AI wirkt verlockend, weil viele Aufgaben schneller bearbeitet werden können. Gleichzeitig scheitern erste Use Cases oft nicht am Modell, sondern an fehlender Klarheit im Alltag.
Bevor du Zeit und Budget investierst, lohnt sich ein nüchterner Check: Ist der Einsatz wirklich vorbereitet?
1. Klar definierte Aufgabe
AI braucht eine konkrete Aufgabe, nicht nur ein allgemeines Interesse.
Schwach formuliert:
- „Wir wollen AI im Vertrieb nutzen.“
- „Können wir Anfragen automatisch besser bearbeiten?“
Besser formuliert:
- Eingehende Anfragen nach Anliegen vorsortieren
- Gesprächsnotizen in strukturierte Felder überführen
- Wiederkehrende Rückfragen auf Standardantworten vorbereiten
Je klarer Input, gewünschtes Ergebnis und Grenzen der Aufgabe sind, desto realistischer wird der Use Case.
2. Geeigneter Kontext und Daten
AI arbeitet mit dem, was verfügbar ist. Wenn Kontext fehlt oder Daten uneinheitlich sind, werden Ergebnisse unzuverlässig.
Prüfe deshalb:
- Welche Informationen braucht die Aufgabe?
- Wo liegen diese Daten heute?
- Sind sie aktuell, vollständig und einheitlich genug?
- Fehlen entscheidende Angaben regelmäßig?
Ohne brauchbare Datenbasis hilft auch ein gutes Modell nur begrenzt.
3. Erlaubte Verarbeitung
Nicht jede Information darf für jeden Use Case genutzt werden.
Kläre vorab:
- Welche Daten sind intern freigegeben?
- Gibt es sensible personenbezogene Inhalte?
- Müssen bestimmte Informationen anonymisiert oder ausgeschlossen werden?
- Wer darf Ergebnisse sehen und weiterverwenden?
Das ist keine Formalität, sondern die Grundlage für verantwortlichen Einsatz.
4. Qualitätsprüfung
AI-Ergebnisse sollten nicht ungeprüft in den Alltag übernommen werden, solange der Use Case nicht stabil validiert ist.
Definiere deshalb:
- Wer prüft Ausgaben?
- Nach welchen Kriterien?
- Wie oft wird stichprobenartig kontrolliert?
- Wann gilt ein Ergebnis als gut genug für den Live-Einsatz?
Gerade am Anfang ist menschliche Prüfung Teil des Prozesses, nicht Störfaktor.
5. Fehler- und Übergabefall
Jeder Use Case braucht Regeln für den Fall, dass AI nicht weiterhilft oder falsch liegt.
Fragen dazu:
- Was passiert bei unsicherer Ausgabe?
- Wann wird an eine Person übergeben?
- Wie werden Fehler dokumentiert?
- Wie lernt das Team aus wiederkehrenden Ausnahmen?
Ohne Übergabefall bleibt unklar, wer Verantwortung trägt, wenn etwas schiefgeht.
Beispiel eines geeigneten Use Cases
Ein Innendienst erhält viele ähnliche Anfragen per E-Mail. AI soll zuerst nur drei Dinge erkennen:
- Anliegen
- Dringlichkeit
- fehlende Pflichtinformationen
Die Zuordnung wird von einer Person bestätigt, bevor der Vorgang in den Prozess geht.
Warum das passt:
- Aufgabe ist eng definiert
- Kontext ist vorhanden
- Prüfung ist eingebaut
- Fehlerfall führt an Menschen zurück
Beispiel eines ungeeigneten Use Cases
AI soll „autonom“ Angebote erstellen und versenden, obwohl Preis, Umfang und Verfügbarkeit stark variieren und im Team unterschiedlich bewertet werden.
Warum das kritisch ist:
- Aufgabe ist zu breit
- Entscheidungslogik ist nicht einheitlich dokumentiert
- Fehler hätten direkte wirtschaftliche Folgen
- Verantwortung wäre im Fehlerfall unklar
Hier wäre eher ein kleiner vorbereitender Schritt sinnvoll, zum Beispiel Angebotsentwürfe strukturieren, nicht automatisch versenden.
Abgrenzung zu klassischer Automation
Nicht jede Aufgabe braucht AI.
Klassische Automation passt, wenn Regeln klar und wiederkehrend sind:
- Erinnerung nach 48 Stunden ohne Rückmeldung
- Statuswechsel bei definiertem Ereignis
- Benachrichtigung an Verantwortliche
AI passt eher, wenn Inhalte eingeordnet, zusammengefasst oder aus unstrukturierten Texten strukturiert werden müssen.
