KI-Engineering · Tag 2: Den richtigen KI-Use-Case finden

Willkommen zu Tag 2 unserer Serie KI-Engineering. Gestern haben wir über die Grundhaltung gesprochen: KI ist ein Werkzeug, kein Zaubertrick. Heute wird es konkret, denn hier scheitern die meisten Projekte, bevor die erste Zeile Code geschrieben ist. Wer einen KI Use-Case finden will, der wirklich Geld spart oder Umsatz bringt, steht vor einer unangenehmen Wahrheit: Die spannendsten Ideen sind selten die wirtschaftlichsten. Und die wirtschaftlichsten klingen im Meeting oft langweilig. Genau darum geht es heute.

Wir haben in den letzten Jahren Dutzende KI-Vorhaben begleitet, von der Ein-Personen-Firma bis zum Mittelständler mit 300 Mitarbeitenden. Das Muster wiederholt sich: Es fehlt nicht an Ideen, es fehlt an einer nüchternen Bewertung, welche dieser Ideen den Aufwand überhaupt wert ist. Dieser Beitrag gibt dir ein Raster an die Hand, mit dem du in einem Nachmittag entscheidest, wo du anfängst.

Warum der erste Use-Case über Erfolg oder Frust entscheidet

Der erste KI-Anwendungsfall in einem Unternehmen ist nie nur ein technisches Projekt. Er ist ein Signal. Läuft er gut, entsteht Vertrauen, Budget und Neugier. Läuft er schlecht, wird KI intern zum Reizwort, und die nächste Idee muss sich gegen Skepsis durchsetzen, die sie nicht verdient hat. Deshalb ist die Auswahl des ersten Falls wichtiger als die Wahl des Modells oder der Cloud.

Der klassische Fehler: Man startet mit dem, was am meisten beeindruckt. Ein Chatbot, der wie ein Mensch spricht. Ein System, das automatisch Angebote schreibt. Das sind sichtbare, prestigeträchtige Projekte, aber sie sind auch fehleranfällig, schwer zu messen und tief in bestehende Prozesse verwoben. Ein misslungener Kundenchat ist sofort für alle sichtbar. Eine im Hintergrund laufende Rechnungsklassifizierung, die zu 92 Prozent korrekt sortiert, fällt niemandem unangenehm auf und spart trotzdem jeden Monat echte Stunden.

Das Bewertungsraster: Wert × Machbarkeit × Fehlertoleranz

Wenn du einen ersten KI Use-Case finden möchtest, bewerte jede Idee entlang von drei Achsen. Nicht zwei, nicht vier. Diese drei entscheiden praktisch alles.

1. Wert: Wie viel bringt es wirklich?

Wert klingt einfach, wird aber fast immer falsch geschätzt. Die Frage ist nicht Ist das cool?, sondern Wie oft passiert das, und was kostet es heute?. Ein Prozess, der zehnmal am Tag anfällt und jeweils fünf Minuten Handarbeit kostet, ist wertvoller als ein glamouröser Fall, der einmal im Quartal auftaucht. Rechne konkret: Häufigkeit mal Zeitersparnis mal Stundensatz. Wenn am Ende ein Betrag steht, der die Entwicklungskosten nicht innerhalb von zwölf Monaten wieder einspielt, ist es kein guter erster Fall, egal wie gut er sich anfühlt.

Vorsicht bei weichem Wert. Bessere Kundenerfahrung oder mehr Innovation sind keine Messgrößen, an denen du ein Projekt aufhängen kannst. Suche nach Fällen, deren Nutzen du in Euro, gesparten Stunden oder vermiedenen Fehlern ausdrücken kannst.

2. Machbarkeit: Sind die Daten und die Grenzen da?

Machbarkeit entscheidet sich meist an den Daten, nicht am Modell. Ein moderner Sprachmodell-Dienst ist heute leistungsfähig genug für erstaunlich viel. Die eigentliche Frage ist: Liegen die nötigen Informationen in einer Form vor, auf die ein System zugreifen kann? Ein Use-Case, der voraussetzt, dass jemand erst drei Jahre Papierakten digitalisiert, ist nicht machbar, sondern ein Digitalisierungsprojekt mit KI-Etikett.

Zur Machbarkeit gehört auch, wie klar die Aufgabe umrissen ist. Aufgaben mit engem Rahmen und eindeutiger richtiger Antwort sind einfach. Aufgaben, die Weltwissen, Kontext über Wochen oder subtiles Urteilsvermögen brauchen, sind schwer. Fasse diese E-Mail zusammen ist machbar. Entscheide, ob wir diesen Kunden verklagen sollten ist es nicht.

