KI-Use-Cases priorisieren: Anwendungsfälle im Mittelstand bewerten, auswählen und sinnvoll staffeln

8. Okt. 2026

Artikel teilen

Wer KI-Use-Cases priorisieren will, steht in der Regel vor einem Überangebot an Ideen und einem Mangel an Kapazität. Aus den Fachbereichen kommen Vorschläge für Textgenerierung, Dokumentenanalyse, Prognosemodelle, Chatbots oder Qualitätsprüfung, Anbieter präsentieren Lösungen für jedes denkbare Problem, und die Geschäftsführung fragt, womit begonnen werden soll. Ohne ein einheitliches Bewertungsverfahren entscheidet dann häufig die Lautstärke der Fürsprecher, die Neuheit der Technologie oder der Zufall verfügbarer Budgets. Das Ergebnis sind Pilotprojekte, die an fehlenden Daten scheitern, an Compliance-Fragen hängen bleiben oder nach der Testphase keinen Betreiber finden. Dieser Beitrag beschreibt ein praxistaugliches Vorgehen, mit dem mittelständische Unternehmen Anwendungsfälle erfassen, nach festen Kriterien bewerten und in eine tragfähige Reihenfolge bringen. Behandelt werden die Erhebung der Longlist, die Bewertungsdimensionen, eine Scoring-Matrix mit Beispielrechnung, die Prüfung von Datenlage und Risiko, die Entscheidungsrunde sowie typische Fehler und eine Checkliste. Das Vorgehen ist bewusst schlank gehalten, damit es auch ohne eigene Datenabteilung funktioniert, und lässt sich ohne spezialisierte Software in wenigen Wochen einführen.

Titelbild: Foto von Kelly Sikkema auf Unsplash.

Warum eine Priorisierung nötig ist

Künstliche Intelligenz ist keine einzelne Anwendung, sondern eine Technologiefamilie mit sehr unterschiedlichen Einsatzfeldern. Der Aufwand reicht vom Einsatz eines vorhandenen Sprachmodells für interne Texte bis zum Aufbau eines eigenen Prognosemodells mit Anbindung an Produktionsdaten. Entsprechend verschieden sind Nutzen, Risiken und Voraussetzungen.

Für den Mittelstand kommt eine Besonderheit hinzu. Fachkräfte für Daten und Entwicklung sind knapp, Budgets begrenzt, und jedes Projekt bindet Personen, die auch im Tagesgeschäft gebraucht werden. Die Zahl der gleichzeitig umsetzbaren Vorhaben ist daher klein. Eine Priorisierung stellt sicher, dass diese knappe Kapazität auf Vorhaben fällt, die einen messbaren Beitrag leisten und realistisch umsetzbar sind.

Zugleich schützt ein dokumentiertes Verfahren vor Fehlinvestitionen. Es macht Annahmen sichtbar, erlaubt es, Entscheidungen später nachzuvollziehen, und schafft Akzeptanz bei Fachbereichen, deren Vorschläge zurückgestellt werden.

Eine gute Priorisierung findet nicht den besten Anwendungsfall, sondern den besten nächsten Schritt.

Schritt 1: Die Longlist erheben

Am Anfang steht eine strukturierte Sammlung. Ziel ist nicht Vollständigkeit, sondern Vergleichbarkeit. Jeder Vorschlag wird in einem einheitlichen Steckbrief beschrieben, damit später dieselben Fragen an alle Ideen gestellt werden können.

Problem oder Ziel: Welche Aufgabe soll verbessert werden, und woran ist der heutige Zustand erkennbar?
Betroffener Prozess und Beteiligte: Wer arbeitet heute damit, und wer würde die Lösung nutzen?
Erwartete Wirkung: Zeitersparnis, Qualitätssteigerung, Kostensenkung, Umsatzeffekt oder Risikoreduzierung.
Benötigte Daten: Welche Daten sind erforderlich, wo liegen sie und in welcher Qualität?
Technischer Ansatz: Standardprodukt, Konfiguration, Anpassung oder Eigenentwicklung.
Besondere Risiken: Personenbezug, Entscheidungen mit Außenwirkung, Fehlerfolgen, regulatorische Fragen.
Ansprechperson im Fachbereich: Wer verantwortet den Anwendungsfall und stellt Zeit bereit?

