KI-Use-Cases bewerten: Diese 7 Fragen stelle ich vor jedem KI-Projekt

Kurz zusammengefasst

Die meisten KI-Projekte scheitern nicht am Tool, sondern an der Auswahl davor. Deshalb stelle ich vor jedem KI-Projekt sieben Fragen, bevor auch nur ein Tool ins Spiel kommt. Sie kosten zwanzig Minuten und ersparen Monate an teuren Pilotprojekten, die niemand mehr nutzt. Sechs der sieben Fragen haben mit Technik nichts zu tun: Es geht um Problem, Prozess, Daten, Menschen, Verantwortung und messbare Wirkung.

Warum überhaupt so viel Vorarbeit? Weil das Muster überall gleich ist. Laut der globalen Deloitte-Studie "State of AI in the Enterprise 2026" setzen rund 37 Prozent der Unternehmen KI nur oberflächlich ein, ohne ihre bestehenden Abläufe zu verändern. Genau das passiert, wenn man mit dem Tool startet statt mit dem Problem. Die sieben Fragen drehen das um.

Welches Problem wollen wir konkret lösen?

Nicht "Wir wollen was mit KI machen", sondern "Wir verlieren pro Woche X Stunden mit Y". Ein Use Case braucht ein echtes, benennbares Problem. Wenn dir zum Tool kein konkreter Schmerz einfällt, ist es kein Projekt, sondern ein Experiment. Beides ist erlaubt, aber du solltest wissen, was von beidem du gerade machst.

Wie läuft der Prozess heute wirklich ab?

Bevor KI etwas verbessern kann, musst du den Ist-Prozess kennen. Wer macht was, in welcher Reihenfolge, mit welchen Systemen, an welcher Stelle klemmt es? Oft zeigt sich hier schon, dass das eigentliche Problem gar nicht KI braucht, sondern Struktur. Ein Beispiel aus meiner Praxis: Ein Kundenservice ohne Ticketsystem braucht zuerst das Ticketsystem, die KI-Schicht kommt sinnvoll erst obendrauf.

Welche Daten braucht die KI, und haben wir sie in brauchbarer Qualität?

Hier entscheidet sich mehr, als vielen lieb ist. In der Befragung von Porsche Consulting und Fraunhofer FIT nennt mehr als die Hälfte der Führungskräfte mangelnde Datenqualität und fehlenden Datenzugang als größtes Hindernis für KI. Kläre also früh: Welche Daten braucht der Use Case, wo liegen sie, wie sauber sind sie, und dürfen wir sie überhaupt nutzen? Schlechte Daten machen aus einem guten Modell ein teures Ratespiel.

Wer arbeitet später damit?

Ein KI-Projekt hat immer einen Menschen am Ende. Wenn du früh weißt, wer die Lösung täglich nutzt, baust du sie anders, näher an der echten Arbeit. Nicht ohne Grund nennen in der Porsche-Fraunhofer-Befragung 62 Prozent qualifizierte und befähigte Mitarbeitende als wichtigsten Erfolgsfaktor. Auch Deloitte sieht fehlende Kompetenzen der Belegschaft als größte Hürde bei der Integration von KI. Wer die späteren Nutzer erst am Ende dazuholt, hat die Akzeptanz schon verspielt.

Was darf die KI entscheiden, und wo bleibt der Mensch drin?

Kläre die Grenze, bevor du startest. Darf die KI nur vorschlagen, oder auch handeln? Welche Schritte brauchen eine menschliche Freigabe? Gerade bei Themen mit rechtlicher oder finanzieller Wirkung gehört ein Mensch in die Schleife, aus Verantwortung und aus Vertrauen. Wie du dabei Datenschutz und Sicherheit sauber aufsetzt, habe ich unter Vertrauen, Sicherheit und Datenschutz zusammengefasst. Welche rechtlichen Leitplanken gelten, liest du in meinem Beitrag zum EU AI Act im Mittelstand.

Was soll sich messbar verändern?

Wenn du diese Frage nicht beantworten kannst, starte nicht. Lege vor dem Projekt fest, welche eine Zahl sich verbessern soll: Bearbeitungszeit pro Vorgang, Kosten pro Ticket, Fehlerquote, Antwortzeit, Conversion, Rankings. Das ist der Hebel, den die meisten auslassen. Laut Porsche und Fraunhofer messen nur 44 Prozent der Unternehmen den wirtschaftlichen Beitrag ihrer KI-Initiativen mit KPIs. Wer die Wirkung nicht misst, kann später nicht sagen, ob sich das Projekt gelohnt hat.

Was passiert nach dem Piloten, wenn er funktioniert?