3. Fehlertoleranz: Was passiert, wenn es danebenliegt?

Das ist die Achse, die am häufigsten vergessen wird, und sie ist entscheidend. KI-Systeme sind probabilistisch. Sie liegen manchmal falsch, und zwar nicht selten selbstbewusst falsch. Die richtige Frage lautet daher nicht Wie oft ist es korrekt?, sondern Was kostet mich ein Fehler?.

Bei einem Vorschlagssystem, bei dem ein Mensch die Ausgabe ohnehin prüft, ist ein gelegentlicher Fehler billig. Bei einem System, das eigenständig Geld überweist, Medikamente dosiert oder rechtsverbindliche Aussagen trifft, ist ein Fehler teuer bis katastrophal. Gute erste Use-Cases haben eine hohe Fehlertoleranz: Ein Mensch bleibt in der Schleife, Fehler sind sichtbar und reversibel, und die Kosten eines Irrtums sind überschaubar.

Gute gegen schlechte Use-Cases: konkrete Muster

Aus der Kombination der drei Achsen lässt sich ein klares Bild zeichnen. Gute erste Fälle teilen bestimmte Eigenschaften:

• Hohe Häufigkeit, kleine Einheiten: viele gleichartige Vorgänge statt weniger großer Sonderfälle. Beispiel: eingehende Support-Anfragen automatisch nach Thema sortieren.
• Text rein, Text raus: Aufgaben, bei denen aus vorhandenem Text neuer Text oder eine Kategorie entsteht. Das ist die Kerndisziplin heutiger Sprachmodelle.
• Mensch als Prüfinstanz: die KI schlägt vor, ein Mensch bestätigt. So verwandelt sich ein Genauigkeitsproblem in eine Zeitersparnis.
• Klar messbarer Nutzen: du kannst vorher und nachher in Zahlen ausdrücken, was sich geändert hat.

Schlechte erste Fälle erkennst du an den Gegenteilen:

• Vollautomatik ohne Netz: das System handelt eigenständig, Fehler landen direkt beim Kunden oder im Hauptbuch.
• Seltene, teure Einzelentscheidungen: viel Kontext nötig, wenig Wiederholung, kaum Trainings- oder Prüfmaterial.
• Vage Zielgröße: niemand kann sagen, woran man erkennt, dass es funktioniert hat.
• Datenlage im Nebel: die entscheidenden Informationen stecken in Köpfen, Papier oder inkompatiblen Altsystemen.

Ein konkretes Praxisbeispiel

Ein Handwerksbetrieb mit rund 40 Mitarbeitenden kam mit einer klaren Wunschvorstellung zu uns: ein KI-Assistent, der eigenständig verbindliche Angebote für Kunden erstellt und verschickt. Das klang nach großer Wirkung. In der Bewertung fiel der Fall aber auf allen drei Achsen durch. Der Wert war hoch, ja, aber die Machbarkeit litt darunter, dass Preise stark vom Ortstermin abhingen und nirgends sauber hinterlegt waren. Und die Fehlertoleranz war denkbar niedrig: Ein automatisch verschicktes, zu billiges Angebot ist rechtlich bindend und kostet direkt Marge.

Statt dieses Projekts haben wir gemeinsam einen unscheinbaren Nachbarn gewählt. Jeden Tag gingen zwischen 30 und 50 E-Mail-Anfragen ein, die eine Mitarbeiterin von Hand sichtete, den richtigen Kategorien zuordnete und an die zuständigen Meister weiterleitete. Das kostete täglich rund zwei Stunden. Wir bauten ein System, das jede eingehende Anfrage liest, das Gewerk erkennt, Dringlichkeit einschätzt und einen Weiterleitungsvorschlag samt kurzer Zusammenfassung erstellt. Die Mitarbeiterin bestätigt oder korrigiert mit einem Klick.

Das Ergebnis: Der Fall hatte hohe Häufigkeit, war reines Text-rein-Text-raus, hatte einen Menschen als Prüfinstanz und einen glasklar messbaren Nutzen. Die tägliche Sichtzeit sank von zwei Stunden auf etwa zwanzig Minuten. Fehler waren harmlos, weil die Mitarbeiterin ohnehin drübersah, und mit jeder Korrektur wurde das System messbar besser. Das Angebots-Projekt haben wir nicht verworfen, sondern auf später vertagt, als es Vertrauen, Daten und einen Prüfprozess gab. Genau so soll die Reihenfolge sein.

So gehst du vor

Wenn du für dein eigenes Unternehmen einen ersten KI Use-Case finden willst, arbeite diese Schritte der Reihe nach ab. Du brauchst dafür keine Technik, nur ehrliche Antworten.

