1. Warum eine Landkarte vor den Projekten nötig ist
Viele Unternehmen starten mit KI, indem sie aus reiner Neugierde ein Werkzeug ausprobieren – und erst im Nachhinein nach einem passenden Problem suchen. Das Resultat ist meist ein Pilotprojekt, das nach wenigen Monaten in der Schublade verschwindet. Eine Landkarte nach Abteilungen dreht diese Reihenfolge um: Zuerst werden Prozesse identifiziert, in denen spürbar Arbeitszeit verloren geht, viel Text oder Dokumente anfallen und die Ergebnisse durch Menschen prüfbar sind. Erst danach wird entschieden, welche Fälle einen Testversuch rechtfertigen. Dieser Schritt erfordert keine tiefe IT-Expertise, aber dass Prozessverantwortliche und Technikexperten an einem Tisch sitzen.
Die Landkarte hilft zudem, unüberlegte Initiativen frühzeitig zu stoppen. Ein Anwendungsfall, der personenbezogene Daten von Kunden oder Mitarbeitenden verarbeitet oder automatisierte Entscheidungen mit personellen Konsequenzen trifft, erfordert eine wesentlich strengere Risiko- und Nutzenanalyse. Ein Szenario, das lediglich interne Notizen zusammenfasst, kann fast sofort starten. Diese Unterscheidung ist der erste greifbare Nutzen der Bestandsaufnahme – noch vor Projektstart.
2. Wie man einen Use Case liest: Daten, Personen, Entscheidungen
Jeder potenzielle KI-Einsatz lässt sich anhand von drei Kernfragen analysieren: Welche Daten gelangen in das System und wem gehören sie? Wer liest oder nutzt die Ausgaben und was geschieht als Nächstes? Wird ein möglicher Fehler bemerkt, bevor er Schaden anrichtet? Ein Assistent, der einen Entwurf für eine E-Mail-Antwort vorschlägt, besitzt ein völlig anderes Risikoprofil als ein System, das die Ablehnung eines Kundenantrags empfiehlt. Die gleiche Basistechnologie führt je nach Beantwortung dieser Fragen zu gänzlich unterschiedlichen Risikobewertungen.
Diese Analyse muss gemeinsam mit dem jeweiligen Prozessverantwortlichen erfolgen, nicht allein durch die IT-Abteilung. Wer den Arbeitsprozess tagtäglich leitet, kennt Ausnahmen, unvollständige Dokumente und kostspielige Fehlerrisiken. Bleibt ein Anwendungsfall nach dieser Diskussion unklar, sollte man ihn eingrenzen statt ausweiten. Ein eng umrissener Fall mit einem einzigen Dokumententyp und einer klar abgegrenzten Nutzergruppe lässt sich verlässlicher bewerten und im Erfolg messen.
3. Das Ausgangsbild, Abteilung für Abteilung
Die Tabelle zeigt den typischsten Einstiegsfall für jeden Unternehmensbereich. Sie ist kein Einkaufskatalog für Softwarefunktionen: Jede Zeile muss mit den echten Prozessexperten validiert werden, da Datenvolumen, Dokumentenqualität und interne Richtlinien stark variieren. Ein Anwendungsfall, der in einem Unternehmen hohen Mehrwert stiftet, kann in einem anderen nutzlos sein, wenn Daten verstreut oder in inkompatiblen Insellösungen liegen. Nutze diese Übersicht als strukturierte Diskussionsgrundlage mit den Abteilungsleitungen.
Die wichtigste Information steckt in der letzten Spalte: Sie zeigt auf, wo Fehler echten Schaden anrichten und wie viel menschliche Überwachung unverzichtbar ist. In Bereichen mit Kunden- oder Lieferantenkontakt werden falsche Aussagen schnell zu verbindlichen Zusagen oder Angeboten. Bei rein internen Aufgaben, etwa der Suche in Richtlinien, fallen Fehler meist auf, bevor Konsequenzen eintreten, und lassen sich leicht korrigieren. Beantworte diese Frage für jede Tabellenzeile gewissenhaft.
