Praxis

KI-Use-Cases finden und priorisieren: Was sich wirklich lohnt

Vom Bauchgefühl zur Liste: KI-Anwendungsfälle im Betrieb finden, nach Wirkung und Aufwand sortieren und mit einem Piloten starten, der misst statt verspricht.

, Redaktion KI Fachblatt · mit KI-Unterstützung erstellt, redaktionell verantwortet (so arbeiten wir) · · aktualisiert · 6 Min. Lesezeit

Eine Zwei-mal-zwei-Matrix mit den Achsen Aufwand und Wirkung. Punkte für typische KI-Anwendungsfälle verteilen sich auf die vier Felder Schnelle Gewinne, Strategische Projekte, Lückenfüller und Finger weg.
Die Wirkung-Aufwand-Matrix der Redaktion: So sortierst du gesammelte Ideen. Eigene Darstellung, die Bewertung der Beispiele ist eine Einordnung, keine Messung. · Eigene Grafik (Redaktion)
Kurz gesagt
  • In Deutschland nutzten 2025 rund 26 % der Unternehmen KI, 2024 waren es 20 % [1][2]. Wer einsteigt, scheitert selten an der Technik, sondern an der Auswahl: Nur etwa 5 % der untersuchten KI-Pilotprojekte erreichen die Produktion mit messbarem Nutzen [4].
  • Gute erste Anwendungsfälle liegen dort, wo Texte entstehen oder gelesen werden, wo Engpässe teuer sind und wo Beschäftigte heute schon heimlich mit KI arbeiten. Die Matrix aus Wirkung und Aufwand macht aus einer Ideenliste eine Reihenfolge.
  • Ein Pilot ohne Startwert ist kein Pilot: Wer vorher nicht misst, wie lange eine Aufgabe heute dauert und was sie kostet, kann hinterher keinen Nutzen belegen. Die Kosten pro gelöster Aufgabe sind dafür die wichtigste Kennzahl.

Etwa jedes vierte Unternehmen in Deutschland nutzte 2025 Technologien der künstlichen Intelligenz: 26 %, nach 20 % im Jahr davor [1][2]. In der Europäischen Union waren es 20 % der Betriebe mit mindestens zehn Beschäftigten, im Vorjahr 13,5 % [3]. Die Frage in den Chefetagen hat sich damit verschoben. Sie lautet nicht mehr ob, sondern wo anfangen – und genau dort entscheidet sich, ob aus KI ein Werkzeug wird oder ein teures Experiment.

Denn die Zahlen der anderen Seite sind ernüchternd. Das MIT-Projekt NANDA hat 2025 über 300 öffentlich dokumentierte KI-Initiativen ausgewertet und Dutzende Organisationen befragt: Nur etwa 5 % der untersuchten Pilotprojekte erreichten die Produktion mit messbarem Ergebnis, der große Rest blieb ohne nachweisbaren Einfluss auf Gewinn oder Kosten [4]. Der Unterschied lag selten im Modell. Er lag darin, welche Aufgabe gewählt und wie sie vorbereitet wurde. Diese Seite zeigt ein einfaches Verfahren, das beides in den Griff bekommt: sammeln, sortieren, klein anfangen.

Wo KI in Unternehmen heute schon arbeitet

Bevor du Ideen sammelst, lohnt ein Blick auf die Landkarte. Das Statistische Bundesamt hat für 2025 erstmals auch die Erzeugung von Bildern, Videos und Audio separat erhoben. Unter den deutschen Unternehmen, die KI nutzen, sind die häufigsten Technologien Textanalyse und die Erzeugung von Medien, gefolgt von Spracherkennung [2]. In der EU sieht das Bild ähnlich aus: Analyse von Schriftsprache liegt vorn, dahinter die Erzeugung von Bildern und Texten [3].

Was KI-nutzende Unternehmen in Deutschland einsetzen (2025)
Daten als Tabelle
Anteil der KI-nutzenden Unternehmen
Text Mining52 %
Bilder, Video, Audio erzeugen52 %
Spracherkennung42 %
Texte erzeugen (inkl. Code)35 %
Abläufe automatisieren27 %
Maschinelles Lernen23 %
Bilderkennung17 %
Maschinen autonom bewegen6 %

Quelle: Statistisches Bundesamt, IKT-Erhebung 2025 [2]

Anteil an allen KI-nutzenden Unternehmen in Deutschland, Mehrfachnennungen möglich. Große Unternehmen nutzen jede Technologie häufiger als kleine [2].

