Wie identifiziere ich KI-Use-Cases in meinem Unternehmen?. Drei-Schritte-Methode

Schritt 1 · Pain-Point-Inventur

Zentrale Frage an jeden Fachbereich: „Welche drei Aufgaben fressen am meisten Zeit oder sorgen am häufigsten für Fehler?" Nicht: „Wo könnte KI helfen?", das führt zu Buzzword-Bingo. Methode: Job-to-be-done-Interviews (Clayton Christensen) à 30 Min mit operativ Tätigen, nicht nur Führungskräften.

Schritt 2 · KI-Fit-Bewertung

Pro Pain-Point bewerten: Gibt es ausreichend strukturierte Daten? Ist die Aufgabe wiederholbar? Ist das Output gut bewertbar (Goldstandard vorhanden)? Daraus ergibt sich die Technologie-Wahl: LLM für unstrukturierte Texte, klassisches ML für tabellarische Daten, RPA für rein regelbasierte Abläufe, gar keine KI für Einzelfälle.

Schritt 3 · Priorisierung

2x2-Matrix: x-Achse Geschäftswert (Zeitersparnis × Volumen × Mitarbeitendenzahl), y-Achse Machbarkeit (Datenverfügbarkeit, Komplexität, Risiko). Quick Wins oben rechts. Daten-Investments unten rechts. Skepsis bei oben links, riecht oft nach Hype. Unten links = wegschneiden.

Beispiel-Ergebnis

Ein 200-Personen-Mittelständler aus dem Maschinenbau identifizierte 2025 in drei Workshops 27 Pain-Points, daraus 9 KI-fitte Use Cases, daraus 4 priorisierte: Service-Wissensdatenbank, Angebots-Entwurf, Übersetzung Datenblätter, Meeting-Zusammenfassungen. Drei davon in 12 Wochen live.

Wer sollte am Workshop teilnehmen?

Pro Workshop 6–8 Personen, Mix aus: operativ Tätigen, einer Führungskraft pro Bereich, IT/Datenschutz, KI-Affinität (Champion). Externe Moderation erleichtert die Methodendisziplin, ist aber nicht zwingend.