KI-Use-Cases priorisieren: So entscheidest du, womit du anfängst

Die Situation ist fast überall dieselbe. Die Geschäftsführung hat gesagt: „Wir müssen was mit KI machen.” Danach kamen die Ideen. Aus dem Vertrieb, aus dem Kundenservice, aus der Buchhaltung, aus der IT. Nach drei Monaten liegt eine Liste mit 40 Vorschlägen auf dem Tisch, und niemand kann sagen, welcher davon Geld bringt.

Dann passiert eines von zwei Dingen. Entweder startet man zehn Piloten gleichzeitig, und keiner kommt in den Betrieb. Oder man startet den, den der lauteste Bereichsleiter wollte. Beides erklärt, warum laut MIT 95 Prozent der KI-Piloten keinen messbaren Gewinn bringen. Nicht, weil die Technik nicht funktioniert. Weil die Auswahl nicht funktioniert hat.

Hier ist der Prozess, mit dem aus 40 Ideen die drei werden, mit denen du anfängst.

Schritt 1: Ideen sammeln, aber richtig

Der häufigste Fehler passiert schon beim Sammeln: Man sammelt Lösungen statt Probleme. „Wir brauchen einen Chatbot für die Website.” „Wir wollen Copilot in Teams.” Das sind keine Use Cases. Das sind Tools auf der Suche nach einem Problem.

Ein Use Case beginnt beim Vorgang. Deshalb hat jede Idee auf der Liste vier Felder, und nur vier:

1. Welcher Vorgang? Konkret: „Eingehende Lieferantenrechnungen prüfen und kontieren”, nicht „Buchhaltung automatisieren”.
2. Wer macht das heute, wie oft, wie lange? Zwei Personen, 60 Rechnungen pro Tag, je sechs Minuten.
3. Was ist daran Routine, was braucht Urteilsvermögen? Routine: Daten auslesen, Kostenstelle vorschlagen. Urteil: Freigabe bei Abweichungen.
4. Was wäre anders, wenn es funktioniert? Vier Stunden pro Tag frei, Freigabe am selben Tag statt nach drei.

Wer diese vier Felder nicht füllen kann, hat keine Idee, sondern einen Wunsch. Das ist in Ordnung, aber er kommt nicht auf die Liste.

Zwei praktische Hinweise: Sammle nicht nur in Workshops. Die besten Use Cases kommen aus Einzelgesprächen mit den Menschen, die den Vorgang täglich machen, weil die wissen, wo es klemmt. Und frag nach der Schatten-KI: Wer nutzt heute schon ChatGPT, wofür? Das sind Use Cases, die sich bereits bewiesen haben, nur ohne Erlaubnis.

Schritt 2: Bewerten nach vier Kriterien

Für die Bewertung hat sich im Produktmanagement seit Jahren ein Modell bewährt: RICE. Reach, Impact, Confidence, Effort. Es ist nicht perfekt, aber es zwingt zu Zahlen, wo sonst Meinungen stehen. Für KI ergänze ich ein fünftes Kriterium, das Risiko.

Kriterium	Frage	Skala
Reichweite	Wie viele Menschen oder Vorgänge pro Monat betrifft es?	Zahl
Wirkung	Was bringt es pro Vorgang: Zeit, Geld, Qualität, Risiko?	0,25 / 0,5 / 1 / 2 / 3
Zuversicht	Wie sicher sind die Annahmen? Liegen die Daten vor? Gibt es ein Beispiel, wo es funktioniert hat?	50 % / 80 % / 100 %
Aufwand	Personenwochen für Integration, Daten, Testing, Schulung	Zahl
Risiko	Risikoklasse nach EU AI Act, DSGVO-Relevanz, Kundendaten beteiligt?	Ausschluss oder Abschlag

Die Formel ist einfach: Reichweite × Wirkung × Zuversicht, geteilt durch Aufwand. Das Ergebnis ist eine Zahl, mit der sich 40 Ideen in eine Reihenfolge bringen lassen.

Das Risiko kommt davor. Ein Use Case, der Bewerbungen vorsortiert, ist nach EU AI Act ein Hochrisiko-System mit Dokumentations- und Prüfpflichten. Der kann hervorragend bewertet sein und trotzdem nicht der erste sein, den ihr angeht. Ein Use Case, der Kundendaten an einen US-Anbieter ohne Auftragsverarbeitungsvertrag schickt, fliegt ganz raus.

Wichtig ist nicht die genaue Zahl. Wichtig ist, dass alle Ideen mit denselben Kriterien bewertet werden, und dass die Bewertung aufgeschrieben ist. Dann kann der Bereichsleiter, dessen Idee auf Platz 17 gelandet ist, nachlesen, warum, und die Annahmen anfechten. Das ist ein Gespräch über Zahlen, kein Gespräch über Macht.