Übersetzt heißt das: Der Massenmarkt ist kein Science-Fiction-Thema wie autonome Maschinen (6 %), sondern die Arbeit an und mit Texten, Bildern und Abläufen [2]. Genau das sind die Bereiche, in denen heutige Sprach- und Bildmodelle zuverlässig genug für den Alltag sind – und in denen ein kleiner Betrieb ohne eigene Entwicklungsabteilung starten kann.

Warum die Auswahl der Knackpunkt ist

Die NANDA-Auswertung zeigt den Trichter, in dem KI-Projekte verschwinden: 60 % der befragten Organisationen haben Enterprise-Systeme mit KI geprüft, nur 20 % erreichten das Pilotstadium, nur 5 % gingen in Produktion [4]. Die Autoren nennen das die „GenAI Divide“: Auf der einen Seite Experimente ohne Wirkung, auf der anderen wenige Firmen mit echten Einsparungen. Interessant ist der Grund. Gescheitert sei selten an der Modellqualität, sondern an starren Abläufen, fehlendem Lernen aus dem Arbeitskontext und an Projekten, die von Anfang an zu breit angelegt waren [4].

Auch die Bitkom-Umfrage 2025 zeigt: Die größten Bremsen in Deutschland sind nicht Kosten oder Technik, sondern Unsicherheit bei Rechtsfragen (53 %) und fehlendes Know-how (53 %) – und 23 % der Unternehmen sehen schlicht keine Anwendungsfälle für sich [5]. Eine gute Use-Case-Liste ist damit nicht Bürokratie, sondern das Gegenmittel gegen den häufigsten Fehlschlag: das Projekt ohne konkrete Aufgabe.

Use-Cases finden: vier Fundstellen

Du musst die Ideen nicht erfinden. Sie liegen im Betrieb herum – man muss nur wissen, wo sie liegen. Vier Stellen haben sich bewährt:

  1. Wiederholte Textarbeit. Alles, was jede Woche ähnlich aus der Tastatur fließt: Angebote, Protokolle, Statusberichte, Standardantworten, Stellenanzeigen. Textanalyse und Texterzeugung sind die am häufigsten genutzten KI-Technologien in Deutschland [2] – weil hier die Modelle stark sind und Fehler gut prüfbar bleiben.
  2. Teure Engpässe. Wo staut sich Arbeit, weil nur eine Person sie kann? Angebotserstellung im Vertrieb, erste Sichtung von Bewerbungen, Eingangsrechnungen. Ein Engpass gibt dem Pilotprojekt eine klare Messgröße: Durchlaufzeit vorher und nachher.
  3. Heimliche Nutzung. Mehr als die Hälfte der Beschäftigten (54 %) gibt in einer BCG-Umfrage an, im Zweifel auch ohne Zustimmung des Arbeitgebers KI-Werkzeuge zu nutzen [6]. Das klingt nach Risiko – ist aber eine Gratis-Bedarfsanalyse. Was die Leute heute schon privat erledigen, ist ein bewährter Kandidat für einen sauberen, genehmigten Prozess.
  4. Fehler mit Preisschild. Wo kostet ein Fehler echtes Geld oder einen Kunden: falsche Liefertermine, übersehene Vertragsfristen, vertauschte Bauteile. KI als zweite Leserin, die stutzig macht, kann sich allein über vermiedene Fehler rechnen.

Priorisieren: die Matrix aus Wirkung und Aufwand

Am Ende des Sammelns stehen typischerweise 15 bis 30 Ideen. Um sie zu sortieren, genügt ein Blatt Papier mit zwei Achsen: Wirkung (wie viel Zeit, Geld oder Qualität steckt in der Aufgabe?) und Aufwand (Datenlage, Integration, Recht, nötige Kontrolle). Trage jede Idee als Punkt ein. Das Hero-Bild dieser Seite zeigt das Muster mit typischen Beispielen.

