Der klassische Startfehler: vom Werkzeug zu den Ideen

Viele KI-Vorhaben im Mittelstand beginnen mit einem Ideenworkshop: zwei Stunden Brainstorming, 40 Post-its, kein Ergebnis. Das Problem ist die Richtung. Wer von der Technologie zu den Ideen denkt, sammelt Einfälle, die faszinieren – aber selten ein Problem lösen, das wirklich drückt. Genau das ist laut der RAND-Analyse gescheiterter KI-Projekte eine der Hauptursachen für Fehlschläge: Projekte starten, weil die Technologie begeistert, nicht weil ein Geschäftsproblem klar benannt ist. Wirksamer ist die umgekehrte Richtung: von der Wertschöpfungskette zu den Engpässen.

Wo der Wert sitzt: Konzentration auf wenige Funktionen

Schon die vielzitierte Potenzialschätzung des McKinsey Global Institute aus dem Jahr 2023 – 2,6 bis 4,4 Billionen USD jährliches GenAI-Potenzial über 63 untersuchte Use Cases – enthielt den entscheidenden Hinweis: Rund 75 % des Potenzials konzentrieren sich auf nur vier Funktionen: Customer Operations, Marketing & Vertrieb, Softwareentwicklung sowie Forschung & Entwicklung. Das ist eine Modellrechnung über die Weltwirtschaft, keine Prognose für Ihr Unternehmen – aber ein starker Suchscheinwerfer.

Die Ist-Daten bestätigen die Konzentration: In der BCG-Befragung von 2024 entsteht mehr als die Hälfte des tatsächlich realisierten KI-Werts in den Kernfunktionen – Operations (23 %), Vertrieb & Marketing (20 %) und F&E (13 %) – und gerade nicht in den Support-Funktionen, in denen viele Unternehmen zuerst suchen. Für den Mittelstand heißt das: Suchen Sie dort, wo Ihr Geld verdient wird – im Auftragsdurchlauf, im Vertrieb, im Service, in der Produktion.

Der systematische Scan in drei Filtern

Gehen Sie Ihre Wertschöpfungskette Funktion für Funktion durch – Vertrieb, Angebot, Auftragsabwicklung, Einkauf, Produktion, Service, Finanzen – und prüfen Sie jeden Prozessschritt gegen drei Filter:

  1. Volumen und Wiederholung: Tritt die Aufgabe häufig auf und bindet sie messbar Arbeitszeit? Einzelfälle rechnen sich selten.
  2. Sprach- und Dokumentenlastigkeit: Besteht die Aufgabe wesentlich aus Lesen, Schreiben, Zusammenfassen, Klassifizieren oder Suchen? Hier sind heutige Modelle am stärksten – laut McKinsey-Schätzung könnten aktuelle Technologien Tätigkeiten automatisieren, die 60–70 % der Arbeitszeit binden.
  3. Messbarer Prozess-KPI: Gibt es eine Kennzahl – Durchlaufzeit, Kosten pro Vorgang, Fehlerquote, Conversion –, an der sich der Erfolg vor und nach der Einführung ablesen lässt? Ohne Baseline kein Business Case.

Nach diesem Scan stehen typischerweise 10 bis 20 Kandidaten auf der Liste. Bewährte Beispiele aus dem Mittelstand, bewusst nach Funktionen statt nach Technologien geordnet: Angebots- und Ausschreibungsentwürfe aus Altangeboten und Produktdaten im Vertrieb, E-Mail-Triage mit Antwortentwürfen im Kundenservice, Extraktion von Bestell- und Lieferdaten aus PDFs und E-Mails ins ERP, Rechnungsprüfung und Kontierungsvorschläge in der Buchhaltung, Predictive Maintenance in der Produktion, automatisierte Sichtprüfung in der Qualität sowie Coding-Assistenz für das eigene IT-Team. Personal-Use-Cases wie Bewerbervorauswahl fehlen in dieser Liste bewusst: Sie gelten unter dem EU AI Act als Hochrisiko-Anwendungen.