Faustregel: Wenn du den Ablauf als einfache Wenn-dann-Regel sauber beschreiben kannst, beginne mit Automation. Wenn Sprache, Kontext und Einordnung im Vordergrund stehen, kann AI sinnvoll sein.
Human Oversight als Arbeitsdesign
Menschliche Kontrolle ist nicht nur ein letzter Klick. Die prüfende Person braucht Zugriff auf Originalkontext, Quelle und Ausgabe und muss wissen, worauf sie achten soll. Bei einer internen Zusammenfassung kann eine Stichprobe genügen; bei einer Kundenantwort, Priorisierung oder fachlichen Empfehlung kann eine Freigabe vor der Wirkung erforderlich sein.
Definiere, welche Fehler akzeptabel, welche kritisch und welche sofort zu stoppen sind. Erfasse Korrekturen und Grenzfälle, damit der Use Case nicht nur nach gelungenen Beispielen bewertet wird. Wenn die Prüfung länger dauert als die ursprüngliche Aufgabe, muss die Wirtschaftlichkeit neu bewertet werden.
Datenqualität und AI-Transparenz
Ein AI-Use-Case braucht eine nachvollziehbare Quellenlogik. Welche Dokumente oder Felder werden verwendet? Wie aktuell sind sie? Was geschieht bei widersprüchlichen Angaben? Mitarbeitende sollten erkennen können, ob eine Antwort aus einer freigegebenen Quelle, einem Entwurf oder einer Modellannahme entsteht.
AI-Transparenz bedeutet nicht, jede technische Einzelheit zu erklären. Sie bedeutet, Zweck, Grenzen und Prüfweg verständlich zu machen. Bei personenbezogenen oder vertraulichen Daten sind Zugriff, Anbieter, Speicher- und Löschkonzept vorab zu klären. Je nach konkreter Umsetzung kann zusätzliche fachliche Beratung nötig sein; eine allgemeine Aussage über rechtliche Konformität wäre nicht belastbar.
Geeignete erste Anwendungsfälle
Geeignet sind begrenzte Aufgaben mit klarer Übergabe: Gesprächsnotizen strukturieren, fehlende Angaben in einer Anfrage markieren, interne Entwürfe erstellen oder Vorgänge für eine menschliche Prüfung vorsortieren. Ungeeignet als Einstieg sind offene Entscheidungen mit hoher Auswirkung, unklare Datenquellen und Prozesse ohne Owner.
Ein guter Pilot hat einen Start- und Endpunkt, eine kleine Nutzergruppe, definierte Prüfkriterien und einen Abbruchweg. Er misst nicht nur Ausgabequalität, sondern auch Korrekturaufwand, Durchlaufzeit und Auswirkungen auf den Flow. So bleibt AI eine horizontale Unterstützung in Experience, Flow oder Growth.
Fünf Voraussetzungen als Prüfliste
| Voraussetzung | Prüffrage | Entscheidung bei Lücke |
|---|---|---|
| Aufgabe | Welcher konkrete Prozessschritt wird unterstützt? | Scope verkleinern |
| Kontext | Welche Quelle und welcher Datenstand sind nötig? | Datenbasis klären |
| Verarbeitung | Welche Informationen dürfen wie verwendet werden? | Freigabe und Zugriff prüfen |
| Qualität | Wer prüft nach welchen Kriterien? | Human Oversight definieren |
| Fehlerfall | Wer übernimmt bei Unsicherheit oder Ausnahme? | manuellen Status und Übergabe anlegen |
Eine solche Prüfliste sollte vor dem technischen Prototypen beantwortet werden. Wenn eine Antwort fehlt, ist das keine Niederlage, sondern ein Hinweis auf den nächsten Klärungsschritt. Bei fehlendem Kontext wird zuerst die Datenquelle verbessert. Bei unklarer Verantwortung wird der Flow definiert. Bei sensibler Verarbeitung werden Zugriff, Zweck und Freigabe mit den zuständigen internen oder externen Fachstellen geklärt. Der AI-Anbieter kann diese unternehmensspezifische Entscheidung nicht pauschal ersetzen.
