar?
- 06
Gibt es einen Owner für Einführung und Betrieb?
- 07
Ist klar, wann der Versuch beendet oder ausgebaut wird?