Schritt 3: Die Use-Case-Liste als Prozess betreiben

Aus Schritt 2 hast du jetzt eine bewertete, sortierte Liste aller KI-Ideen: oben die mit der höchsten Punktzahl, unten die, die sich nicht lohnen. Diese Liste ist das wichtigste Dokument deiner KI-Einführung. Und hier scheitern die meisten.

Die Liste wird einmal erstellt, im Workshop, mit großem Aufwand. Dann kommen neue Ideen, und niemand bewertet sie, weil der Workshop vorbei ist. Nach einem halben Jahr ist die Liste veraltet, die Bewertung stimmt nicht mehr, und das Spiel beginnt von vorn.

Priorisierung ist kein Projekt. Sie ist ein Prozess mit vier Stationen, der dauerhaft läuft:

• Eingang: Jede neue Idee kommt über denselben Weg rein, mit den vier Feldern aus Schritt 1. Ein Formular reicht. Keine Idee per Flurfunk, keine per E-Mail an den Geschäftsführer.
• Vorprüfung: Bevor jemand Zeit in die Bewertung steckt, wird geprüft: Sind alle vier Felder ausgefüllt? Gibt es die Idee schon, vielleicht unter anderem Namen aus einem anderen Bereich? Wenn etwas fehlt, geht die Idee an den Einreicher zurück, mit der konkreten Frage, was fehlt. Diese Vorprüfung ist Fleißarbeit, und genau dafür eignet sich ein Sprachmodell: Es liest die Einreichung, vergleicht sie mit der bestehenden Liste und formuliert die Rückfrage. Der Mensch sieht nur noch die vollständigen Ideen.
• Bewertung: Die vollständigen Ideen bewertet eine feste, kleine Runde nach den Kriterien aus Schritt 2. Drei Leute, die den Prozess kennen, nicht alle, die eine Meinung haben.
• Entscheidung: Alle vier Wochen schaut die Geschäftsführung auf die obersten zehn Einträge und entscheidet, was als Nächstes startet, sobald Kapazität frei ist.

Das klingt nach Bürokratie. Es ist das Gegenteil. Ohne diesen Prozess entscheidet, wer am lautesten ist oder wer zuletzt mit dem Geschäftsführer Mittag gegessen hat. Mit dem Prozess entscheidet die Zahl, und jeder im Unternehmen kann nachsehen, wo seine Idee steht und warum.

Schritt 4: Die Kapazität festlegen, bevor die Ideen sie auffressen

Eine sortierte Liste bringt nichts, wenn trotzdem alles gleichzeitig gestartet wird. Deshalb der letzte Schritt: vorab festlegen, wie viel Kapazität für KI-Vorhaben überhaupt da ist und wie sie aufgeteilt wird.

Mit Kapazität ist die Zeit der Menschen gemeint, die KI-Use-Cases umsetzen und betreiben: das Entwicklungsteam oder der Dienstleister, die IT für Anbindungen, und vor allem die Fachbereiche, die testen, Feedback geben und die Kollegen schulen. Diese Zeit ist knapp, und sie wird für zwei Dinge gebraucht, die gegeneinander konkurrieren:

1. Das, was schon läuft, am Laufen halten und verbessern. Ein Use Case, der produktiv ist, hat Nutzer. Die melden Fehler, wünschen sich Erweiterungen und merken sofort, wenn sich niemand kümmert. Dann hören sie auf, ihn zu nutzen, und der Use Case stirbt leise.
2. Neue Use Cases von der Liste starten. Das ist das Spannende, und deshalb zieht es die Aufmerksamkeit an.

Ohne feste Aufteilung gewinnt immer das Neue, und der Bestand verfällt. Die Faustregel, die sich bewährt hat: ungefähr 70 Prozent der Kapazität für den Bestand, 30 Prozent für Neues. Das klingt konservativ. Aber ein laufender Use Case, der schlechter wird, kostet mehr Vertrauen, als ein neuer, der zwei Wochen später kommt.

Dazu eine zweite Grenze: drei bis fünf neue Use Cases gleichzeitig, nicht mehr. Jeder braucht einen Eigentümer im Fachbereich, der dafür Zeit hat und dafür geradesteht. Wer für eine Idee keinen Eigentümer findet, hat eine Antwort bekommen: Der Fachbereich will sie nicht so dringend, wie die Bewertung suggeriert. Dann rückt die nächste von der Liste nach.

Woran du erkennst, dass es funktioniert

Nach acht Wochen sollten drei Dinge anders sein:

1. Du kannst dem Vorstand in einem Satz sagen, welche drei Use Cases laufen, warum diese, und was sie bringen sollen.
2. Jeder im Unternehmen weiß, wo er eine KI-Idee einreicht und wann er eine Antwort bekommt.
3. Die Diskussion „Warum machen wir nicht erst mal XY?” ist leiser geworden, weil XY auf der Liste steht, mit Zahl und Begründung.

Wenn das nicht eintritt, liegt es meistens an Schritt 1: Die Liste enthält Wünsche statt Vorgänge. Dann hilft es, noch einmal mit den Menschen zu sprechen, die die Arbeit machen.