KI-Potenzialanalyse: Welche Arbeiten ein KI-Agent in Ihrem Unternehmen übernehmen kann

Stellen Sie sich eine gut geführte Rechtsanwaltskanzlei vor: Jeden Morgen öffnet die Assistentin den Posteingang, sortiert eingegangene Schreiben nach Mandat und Absender, trägt Fristen manuell in das Kanzleisystem ein und leitet Dokumente an die zuständigen Anwälte weiter. Das dauert täglich rund anderthalb Stunden — und das ist noch ein vergleichsweise simples Beispiel. Keine außergewöhnliche Tätigkeit, keine Entscheidung, die wirklich juristisches Urteil erfordert. Nur Aufmerksamkeit, Routine und die Bereitschaft, dieselben Schritte immer wieder zu wiederholen.

Genau hier setzt eine KI-Potenzialanalyse an: Sie zeigt strukturiert auf, welche dieser Routinen ein KI-Agent zuverlässig übernehmen kann — und welche nicht.

Was eine KI-Potenzialanalyse leistet — und was nicht

Eine KI-Potenzialanalyse ist keine Machbarkeitsstudie für ein konkretes Softwareprojekt und auch kein Proof-of-Concept. Sie ist eine strukturierte Bestandsaufnahme, deren Ergebnis eine priorisierte Liste von Aufgaben ist: geordnet danach, welche sich für eine KI-gestützte Automatisierung eignen, welche es perspektivisch könnten und welche es definitiv nicht tun.

Das Ergebnis ist kein Versprechen und keine Umsetzungsplanung. Wer am Ende der Analyse weiß, welche drei Prozesse in seinem Betrieb wirklich geeignete Kandidaten sind, hat eine fundierte Grundlage für die nächste Entscheidung: ob, wie und wann er investiert.

Was eine Potenzialanalyse nicht leisten kann: Sie ersetzt keine technische Konzeption, keinen Datenschutz-Check und kein Lastenheft. Sie liefert Orientierung — konkret, aber noch nicht verbindlich umsetzungsreif.

Der Schmerzpunkt hinter der Analyse: Fachkräfte in der Warteschleife

Das eigentliche Problem ist selten Faulheit oder fehlende Motivation. Es ist die Struktur der Arbeit. In vielen mittelständischen Betrieben verbringen qualifizierte Mitarbeiterinnen und Mitarbeiter einen erheblichen Teil ihrer Zeit damit, Informationen zwischen Systemen zu übertragen, Dokumente zu öffnen und in eine andere Form zu bringen, E-Mails zu sichten und nach Kategorie weiterzuleiten oder Daten aus einem Eingangsbeleg in eine Maske einzutragen.

Diese Tätigkeiten sind keine Kerntätigkeit — aber sie kosten Zeit, die dann für die eigentliche Arbeit fehlt. Wenn eine Sachbearbeiterin im Einkauf täglich eine Stunde Eingangsrechnungen vorsortiert und Lieferantenangaben abgleicht, steht diese Stunde nicht für Verhandlung, Qualitätsprüfung oder strategische Lieferantenbewertung zur Verfügung. Das ist eine messbare wirtschaftliche Folge, auch wenn sie nie als eigene Kostenstelle erscheint.

Die Rückstände entstehen meist nicht an einzelnen Tagen, sondern dann, wenn Volumen schwankt: Urlaub, Krankheit, Saisonspitzen. Genau hier zeigt sich, welche Prozesse wirklich personengebunden sind — und welche es nicht sein müssten.

Vier Bewertungskriterien: Welche Aufgaben sind geeignet?

Nicht jede Aufgabe, die sich wiederholend anfühlt, ist für einen KI-Agenten geeignet. Die Bewertung erfolgt entlang von vier Kriterien, die sich in der Praxis als zuverlässig erwiesen haben:

Diese Tabelle ist kein Scoringmodell mit festen Schwellenwerten. Sie ist ein Denkrahmen. In der Praxis gibt es Aufgaben, die in drei Kriterien stark und in einem schwach abschneiden — dann entscheidet die Risikobeurteilung.

