KI-Use-Cases finden und priorisieren: Mit System statt Bauchgefühl

Zuletzt aktualisiert: 3. August 2026

KI-Use-Cases priorisieren Sie in vier Schritten: Kandidaten dort suchen, wo heute ein Mensch manuell Daten ausgleicht, drei Filter anlegen (wiederkehrend, datengetrieben, hohes Volumen), nach Wirkung mal Datenreife sortieren und zuletzt die Datengrundlage wählen, die die meisten Use Cases gleichzeitig aufschließt. Laut Gartner scheitern 85 Prozent der gescheiterten KI-Projekte an Datenqualität oder Datenverfügbarkeit.

Inhaltsverzeichnis

• Warum lähmt die Use-Case-Frage so viele Unternehmen?
• Wo finden Sie die richtigen Kandidaten?
• Welche drei Filter trennen den Hebel vom Spielzeug?
• Wie priorisieren Sie: Wirkung mal Datenreife?
• Warum sollten Sie Grundlagen statt einzelner Use Cases priorisieren?
• Wie läuft der Whiteboard-Nachmittag konkret ab?
• FAQ: Häufige Fragen zur KI-Use-Case-Priorisierung

Warum lähmt die Use-Case-Frage so viele Unternehmen?

Der Druck ist real, das ist kein Kopfkino. Laut KfW-Mittelstandspanel hat sich der Anteil der Mittelständler, die KI einsetzen, verfünffacht: Von 4 auf 20 Prozent aller Unternehmen. Es ziehen also tatsächlich alle nach. Auf LinkedIn, im Beirat, beim Wettbewerber: Überall KI. Wer noch keinen produktiven Anwendungsfall vorweisen kann, spürt das inzwischen in jedem Strategiemeeting.

Auf der anderen Seite steht die eigene Realität. Hundert Digitalisierungsthemen, tausend mögliche Use Cases, und keiner davon ist priorisiert. Der Vertrieb wünscht sich einen Angebots-Assistenten, das Marketing will Personalisierung, die Geschäftsführung will „irgendwas mit Agenten“. Jede Idee klingt plausibel. Genau das ist das Problem: Wenn alles plausibel klingt, fehlt das Kriterium für die Reihenfolge.

In dieser Zwickmühle passiert dann eines von zwei Dingen: Nichts. Oder alles gleichzeitig, was auf dasselbe hinausläuft, nur teurer. Beides erzeugt dieselbe Frustration, und beides hat dieselbe Ursache. Unter fast jedem Use Case lauert eine unbeantwortete Frage: Tragen die Daten das überhaupt? Solange niemand diese Frage beantworten kann, bleibt jede Priorisierung ein Bauchgefühl. Warum die Datenbasis in den meisten Unternehmen dieses Fragezeichen ist, beschreibt unser Grundlagenartikel zu Datenschulden.

Wichtig für die Einordnung: Diese Lähmung ist kein Zeichen schlechter Führung. Sie ist die normale Reaktion auf ein Problem, das zu groß ist, um es in einem Stück zu greifen. Und die Antwort darauf ist keine Willenskraft, sondern eine Methode. Die folgt jetzt, in vier Schritten.

Die Use-Case-Lähmung ist kein Führungsversagen. Sie ist die normale Reaktion auf ein Problem, das zu groß ist, um es in einem Stück zu greifen. Niemand kann dreißig Ideen sauber sortieren, solange unter jeder davon eine unbekannte Datenschuld liegt. Die Antwort ist eine Methode, keine Willenskraft.

Philipp Foreman

Geschäftsführer, onacy GmbH

Wo finden Sie die richtigen Kandidaten?

Der häufigste Fehler bei der Suche nach KI-Use-Cases: Bei der Technologie anzufangen. „Was könnte KI bei uns alles tun?“ ist eine Frage, die endlose Ideenlisten produziert und keine einzige Entscheidung. Drehen Sie die Suchrichtung um. Fangen Sie dort an, wo heute schon ein Mensch die Lücken im System ausgleicht. Wir nennen das die Kitt-Methode: Sie folgen dem Kitt, der Ihre Prozesse zusammenhält.

Drei Fragen führen Sie direkt zu den Kandidaten:

• Wer pflegt bei Ihnen manuell eine Excel, von der mehr abhängt, als offiziell zugegeben wird?
• Wer wird ständig „mal kurz gefragt“, weil nur diese Person weiß, welche Version die richtige ist?
• Wo liefert jemand regelmäßig Wissen aus dem Kopf nach, damit ein Prozess weiterläuft?

