Welche KI-Use Cases sich wirklich lohnen - und wie Führungskräfte die Richtigen auswählen
50 Use-Case-Ideen auf Post-its, sauber in eine Excel überführt, Aufbruchstimmung im Führungsteam. So sah es bei einem mittelständischen Hidden Champion aus der Zuliefererbranche nach einem zweitägigen, internen KI-Workshop aus. Sechs Monate und ein sechsstelliges Budget später die ernüchternde Bilanz: Kein einziger Use Case hatte es in den produktiven Betrieb geschafft. Nicht, weil die Technologie versagt hätte. Sondern weil niemand vorher geprüft hatte, ob die identifizierten Use Cases überhaupt relevante Probleme lösen.
von Oliver Breucker
Diese Erfahrung erleben wir bei vielen Unternehmen, die nach dieser Situation auf uns zukommen. Die Frage, wo und wie KI eingesetzt werden sollte, damit Investitionen tatsächlich Wirkung entfalten, ist für viele Führungsteams zur zentralen Herausforderung geworden. Nicht die Verfügbarkeit der Technologie ist das Problem, sondern die Auswahl der richtigen Anwendungsfälle.
Wenn Technologie vor Prozess kommt
Wenn Wettbewerber KI-Initiativen ankündigen und jede zweite Keynote mit einer KI-Demo beginnt, entsteht Handlungsdruck. Führungsteams wollen nicht die Letzten sein. Also wird investiert: häufig technologiegetrieben statt prozessgetrieben. Use Cases werden aus Trendreports übernommen, statt sie aus den eigenen Betriebsabläufen abzuleiten. Es wird nach Anwendungen für eine Technologie gesucht, anstatt zuerst die tatsächlichen Engpässe in der Organisation zu identifizieren. Das Ergebnis sind teure Implementierungen ohne messbaren Nutzen. Was wir sehen, wenn Unternehmen nach gescheiterten Erstversuchen zu uns kommen: Rund 75 Prozent der zuvor identifizierten Use Cases hatten von Anfang an den falschen Scope: Nicht weil die Technologie versagt hat, sondern weil das zugrunde liegende Problem nie sauber analysiert wurde. Die überwiegende Mehrheit bleibt ohne messbare Auswirkungen auf die Gewinn- und Verlustrechnung.
Der CFO eines größeren Mittelständlers brachte es kürzlich im Gespräch auf den Punkt: Er gebe seit zwei Jahren kontinuierlich Budget für KI-Projekte frei, sehe aber keinen P&L-Effekt. Meine Antwort: Nicht sein Budget war das Problem, sondern dass seine Kollegen Use Cases auswählen, ohne eine saubere Prozess- und Problemanalyse durchzuführen.
Wer erst den Schmerzpunkt versteht, investiert gezielter und sieht den P&L-Effekt, den er zu Recht erwartet. Denn der richtige Startpunkt liegt immer bei den Prozessen: Welche verursachen heute die größten Reibungsverluste? Wo entstehen regelmäßig Engpässe? Wo binden manuelle Tätigkeiten Kapazitäten, die an anderer Stelle dringend gebraucht werden?
Erst wenn diese Fragen beantwortet sind, lohnt sich der Blick auf die technologischen Möglichkeiten. Dabei zeigt sich häufig, dass der richtige erste Schritt nicht zwingend KI erfordert: Saubere Datenstrukturen schaffen, Prozesse standardisieren oder einfache Automatisierungen einführen. Das sind oft die Voraussetzungen, damit KI-Anwendungen später überhaupt wirken können.
Use Cases systematisch kategorisieren: Das ARC-Framework
Um KI-Use Cases nicht nur zu sammeln, sondern sinnvoll zu strukturieren, hilft ein Denkmodell, das Use Cases nach Reifegrad und Ambitionsniveau ordnet. Das ARC-Framework unterscheidet drei Kategorien, die aufeinander aufbauen.
A: Accelerate (Beschleunigen): Die 1. Kategorie Accelerate zielt auf die Beschleunigung bestehender Prozesse. Hier geht es darum, aktuelle Abläufe zu identifizieren, die mithilfe von KI schneller, effizienter oder einfacher ausgeführt werden können. Welche Prozesse benötigen am meisten Zeit oder Ressourcen? Wo kommt es häufig zu Engpässen, die durch KI gemildert werden könnten?
Ein Beispiel: Eine Rechtsabteilung automatisiert die Prüfung eingehender Verträge auf Standardklauseln und Abweichungen: Ein Vorgang, der bisher mehrere Stunden pro Vertrag in Anspruch nahm und nun in Minuten erledigt wird.
R: Re-Define (Neu Denken): Die 2. Kategorie Re-Define geht einen Schritt weiter. Hier werden Prozesse identifiziert, die derzeit von traditionellen Systemen ausgeführt werden und mit KI grundlegend neu gedacht werden können. Welche Aufgaben erfordern einen erheblichen Aufwand und könnten durch KI komplett verändert werden?
Ein Unternehmen ersetzt beispielsweise sein regelbasiertes Vertriebs-Forecasting durch eine KI-gestützte Lösung, die historische Auftragsdaten, Marktindikatoren und Kundenverhalten einbezieht. Nicht nur schneller, sondern qualitativ auf einem anderen Niveau.
C: Create (Erschaffen): Die 3. Kategorie Create ist die ambitionierteste. Hier geht es um die Entwicklung völlig neuer Angebote, die durch KI-Technologien erst ermöglicht werden. Welche neuen Einnahmequellen können KI-gesteuerte Produkte erschließen? Kann KI personalisierte Kundenerfahrungen ermöglichen, die bisher unerreichbar waren?