Häufigkeit und Volumen

Ein KI-Agent amortisiert seinen Einrichtungsaufwand erst, wenn er eine Aufgabe oft genug ausführt. Eine Aufgabe, die zweimal im Jahr anfällt, lohnt sich selten — unabhängig davon, wie gut sie sich technisch umsetzen ließe. Geeignete Kandidaten sind Aufgaben mit hohem täglichem oder wöchentlichem Volumen.

Regelhaftigkeit

Hier liegt der häufigste Denkfehler. Viele Mitarbeiter beschreiben ihre Arbeit als "regelbasiert", meinen damit aber: "Ich folge einem Muster, das ich im Kopf habe." Für einen KI-Agenten muss das Muster explizit beschreibbar sein — entweder als klassische Regel oder als statistisch lernbarer Zusammenhang aus ausreichend vielen Beispielen. Wenn eine erfahrene Mitarbeiterin Ausnahmen "auf einen Blick" erkennt, weil sie 15 Jahre Berufserfahrung hat, ist das kein Indikator für gute KI-Eignung. Das ist implizites Erfahrungswissen — und das lässt sich nur übertragen, wenn es vorher explizit gemacht wurde.

Datenlage

Kein KI-Agent kann mit Informationen arbeiten, die er nicht zugänglich bekommt. Wenn der relevante Kontext in E-Mails liegt, auf Papier, in einer Fachsoftware ohne API oder im Kopf einer Person — dann ist Datenlage das erste zu lösende Problem, bevor überhaupt an einen KI-Einsatz gedacht werden kann. Digitale Dokumente, strukturierte Datenfelder und zugängliche Schnittstellen sind Voraussetzung, keine Selbstverständlichkeit.

Risiko und Freigabe

Dieser Punkt verdient besondere Aufmerksamkeit: Ein KI-Agent kann Arbeit vorbereiten und Ergebnisse vorlegen — aber er trifft keine Entscheidungen mit Haftungsrelevanz, rechtlicher Bindungswirkung oder fachlichem Urteil. Das ist kein technisches Versagen, sondern eine bewusste Designentscheidung.

In der Praxis bedeutet das: Der Agent bereitet vor, der Mensch gibt frei. Ein KI-Agent kann aus einem eingehenden Lieferschein Positionen extrahieren, den Bestand im ERP prüfen und eine Buchungsempfehlung generieren. Die Freigabe für die tatsächliche Buchung liegt beim Menschen. Dieses Prinzip gilt für alle KI-Agenten, die SWBS entwickelt: Entscheidungen, bei denen Haftung, Fachurteil oder Rechtsfolgen anfallen, verbleiben beim Menschen.

Abläufe aufnehmen: Was vor der Bewertung passiert

Bevor die vier Kriterien angewendet werden können, müssen die Abläufe tatsächlich aufgenommen werden. Das klingt trivial, ist es aber nicht. Prozessbeschreibungen, die in Handbüchern oder ISO-Dokumenten stehen, beschreiben selten die gelebte Wirklichkeit. Was tatsächlich passiert, zeigt sich erst im Gespräch mit den Menschen, die es täglich tun.

Die Aufnahme erfolgt in drei Schritten:

1. Prozesse sichtbar machen: Mit den betreffenden Mitarbeiterinnen und Mitarbeitern wird besprochen, was sie täglich, wöchentlich und monatlich tun — ohne Bewertung, ohne Optimierungsabsicht. Ziel ist ein ehrliches Bild der Arbeit.

2. Aufgaben atomisieren: Aus dem Gespräch werden einzelne, abgrenzbare Teilaufgaben extrahiert. "E-Mails bearbeiten" ist keine Aufgabe für die Analyse — "Eingehende Anfragen nach Produktgruppe klassifizieren und an zuständige Sachbearbeiter weiterleiten" ist eine.