Genau an diesen Stellen sitzt der Wert. Und die Kitt-Methode hat zwei Vorteile, die keine Brainstorming-Liste bietet. Erstens: Der Nutzen ist bereits bewiesen. Ein Mensch erbringt ihn ja heute schon, Tag für Tag, nur eben manuell. Sie müssen niemanden von einem hypothetischen Mehrwert überzeugen. Zweitens: Der Datenbedarf ist bereits umrissen. Es ist genau das Wissen, das dieser Mensch einsetzt, um die Lücke zu füllen. Sie wissen also von Anfang an, welche Daten der Use Case braucht und wo sie heute fehlen.

Das Ergebnis dieses Schritts ist eine Liste von Kandidaten, die aus dem echten Betrieb kommen statt aus einem Workshop-Sammelalbum. Noch keine Reihenfolge, aber ein ehrlicher Rohstoff.

Welche drei Filter trennen den Hebel vom Spielzeug?

Nicht jede manuelle Tätigkeit lohnt die Automatisierung. Bevor ein Kandidat in die Priorisierung wandert, muss er drei Filter passieren:

• Wiederkehrend: Passiert das regelmäßig, oder war es ein Einzelfall? Eine einmalige Sonderauswertung ist kein Use Case, sondern eine Aufgabe.
• Datengetrieben: Basiert die Tätigkeit auf Informationen, die sich strukturieren lassen? Handwerk und Beziehungsarbeit fallen hier raus. Den Kundenbesuch, bei dem es um Vertrauen geht, automatisiert keine KI.
• Hohes Volumen: Lohnt sich die Vorarbeit über die Menge? Zwanzig Vorgänge im Jahr rechtfertigen keinen Aufbau. Zwanzig am Tag schon.

Erst wenn alle drei Kriterien zutreffen, wird aus einem netten Tool ein echter Hebel. Das klingt streng, und das ist Absicht. Die Filter sortieren nicht nur schwache Ideen aus, sie schützen auch vor dem teuersten Muster im KI-Einstieg: Viel Energie in einen Anwendungsfall zu stecken, der technisch funktioniert und betriebswirtschaftlich nichts bewegt.

In der Praxis überstehen von zwanzig gesammelten Ideen oft nur sechs bis acht diesen Dreifach-Check. Das ist kein Verlust. Das ist der erste Moment, in dem Ihre Liste eine Form bekommt.

Wie priorisieren Sie: Wirkung mal Datenreife?

Jetzt haben Sie gefilterte Kandidaten. Womit anfangen? Die Antwort liefert eine bewusst einfache Matrix mit zwei Achsen: Wirkung und Datenreife. Die erste Achse kennt jeder aus klassischen Priorisierungsmodellen. Die zweite ersetzt das übliche „Machbarkeit“, und das aus gutem Grund. Machbarkeit heißt bei KI vor allem: Wie tief ist die Datenschuld darunter? Ein Use Case, dessen Daten unvollständig, widersprüchlich oder nur in Köpfen vorhanden sind, ist nicht schwer umzusetzen. Er ist zum Scheitern verabredet.

Die gefährlichste Zelle ist die rechte obere. Strategische Brocken haben die lauteste Lobby, weil ihre Wirkung offensichtlich ist: Der KI-Produktberater im Shop, der vollautomatische Angebotsprozess, der Agent im Service. Wer dort startet, ohne die Datengrundlage zu prüfen, produziert den nächsten toten Piloten: Eine beeindruckende Demo auf handverlesenen Testdaten, die in der Produktion an der Realität von zwanzigtausend Artikeln zerbricht. Warum dieses Muster so verlässlich auftritt, zeigt unser Artikel Warum KI-Pilotprojekte scheitern.

Die Zahlen dahinter sind deutlich: Gartner zufolge scheitern 85 Prozent der gescheiterten KI-Projekte an Datenqualität oder Datenverfügbarkeit. Nicht am Modell, nicht am Anbieter, nicht am Prompt. Die Matrix zwingt Sie, genau diese Bruchstelle vor der Investition anzuschauen statt danach.

Warum sollten Sie Grundlagen statt einzelner Use Cases priorisieren?

Bis hierhin haben Sie eine sortierte Liste. Jetzt kommt der Kniff, der aus der Liste eine Strategie macht: Am Ende priorisieren Sie nicht den einzelnen Use Case. Sie priorisieren die Datengrundlage darunter.

