KI Use Cases priorisieren: Nutzen, Aufwand und Risiko vor dem ersten Projekt bewerten

Jeden Monat landen mehrere Angebote auf dem Schreibtisch: KI-Tools für die Buchhaltung, für den Kundendienst, für das Lager. Der Vertriebsleiter möchte automatisch Angebote erstellen lassen, die Sachbearbeiterin wünscht sich eine Lösung für den Posteingang, und die Geschäftsführung fragt, ob KI nicht auch die Disposition übernehmen kann. Drei legitime Ideen – und kein klares Bild davon, welche davon wirklich umsetzbar, sicher und wirtschaftlich sinnvoll ist.

Genau hier beginnt das eigentliche Problem. Nicht fehlende KI-Tools sind das Hindernis, sondern das Fehlen eines belastbaren Rahmens, mit dem ein Betrieb seine KI Use Cases priorisieren kann, bevor er Zeit und Budget investiert.

Dieser Artikel zeigt, welche Kriterien für die Bewertung wirklich zählen, wie ein einfacher Business Case aufgebaut wird, welche Daten der Betrieb selbst erheben muss – und wann ein Use Case besser nicht umgesetzt werden sollte.

Warum die Auswahl des ersten KI-Projekts so entscheidend ist

Ein schlecht gewähltes erstes Projekt hinterlässt Narben: Mitarbeitende verlieren das Vertrauen in KI-Vorhaben generell, das Budget ist verbraucht, und die Bereitschaft für einen zweiten Versuch sinkt deutlich. Ein gut gewähltes erstes Projekt beweist den internen Stakeholdern dagegen, dass KI-Agenten echte Arbeit abnehmen können – und schafft die Grundlage für weitere Schritte.

Das klingt offensichtlich, wird aber oft unterschätzt. Viele Betriebe starten mit dem lautesten internen Wunsch, nicht mit dem wirtschaftlich sinnvollsten Ansatz. Oder sie kopieren Use Cases aus Branchenberichten, die für Konzernstrukturen entwickelt wurden und in einem Mittelstandsbetrieb mit 40 Mitarbeitenden schlicht nicht passen.

Der Schritt, KI-Anwendungsfälle systematisch zu bewerten, ist deshalb keine Bürokratie, sondern Risikomanagement.

Das Bewertungsraster: Sechs Dimensionen für jeden Use Case

Bevor ein Betrieb entscheidet, welchen KI-Anwendungsfall er zuerst umsetzt, sollte er jeden Kandidaten auf sechs Dimensionen prüfen. Die Dimensionen lassen sich tabellarisch nebeneinanderstellen, wenn mehrere Use Cases miteinander verglichen werden.

1. Nutzen: Was verändert sich konkret?

Die entscheidende Frage ist nicht, ob KI prinzipiell helfen könnte, sondern ob ein bestimmter Vorgang messbar besser, schneller oder fehlerärmer wird. Der Betrieb muss dazu den Ist-Zustand kennen: Wie oft tritt der Vorgang auf? Wer bearbeitet ihn? Wie lange dauert er? Welche Fehler entstehen?

Erst wenn diese Ausgangsdaten vorliegen, lässt sich der Nutzen seriös einschätzen. Ein hypothetisches Beispiel: In einem mittelständischen Logistikbetrieb gehen täglich Statusanfragen per E-Mail ein. Drei Sachbearbeiterinnen verbringen zusammen zwei Stunden täglich damit, diese Anfragen zu lesen, im System nachzuschlagen und zu beantworten. Wenn ein KI-Agent diese Anfragen klassifiziert, den Status automatisch ausliest und einen Antwortentwurf vorbereitet, der nur noch freigegeben werden muss, ist der Nutzen konkret: weniger manuelle Vorbereitung, schnellere Antwortzeit, weniger Unterbrechungen im Tagesablauf.

Wichtig: Der Nutzen muss vom Betrieb selbst erhoben werden. Zahlen aus Studien oder Herstelleraussagen sind keine belastbare Grundlage für Ihre spezifische Situation.

