Vor dem ersten AI-Use-Case: fünf Voraussetzungen, die geklärt sein müssen
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.
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.