3. Datenflüsse dokumentieren: Wo kommt die Information her? In welchem Format? Wo geht sie hin? Welche Systeme sind beteiligt? Diese Fragen entscheiden darüber, ob eine technische Umsetzung überhaupt realistisch ist.

Workshop-Format: Wie eine KI-Potenzialanalyse konkret abläuft

Eine KI-Potenzialanalyse, wie SWBS sie durchführt, ist kein Fragebogen und keine einseitige Beraterpräsentation. Sie ist ein strukturierter Workshop — typischerweise mit einer Dauer von einem halben bis einem ganzen Tag, je nach Unternehmensgröße und Anzahl der betrachteten Bereiche.

Welche Fragen vorab zu klären sind

Bevor der Workshop stattfindet, müssen einige Voraussetzungen geklärt werden:

• Welche Bereiche werden betrachtet? Eine Potenzialanalyse für das gesamte Unternehmen auf einmal ist selten sinnvoll. Besser ist ein fokussierter Einstieg: ein Bereich, eine Abteilung, ein konkretes Problemfeld.
• Wer ist im Workshop dabei? Die Analyse braucht die Menschen, die die Arbeit wirklich kennen — nicht nur die, die formal zuständig sind. Ein Workshop ohne die ausführenden Mitarbeiterinnen und Mitarbeiter produziert blinde Flecken.
• Welche Systeme sind im Einsatz? ERP, CRM, Branchensoftware, E-Mail-Server, Dokumentenmanagement — ein Überblick über die vorhandene IT-Landschaft ist nötig, um Datenlage und Integrationsmöglichkeiten einzuschätzen.
• Gibt es bereits Digitalisierungsvorhaben oder laufende Projekte? Ein KI-Agent, der an ein System angebunden werden soll, das gerade migriert wird, ist riskant. Abhängigkeiten müssen bekannt sein.
• Wer entscheidet? Wer hat das Mandat, Ergebnisse der Analyse in Maßnahmen umzuwandeln? Diese Frage ist keine Formalität — sie entscheidet darüber, ob die Analyse Konsequenzen hat.

Der Workshop selbst

Im Workshop werden die aufgenommenen Abläufe gemeinsam bewertet. Die vier Kriterien (Häufigkeit, Regelhaftigkeit, Datenlage, Risiko) werden für jede identifizierte Aufgabe diskutiert — nicht als Checkboxen, sondern als qualitatives Gespräch. Erfahrung zeigt: Oft entstehen die wertvollsten Erkenntnisse nicht in der formalen Bewertungsrunde, sondern in den Randgesprächen, wenn jemand sagt: "Ach, und das hier machen wir auch noch jeden Morgen — ich dachte, das zählt nicht."

Am Ende des Workshops liegt eine Liste vor: geordnet nach Eignung, mit einer kurzen Begründung je Aufgabe. Nicht als Versprechen, sondern als Grundlage für die nächste Entscheidung.

Abgrenzung zum Go-/No-Go-Check

In der Reihe "KI-Agenten im Unternehmen" gibt es einen eigenständigen Go-/No-Go-Check für klassische Betriebe, der einzelne Prozesse auf KI-Eignung prüft. Die KI-Potenzialanalyse ist etwas anderes: Sie betrachtet nicht einen einzelnen Prozess, sondern das gesamte Aufgabenspektrum eines Bereichs — und sie findet Kandidaten, die anschließend im Go-/No-Go-Check vertieft bewertet werden können.

Vereinfacht gesagt: Die Potenzialanalyse zeigt, wo gesucht werden soll. Der Go-/No-Go-Check entscheidet, ob der Kandidat tatsächlich geeignet ist.

Hypothetisches Beispiel: Ein Großhandel mit Wareneingang

Das folgende Beispiel ist hypothetisch und dient der Veranschaulichung.