2. Umsetzbarkeit: Ist der Prozess KI-gerecht strukturiert?

KI-Agenten funktionieren dann gut, wenn der Prozess, den sie übernehmen sollen, klar definiert ist. Das bedeutet: Der Eingang ist eindeutig (eine E-Mail, ein Formular, ein Dokument), die Verarbeitungsschritte folgen einer Logik, und das Ergebnis ist beschreibbar.

Problematisch sind Prozesse, die stark von Erfahrungswissen und impliziten Kontextentscheidungen abhängen, bei denen keine konsistente Datenbasis vorhanden ist, oder bei denen Ausgaben direkt und ohne menschliche Kontrolle in kritische Systeme fließen sollen.

Konkrete Prüffragen für diese Dimension:

• Kann ein neuer Mitarbeitender den Prozess anhand einer schriftlichen Anleitung vollständig ausführen?
• Liegt der Eingang in strukturierter oder zumindest halbstrukturierter Form vor?
• Gibt es einen definierten Freigabeschritt, bevor das KI-Ergebnis wirksam wird?

3. Datenlage: Was ist vorhanden, was fehlt?

KI-Agenten brauchen Daten – nicht zwingend Massen davon, aber die richtigen. Für einen Agenten, der Eingangsrechnungen ausliest, sind die vorhandenen Rechnungen aus den letzten 12 bis 18 Monaten die Trainingsbasis. Für einen Agenten, der Kundenanfragen klassifiziert, braucht es historische Anfragen mit Kategorie-Zuordnung.

Der Betrieb muss vor dem Projektstart klären:

• Wo liegen die relevanten Daten (E-Mail-Server, ERP, Dateiablage, gedruckte Dokumente)?
• In welcher Qualität liegen sie vor (lesbare Digitaldokumente, handschriftliche Formulare, inkonsistente Felder)?
• Welche DSGVO-Anforderungen gelten – insbesondere bei personenbezogenen Daten – für Rechtsgrundlage, Auftragsverarbeitung, Speicherort, Löschung und Information der Betroffenen?

Wenn Daten hauptsächlich auf Papier vorliegen oder in einem Altsystem ohne API-Zugang stecken, ist das kein K.O.-Kriterium, erhöht aber den Aufwand erheblich und muss in die Kosten-Nutzen-Betrachtung einfließen.

4. Integrationsaufwand: Was muss mit was verbunden werden?

Ein KI-Agent, der autonom auf einem separaten Rechner läuft und keine Verbindung zu bestehenden Systemen hat, ist in der Praxis meist wertlos. Der eigentliche Nutzen entsteht durch die Anbindung: Der Agent liest Daten aus dem ERP-System, trägt Ergebnisse ins CRM ein, erstellt Aufgaben im Ticketsystem, löst Freigabe-Workflows aus.

Je mehr Schnittstellen notwendig sind und je älter die Zielsysteme, desto höher der Integrationsaufwand. Branchensoftware ohne offene REST API oder ältere Systeme ohne dokumentierte Schnittstelle erfordern individuelle Lösungsansätze – manchmal über Datei-Export und -Import, manchmal über Screen-Scraping, manchmal über Middleware.

Der Betrieb sollte für jeden Use Case erheben:

• Welche Systeme müssen angebunden werden?
• Gibt es dokumentierte APIs oder Exportmöglichkeiten?
• Wer hat Zugang zu diesen Systemen und darf Schnittstellen aktivieren?

Dieser Punkt wird in der frühen Planung häufig unterschätzt, ist aber einer der wichtigsten Kostentreiber.

5. Risiko: Was passiert, wenn der Agent falsch liegt?

KI-Agenten machen Fehler. Das ist keine Schwäche, die durch bessere Modelle vollständig verschwindet – es ist eine Eigenschaft, die bei der Prozessgestaltung von Anfang an berücksichtigt werden muss.