Ein Komponentenhersteller etwa bietet seinen Kunden erstmals einen KI-gestützten Predictive-Maintenance-Service an. Ein komplett neues Geschäftsmodell, das ohne KI nicht denkbar wäre.
Entscheidend ist: Die meisten Unternehmen sollten den Großteil ihrer ersten KI-Initiativen in der Kategorie „Accelerate” starten. Hier ist der Bezug zu bestehenden Prozessen am direktesten, die Umsetzbarkeit am höchsten und der Nutzen am schnellsten nachweisbar. Die Kategorien „Re-Define” und „Create” sind ambitionierter, setzen aber auch mehr organisatorische Reife und Erfahrung im Umgang mit KI voraus. Unternehmen, die ihre Use Cases nach dieser Logik strukturieren, berichten von deutlich höheren Umsetzungsquoten. Der Grund: Das ARC-Framework verhindert zwei der häufigsten Fehler. Zum einen schützt es davor, zu früh zu ambitioniert zu denken, etwa ein komplett neues KI-Geschäftsmodell aufzusetzen, bevor die Organisation überhaupt erste Erfahrungen mit KI im operativen Alltag gesammelt hat. Zum anderen zwingt die Kategorisierung dazu, jeden Use Case einem konkreten Prozess zuzuordnen. Damit wird die zentrale Frage, ob dieser Use Case ein reales Problem löst, nicht erst nach der Implementierung beantwortet, sondern bereits bei der Auswahl. Das Ergebnis: Weniger Piloten, die im Sand verlaufen, kürzere Wege vom Proof of Concept in den produktiven Betrieb und vor allem eine belastbarere Argumentationsgrundlage gegenüber dem Vorstand, wenn es um die Freigabe weiterer Budgets geht.
Von der Longlist zur Shortlist: Use Cases fundiert priorisieren
Selbst wenn Use Cases über das ARC-Framework sauber kategorisiert sind, bleibt die Frage: Welche setzt man zuerst um? Eine bewährte erste Orientierung bietet die Einordnung in eine Matrix mit den Achsen „Erwarteter Nutzen” und „Umsetzbarkeit”. Dieser Filter trennt schnell die vielversprechenden Kandidaten von den Wunschträumen.
Die Matrix ist jedoch nur der Anfang. Für eine fundierte Entscheidung müssen die verbleibenden Use Cases anhand weiterer Dimensionen bewertet werden:
- Strategischer Fit: Zahlt der Use Case auf die übergeordnete Unternehmensstrategie ein, oder bleibt er ein isoliertes Optimierungsprojekt?
- Datenverfügbarkeit und -qualität: Liegen die benötigten Daten vor, sind sie zugänglich und in ausreichender Güte vorhanden?
- Organisatorische Readiness: Wie bereit sind die betroffenen Teams und Strukturen, den Use Case tatsächlich zu tragen und im Alltag zu nutzen?
- Integrationsfähigkeit in bestehende Systeme: Lässt sich die KI-Lösung in die vorhandene IT-Landschaft einbetten, oder erfordert sie umfangreiche Neuinfrastruktur?
- Time-to-Value: Wie schnell lässt sich ein messbarer Nutzen realisieren?
- Skalierungspotenzial: Kann der Use Case nach erfolgreicher Pilotierung auf andere Bereiche, Standorte oder Prozesse ausgeweitet werden?
Erst diese Kombination aus schnellem Vorfilter und tiefergehender Bewertung schützt davor, Ressourcen in Use Cases zu investieren, die zwar auf dem Papier überzeugend aussehen, aber an der organisatorischen oder technischen Realität scheitern.
Was Unternehmen jetzt tun sollten
Der Weg von der KI-Idee zum messbaren Wertbeitrag muss kein langer sein, vorausgesetzt, die Reihenfolge stimmt.
Vier Schritte helfen, den Auswahlprozess von Anfang an richtig aufzusetzen:
1. Mit einer ehrlichen Prozessanalyse beginnen, nicht mit Technologie-Brainstorming. Wo liegen die tatsächlichen Engpässe und Reibungsverluste im operativen Geschäft? Die Antwort auf diese Frage ist der einzig belastbare Ausgangspunkt für die Identifikation von KI-Use Cases.
2. Use Cases nach Reifegrad kategorisieren. Das ARC-Framework bietet dafür eine klare Struktur. Wer mit „Accelerate”-Use Cases startet, schafft schnelle Erfolge und baut internes Vertrauen auf, bevor ambitioniertere Vorhaben in Angriff genommen werden.
3. Mehrdimensional bewerten statt nach Bauchgefühl priorisieren. Strategischer Fit, Datenverfügbarkeit, organisatorische Readiness, Integrationsfähigkeit, Time-to-Value und Skalierungspotenzial: Wer diese Dimensionen systematisch prüft, vermeidet teure Fehlentscheidungen.
4. Den CFO-Test anwenden. Wenn sich in zwei Sätzen nicht erklären lässt, welchen konkreten Wertbeitrag ein Use Case liefern soll, ist er noch nicht reif für die Umsetzung.
Ausblick
Die Auswahl der richtigen Use Cases ist allerdings nur der erste Schritt. Selbst der beste Use Case entfaltet seinen vollen Wert erst, wenn die Organisation drumherum stimmt: Governance-Strukturen, klare Verantwortlichkeiten und ein Betriebsmodell, das KI nicht als Einmalprojekt, sondern als Daueraufgabe begreift. Was Unternehmen organisatorisch verändern müssen, um KI nicht nur zu pilotieren, sondern zu skalieren, wird Gegenstand eines weiteren Beitrags sein.