Warum KI Use-Case-Priorisierung scheitert — bevor sie beginnt
Die meisten Unternehmen, die ernsthaft mit KI starten, haben dasselbe Problem: zu viele Ideen, zu wenig Klarheit. Workshops produzieren Dutzende von Use-Case-Kandidaten — von der automatisierten Rechnungsprüfung bis zum KI-gestützten Produktkatalog. Die KI Use-Case-Priorisierung scheitert dann nicht an fehlendem Willen, sondern an fehlender Methodik: Alle Ideen werden pauschal als "vielversprechend" behandelt, kein Fachbereich möchte abgehängt werden, und am Ende entscheidet das lauteste Argument statt der klarsten Zahl.
Das Ergebnis: Ein Pilot startet, weil die Idee technisch spannend ist — nicht weil sie wertschöpfend ist. Zwölf Monate später ist das Budget verbraucht, die Akzeptanz im Team beschädigt, und der nächste Budgetantrag für KI kämpft gegen die Erinnerung an den letzten Misserfolg. Eine strukturierte Priorisierung ist kein bürokratisches Overhead — sie ist die Versicherung dafür, dass das erste KI-Projekt auch Argumente für das zweite liefert.
Die vier Bewertungsdimensionen einer robusten Priorisierung
Ein belastbares Scoring-Modell für die KI Use-Case-Priorisierung arbeitet mit vier Dimensionen, die gemeinsam ein vollständiges Bild ergeben. Jede Dimension wird auf einer Skala von 1 bis 5 bewertet — die Gewichtung kann je nach Unternehmensreifegrad angepasst werden.
1. Wertpotenzial: Wie groß ist der messbare Nutzen — in Euro eingespartem Aufwand, gesteigertem Umsatz oder reduziertem Fehlerrisiko? Hierbei geht es nicht um Wunschdenken, sondern um eine konservative Schätzung auf Basis existierender Prozesskennzahlen. Ein Use Case, für den kein Baseline-Wert existiert, kann auch nicht priorisiert werden.
2. Umsetzbarkeit: Wie komplex ist die technische und organisatorische Realisierung? Hier zählen Faktoren wie Systemlandschaft, Änderungsaufwand an Schnittstellen, Qualifikationsbedarf und Abhängigkeiten von Dritten. Ein Use Case mit hohem Wertpotenzial, der drei Legacy-Systemmigrationen voraussetzt, ist kein Quick Win.
3. Datenverfügbarkeit: Liegen die notwendigen Daten in ausreichender Qualität, Menge und Zugänglichkeit vor? Fehlende oder schlecht strukturierte Daten sind die häufigste Ursache für Projektverzögerungen — und sollten in der Priorisierung explizit als Risiko eingepreist werden, nicht als nachgelagertes Implementierungsproblem.
4. Strategische Passung: Unterstützt der Use Case die erklärten Unternehmensprioritäten des laufenden Jahres? Ein KI-Projekt, das intern verfolgt wird, während die Unternehmensführung Cost Excellence priorisiert, wird ohne expliziten strategischen Anker schwer Budget und Sponsoring erhalten — unabhängig vom technischen Potenzial.
Vom Scoring zur Roadmap: der Vier-Phasen-Prozess
Ein Scoring-Modell allein reicht nicht — es braucht einen Prozess, der sicherstellt, dass die richtigen Personen zur richtigen Zeit beteiligt sind. Bewährt hat sich ein Vier-Phasen-Ansatz, der sich in vier bis sechs Wochen vollständig durchlaufen lässt.
Phase 1 — Ideen sammeln: Jeder Fachbereich nominiert maximal fünf Use-Case-Kandidaten in einem standardisierten Steckbrief (Prozessname, Schmerzpunkt, erwartetes Ergebnis, Datenquelle). Die Begrenzung auf fünf erzwingt interne Vorpriorisierung und verhindert, dass technisch getriebene Wunschlisten die Liste fluten.
Phase 2 — Bewerten und Scoring: Ein cross-funktionales Team aus IT, Fachbereich und einem neutralen Moderator bewertet jeden Kandidaten nach den vier Dimensionen. Die Bewertungen werden explizit dokumentiert, einschließlich Begründungen für Extremwerte. Konsens ist nicht das Ziel — Transparenz über Annahmen ist es.
Phase 3 — Validieren: Die Top-Kandidaten werden in kurzen Validierungs-Sprints (max. zwei Wochen) auf technische Machbarkeit und Datenqualität geprüft, bevor Ressourcen committiert werden. Ein Use Case, der das Scoring-Board überzeugt, aber in der Daten-Realität scheitert, sollte nicht in die Roadmap einfließen.
Phase 4 — Priorisieren und steuern: Das Ergebnis ist ein Use-Case-Backlog mit drei Gruppen: "Jetzt starten" (Quick Wins), "Nächstes Quartal vorbereiten" (strategische Projekte mit hohem ROI) und "Parken" (gute Ideen, schlechte Rahmenbedingungen). Das Backlog wird quartalsweise reviewed — nicht jährlich.
Quick Wins: der wichtigste Hebel für KI-Momentum
Ein oft unterschätzter Aspekt der KI Use-Case-Priorisierung ist die Identifikation von Quick Wins — Use Cases mit hohem Wertpotenzial und geringem Umsetzungsaufwand. Sie sind nicht nur finanziell attraktiv; sie sind der wichtigste Hebel für organisatorisches Momentum. Ein Quick Win, der in acht Wochen ein messbares Ergebnis liefert, verändert die interne Diskussion über KI grundlegend: aus "ob KI" wird "welche KI als nächstes".
Typische Quick-Win-Muster im deutschen Mittelstand umfassen automatisierte Dokumentenklassifikation in der Buchhaltung (hohe Wiederholungsrate, klares Regelwerk), KI-gestützte Antwortentwürfe im Kundendienst (existierende Tickethistorie als Trainingsbasis), sowie interne FAQ-Systeme auf Basis bestehender Wissensdatenbanken. Keines dieser Muster setzt ein KI-Forschungsteam voraus — sie setzen strukturierte Ausgangsdaten voraus. Das ist die eigentliche Vorarbeit.