Die vier Felder der Matrix und was du mit ihnen machst (Redaktion)
FeldMerkmaleBeispieleStrategie
Schnelle Gewinnehohe Wirkung, geringer AufwandE-Mail-Entwürfe, Protokolle, FAQ-Antworten, ÜbersetzungenSofort starten, 4–8 Wochen Pilot
Strategische Projektehohe Wirkung, hoher AufwandWissensdatenbank mit RAG, Integration ins ERPPlanen, budgetieren, erst nach 1–2 schnellen Gewinnen
Lückenfüllergeringe Wirkung, geringer AufwandSocial-Media-Varianten, Meeting-ZusammenfassungenMitnehmen, wenn es nichts kostet
Finger weg (vorerst)geringe Wirkung, hoher Aufwandkomplett automatisierter Vertrieb, Eigenbau-Chatbot für die WebsiteStreichen oder auf später verschieben

Zwei Zusatzfragen schärfen die Einordnung. Erstens: Wie prüfbar ist das Ergebnis? Ein Angebotstext kann ein Mensch in zwei Minuten gegenlesen, eine automatische Preisempfehlung nicht. Je schwerer die Prüfung, desto mehr Aufwand gehört auf die Aufwand-Achse. Zweitens: Wie hoch ist das Risiko bei Fehlern? Alles, was Personen betrifft (Bewerbungen, Leistungsbewertung), verschiebt sich Richtung hoher Aufwand, weil Recht und Kontrolle dazukommen – im europäischen Rahmen sind etwa KI-Systeme in der Personalauswahl als Hochrisiko eingestuft, mehr dazu im Artikel zu KI im Recruiting und im geplanten Beitrag zum EU AI Act.

Vom Piloten zum Maßstab

Der häufigste Fehler im Pilotstadium: Man probiert drei Wochen herum und fragt dann, ob es sich gut anfühlt. So entsteht kein Beleg. Lege vor dem Start drei Dinge fest:

  • Startwert: Wie lange dauert die Aufgabe heute, wie oft kommt sie vor, was kostet sie? Schätze mit den Leuten, die sie täglich machen, nicht mit dem Hörensagen aus der Leitung.
  • Zielwert und Abbruchkriterium: Zum Beispiel „30 % weniger Durchlaufzeit bei gleicher Fehlerquote“ – und vorher festlegen, wann der Pilot als gescheitert gilt. Sonst läuft er ewig weiter.
  • Messmethode: Eine kleine Stichprobe echter Aufgaben, mit und ohne KI bearbeitet, Ergebnis von Menschen bewertet. Das ist dieselbe Logik wie bei Evals für Modelle, nur auf deine Aufgabe angewendet – ausführlich beschrieben in Evals statt Bauchgefühl.

Rechne den Nutzen am Ende nicht in gefühlten Stunden, sondern in Kosten pro gelöster Aufgabe um: Was kostet eine fertige, geprüfte Anfrage, ein fertiges Protokoll, eine fertige Rechnungsprüfung – vorher und nachher, inklusive Lizenzen und Kontrollzeit? Diese Kennzahl überlebt jedes Modell-Update und jeden Preissturz, weil sie nicht in Tokens denkt, sondern in Ergebnissen. Wie du sie sauber aus API-Preisen und Durchlaufquoten berechnest, steht in KI-Kosten und ROI kalkulieren.

Beispiel: eine Werkzeugbaufirma mit 40 Leuten

Ein fiktives, aber typisches Bild, zusammengesetzt aus den Mustern dieser Seite: Ein Werkzeugbaubetrieb sammelt in zwei Workshops 22 Ideen. In der Matrix landen Angebotsvorbereitung, Protokolle aus Kundenterminen und die Beantwortung wiederkehrender Anfragen im Feld „schnelle Gewinne“. Der Wunsch nach einem vollautomatischen Kundenchatbot rutscht bei genauerem Hinsehen auf „hoher Aufwand“: Die Datenlage ist dünn, die Fehlerfolgen unangenehm. Der Betrieb startet nur mit der Angebotsvorbereitung: Startwert sind 90 Minuten pro Angebot, Ziel 60, gemessen an 30 echten Angeboten, jedes KI-Ergebnis vom Vertrieb gegen die Checkliste geprüft. Erst wenn das trägt, kommt die Wissensdatenbank als strategisches Projekt dran. Die Reihenfolge ist die eigentliche Strategie – nicht das Werkzeug.

Methode

Gelesen wurden am 20. Oktober 2026 die Pressemitteilung und die Ergebnistabelle des Statistischen Bundesamts zur IKT-Erhebung (Werte 2024 und 2025), die Eurostat-Meldung vom 11. Dezember 2025, die Bitkom-Research-Studienseite 2025, die BCG-Pressemitteilung sowie der vollständige NANDA-Bericht als PDF (inklusive Trichterwerte 60/20/5 Prozent und Schatten-KI-Zahlen). Die Wirkung-Aufwand-Matrix samt Einordnung der Beispiele ist eine eigene didaktische Darstellung der Redaktion, ebenso das durchgerechnete Werkzeugbau-Beispiel; beides beruht nicht auf einer einzelnen Studie.