Der klügste erste Schritt ist nämlich selten der wertvollste einzelne Anwendungsfall. Es ist die Datengrundlage, die den größten Stapel Anwendungsfälle gleichzeitig aufschließt.

In der Umsetzung scheitern die meisten KI-Vorhaben nicht an der Technik, sondern an der Grundlage. Was in unseren Projekten wirklich funktioniert: Nicht den einzelnen Use Case nach vorne ziehen, sondern die Datengrundlage aufschließen, die gleich einen ganzen Stapel Anwendungsfälle tragfähig macht. Genau da holt das Team die schnellsten Erfolge ab.

Hajo Hajo

Head of Customer Success & Consulting, onacy GmbH

Ein Beispiel macht das greifbar. Sie bringen Ihre Produktattribute in Ordnung: Eine Wahrheit pro Fakt, ein Eigentümer, eine Pflege-Regel. Was bekommen Sie dafür?

• Bessere Shop-Filter, weil das Finden endlich funktioniert
• KI-Produkttexte aus echten Attributen statt erfundener Lücken
• Dynamische Produktvergleiche, die sich selbst aktuell halten
• Einen Produktassistenten, der aus einer Wahrheit antwortet statt aus dreien

Eine Grundlage, vier Use Cases. Das ist Ihre erste Batch. Und der Effekt verstärkt sich: Jeder weitere Anwendungsfall auf derselben Grundlage kostet nur noch einen Bruchteil, weil die teuerste Vorarbeit bereits geleistet ist. Wer dagegen Use Case für Use Case isoliert baut, bezahlt dieselbe Datenbereinigung mehrfach, in jedem Projekt aufs Neue.

Was eine tragfähige Datengrundlage ausmacht und wie Sie Eigentümerschaft und Pflege-Regeln organisatorisch verankern, vertieft unsere Übersicht zum Data Management.

Wie läuft der Whiteboard-Nachmittag konkret ab?

Wie finden Sie diese Grundlage in der Praxis? Das ist keine Wissenschaft und kein Beratungsprojekt über sechs Monate. Das ist ein Nachmittag mit einem Whiteboard und den richtigen Leuten aus den Fachbereichen. Vier Schritte:

1. Sammeln: Alle Use-Case-Ideen auf den Tisch. Die Kandidaten aus der Kitt-Methode, die Wünsche der Fachbereiche, die Reste vom letzten Strategie-Workshop. Nichts vorsortieren.
2. Eine Frage pro Idee: Welche Daten braucht sie? Produktattribute? Preise? Kundendaten? Dokumente? Mehr wird an dieser Stelle nicht gefragt, auch nicht nach Aufwand oder Technologie.
3. Clustern: Gruppieren Sie die Ideen nach dieser Antwort. Der Erfahrungswert dabei: Fast alles landet in zwei bis drei Clustern, typischerweise Produktdaten, Kundendaten und Dokumente.
4. Den größten Stapel wählen: Die Grundlage hinter dem größten Cluster ist Ihre erste Batch. Der Rest wartet, verfällt aber nicht.

Das Ergebnis dieses Nachmittags ist der Moment, in dem aus der Lähmung ein Plan wird: Sie priorisieren am Ende keine dreißig Ideen. Sie priorisieren zwei, drei Datengrundlagen. Diese Entscheidung ist klein genug, um sie an einem Nachmittag zu treffen, und groß genug, um Ihr KI-Programm für die nächsten Quartale zu tragen. Wie es danach weitergeht, von der ersten Batch bis zu produktiven Automatisierungen und Agenten, zeigt unser Hub KI und Automation.

Und wenn Sie beim Sortieren einen Sparringspartner möchten: Genau diese Use-Case-Sortierung machen wir regelmäßig mit Unternehmen durch, oft schon im Erstgespräch. Buchen Sie sich einen Termin, bringen Sie Ihre Ideenliste mit, und wir clustern gemeinsam.

FAQ: Häufige Fragen zur KI-Use-Case-Priorisierung

Autor

Philipp Foreman

Geschäftsführer, onacy GmbH

Philipp Foreman ist Geschäftsführer der onacy GmbH. Er begleitet mittelständische Hersteller und Händler dabei, KI-Vorhaben auf eine tragfähige Datenbasis zu stellen: Von der Use-Case-Sortierung über die Priorisierung der richtigen Datengrundlagen bis zur produktiven Umsetzung. Die hier beschriebene Methode setzt er regelmäßig in Workshops und Erstgesprächen ein.

onacy.de  ·  LinkedIn