| Abteilung | Typischer Anwendungsfall | Zentrale Vorsichtsmaßnahme |
|---|---|---|
| Einkauf | Vergleich von Angeboten und Prüfung von Klauseln in Lieferantenverträgen | Fehler bei Zahlungskonditionen, Preisen und Fristen |
| Finanz- und Rechnungswesen | Erfassung, Abgleich und Klassifizierung von Rechnungen und Belegen | Fehlerhafte Buchungen und unrichtige Steuerdaten |
| Kundenservice | Entwürfe für Kundenantworten und Recherche in der Wissensdatenbank | Ungeprüfte Falschaussagen und Weitergabe von Personendaten |
| Personalwesen (HR) | Beantwortung von Fragen zu internen Richtlinien und Onboarding-Support | Automatisierte Mitarbeiterbeurteilungen und Bewerberdaten |
| Vertrieb | Erstellung von Standardangeboten und Zusammenfassung von Anfragen | Nicht freigegebene Sonderpreise oder Konditionen |
| IT-Helpdesk | Erstlinien-Support und geführte Suche in Betriebsanleitungen | Unkontrollierte Berechtigungsvergabe und Systemänderungen |
| Rechtsabteilung | Vergleich von Vertragsversionen und Recherche nach Standardklauseln | Rechtsgutachten ohne Freigabe durch Juristen |
| Produktion und Instandhaltung | Durchsuchen von Wartungshandbüchern und historischen Fehlerprotokollen | Fehlerhafte Handlungsanweisungen für die Arbeitssicherheit |
4. Querschnittsfunktionen: Einkauf, Finanzwesen, Personal
Im Einkauf und im Finanzwesen liegt der Hebel von KI primär im Verstehen und Vergleichen unstrukturierter Dokumente: Angebote, Verträge, Eingangsrechnungen und Bestellungen. Das System kann Datensätze extrahieren und Abweichungen hervorheben, die eigentliche Buchung und finale Entscheidung verbleiben jedoch beim Menschen. Das größte Risiko besteht darin, dass Fehler unbemerkt durchrutschen – etwa ein falsch aus einem Scan abgelesenes Zahlungsziel oder ein Betrag. Stichprobenprüfungen müssen daher vor dem ersten Praxisfehler etabliert werden, nicht danach.
Das Personalwesen ist ein Sonderfall. Fragen zu Reiserichtlinien oder Onboarding-Materialien sind beherrschbare Szenarien, solange das System strikt auf offizielle Vorgaben beschränkt bleibt. Sobald jedoch Bewerber bewertet oder Personalentscheidungen vorbereitet werden, greifen strenge Vorgaben für sensible personenbezogene Daten. Bestimmte Praktiken sind nach der europäischen KI-Verordnung untersagt, andere gelten als Hochrisikosysteme: Kläre solche Vorhaben zwingend vorab mit Juristen und Datenschutzbeauftragten.
5. Kundenkontakt und Vertrieb: Service, Sales, Helpdesk
Im Kundendienst und Vertrieb entfaltet KI ihren größten Nutzen als interner Assistent, nicht als autonomer Gesprächspartner. Mitarbeiter erhalten Antwortvorschläge, gleichen diese mit aktuellen Produktdaten ab und versenden sie im eigenen Namen. Wer Kunden ohne Vier-Augen-Prinzip direkt mit einer KI interagieren lässt, riskiert unhaltbare Preiszusagen oder Liefertermine, die kein Sprachmodell der Welt rechtlich absichern kann. Klare Spielregeln für Freigabepflichten müssen vor dem Produktivstart feststehen.
Der IT-Helpdesk im First-Level-Support ist ein klassischer Startpunkt für wiederkehrende Anfragen: Passwörter zurücksetzen, Standardprozeduren erläutern oder Handbücher heraussuchen. Administrative Aktionen wie das Vergeben von Zugriffsrechten oder Konfigurationsänderungen dürfen niemals auf bloßen automatischen KI-Vorschlag hin ohne menschliche Autorisierung erfolgen. Diese Grenze muss schriftlich fixiert sein, denn hier wird ein Fehler unmittelbar zum Sicherheitsvorfall.