Grenzen

Die Erhebungen zählen unterschiedliche Grundgesamtheiten: Destatis erfasst Deutschland ab 10 Beschäftigten, Bitkom ab 20 Beschäftigten, Eurostat den EU-Schnitt – die Prozentsätze sind daher nicht eins zu eins vergleichbar. Der NANDA-Bericht ist eine vorläufige Auswertung (Preprint-Charakter) mit selbstberichteten Angaben; die 95-Prozent-Marke hängt an seiner Definition von messbarem Ergebnis. Die BCG- und Bitkom-Zahlen stammen aus Online- beziehungsweise Telefonumfragen und spiegeln Selbsteinschätzungen wider.

Quellen

  1. Jedes fünfte Unternehmen nutzt künstliche Intelligenz (Pressemitteilung Nr. 444), Statistisches Bundesamt (Destatis), 25. November 2024 (abgerufen 2026-10-20) ↩1 ↩2
  2. Unternehmen mit Nutzung von Technologien der künstlichen Intelligenz nach Beschäftigtengrößenklassen, Statistisches Bundesamt (Destatis), IKT-Erhebung 2025, Stand 24. November 2025 (abgerufen 2026-10-20) ↩1 ↩2 ↩3 ↩4 ↩5 ↩6
  3. 20% of EU enterprises use AI technologies, Eurostat News, 11. Dezember 2025 (abgerufen 2026-10-20) ↩1 ↩2
  4. The GenAI Divide: State of AI in Business 2025, MIT Project NANDA, Juli 2025 (abgerufen 2026-10-20) ↩1 ↩2 ↩3 ↩4
  5. Künstliche Intelligenz 2025: Jedes dritte Unternehmen nutzt KI, Bitkom Research, Umfrage unter 604 Unternehmen, 2025 (abgerufen 2026-10-20) ↩
  6. BCG-Studie zeigt: Zwei Drittel der Deutschen nutzen KI am Arbeitsplatz (AI at Work 2025), Boston Consulting Group, Pressemitteilung, 26. Juni 2025 (abgerufen 2026-10-20) ↩

Häufige Fragen

Wie viele Use-Cases sollte ich parallel starten?

Einen, höchstens zwei. Die Auswertung des MIT-Projekts NANDA zeigt, dass die meisten Pilotprojekte ohne messbaren Nutzen bleiben; erfolgreiche Organisationen arbeiten eng umrissene Fälle mit klaren Arbeitsabläufen ab. Breite parallel aufzusetzen, ist der häufigste Weg in die Statistik der Gescheiterten.

Brauche ich für den ersten Use-Case Entwickler?

In der Regel nicht. Die meisten schnellen Gewinne (Texte, Protokolle, Standardantworten) lassen sich mit bestehenden KI-Werkzeugen abdecken. Entwicklungsaufwand entsteht erst, wenn Daten aus eigenen Systemen angebunden oder Abläufe automatisiert werden sollen – das gehört in das Feld der strategischen Projekte.

Was mache ich mit Ideen aus dem Feld "hohe Wirkung, hoher Aufwand"?

Nicht streichen, sondern parken und vorbereiten: Datenlage klären, rechtliche Fragen abarbeiten, Budgetrahmen schätzen. Nach ein bis zwei erfolgreichen schnellen Gewinnen ist das Know-how da, um ein strategisches Projekt realistisch zu planen.

Meine Mitarbeitenden nutzen KI schon heimlich. Ignorieren oder verbieten?

Weder noch. Die BCG-Umfrage 2025 zeigt, dass mehr als die Hälfte der Beschäftigten im Zweifel ohne Freigabe KI nutzt. Die bessere Antwort ist: Nutzung offenlegen, Datenregeln setzen, genehmigte Werkzeuge anbieten. Der Artikel Mitarbeiter mitnehmen beschreibt das Vorgehen im Detail.

Woran erkenne ich, dass ein Pilotprojekt gescheitert ist?

Am vorher festgelegten Abbruchkriterium, nicht am Gefühl. Typische Kriterien: Der Zielwert (Zeit, Kosten, Qualität) wurde nach der Testperiode nicht erreicht, die Kontrollzeit frisst den Gewinn, oder die Ergebnisqualität schwankt zu stark. Ein sauber abgebrochener Pilot ist kein Misserfolg, sondern eine billig gekaufte Erkenntnis.

Weiterlesen