Priorisieren: von der Impact/Effort-Matrix zur Scorecard

Jetzt entscheidet sich, ob Ihr Unternehmen zu den fokussierten 26 % gehört, die laut BCG über das Pilotstadium hinauskommen – denn erfolgreiche Unternehmen fahren weniger Initiativen, nicht mehr. Das einfachste Einstiegswerkzeug ist die klassische Impact/Effort-Matrix: Jeder Use Case wird nach Geschäftswert und Umsetzungsaufwand in vier Quadranten eingeordnet – Quick Wins zum sofortigen Start, strategische Projekte zum Planen und Budgetieren, Nebenbei-Kandidaten nur bei freier Kapazität und Zeitfresser, die konsequent abgelehnt werden. Die Startregel lautet: erst ein Quick Win, dann das strategische Projekt – nie umgekehrt.

Für die Feinauswahl liefern zwei Produktmanagement-Klassiker die Blaupause: ICE (Impact – Confidence – Ease) bewertet jede Idee mit drei Werten von 1 bis 10, wobei der Faktor Confidence zur Ehrlichkeit über die eigenen Annahmen zwingt. RICE ergänzt die Reichweite und dividiert durch den Aufwand. Für KI-Investitionen fehlen beiden jedoch genau die zwei Dimensionen, an denen die meisten Projekte scheitern: Datenverfügbarkeit und Risiko/Compliance.

Die KI-Scorecard: sechs Kriterien mit Gewichtung

Deshalb hat sich in der Praxis eine erweiterte Scorecard bewährt: Jedes Kriterium wird von 1 (schwach) bis 5 (stark) bewertet, die gewichtete Summe ergibt den Score (maximal 5,0).

  • Geschäftswert (25 %): Wie groß ist der jährliche Nutzen in Euro – konservativ geschätzt?
  • Machbarkeit (20 %): Gibt es erprobte Lösungen für genau diese Aufgabe – oder betreiben wir Forschung?
  • Datenverfügbarkeit (20 %): Liegen die nötigen Daten digital, zugänglich und in brauchbarer Qualität vor?
  • Risiko & Compliance (15 %): Wie aufwendig sind EU-AI-Act-Einstufung, Datenschutz und Betriebsrat?
  • Zeit bis Wirkung (10 %): Ist ein messbarer Effekt in drei Monaten realistisch?
  • Strategischer Fit (10 %): Zahlt der Use Case auf ein strategisches Ziel ein?

Die Gewichte passen Sie einmalig an Ihre Strategie an; danach bleiben sie für alle Use Cases fix – sonst wird die Scorecard zum Rechtfertigungsinstrument.

Drei Anwendungsregeln machen die Scorecard wirksam

Erstens: Gemeinsam scoren. Geschäftsführung, Fachbereich und IT bewerten im selben Workshop – 90 Minuten reichen für 10 Kandidaten. Abweichende Einschätzungen sind dabei der eigentliche Erkenntnisgewinn: Wenn die IT die Datenverfügbarkeit mit 2 bewertet und der Fachbereich mit 4, ist genau dieses Gespräch das wertvollste des Termins.

Zweitens: Harte Schwellen. Ein Score über 4,0 startet – maximal ein Use Case zur Zeit. Scores zwischen 3,0 und 4,0 kommen auf die Warteliste; darunter wird dokumentiert verworfen. Eine Datenverfügbarkeit von 1 heißt immer: nicht starten, egal wie attraktiv der Rest aussieht.

Drittens: Quartalsweise neu bewerten. Modelle werden besser und billiger – ein heute verworfener Use Case kann in zwölf Monaten ein Quick Win sein. Die dokumentierte Warteliste ist deshalb kein Friedhof, sondern eine Pipeline.

Als Umsetzungsformat hat sich das Microteaming-Prinzip bewährt: ein Use Case, ein Team aus 3–5 Personen, vier Wochen bis zum MVP. Ohne Business Case arbeitet das Team am falschen Problem; ohne kleines Team wird der Business Case zur PowerPoint-Übung.

Die vollständige Methodik – inklusive Scorecard-Vorlage, Kostenrechnung und 90-Tage-Plan – finden Sie im Whitepaper „Der KI-Business-Case“.