Die Sammlung gelingt am besten über kurze Gespräche mit den Fachbereichen und eine Prozessbetrachtung, nicht über eine allgemeine Ideenabfrage. Wer die Prozesse mit den meisten Wiederholungen, Medienbrüchen und Wartezeiten betrachtet, findet meist die ergiebigsten Ansatzpunkte.

Schritt 2: Bewertungsdimensionen festlegen

Die Bewertung sollte wenige, klar definierte Dimensionen umfassen. Zu viele Kriterien machen das Verfahren schwerfällig und erzeugen Scheingenauigkeit. Für den Mittelstand haben sich fünf Dimensionen bewährt.

Dimension	Leitfrage	Typische Indikatoren
Nutzen	Wie groß ist der erwartbare Beitrag zu den Unternehmenszielen?	Eingesparte Stunden, vermiedene Fehler, Umsatzpotenzial, Kundenzufriedenheit
Machbarkeit	Lässt sich die Lösung mit vertretbarem Aufwand realisieren?	Reifegrad der Technologie, Integrationsaufwand, Know-how
Datenlage	Sind geeignete Daten in ausreichender Qualität vorhanden?	Verfügbarkeit, Aktualität, Vollständigkeit, Zugriffsrechte
Risiko und Compliance	Welche rechtlichen und betrieblichen Risiken bestehen?	Personenbezug, Entscheidungsfolgen, Haftung, regulatorische Einstufung
Strategische Passung und Akzeptanz	Passt der Fall zur Strategie, und ist der Fachbereich bereit?	Zielbezug, Sponsor, Veränderungsbereitschaft

Jede Dimension wird auf einer einfachen Skala bewertet, etwa von eins bis fünf, mit schriftlich beschriebenen Ankern für die Extremwerte. Die Anker verhindern, dass dieselbe Zahl in verschiedenen Köpfen Unterschiedliches bedeutet. Beispielsweise steht bei der Datenlage eine Eins für „Daten nicht vorhanden oder nicht zugänglich“ und eine Fünf für „Daten vollständig, aktuell und im Zugriff der Projektgruppe“.

Schritt 3: Gewichtung und Scoring

Nicht alle Dimensionen wiegen gleich schwer. Eine Gewichtung bildet die Prioritäten des Unternehmens ab. Ein Betrieb, der vor allem Kapazität schonen möchte, gewichtet Aufwand und Machbarkeit stärker, ein Betrieb mit klaren Wachstumszielen den Nutzen. Die Gewichte werden vor der Bewertung festgelegt und nicht im Nachhinein angepasst, damit das Ergebnis nicht gesteuert wird.

Die folgende Beispielrechnung zeigt das Prinzip an drei fiktiven Anwendungsfällen. Alle Werte sind illustrativ und keine Branchenwerte.

Anwendungsfall	Nutzen (30 %)	Machbarkeit (20 %)	Datenlage (20 %)	Risiko (20 %)	Passung (10 %)	Gesamtwert
Angebotsentwürfe aus Anfragen erstellen	4	4	3	4	4	3,8
Prognose Instandhaltungsbedarf	5	2	2	3	4	3,3
Auswahl von Bewerbungen vorsortieren	3	3	3	1	2	2,5

Bei der Rechnung wird jeder Wert mit seiner Gewichtung multipliziert und summiert. Im ersten Fall ergeben sich 4 × 0,3 + 4 × 0,2 + 3 × 0,2 + 4 × 0,2 + 4 × 0,1, also 3,8. Dabei steht beim Risiko eine hohe Zahl für ein geringes Risiko. Der Anwendungsfall zur Bewerberauswahl landet trotz mittleren Nutzens auf dem letzten Platz, weil Personenbezug und Entscheidungsfolgen das Risiko stark erhöhen.

Grenzen des Scorings

Ein Gesamtwert ist eine Diskussionsgrundlage, kein Urteil. Zwei Fälle mit demselben Wert können völlig verschiedene Profile haben. Deshalb sollten die Einzelwerte sichtbar bleiben, und Fälle mit sehr niedrigen Werten in einer Dimension, vor allem bei Risiko und Daten, sollten nicht allein durch hohe Werte an anderer Stelle ausgeglichen werden. Sinnvoll sind Ausschlusskriterien: Ein Anwendungsfall, dessen Daten nicht verfügbar sind oder dessen rechtliche Zulässigkeit ungeklärt ist, wird zurückgestellt, bis die Frage gelöst ist.