• Schritt 1 — Sammeln: Notiere zehn bis fünfzehn Aufgaben in deinem Betrieb, die sich wiederholen, Zeit kosten und mit Text oder Daten zu tun haben. Frag die Menschen, die die Arbeit tatsächlich machen, nicht nur die Geschäftsführung.
• Schritt 2 — Bewerten: Gib jeder Aufgabe für Wert, Machbarkeit und Fehlertoleranz eine Note von 1 bis 5. Sei bei der Fehlertoleranz besonders streng: Was passiert im schlimmsten Fall, und wer merkt es?
• Schritt 3 — Rechnen: Für die drei bestbewerteten Fälle rechnest du den Jahresnutzen konkret aus. Häufigkeit mal Zeit mal Stundensatz. Wenn keine belastbare Zahl herauskommt, ist der Fall noch nicht reif.
• Schritt 4 — Datencheck: Prüfe für den Favoriten, ob die nötigen Informationen zugänglich sind. Liegen sie digital vor? Darf man sie verwenden? Sind sie aktuell? Datenschutz gehört hier auf den Tisch, nicht ans Ende.
• Schritt 5 — Klein starten: Setze zuerst eine abgespeckte Version um, die einen Menschen im Prozess behält. Miss vier Wochen lang, ob der versprochene Nutzen real eintritt, bevor du ausbaust.

Dieser Ablauf schützt dich vor der teuersten Kategorie von Fehlern: dem Projekt, das nach drei Monaten technisch funktioniert, aber nie hätte gestartet werden dürfen.

Häufige Fehleinschätzungen

Zum Abschluss die Denkfehler, die uns immer wieder begegnen. Sie sind so verbreitet, dass es sich lohnt, sie beim Namen zu nennen.

Der Wow-Effekt als Kompass. Ideen werden danach ausgewählt, wie beeindruckend sie in der Präsentation wirken. Der langweilige, hochfrequente Fall im Maschinenraum bringt fast immer mehr als der glänzende Fall auf der Bühne.

Genauigkeit mit Nutzen verwechseln. Ein System muss nicht zu 100 Prozent korrekt sein, um wertvoll zu sein. Es muss besser oder schneller sein als der heutige Zustand, bei tragbaren Fehlerkosten. Wer auf perfekte Genauigkeit wartet, startet nie.

Das Datenproblem unterschätzen. Der Satz die Daten haben wir irgendwo ist ein Warnsignal. Irgendwo ist nicht zugänglich. Kläre die Datenlage, bevor du dich in eine Lösung verliebst.

Zu groß anfangen. Der Wunsch, gleich den großen Wurf zu landen, führt zu langen Projekten ohne frühes Feedback. Ein kleiner, produktiver erster Fall in sechs Wochen schlägt einen ambitionierten in sechs Monaten, der nie ganz fertig wird.

Den Menschen vergessen. Ein KI-System ändert, wie Menschen arbeiten. Wenn die betroffenen Kolleginnen und Kollegen es als Bedrohung oder als aufgezwungene Zusatzarbeit erleben, scheitert selbst der technisch beste Fall. Beziehe sie von Schritt 1 an ein.

Fazit

Den richtigen ersten KI-Anwendungsfall zu wählen ist keine technische, sondern eine unternehmerische Entscheidung. Bewerte jede Idee entlang von Wert, Machbarkeit und Fehlertoleranz, rechne den Nutzen ehrlich in Zahlen, prüfe die Datenlage früh und starte klein mit einem Menschen in der Schleife. Der beste erste Fall ist selten der spektakulärste, sondern der, der oft passiert, sich messen lässt und Fehler verzeiht. Wer so vorgeht, baut nicht nur ein funktionierendes System, sondern auch das Vertrauen für alles, was danach kommt. Morgen, an Tag 3, schauen wir uns an, wie du aus dem gewählten Use-Case eine belastbare technische Grundlage machst, ohne dich zu früh festzulegen.

Diese Episode ist Teil unserer laufenden Serie. Alle bisherigen Tage und die weiteren Themen findest du in der Serien-Übersicht.

Du hast einen Kandidaten für deinen ersten Use-Case im Kopf und willst wissen, ob er sich lohnt? Wir bewerten ihn mit dir nüchtern und ehrlich, bevor Budget fließt. Mehr dazu, wie wir arbeiten, findest du bei unseren Leistungen im Bereich KI. Oder schreib uns direkt über das Kontaktformular — ein erstes Gespräch kostet dich nichts außer einer halben Stunde.