Pilot mit Abbruchkriterien
Ein kontrollierter Pilot braucht mehr als ein gutes Demoergebnis. Definiere ein kleines Eingangssample, eine erwartete Ausgabe und eine menschliche Prüfroutine. Miss, wie oft Inhalte korrigiert werden müssen, welche Fehler wiederkehren und wie viel Zeit die Prüfung beansprucht. Ergänze Fälle, in denen Daten fehlen, widersprüchlich sind oder eine Anfrage außerhalb des Scopes liegt. Gerade diese Fälle zeigen, ob die Übergabe in den normalen Prozess funktioniert.
Lege vor dem Start fest, wann der Pilot erweitert, angepasst oder beendet wird. Ein Abbruch kann sinnvoll sein, wenn die Datenbasis nicht stabil genug ist, die Prüfung regelmäßig länger als die manuelle Bearbeitung dauert oder die Verantwortung für Fehlentscheidungen nicht eindeutig zugeordnet werden kann. Ein erfolgreicher Pilot muss nicht vollständig autonom sein. Ein klar begrenzter Entwurfsschritt mit zuverlässiger menschlicher Freigabe kann der passende Reifegrad sein.
AI bleibt dabei eine horizontale Fähigkeit. In Experience kann sie Anfragen vorstrukturieren, im Flow kann sie Notizen oder Aufgaben vorbereiten, in Growth kann sie Quellen- und Feedbacktexte auswertbar machen. Der Einsatz verändert nicht automatisch die Systemebene. Entscheidend bleiben Aufgabe, Daten, Verantwortung und die Wirkung auf den konkreten Prozess.
Reifegrad vor dem Modell prüfen
Ein Use Case kann technisch möglich und organisatorisch trotzdem zu früh sein. Prüfe deshalb zuerst, ob der manuelle Ablauf ausreichend klar ist. Wenn Mitarbeitende dieselbe Anfrage unterschiedlich klassifizieren, ist die Abweichung zunächst ein Prozess- oder Definitionsproblem. Wenn die benötigten Informationen nicht zuverlässig erfasst werden, sollte der Einstieg oder die Datenstruktur verbessert werden. AI kann fehlende Ordnung nicht verlässlich ersetzen.
Hilfreich ist eine kleine Reifegradprüfung:
- Aufgabe: Der Start- und Endpunkt ist an einem echten Vorgang erkennbar.
- Daten: Die verwendeten Quellen sind bekannt und ihre Aktualität kann geprüft werden.
- Entscheidung: Es ist festgelegt, was ein Mensch aus der Ausgabe macht.
- Grenze: Nicht passende oder unsichere Fälle werden sichtbar an eine zuständige Rolle übergeben.
- Lernen: Korrekturen werden gesammelt, damit der Use Case angepasst werden kann.
Erst wenn diese Punkte ausreichend beantwortet sind, sollte die Auswahl eines Modells oder Anbieters im Vordergrund stehen. So bleibt die Technologie der Aufgabe untergeordnet und der Pilot kann nach Prozesswirkung beurteilt werden.
Ein sauberer Start benennt außerdem die Reichweite des Piloten. Gilt er nur für interne Entwürfe, für eine bestimmte Anfrageart oder für einen ganzen Prozess? Wer darf ihn nutzen und wer entscheidet über eine Erweiterung? Diese Grenzen verhindern, dass ein zunächst kontrollierter Use Case unbemerkt in eine allgemeine Entscheidungshilfe oder automatische Kundenkommunikation ausgedehnt wird.
Vor einer Erweiterung sollte derselbe Use Case erneut gegen die fünf Voraussetzungen geprüft werden. Mehr Datenquellen, mehr Nutzer oder stärkere Wirkung verändern Aufgabe, Risiko und Prüfbedarf. Ein kontrollierter Ausbau ist deshalb eine neue Entscheidung und keine automatische Folge eines gelungenen Demos.
Auch bei gleichbleibender Aufgabe kann sich die Datenqualität verändern. Prüfe deshalb Quelle, Aktualität und Berechtigungen regelmäßig und halte fest, wer bei Abweichungen entscheidet.
Fazit
AI lohnt sich dort, wo Aufgabe, Daten, Freigaben, Prüfung und Übergabe vorher geklärt sind.
Wer diese fünf Voraussetzungen überspringt, kauft sich eher zusätzliche Komplexität als Entlastung. Wer klein und klar startet, kann AI schrittweise sinnvoll einführen. Beginne klein, dokumentiere auch Grenzfälle und behalte die Verantwortung im Prozess. So wird aus einem Prototypen eine kontrollierbare Fähigkeit statt eine zusätzliche Unsicherheit.