Schritt 4: Datenlage und Reifegrad prüfen

In der Praxis scheitern viele Vorhaben nicht an der Idee, sondern an den Daten. Eine kurze Datenprüfung vor der Entscheidung vermeidet diese Enttäuschung. Sie muss kein großes Projekt sein, ein halber Tag mit der Fachabteilung und der IT reicht häufig aus.

Datenquellen benennen: Welche Systeme und Dokumente enthalten die benötigten Informationen?
Zugriff klären: Wer darf die Daten nutzen, und gibt es technische oder vertragliche Hürden?
Qualität stichprobenartig prüfen: Vollständigkeit, Konsistenz, Aktualität und Fehlerquote anhand von Beispielen kontrollieren.
Menge bewerten: Sind genügend Beispiele für den vorgesehenen Ansatz vorhanden, oder genügt ein Standardmodell ohne eigenes Training?
Aufbereitungsaufwand schätzen: Bereinigung, Strukturierung und Anonymisierung vorab einplanen.
Laufende Pflege festlegen: Wer hält die Daten nach dem Start aktuell?

Bei Anwendungsfällen auf Basis allgemeiner Sprachmodelle sind die Anforderungen an eigene Trainingsdaten gering, dafür steigen die Anforderungen an Kontext, Prompts, Prüfprozesse und Datenschutz. Auch hier zählt die Frage, welche Informationen das System sieht und wohin sie fließen.

Schritt 5: Risiko und Regulatorik einordnen

Jeder Anwendungsfall sollte früh auf seine Risikoklasse geprüft werden. Dazu gehören der Umgang mit personenbezogenen Daten, die Auswirkungen fehlerhafter Ergebnisse und die Frage, ob Entscheidungen mit Wirkung auf Personen getroffen oder vorbereitet werden. Die europäische KI-Verordnung unterscheidet Risikokategorien und knüpft an sie unterschiedliche Pflichten. Den Verordnungstext stellt die EU im Portal EUR-Lex bereit.

Anwendungen mit hohem Risiko, etwa in Personalauswahl oder Bewertung von Beschäftigten, erfordern erhöhte Sorgfalt und Dokumentation und gehören nicht an den Anfang.
Anwendungen mit Transparenzpflichten, etwa Chatbots im Kundenkontakt, verlangen Kennzeichnung gegenüber den Nutzenden.
Interne Unterstützungsanwendungen mit menschlicher Kontrolle weisen meist ein geringeres Risiko auf und eignen sich für den Einstieg.
Datenschutzrechtliche Fragen betreffen vor allem Rechtsgrundlage, Auftragsverarbeitung, Speicherorte und Löschung.

Die Einordnung ersetzt keine rechtliche Prüfung im Einzelfall, hilft aber dabei, Vorhaben mit hohem Klärungsbedarf von solchen zu trennen, die mit überschaubarem Aufwand starten können.

Schritt 6: Portfolio bilden und Reihenfolge festlegen

Nach der Bewertung ergibt sich ein Portfolio. Hilfreich ist die Darstellung in einer Matrix aus Nutzen und Aufwand. Daraus lassen sich vier Gruppen ableiten, die unterschiedliche Behandlung verdienen.

Gruppe	Merkmal	Empfohlener Umgang
Schnelle Gewinne	Hoher Nutzen, geringer Aufwand	Zuerst umsetzen, Erfahrungen und Akzeptanz aufbauen
Strategische Vorhaben	Hoher Nutzen, hoher Aufwand	Planen, in Etappen gliedern, Voraussetzungen schaffen
Nebenbei-Verbesserungen	Geringer Nutzen, geringer Aufwand	Nur bei freier Kapazität oder als Lernprojekt
Zurückstellen	Geringer Nutzen, hoher Aufwand	Nicht verfolgen oder neu bewerten, wenn sich Rahmenbedingungen ändern

Für die Reihenfolge ist neben dem Wert auch das Lernen wichtig. Ein schneller Gewinn im ersten Quartal schafft Erfahrung mit Datenzugriff, Datenschutzprüfung und Betrieb, von der spätere, anspruchsvollere Vorhaben profitieren. Zudem entstehen wiederverwendbare Bausteine wie Freigabeprozess, Schulungsmaterial und Betriebsverantwortung.

Schritt 7: Pilotkriterien und Entscheidungspunkte festlegen

Auch ein priorisierter Anwendungsfall wird nicht blind umgesetzt. Vor dem Start eines Piloten werden Erfolgskriterien, Zeitrahmen und Entscheidungspunkte festgelegt. So wird verhindert, dass Piloten ohne Ergebnis weiterlaufen.