Ein mittelständischer Großhändler mit rund 40 Mitarbeitenden hat seinen Wareneingang über mehrere Jahre gewachsen. Eingehende Lieferscheine kommen per PDF-E-Mail, per Fax (in seltenen Fällen noch auf Papier) und über ein Lieferantenportal — alle in unterschiedlichen Formaten. Zwei Lagermitarbeiter verbringen täglich rund zwei Stunden damit, Lieferscheindaten manuell in das ERP einzutragen.

Eine KI-Potenzialanalyse für diesen Bereich würde folgende Aufgaben identifizieren und bewerten:

• Lieferschein-OCR und Datenextraktion: Hohe Häufigkeit, weitgehend regelbasiert (Kopfdaten, Positionen, Mengen), digitale Dokumente vorhanden. Geeignet — mit dem Vorbehalt, dass Papierlieferscheine erst digitalisiert werden müssen.
• Abgleich mit offenen Bestellungen im ERP: Hohe Häufigkeit, klar definierte Logik (Bestellnummer, Artikelnummer, Menge). Geeignet — mit menschlicher Freigabe bei Abweichungen.
• Eskalation bei Abweichungen: Wenn Mengen oder Artikel nicht passen, muss jemand entscheiden. Nicht geeignet für vollständige Automatisierung — wohl aber für die automatische Vorbereitung eines Abweichungsberichts mit Entscheidungsoptionen.
• Qualitätsprüfung der Ware: Nicht geeignet. Fachurteil, physische Inspektion, Erfahrungswissen.

Das Ergebnis: Zwei von vier identifizierten Aufgaben sind geeignete Kandidaten für einen KI-Agenten. Eine weitere ist ein Kandidat für automatisierte Vorbereitung mit menschlicher Freigabe. Eine scheidet aus.

Das ist ein realistisches Verhältnis — und es zeigt, warum die Potenzialanalyse ehrlich sein muss: Wer erwartet, dass ein KI-Agent alle Aufgaben übernimmt, wird enttäuscht. Wer erwartet, dass er die richtigen Aufgaben übernimmt, wird entlastet.

Grenzen der KI — und warum sie keine Schwäche sind

KI-Agenten können Muster erkennen, Texte extrahieren, Daten übertragen, Entwürfe erstellen und Rückfragen vorbereiten. Sie können das zuverlässig, schnell und ohne Ermüdung — wenn die Voraussetzungen stimmen.

Was sie nicht können: Situationen verstehen, die außerhalb ihrer Trainingsdaten liegen. Verantwortung übernehmen. Haftung tragen. Fachliches Urteil fällen, das auf jahrelanger Berufserfahrung, Kontext und persönlicher Einschätzung basiert.

Das ist keine Schwäche der Technologie — es ist eine zutreffende Beschreibung ihrer Natur. Und es ist der Grund, warum bei allen KI-Agenten, die SWBS entwickelt, die menschliche Freigabe an den Stellen explizit vorgesehen ist, an denen sie nötig ist. Nicht als Sicherheitsnetz, sondern als fester Bestandteil des Prozessdesigns.

Ebenfalls zu beachten: Wer einen KI-Agenten in seinem Betrieb einsetzt, nimmt eine Rolle ein, die rechtlich zu prüfen ist. Die EU-KI-Verordnung (Verordnung (EU) 2024/1689) unterscheidet zwischen Anbietern und Betreibern von KI-Systemen; welche Pflichten konkret gelten, hängt vom Einsatzzweck und der Risikoklasse ab — das ist im Einzelfall mit geeigneter Beratung zu prüfen. Gleiches gilt für den Datenschutz: Rechtsgrundlage, Auftragsverarbeitung, Datenminimierung, Speicherort und Löschung müssen vor dem produktiven Einsatz geklärt sein. Bei datenschutzrechtlichen Fragen empfiehlt sich die Einbindung des Datenschutzbeauftragten oder einer spezialisierten Rechtsberatung.

