Warum der Use Case vor der Technologie kommen sollte
Kaum eine Technologie hat es so schnell von der IT auf die Agenda der Geschäftsleitung geschafft wie künstliche Intelligenz. Die Möglichkeiten entwickeln sich rasant. Wettbewerber experimentieren, Softwarehersteller integrieren KI in ihre Produkte und Mitarbeitende nutzen sie längst selbst.
Irgendwann fällt deshalb die Frage: «Was machen wir eigentlich mit KI?»
Sie klingt strategisch, ist aber häufig der falsche Ausgangspunkt. Denn damit steht die Lösung bereits fest, bevor das Problem beschrieben wurde. Die bessere Frage lautet: «Wo haben wir ein relevantes Problem oder Verbesserungspotenzial – und ist KI dafür tatsächlich das richtige Werkzeug?»
KI ist kein Use Case
«Wir wollen KI einsetzen» beschreibt eine Technologieentscheidung, aber noch keinen Nutzen.
Gartner berichtet 2026, dass bis Ende 2025 mindestens die Hälfte der Projekte mit generativer KI nach dem Proof of Concept aufgegeben wurde. Genannte Ursachen sind unter anderem Datenqualität, Risikokontrollen, Kosten und unklarer Business Value. Das bedeutet nicht, dass KI keinen Wert schafft. Es zeigt aber die Lücke zwischen einer überzeugenden Demonstration und einer Lösung, die dauerhaft in einem Geschäftsprozess funktioniert. Der Nutzen entsteht selten dadurch, dass man einem bestehenden Prozess einfach KI hinzufügt.
Beginnen wir beim Problem
Ein Unternehmen erhält jeden Monat mehrere Tausend Kundenanfragen per E-Mail. Mitarbeitende lesen sie, klassifizieren sie, suchen Informationen in verschiedenen Systemen und formulieren Antworten.
Der naheliegende Gedanke: «Das automatisieren wir mit KI.» Vielleicht. Eine Analyse könnte aber zeigen:
- Viele Anfragen entstehen nur, weil Kunden Informationen nicht selbst abrufen können.
- Ein Teil lässt sich anhand eindeutiger Regeln klassifizieren.
- Mitarbeitende suchen dieselben Informationen in mehreren Systemen.
- Stammdaten sind unvollständig.
- Nur ein Teil der Anfragen erfordert tatsächlich Sprachverständnis und individuelle Antworten.
Dann lautet die Lösung vielleicht: Self-Service + bessere Daten + Schnittstelle + regelbasierte Automatisierung + KI.
Und nicht einfach: KI. Das ist kein gescheitertes KI-Projekt. Es ist eine bessere Lösung.
Die Reihenfolge entscheidet
Vor der Technologieentscheidung sollte eine einfache Kette stehen: Geschäftsproblem → Prozess → gewünschte Verbesserung → Messgrösse → Daten → Lösungsoptionen → Technologie
Ein Beispiel: «Unsere Sachbearbeitung soll KI einsetzen» ist kein Geschäftsproblem. «Eine Kundenanfrage dauert durchschnittlich 14 Minuten; sechs Minuten davon entfallen auf die Suche nach Informationen in mehreren Systemen» ist eines.
Jetzt lässt sich definieren, was besser werden soll:
- kürzere Bearbeitungszeit,
- weniger Fehler,
- höhere Erstlösungsquote,
- geringere Kosten,
- mehr Fälle mit gleicher Kapazität.
Und erst jetzt stellt sich die Technologiefrage. Vielleicht braucht es ein Sprachmodell. Vielleicht eine API, bessere Stammdaten, eine Workflow-Automatisierung, Business Rules oder schlicht ein vorhandenes Feature der bestehenden Software.
Die interessante Frage lautet daher nicht: «Kann KI das?» Darauf lautet die Antwort immer häufiger: ja. Sondern: «Ist KI dafür die sinnvollste Lösung?»
Ein guter PoC ist noch kein guter Business Case
Mit generativer KI lässt sich heute erstaunlich schnell ein beeindruckender Prototyp bauen. Dokumente einlesen, ein Modell anbinden, einige Instruktionen definieren – und wenige Tage später funktioniert etwas, das vorher aufwendig erschien.
Damit ist aber zunächst nur gezeigt: Die Technologie kann diese Aufgabe grundsätzlich lösen.
Für den produktiven Einsatz kommen andere Fragen hinzu:
- Sind die notwendigen Daten zuverlässig verfügbar?
- Wie wird die Lösung in den Prozess integriert?
- Welche Qualität ist erforderlich?
- Wie werden Fehler erkannt?
- Wann muss ein Mensch eingreifen?
- Wer betreibt und überwacht die Lösung?
- Was kosten Integration, Nutzung und Weiterentwicklung?
Deloitte beobachtet bei Unternehmen entsprechend eine deutliche Lücke zwischen steigenden Investitionen und schnell erreichbarem finanziellen Nutzen. Ein erfolgreicher Prototyp und eine wirtschaftlich erfolgreiche Lösung sind eben zwei verschiedene Dinge.
Manchmal ist KI gar nicht das schwierigste Problem
In Projekten erleben wir häufig eine ähnliche Situation: Der geplante KI-Use-Case wirkt zunächst überschaubar. Dann zeigt sich: Der Prozess ist nicht eindeutig definiert. Datenqualität ist unbekannt. Schnittstellen fehlen. Ausnahmen existieren nur im Erfahrungswissen einzelner Mitarbeitender. Einen klaren Process Owner gibt es nicht.