6. Produktion und Instandhaltung: Die besonderen Rahmenbedingungen
In der Produktion hilft KI beim Durchsuchen von technischen Dokumentationen, Schaltplänen und Störungshistorien sowie beim Strukturieren von Wartungsberichten. Die Ausgangsdaten sind jedoch oft fragmentiert: heterogene Dateiformate, handschriftliche Übergabeprotokolle oder Maschinensensoren ohne zentrale Schnittstelle. Vor jeder Modelldiskussion muss geprüft werden, ob diese Daten überhaupt digital vorliegen, aktuell sind und gepflegt werden. Oft ist die Konsolidierung dieser Dokumente das eigentliche Vorprojekt.
Erhebliche Risiken entstehen, wenn KI Handlungsanweisungen für Maschineneingriffe oder Sicherheitsabläufe formuliert. Eine fehlerhafte Anweisung kann zu Sachschäden oder Personenschäden führen. Jeder generierte Vorschlag muss lückenlos auf das offizielle Freigabedokument verweisen, und kein Anlagenstopp oder Eingriff darf allein auf KI-Texten basieren. Das System dient als Recherchehilfe – die Verantwortung für die Ausführung verbleibt stets beim Facharbeiter.
7. Übergreifende Risiken: Personendaten, Kontrollen und Verantwortlichkeiten
Praktisch jeder Anwendungsfall berührt personenbezogene Daten, selbst wenn es sich scheinbar um reinen Fließtext handelt. Die DSGVO verlangt Klarheit darüber, welche Daten einfließen, auf welcher Rechtsgrundlage dies geschieht, wie lange sie gespeichert werden und wer Zugriff hat. Verwendet ein externer Anbieter eingegebene Daten zur Verbesserung eigener Modelle, muss dies vertraglich ausgeschlossen werden. Speicherort und rechtmäßige Auskunftsrechte ausländischer Behörden sind getrennt zu betrachten und dürfen nicht ungeprüft vorausgesetzt werden.
Das zweite zentrale Risiko ist mangelnde Verantwortlichkeit. Fließen KI-generierte Ergebnisse in operative Entscheidungen ein, muss feststehen, wer die Verantwortung für das Resultat trägt. Jede Anwendung benötigt einen namentlich benannten Owner, definierte menschliche Prüfschritte und eine lückenlose Nachvollziehbarkeit. Fehlen diese drei Faktoren, ist der Anwendungsfall nicht reif für den Betrieb – unabhängig von der Qualität des Modells. Kläre mit einer Rechtsberatung, welche Vorgaben des EU AI Acts für dein Vorhaben greifen.
8. Die vertiefenden Leitfäden der Reihe und wo du ansetzt
Die Detail-Leitfäden dieser Reihe beantworten die konkreten Fragestellungen, die sich aus der Landkarte ergeben. Du musst sie nicht der Reihe nach durcharbeiten: Wähle den Fachbereich, in dem Ineffizienzen am drängendsten sind, und starte dort. Jeder Leitfaden folgt derselben Methodik: Prozessanalyse, Datenanforderungen, menschliche Kontrollschleife und ein erster kontrollierter Testlauf. Die Themen gliedern sich wie folgt:
- Einkauf: Wie Angebote und Lieferantenverträge verglichen werden, ohne Klauseln zu übersehen.
- Finanz- und Rechnungswesen: Wie Belege vor der Buchung automatisiert geprüft werden.
- Kundenservice: Wie ein interner Assistent für Service-Mitarbeiter aufgebaut wird.
- Personalwesen: Wie Fragen zu Richtlinien und Onboarding verlässlich beantwortet werden.
- Rechtsabteilung: Welche Aufgaben delegiert werden können und was dem Juristen vorbehalten bleibt.
- Vertrieb: Wie Angebote und Antworten auf Kundenanfragen strukturiert vorbereitet werden.
- IT-Helpdesk: Wie der First-Level-Support bei Routineaufgaben entlastet wird.
- Produktion und Wartung: Was mit Handbüchern und Maschinendaten realistisch machbar ist.
- Bewertungsbogen: Wie Anwendungsfälle vor der Entscheidung objektiv verglichen werden.
9. Wie du startest: Ein einziger, messbarer Anwendungsfall
Der erste Schritt für diese Woche: Wähle genau einen Use Case aus und formuliere ihn in einem einzigen Satz: Wer nutzt das System, für welches konkrete Dokument und um welches messbare Ergebnis zu erzielen? Lässt sich das Vorhaben nicht einfach beschreiben, ist es zu weit gefasst. Grenze es so weit ein, dass ein Abteilungsleiter den Ablauf in wenigen Minuten skizzieren kann, und lies den entsprechenden Fachleitfaden, bevor du Projektanträge schreibst.