Erfolgsmaß: Welche Kennzahl muss sich in welchem Umfang verbessern, damit der Pilot als erfolgreich gilt?
Vergleichsbasis: Wie wird der heutige Zustand gemessen, damit der Effekt belegbar ist?
Zeitrahmen: Wann wird entschieden, ob der Pilot weitergeführt, angepasst oder beendet wird?
Betriebsverantwortung: Wer übernimmt nach dem Pilot den Betrieb, die Pflege und die Weiterentwicklung?
Abbruchkriterien: Unter welchen Bedingungen, etwa bei mangelhafter Datenqualität oder rechtlichen Hindernissen, wird gestoppt?
Schulung und Einbindung: Wie werden die späteren Nutzenden einbezogen?

Praxisbeispiel: Maschinenbauer mit zehn Ideen

Ein Maschinenbauer mit rund 200 Beschäftigten sammelt in einem Workshop zehn Ideen, darunter Angebotsentwürfe, Dokumentenklassifikation, Instandhaltungsprognosen, Bewerbervorauswahl, Übersetzung technischer Dokumentation und ein Wissens-Chatbot für den Service. Die Geschäftsführung möchte alles gleichzeitig starten.

Die Projektgruppe führt die Bewertung mit fünf Dimensionen durch und stellt fest, dass drei Ideen am Datenzugriff scheitern und eine wegen Personenbezug und Entscheidungsfolgen vorerst zurückgestellt wird. Übrig bleiben die Übersetzung technischer Dokumentation und die Erstellung von Angebotsentwürfen als schnelle Gewinne sowie der Servicechatbot als strategisches Vorhaben, das erst nach Aufbereitung der Wissensbasis starten soll.

Das Unternehmen beginnt mit den beiden schnellen Gewinnen. Nach einem Quartal liegen messbare Ergebnisse zu Zeitaufwand und Fehlerquote vor, und die Beteiligten haben praktische Erfahrung mit Datenschutzprüfung, Freigabe und Qualitätskontrolle gesammelt. Diese Erfahrung fließt in die Vorbereitung des Servicechatbots ein. Der Nutzen liegt hier weniger in einzelnen Ergebnissen als in der Reihenfolge, die Risiko und Lerngewinn ausbalanciert.

Der Entscheidungsworkshop: Ablauf und Beteiligte

Die Bewertung sollte nicht allein in der IT entstehen. Sinnvoll ist eine kleine, gemischte Gruppe aus Geschäftsleitung, Fachbereichen, IT, Datenschutz und gegebenenfalls Betriebsrat. Ein halbtägiger Workshop genügt, wenn Steckbriefe vorab erstellt wurden.

Ziele und Kriterien gemeinsam bestätigen, Gewichte festlegen.
Steckbriefe vorstellen, Rückfragen klären, Annahmen notieren.
Einzelbewertung durch alle Beteiligten, anschließend Abweichungen besprechen.
Datenlage und Risiko für die oberen Kandidaten vertiefen.
Portfolio visualisieren und Reihenfolge entscheiden.
Verantwortliche, Termine und nächste Schritte festhalten.

Die Abweichungen in der Einzelbewertung sind besonders aufschlussreich. Wenn zwei Personen denselben Fall mit Abstand unterschiedlich bewerten, steckt dahinter meist eine unterschiedliche Annahme über Daten, Aufwand oder Prozess. Diese Annahmen offenzulegen, ist oft wertvoller als der Zahlenwert selbst.

Typische Fehler vermeiden

Technologie vor Problem: Die Auswahl orientiert sich an verfügbaren Werkzeugen, nicht an Aufgaben mit messbarem Bedarf.
Fehlende Datenprüfung: Vorhaben starten, ohne dass die Datenlage geklärt wurde, und scheitern in der Umsetzung.
Überschätzter Nutzen: Zeitersparnis wird hochgerechnet, ohne zu prüfen, ob freiwerdende Zeit tatsächlich genutzt werden kann.
Unterschätzter Betrieb: Aufwand für Pflege, Überwachung und Qualitätskontrolle nach dem Pilot bleibt unberücksichtigt.
Risiko am Ende geprüft: Rechtliche und ethische Fragen werden erst bei der Einführung gestellt.
Zu viele Projekte gleichzeitig: Kapazität wird verteilt, und kein Vorhaben erreicht die Wirkung.
Einmalige Bewertung: Das Portfolio wird nicht regelmäßig überprüft, obwohl sich Technik und Rahmenbedingungen verändern.