Die Risikobewertung eines Use Cases hängt davon ab, wie gravierend ein Fehler ist:

• Ein falsch klassifizierter Kundenrückruf-Wunsch, den der Mitarbeitende beim Lesen des Entwurfs erkennt: geringes Risiko.
• Ein automatisch versendeter Freigabebescheid ohne menschliche Kontrolle: hohes Risiko.
• Ein falsch ausgelesener Rechnungsbetrag, der ungeprüft in die Buchhaltung übertragen wird: hohes Risiko.

Grundregel: Überall dort, wo Entscheidungen rechtliche oder finanzielle Bindungswirkung haben, Haftungsfragen berühren oder Fachurteil erfordern, liegt die Verantwortung beim Menschen. Der KI-Agent bereitet vor, schlägt vor, strukturiert – aber er entscheidet nicht abschließend.

Das gilt auch für den Datenschutz: Wenn personenbezogene Daten verarbeitet werden, ist die Auftragsverarbeitungsvereinbarung keine Formalie, sondern eine echte Voraussetzung. Lassen Sie Haftungs- und Datenschutzfragen vor dem Projektstart durch Ihren Datenschutzbeauftragten oder einen Rechtsberater klären.

Zur Einordnung: Die EU-KI-Verordnung (Verordnung (EU) 2024/1689) unterscheidet Risikoklassen. Welche Pflichten für einen konkreten Use Case gelten, hängt von der Rolle des Unternehmens (Anbieter oder Betreiber) und vom Einsatzzweck ab. Das ist im Einzelfall zu prüfen – pauschale Aussagen helfen hier nicht.

6. Akzeptanz: Wer arbeitet mit dem Agenten – und wie?

Der technisch beste KI-Agent scheitert, wenn die Mitarbeitenden, die täglich mit ihm arbeiten sollen, ihn nicht nutzen oder aktiv umgehen. Akzeptanz ist deshalb kein weiches Kriterium, sondern eine harte Erfolgsbedingung.

Konkrete Prüffragen:

• Sind die betroffenen Mitarbeitenden in die Konzeption einbezogen worden?
• Verstehen sie, was der Agent tut und was nicht?
• Gibt es einen klaren Eskalationsweg, wenn der Agent unsichere oder falsche Ergebnisse liefert?
• Verändert die KI die Arbeitsinhalte so stark, dass Schulung und Umstellungszeit eingeplant werden müssen?

Wer diese Fragen erst nach der Einführung stellt, riskiert, dass der Agent zwar läuft, aber nicht genutzt wird.

Use Cases gegenüberstellen: Ein Bewertungsraster in der Praxis

Die sechs Dimensionen lassen sich in eine einfache Bewertungsmatrix überführen. Das hypothetische Beispiel unten zeigt drei typische Use-Case-Ideen eines mittelständischen Fertigungsbetriebs mit 60 Mitarbeitenden:

Hypothetisches Ergebnis: Das Klassifizieren des Posteingangs ist in diesem Beispiel der klare Kandidat für das erste Projekt. Gute Ausgangsdaten, überschaubarer Integrationsaufwand, niedriges Fehlerrisiko durch menschliche Freigabe, hohe Frequenz und spürbare Entlastung für die Sachbearbeitung.

Die Maschinenwartungsvorhersage ist prinzipiell interessant, aber ohne vorhandene Sensordaten kein sinnvoller Einstieg. Sie ist ein Kandidat für Schritt drei oder vier – wenn die Grundlage geschaffen ist.

Den Business Case aufbauen: Welche Größen der Betrieb selbst erheben muss

Ein Business Case für einen KI-Agenten muss keine Doktorarbeit sein. Er muss aber auf eigenen Zahlen basieren, nicht auf Branchendurchschnittswerten.

Folgende Größen sollte der Betrieb selbst erheben:

Häufigkeit: Wie oft tritt der Vorgang pro Tag, Woche oder Monat auf? Diese Zahl bestimmt, wie stark ein Agent überhaupt wirken kann.

Durchschnittliche Bearbeitungszeit: Wie lange dauert ein Vorgang manuell – von der Aufnahme bis zum Abschluss? Dabei alle Unterbrechungen und Rückfragen mitrechnen, nicht nur die reine Bearbeitungszeit.