Definiere anschließend ein klares Erfolgskriterium. Das kann die Bearbeitungszeit pro Beleg sein, die Quote notwendiger manueller Korrekturen oder der Anteil erkannter Abweichungen im Vier-Augen-Test. Der Schwellenwert muss gemeinsam mit den Mitarbeitern festgelegt werden, die den Prozess täglich durchführen. Ein Testlauf ohne definiertes Messkriterium endet unweigerlich mit der trügerischen Annahme, alles sei gut gelaufen – ohne jeglichen Erkenntnisgewinn.
Häufig gestellte Fragen
Mit welcher Abteilung sollte man starten?
Am besten in einem Bereich mit standardisierten Routineaufgaben, vorliegenden digitalen Textdokumenten und geringen Fehlerrisiken, bei denen Unstimmigkeiten auffallen, bevor sie Außenwirkung entfalten. Typische Startpunkte sind der interne Helpdesk, die Recherche in Verfahrensanweisungen oder die formale Belegprüfung. Entscheidend ist nicht die Technologiebegeisterung, sondern ein klar messbares Problem und ein Fachverantwortlicher, der die Ergebnisse prüft.
Benötigen wir für jede Abteilung ein separates KI-Projekt?
Nein. Viele Fachbereiche können dieselbe Plattform und gemeinsame Governance-Regeln nutzen. Es empfiehlt sich, zuerst unternehmensweite Vorgaben für Datenschutz, Verantwortlichkeiten und Freigabeprozesse aufzusetzen und danach die einzelnen Use Cases anzudocken. Das verhindert einen Wildwuchs inkompatibler Insellösungen. Nur bei hochsensiblen Daten, wie im Personal- oder Gesundheitsbereich, ist eine gesonderte Risikoanalyse erforderlich.
Darf KI Entscheidungen über Personal treffen, etwa im Recruiting?
Niemals ohne umfassende Prüfung und menschliche Endentscheidung. Systeme, die Bewerber bewerten oder Personalentscheidungen beeinflussen, verarbeiten sensible Personendaten und fallen unter die strengen Vorgaben für Hochrisiko-KI nach der europäischen KI-Verordnung. Manche Praktiken sind gänzlich verboten. Eine nachvollziehbare menschliche Letztentscheidung, Transparenz und die Abstimmung mit Betriebsrat und Datenschutzbeauftragtem sind zwingend geboten.
Was kostet die Erstellung einer Use-Case-Landkarte?
Die Kosten hängen von der Anzahl der Abteilungen, der Verfügbarkeit von Prozessexperten und dem Einsatz externer Berater ab. Ein Pauschalpreis vor Abgrenzung des Analysebereichs ist unseriös. Beauftrage den Dienstleister zunächst mit einer eng umgrenzten Vorstudie für ausgewählte Kernprozesse mit schriftlichem Ergebnisbericht und bewerte die Qualität, bevor weitere Bereiche analysiert werden.
Landen Unternehmensdaten im Training externer Modelle?
Das hängt vom jeweiligen Dienst und den Vertragsbedingungen ab. Einige Anbieter nutzen Kundendaten per Standardeinstellung für Modelltrainings, andere schließen dies vertraglich explizit aus. Verlasse dich nicht auf Marketingversprechen: Verlange schriftliche Garantien bezüglich Datenspeicherung, Löschfristen, Zugriffsbeschränkungen und Trainingsausschluss. Der physische Speicherort und der Zugriff durch Dritte sind getrennt zu bewerten.
Was unterscheidet generative KI von klassischer Automatisierung?
Klassische Automatisierung folgt starren Wenn-Dann-Regeln und arbeitet deterministisch. Generative KI interpretiert natürliche Sprache, formuliert Texte und aggregiert Inhalte, kann jedoch unvorhersehbare Fehler machen. Menschliche Kontrollen sind daher unerlässlich. Erfolgreiche Projekte kombinieren beide Welten: feste Regeln für strukturierte Abläufe und KI-Unterstützung dort, wo Dokumente inhaltlich interpretiert werden müssen.