Regelmäßig überprüfen und das Portfolio pflegen

Eine Priorisierung ist ein Zwischenstand. Technologie, Preise, Datenlage und gesetzliche Rahmenbedingungen verändern sich, und mit jedem abgeschlossenen Vorhaben wächst die Erfahrung der Organisation. Deshalb sollte das Portfolio in festen Abständen, etwa quartalsweise, überprüft werden. Dabei werden abgeschlossene Vorhaben bewertet, zurückgestellte Ideen neu eingeordnet und neue Vorschläge aufgenommen.

Hilfreich ist eine schlanke Dokumentation in Form einer Tabelle mit Steckbrief, Bewertung, Status und Verantwortlichem. Sie dient zugleich als Kommunikationsmittel: Fachbereiche sehen, warum ihre Idee noch wartet, und welche Voraussetzungen erfüllt sein müssen, damit sie nachrücken kann.

Checkliste für die Praxis

Ein einheitlicher Steckbrief für Anwendungsfälle liegt vor
Fünf oder weniger Bewertungsdimensionen mit beschriebenen Ankern sind festgelegt
Gewichte wurden vor der Bewertung bestimmt
Ausschlusskriterien für Daten und Rechtslage sind definiert
Datenlage der obersten Kandidaten wurde stichprobenartig geprüft
Risikoklasse und Datenschutzfragen sind früh eingeordnet
Fachbereich, IT, Datenschutz und Geschäftsleitung sind eingebunden
Schnelle Gewinne und strategische Vorhaben sind getrennt geplant
Pilotkriterien, Zeitrahmen und Betriebsverantwortung sind festgelegt
Das Portfolio wird regelmäßig überprüft

Fazit

KI-Anwendungsfälle zu priorisieren heißt, Entscheidungen nachvollziehbar zu machen. Ein schlankes Verfahren mit klaren Kriterien, geprüfter Datenlage und früher Risikoeinschätzung verhindert, dass knappe Ressourcen in Vorhaben fließen, die nie produktiv werden. Entscheidend ist die Reihenfolge: zuerst Fälle mit gutem Nutzen, guter Datenlage und überschaubarem Risiko, danach die anspruchsvolleren Vorhaben auf Basis der gesammelten Erfahrung. Wer das Portfolio regelmäßig pflegt, behält den Überblick und kann flexibel auf neue Möglichkeiten reagieren.

FAQ

Warum sollten KI-Anwendungsfälle priorisiert werden?
Weil Kapazität, Budget und Fachwissen im Mittelstand begrenzt sind. Eine Priorisierung lenkt die Ressourcen auf Vorhaben mit messbarem Nutzen, guter Datenlage und vertretbarem Risiko und macht Entscheidungen nachvollziehbar.

Welche Kriterien eignen sich für die Bewertung?
Bewährt haben sich Nutzen, Machbarkeit, Datenlage, Risiko und Compliance sowie strategische Passung und Akzeptanz. Jedes Kriterium wird mit beschriebenen Ankern bewertet und gewichtet.

Wie viele Anwendungsfälle sollte ein Unternehmen gleichzeitig verfolgen?
Das hängt von der Kapazität ab. Für den Mittelstand empfiehlt sich meist eine kleine Zahl, häufig ein bis drei Vorhaben parallel, damit Ressourcen nicht zersplittert werden.

Womit sollte der Einstieg erfolgen?
Mit einem Anwendungsfall mit hohem Nutzen, geringem Aufwand, guter Datenlage und geringem Risiko, idealerweise unter menschlicher Kontrolle. So entsteht Erfahrung für spätere, anspruchsvollere Vorhaben.

Wie wird das rechtliche Risiko berücksichtigt?
Durch eine frühe Einordnung nach Personenbezug, Entscheidungsfolgen und Risikoklasse der KI-Verordnung. Anwendungen mit hohem Risiko oder ungeklärter Rechtslage werden zurückgestellt, bis die Fragen gelöst sind.

Wie oft sollte das Portfolio überprüft werden?
Regelmäßig, etwa quartalsweise, sowie bei wesentlichen Änderungen von Technologie, Datenlage oder Rechtsrahmen. Dabei werden Ergebnisse bewertet und zurückgestellte Ideen neu eingeordnet.