KI-Use-Cases finden und priorisieren: Leitfaden mit Vorlage

Was ist ein KI-Use-Case?

Ein KI-Use-Case ist ein abgegrenzter Anwendungsfall für künstliche Intelligenz. „KI im Vertrieb“ beschreibt nur einen Bereich. Konkreter wird es mit: „Aus einer freigegebenen Kundenanfrage einen Antwortentwurf erstellen, den der zuständige Vertriebsmitarbeiter fachlich prüft und versendet.“ Eingabe, Ergebnis und Übergabe sind damit erkennbar.

Diese Eingrenzung erleichtert auch die Entscheidung, ob KI überhaupt die passende Lösung ist. Eine feste Berechnung kann mit einer Tabellenformel bereits zuverlässig funktionieren. Für einen wechselnden Textentwurf lässt sich dagegen ein Sprachmodell erproben. Der Vergleich mit dem bisherigen Ablauf gehört deshalb zur Auswahl.

Fraunhofer IAO beschreibt in seiner Toolbox für Versorgungsunternehmen einen strukturierten Weg vom eingegrenzten Suchfeld über Ideen und Bewertung bis zur Ausarbeitung ausgewählter Vorhaben. Ein Use-Case-Steckbrief unterstützt dabei den Vergleich. Die folgenden Vorlagen und Beispiele sind eine eigene praktische Ausgestaltung für typische Büroaufgaben.

Quellen zu diesem Abschnitt: Fraunhofer IAO: Use Cases identifizieren und bewerten

KI-Anwendungsfälle im eigenen Arbeitsalltag finden

Sammeln Sie zunächst Aufgaben aus einem Fachbereich. Fragen Sie die Personen, die sie tatsächlich bearbeiten: Was kommt regelmäßig herein? Welche Informationen müssen sie zusammensuchen? Wo fehlen Angaben? Was wird mehrfach formuliert oder korrigiert? Konkrete Arbeitsproben helfen mehr als eine allgemeine Wunschliste.

Als Suchrichtungen eignen sich beispielsweise Besprechungsnachbereitung im Projektteam, Entwürfe für wiederkehrende Kundenfragen oder der Vergleich von Angebotsunterlagen im Einkauf. Beschreiben Sie jeweils nur einen Arbeitsschritt. Eine komplette Abteilung zu automatisieren ist kein sinnvoll begrenzter erster Versuch.

Halten Sie neben jeder Idee eine offene Frage fest. Bei Besprechungsnotizen könnte sie lauten: „Erkennt das System, wenn eine Zuständigkeit noch nicht vereinbart wurde?“ Daraus entsteht später ein prüfbarer Testfall. Wenn dem Team gemeinsame Grundlagen fehlen, kann ein KI-Workshop für Unternehmen die Sammlung mit ersten praktischen Übungen verbinden.

Vorlage: ein Steckbrief für jeden KI-Use-Case

Übertragen Sie die Tabelle in Ihr gemeinsames Arbeitsdokument und füllen Sie für jeden Kandidaten einen eigenen Steckbrief aus. Die rechte Spalte enthält Arbeitsaufträge, keine vorausgefüllten Erfolgsannahmen. Schreiben Sie „ungeklärt“, wenn eine Angabe fehlt, und benennen Sie die Person, die sie klärt.

Vor der Priorisierung: Was muss für den Versuch geklärt sein?

Das NIST AI RMF Playbook empfiehlt, Zweck und Einsatzkontext eines KI-Systems sowie mögliche Wirkungen zu dokumentieren. Es berücksichtigt auch Alternativen ohne KI und die Rollen menschlicher Aufsicht. Für einen betrieblichen Versuch heißt das hier: Das Team muss wissen, was getestet wird und wer das Ergebnis beurteilen kann.

Unser Vorschlag für den Start: Der Verantwortliche bestätigt, dass das Werkzeug für diesen Zweck vorgesehen ist, das Beispielmaterial verwendet werden darf und die Prüfung fachlich sowie zeitlich möglich ist. Unklare Punkte werden zuerst geklärt. Für eine erste Übung können vollständig fiktive Unterlagen geeigneter sein als echte Kundendaten.

Fehlt eine Voraussetzung, bekommt der Kandidat den Status „vorbereiten“. Das ist eine andere Entscheidung als „ungeeignet“. So bleibt sichtbar, ob ein guter Anwendungsfall an einem lösbaren Zugangsproblem hängt oder ob schon das gewünschte Ergebnis unklar ist.