Diese Frage wird am häufigsten vergessen und ist die wichtigste. Kläre schon vor dem Test, wer den Erfolgsfall übernimmt, wer ihn betreibt und wie er in den Regelbetrieb kommt. Denn genau hier bleiben die meisten hängen: In derselben Porsche-Fraunhofer-Befragung schaffen es nur knapp 20 Prozent der Unternehmen, ihre KI-Anwendungen über die Pilotphase hinaus in den breiten Einsatz zu bringen. Ein Pilot ohne Plan für danach ist teurer Zeitvertreib.

Warum diese Reihenfolge den Unterschied macht

Fällt dir etwas auf? Sechs der sieben Fragen haben mit Technik nichts zu tun. Es geht um Problem, Prozess, Daten, Menschen, Verantwortung und Wirkung. Das Tool ist der einfachste Teil, und deshalb der falsche Startpunkt. Wer mit dem Werkzeug beginnt, sucht danach ein Problem, das dazu passt. Wer mit dem Problem beginnt, findet fast immer das passende Werkzeug.

Das ist übrigens genau der Grund, warum viele Unternehmen KI zwar breit nutzen, aber kaum Wirkung sehen. Warum das so ist, habe ich im ersten Teil dieser Serie ausführlich beschrieben: Warum KI-Nutzung noch keine Wirkung bedeutet.

Die 7 Fragen als Checkliste für dein nächstes Meeting

So bewertest du deine eigenen Use Cases

Nimm dir deine drei größten KI-Ideen und geh sie einmal durch diese sieben Fragen. Die Ideen, bei denen du bei allen sieben eine klare Antwort hast, sind deine ersten Kandidaten. Bei den anderen weißt du jetzt, was vorher zu klären ist. Das ist schon die halbe Priorisierung.

Wenn du dabei einen Sparringspartner willst, ist das genau meine KI-Beratung: gemeinsam die richtigen Use Cases finden, bewerten und sauber zuschneiden. Für Teams, die den Fragenkatalog selbst anwenden lernen wollen, eignet sich ein KI-Workshop für Unternehmen. Und wenn du erst einmal wissen willst, wo dein Unternehmen insgesamt steht, mach den kostenlosen KI-Reifegrad-Check. In wenigen Minuten bekommst du eine erste Einschätzung mit konkreten nächsten Schritten.

Welche deiner Ideen fällt dir zu Frage 7 am schwersten? Genau da würde ich anfangen.

Häufige Fragen

Wie viele Fragen sollte ich vor einem KI-Projekt klären? Sieben reichen: Problem, Ist-Prozess, Daten, Nutzer, Entscheidungsgrenze, Kennzahl und Plan nach dem Piloten. Wer alle sieben klar beantworten kann, hat einen tragfähigen Use Case.

Warum starten so viele KI-Projekte mit dem falschen Schritt? Weil sie mit dem Tool beginnen und danach ein Problem suchen, das dazu passt. Deloitte zeigt, dass rund 37 Prozent der Unternehmen KI nur oberflächlich einsetzen, ohne Abläufe zu verändern.

Welche Kennzahl sollte ich für einen KI-Use-Case festlegen? Genau eine, die vorher gemessen wurde: Bearbeitungszeit pro Vorgang, Kosten pro Ticket, Fehlerquote, Antwortzeit, Conversion oder Rankings. Nur 44 Prozent der Unternehmen messen den wirtschaftlichen Beitrag ihrer KI-Initiativen überhaupt.

Was ist der häufigste Grund, warum KI-Piloten nicht skalieren? Es fehlt der Plan für den Erfolgsfall: Owner, Betrieb und Weg in den Regelbetrieb. Nur knapp 20 Prozent der Unternehmen bringen KI-Anwendungen über die Pilotphase hinaus.

Brauche ich für jeden KI-Use-Case perfekte Daten? Nein, aber brauchbare. Mehr als die Hälfte der Führungskräfte nennt Datenqualität und Datenzugang als größtes Hindernis, deshalb gehört die Datenfrage vor die Toolauswahl.

Quellen und weiterführende Links

Externe Quellen (Kennzahlen im Text jeweils direkt verlinkt):

• Porsche Consulting / Fraunhofer FIT: Mit Daten und KI Rendite generieren (März 2026, Befragung von gut hundert Top-Führungskräften, branchenübergreifend).
• Deloitte: State of AI in the Enterprise 2026 (3.235 Führungskräfte weltweit, 24 Länder).

Weiterführend auf dieser Seite: Warum KI-Nutzung noch keine Wirkung bedeutet, KI-Beratung, KI-Workshop für Unternehmen, Vertrauen, Sicherheit und Datenschutz und EU AI Act im Mittelstand.