Plötzlich besteht das Projekt aus: Prozessdesign + Daten + Integration + Governance + Veränderung + KI.
Die KI war der einfache Teil.
Das muss kein Grund sein, das Vorhaben abzubrechen. Aber es verändert Aufwand, Risiko und Business Case erheblich.
Wann spricht viel für KI?
KI ist besonders interessant, wenn Aufgaben mit klassischer Automatisierung nur schwer wirtschaftlich lösbar sind, zum Beispiel wenn:
- grosse Mengen unstrukturierter Texte oder Dokumente verarbeitet werden,
- natürliche Sprache verstanden oder erzeugt werden soll,
- Informationen semantisch gesucht und zusammengeführt werden,
- Bilder, Sprache oder andere unstrukturierte Daten interpretiert werden,
- Variabilität zu hoch für starre Regeln ist,
- Menschen bei Recherche, Analyse oder Erstellung unterstützt werden sollen.
Auch dann bleibt aber dieselbe Frage: Was wird dadurch messbar besser?
Experimentieren ausdrücklich erlaubt
Nicht jeder Versuch braucht vorab einen vollständigen Business Case. Gerade bei einer sich schnell entwickelnden Technologie sind kleine Experimente sinnvoll. Sie zeigen, was technisch funktioniert, welche Daten fehlen, welche Qualität erreichbar ist und ob ein Ansatz überhaupt weiterverfolgt werden sollte.
Dabei darf ein Experiment mit dem Ergebnis enden: «Interessant – aber für uns derzeit nicht sinnvoll.» Das ist kein Misserfolg.
Problematisch wird es erst, wenn eine beeindruckende Demo automatisch den Auftrag erzeugt, daraus eine produktive Lösung zu bauen.
Die richtige Antwort muss nicht «KI» lauten
Der Wettbewerbsdruck ist real. Unternehmen investieren massiv in KI und niemand möchte eine technologische Entwicklung verschlafen, die ganze Wertschöpfungsketten verändern kann. Das rechtfertigt Experimente. Es ersetzt aber nicht die Investitionslogik.
Wenn eine Analyse ergibt: «Für diesen Prozess brauchen wir keine KI. Wir brauchen bessere Stammdaten und eine Schnittstelle.» ist das eine gute Antwort. Genauso wie: «Dieser Use Case eignet sich hervorragend für KI und kann messbar Zeit oder Kosten reduzieren.»
Entscheidend ist nicht, ob am Ende KI steht.
Entscheidend ist, ob am Ende eine bessere Lösung steht.
Selbst-Check: Haben Sie einen KI-Use-Case – oder nur eine KI-Idee?
1. Problem: Welches konkrete Geschäftsproblem soll gelöst werden?
2. Ausgangslage: Wissen Sie, was dieses Problem heute an Zeit, Geld, Qualität oder Risiko kostet?
3. Prozess: Welcher Prozess verändert sich?
4. Messbarkeit: Woran erkennen Sie sechs oder zwölf Monate später, dass sich die Investition gelohnt hat?
5. Technologie: Warum braucht es dafür KI? Welche einfacheren Alternativen wurden geprüft?
6. Daten: Sind die notwendigen Daten vorhanden und ausreichend zuverlässig?
7. Betrieb: Wer verantwortet Prozess und Lösung nach dem PoC?
8. Fehler: Was passiert, wenn die KI falsch liegt – und wer merkt es?
9. Kosten: Kennen Sie auch die Kosten für Integration, Betrieb, Nutzung und Weiterentwicklung?
Und zuletzt:
10. Wenn Sie das Wort «KI» aus Ihrem Projektantrag streichen: Ist das Vorhaben immer noch überzeugend?
Wenn nicht, fehlt möglicherweise noch der Business Case.
Webinar: KI aus technischer und Managementperspektive
Wie identifiziert man belastbare Use Cases? Wann wird aus einem interessanten Prototyp ein tragfähiger Business Case? Und wann ist KI tatsächlich das richtige Werkzeug?
Diese Fragen behandeln wir in unserem kommenden Webinar aus technischer und unternehmerischer Perspektive.
Das Webinar ist in Vorbereitung. Wenn Sie eine persönliche Einladung erhalten möchten, melden Sie sich über unser Kontaktformular mit dem Stichwort «KI-Webinar».
Praxis-Workshop KI – Q4 2026
Keine Hochglanz-Präsentationen. Keine konstruierten Case Studies. Keine Verkaufsveranstaltung.
Wir arbeiten an realen Situationen aus Unternehmen und prüfen Problem, Prozess, Daten, Lösungsoptionen, Technologie und Business Value.
Sie bringen Ihre Fragestellung und Ihre Zeit mit. Wir bringen Erfahrung, kritische Fragen und zwei unterschiedliche Blickwinkel mit.
Die Teilnahme ist kostenlos und unverbindlich. Details und Termine folgen.
Quellen
- Gartner, «Why 50% of GenAI Projects Fail — And How to Beat the Odds», Januar 2026.
- McKinsey & Company, «The state of AI: How organizations are rewiring to capture value», März 2025.
- Deloitte, «AI ROI: The paradox of rising investment and elusive returns», Oktober 2025.
- McKinsey & Company, «Reconfiguring work: Change management in the age of gen AI», August 2025.