Quellen zu diesem Abschnitt: NIST AI RMF Playbook: Einsatzkontext und Verantwortung

KI-Use-Cases priorisieren: Nutzen, Aufwand und Prüfbarkeit

Vergleichen Sie die startfähigen Kandidaten anhand von drei Fragen. Erstens: Wie oft entsteht heute ein relevantes Problem? Zweitens: Wie aufwendig wird der Versuch mit den tatsächlich verfügbaren Unterlagen und Werkzeugen? Drittens: Wie gut lässt sich erkennen, ob das Ergebnis stimmt? Begründen Sie jede Einschätzung mit einer Beobachtung oder einer noch zu prüfenden Annahme.

Die Einstufung „leicht prüfbar“ könnte bedeuten, dass jede Aussage mit einer kurzen Ausgangsunterlage abgeglichen werden kann. „Schwer prüfbar“ wäre ein Ergebnis, für dessen Bewertung umfangreiche Recherche oder selten verfügbare Spezialkenntnisse nötig sind. Solche Beschreibungen machen Bewertungen verständlicher als eine unbegründete Punktzahl.

Erfassen Sie beim Aufwand auch das Bereitstellen des Materials und die Korrekturen. Ein schneller Entwurf spart noch keine Arbeitszeit, wenn seine Prüfung länger dauert als die bisherige Bearbeitung. Sind mehrere Fachbereiche oder größere Investitionen betroffen, kann eine KI-Strategie-Beratung helfen, Kriterien und nächste Entscheidungen gemeinsam abzustimmen.

Fiktives Beispiel: drei Ideen und eine begründete Reihenfolge

Das folgende Unternehmen, seine Ausgangslage und die Bewertungen sind vollständig erfunden. Sie zeigen die Methode und sind keine Kundenergebnisse. Im Beispiel stehen freigegebene Projektunterlagen zur Verfügung; die Regeln für individuelle Kundenpreise sind dagegen noch nicht dokumentiert.

Andere Ausgangsbedingungen können zu einer anderen Reihenfolge führen. Das Beispiel bewertet den beschriebenen Kontext, nicht pauschal ganze Aufgabenarten.

Den Pilotversuch mit Abnahme- und Abbruchkriterien planen

Für das fiktive Projektteam wäre ein möglicher Test: zehn freigegebene Notizen unterschiedlicher Schwierigkeit bearbeiten, darunter unvollständige Angaben und widersprüchliche Termine. Diese Anzahl ist ein Vorschlag für eine erste Lernrunde, kein statistischer Nachweis. Das Team vergleicht den bisherigen Ablauf mit dem KI-gestützten Ablauf einschließlich Prüfung und Korrektur.

Ein Ergebnis wird nur akzeptiert, wenn jede Aufgabe durch die Notizen gedeckt ist, Namen und Termine korrekt übernommen sind und fehlende Zuständigkeiten ausdrücklich offenbleiben. Sobald eine erfundene Zusage oder unzulässiges Material auftaucht, wird die Weitergabe gestoppt und der Fall untersucht. Wiederkehrende Fehler trotz Anpassung sprechen gegen eine Ausweitung.

Am vereinbarten Auswertungstermin entscheidet die Projektleitung: weiter erproben, Eingaben und Prüfschritte ändern oder beim bisherigen Verfahren bleiben. Ein erfolgreiches kleines Beispiel ist noch keine Freigabe für andere Daten oder Aufgaben. Wie passende Übungen vorbereitet werden, erläutert der Leitfaden zur ChatGPT-Schulung im Unternehmen.

Häufige Fragen zur Auswahl von KI-Anwendungsfällen

Brauchen wir zuerst eine vollständige KI-Strategie? Für einen eng begrenzten Lernversuch braucht es vor allem ein klares Ziel, geklärte Voraussetzungen und Verantwortung. Sobald mehrere Vorhaben Ressourcen oder gemeinsame Daten benötigen, sollten ihre Prioritäten zusammen betrachtet werden.

Wie viele Use Cases sollten wir gleichzeitig testen? Starten Sie mit so wenigen, dass die zuständigen Personen jeden Fall tatsächlich begleiten können. Ein betreuter Versuch liefert mehr verwertbare Erkenntnisse als mehrere unbeobachtete Experimente.

Wann folgt die Automatisierung? Erst wenn Eingaben, Ergebnisprüfung, Ausnahmen und Zuständigkeiten im getesteten Ablauf ausreichend geklärt sind. Die nächste Stufe wird erneut geprüft; ein brauchbarer Textentwurf allein rechtfertigt noch keinen automatischen Versand.