Was nach der Potenzialanalyse kommt

Die Analyse ist der Einstieg, nicht das Ziel. Wenn eine priorisierte Liste vorliegt, stehen typischerweise drei mögliche nächste Schritte zur Verfügung:

Vertiefende technische Konzeption: Für die am besten bewerteten Kandidaten wird geprüft, wie ein KI-Agent konkret aussehen würde — welche Systeme einzubinden sind, welche Daten gebraucht werden, wo Freigaben vorgesehen werden müssen, wie Tests aussehen.

Pilot mit einem Kandidaten: Statt sofort alle geeigneten Aufgaben umzusetzen, beginnt man mit einem einzigen, gut bewerteten Prozess — in einem abgegrenzten Schattenbetriebs-Modus, bevor der Agent produktiv geht.

Datenbasis aufbauen: In manchen Fällen zeigt die Analyse, dass die Voraussetzungen noch nicht erfüllt sind — weil Daten nicht digital vorliegen, Systeme keine Schnittstellen haben oder Abläufe erst standardisiert werden müssen. Auch das ist ein wertvolles Ergebnis: Es zeigt, was zuerst getan werden muss.

SWBS begleitet alle drei Pfade — von der KI-Integration und individuellen Entwicklung von KI-Agenten über die Beratung und Planung bis hin zur API-Entwicklung für die Anbindung an bestehende Systeme. Kein Standardprodukt, sondern eine Lösung, die auf die vorhandene Infrastruktur des jeweiligen Unternehmens zugeschnitten ist.

Wenn Sie den Zusammenhang zwischen KI-Potenzialanalyse und der Entwicklung individueller KI-Agenten vertiefen möchten, bietet der Artikel KI-Beratung für Unternehmen: Wie individuelle KI-Agenten Arbeit abnehmen eine direkte Weiterführung.

Wann eine KI-Potenzialanalyse sinnvoll ist — und wann nicht

Eine KI-Potenzialanalyse lohnt sich, wenn ein Unternehmen das Gefühl hat, dass wiederkehrende Routinen zu viel Kapazität binden, aber nicht klar ist, wo genau anzusetzen ist. Sie lohnt sich auch dann, wenn ein konkreter Prozess bereits als Kandidat im Raum steht, aber noch nicht klar ist, ob er wirklich geeignet ist.

Sie lohnt sich nicht, wenn:

• Das Unternehmen bereits weiß, welchen Prozess es automatisieren möchte, und eine konkrete Umsetzung braucht — dann ist direkt eine technische Konzeption sinnvoller.
• Die Datenbasis so fragmentiert ist, dass vor jeder KI-Überlegung erst grundlegende Digitalisierungsarbeit ansteht. In diesem Fall empfiehlt sich zunächst ein Blick auf die Digitalisierung von Geschäftsprozessen.
• Die Erwartung besteht, dass KI alle Probleme löst. Eine Potenzialanalyse ist eine nüchterne Bewertung — kein Versprechen.

Für Betriebe, die noch am Anfang der Automatisierungsreise stehen, kann auch ein breiterer Blick auf KI-Agenten für Unternehmen hilfreich sein, bevor der Fokus auf spezifische Prozesse gelegt wird.

Der nächste Schritt: KI-Potenziale im eigenen Betrieb prüfen

Wenn Sie sich fragen, ob und wo ein KI-Agent in Ihrem Betrieb tatsächlich Arbeit abnehmen könnte, ist der direkteste Weg ein Gespräch — nicht über KI im Allgemeinen, sondern über Ihre konkreten Abläufe.

SWBS führt KI-Potenzialanalysen als strukturierten Workshop durch: Abläufe aufnehmen, Aufgaben nach den vier Kriterien bewerten, Ergebnis als priorisierte Liste. Ohne Standardprodukt, ohne Versprechen, die sich nicht halten lassen — aber mit dem klaren Ziel, am Ende zu wissen, wo anzusetzen ist.

Nehmen Sie Kontakt auf und schildern Sie, welcher Bereich Ihnen am meisten Zeit kostet. Wir melden uns für ein erstes, unverbindliches Gespräch.