Fehlerquote und Folgekosten: Wie oft entstehen Fehler, und was kosten diese im Nachgang? Rückfragen, Korrekturen, Verzögerungen, Beschwerden.

Einmaliger Aufwand für die Einführung: Kosten für Analyse, Konzeption, Entwicklung, Datenvorbereitung, Integration und Testbetrieb. Dieser Aufwand variiert stark je nach Komplexität und vorhandener Infrastruktur.

Laufender Betrieb: Kosten für Modellnutzung, Monitoring, Wartung, Anpassungen bei Prozessänderungen und menschliche Freigabezeit.

Wenn diese Größen vorliegen, kann der Betrieb selbst einschätzen, ab welcher Nutzungsintensität sich der Aufwand trägt – ohne auf externe Versprechen angewiesen zu sein.

Ein einfaches Rechenbeispiel (ausdrücklich als illustratives Beispiel, nicht als Richtwert): Ein Vorgang tritt 50-mal täglich auf, dauert manuell 6 Minuten und kann durch einen KI-Agenten auf 1,5 Minuten menschliche Freigabezeit reduziert werden. Das ergibt täglich rund 3,75 Stunden eingesparte Bearbeitungszeit. Ob und wann sich die Einführungskosten damit tragen, hängt von den tatsächlichen Stundensätzen und dem konkreten Entwicklungsaufwand ab – diese Zahlen kennt nur der Betrieb selbst.

Grenzen der KI: Was kein Agent übernehmen sollte

Ein ehrlicher Artikel über das Priorisieren von KI Use Cases muss auch benennen, was KI-Agenten nicht können oder nicht tun sollten.

Fachurteile mit Haftungsfolgen: Ob eine technische Lösung den Normen entspricht, ob ein Vertrag wasserdicht ist, ob eine Diagnose zutrifft – das bleibt menschliche Verantwortung. Ein KI-Agent kann Informationen zusammentragen, Dokumente strukturieren und Entscheidungsvorlagen erstellen. Er ersetzt kein Fachurteil.

Prozesse ohne klare Eingabe: Wenn der Startpunkt eines Prozesses unstrukturiert, mehrdeutig oder stark kontextabhängig ist – zum Beispiel ein handschriftlicher Lieferschein aus dem Jahr 1999 in einem Format, das sich monatlich ändert – ist die Fehlerrate zu hoch, um darauf aufzubauen.

Kritische Echtzeit-Steuerung ohne menschliche Kontrolle: Automatische Steuerungssysteme für sicherheitsrelevante Prozesse fallen unter eigene regulatorische Anforderungen. Die EU-KI-Verordnung klassifiziert bestimmte KI-Systeme als Hochrisiko – auch das ist im Einzelfall zu prüfen.

Aufgaben, die von Mitarbeitenden als vertrauensbildend erlebt werden: Nicht jede Kundenkommunikation sollte automatisiert werden. Wenn Kunden eine persönliche Reaktion erwarten und die KI das nicht erkennbar liefert, beschädigt das die Beziehung mehr als es nützt.

Die Stärke eines KI-Agenten liegt in klar abgegrenzten, repetitiven Arbeitsschritten mit strukturiertem Eingang, definierbarem Ergebnis und menschlicher Freigabe an den Stellen, an denen es darauf ankommt. Mehr zu diesem Grundprinzip erklärt der Artikel KI-Agenten für Unternehmen: Funktionen, Einsatzbereiche und Beispiele.

Wie SWBS die Use-Case-Bewertung in der Praxis angeht

SW Business Solutions entwickelt keine Standardprodukte, die auf jeden Betrieb passen sollen. Stattdessen beginnt jedes Projekt mit einer strukturierten Analyse der Abläufe: Welche Vorgänge fallen täglich an? Welche Daten sind vorhanden? Welche Systeme müssen angebunden werden? Welche Freigabeprozesse sind notwendig?

Auf Basis dieser Analyse wählen wir gemeinsam mit dem Kunden den Einstiegs-Use-Case aus – nicht den vielversprechendsten im Prospekt, sondern den, der angesichts vorhandener Daten, Systemlandschaft und Akzeptanz tatsächlich funktioniert.

Der individuelle KI-Agent wird dann auf die konkrete Aufgabe zugeschnitten: Er liest aus den Systemen, die bereits im Einsatz sind, bereitet Ergebnisse vor, leitet Freigaben ein und schreibt zurück – ohne dass Mitarbeitende zwischen Anwendungen wechseln müssen. Schnittstellen zu ERP, CRM, Dokumentenmanagementsystemen oder Branchensoftware werden dabei über offene APIs oder – wo nötig – individuelle Integrationslösungen realisiert.

Mehr über den Beratungsansatz und die konkreten Möglichkeiten individueller KI-Agenten lesen Sie auf der Leistungsseite KI-Integration & LLM.

Die Beratungs- und Planungsphase ist dabei kein optionales Add-on, sondern Voraussetzung für ein tragfähiges Ergebnis. Sie können sich auf der Seite Beratung & Planung einen ersten Überblick verschaffen oder direkt ein Gespräch vereinbaren.

Was das erste KI-Projekt leisten muss – und was nicht

Ein häufiger Denkfehler: Das erste KI-Projekt soll beweisen, dass KI im Unternehmen funktioniert. Das ist zu viel verlangt. Was es beweisen muss, ist lediglich, dass ein klar abgegrenzter Prozess mit einem klar entwickelten Agenten besser läuft als ohne.

Das klingt bescheiden, ist aber strategisch entscheidend. Ein erfolgreiches erstes Projekt schafft drei Dinge: einen konkreten Nutzenbeleg, ein internes Verständnis davon, wie KI-Agenten tatsächlich funktionieren, und eine technische Grundlage (Schnittstellen, Freigabeprozesse, Monitoring), die für weitere Agenten wiederverwendet werden kann.

Wer mit einem zu ambitionierten ersten Projekt startet, verliert oft genau diese Grundlage. Wer zu klein denkt und einen Prozess automatisiert, der ohnehin selten vorkommt, kann den Nutzen nach der Einführung nicht messen. Der optimale Einstiegs-Use-Case liegt dazwischen: frequent genug, um messbar zu sein, klar genug, um umsetzbar zu sein.

Eine gute Orientierungshilfe bietet auch der Artikel Ist unser Prozess bereit für KI? Der Go-/No-Go-Check für klassische Betriebe, der die Ausgangsfrage noch einmal aus einer anderen Perspektive beleuchtet.

Serienlink: KI-Beratung für Unternehmen

Dieser Artikel ist Teil der Reihe „KI-Agenten im Unternehmen". Wenn Sie noch einen Schritt zurückgehen und verstehen möchten, wie individuelle KI-Agenten generell konzipiert werden und was sie von Standardtools unterscheidet, lesen Sie den Übersichtsartikel KI-Beratung für Unternehmen: Wie individuelle KI-Agenten Arbeit abnehmen.

Nächster Schritt: KI-Potenziale im eigenen Betrieb prüfen

Wenn Sie nach diesem Artikel drei bis fünf Vorgänge im Kopf haben, die prinzipiell für einen KI-Agenten infrage kämen, aber noch nicht wissen, welcher davon der richtige Einstieg ist – dann ist genau das der richtige Zeitpunkt für ein erstes Gespräch.

SWBS analysiert gemeinsam mit Ihnen die vorhandenen Abläufe, bewertet die Use Cases anhand der sechs beschriebenen Dimensionen und gibt eine ehrliche Einschätzung: was sinnvoll ist, was noch nicht, und was dafür als nächstes aufgebaut werden müsste.

Kein Standardprodukt. Kein Pitch ohne Substanz. Sondern eine strukturierte Analyse Ihrer konkreten Situation – als Ausgangspunkt für ein Projekt, das tatsächlich trägt.

Jetzt Erstgespräch vereinbaren und KI-Potenziale besprechen