Wer KI im Unternehmen einführen will, stößt meist auf zwei unterschiedliche Ansätze: generische Listen möglicher Use Cases - oder groß angelegte Strategieprozesse, die Monate dauern und am Ende erstaunlich wenig Konkretes liefern. Beides hilft kleinen und mittleren Unternehmen nur begrenzt.

Die beste KI-Strategie lässt sich nicht billig bei der Konkurrenz abkupfern. Denn dann hat sie bereits gewonnen.

— Steven Broschart

Das folgende Verfahren setzt an einer anderen Stelle an. Es beginnt nicht mit einer Branchenliste, sondern mit dem konkreten Schmerzpunkt einer Organisation. Es übersetzt die Risikofragen aus meinem vorausgegangenen Essay in ein praktisches Vorgehen - wer trägt den Fehler, ist er sichtbar, ist er reversibel - ergänzt sie um eine vierte Dimension (Häufigkeit und Verteilung) und überführt sie in einen sequenziellen Prozess.

Das Ergebnis ist kein Strategiepapier, sondern eine konkrete Entscheidung:

Diese eine Aufgabe automatisieren wir jetzt - mit klaren Grenzen und nachvollziehbarem Risiko.

Eine Einordnung vorab: Dieser Text ist der dritte Teil einer kleinen Serie. In einem ersten Artikel habe ich die fünf Anwendungsfelder von KI im Unternehmen beschrieben - Automatisierung, Erkenntnisgewinnung, Entscheidungsunterstützung, Produktinnovation und kreative Generierung. Im zweiten Artikel stand die Risikofrage im Mittelpunkt: Nicht die Aufgabe selbst entscheidet über die Eignung für KI, sondern die Struktur des möglichen Fehlers.

Der vorliegende Text verbindet beides zu einem praktischen Verfahren - primär für das Feld der Automatisierung, weil dort die meisten Unternehmen tatsächlich in die KI-Transformation starten. Die anderen Felder folgen teilweise eigenen Logiken und würden andere Verfahren erfordern. Einige Grundprinzipien lassen sich jedoch übertragen.

Die Grundhaltung: Engpass vor Strategie

Bevor man über KI spricht, lohnt sich eine kurze Klärung der Grundhaltung.

Die meisten KI-Einführungsprogramme arbeiten top-down: Zuerst wird eine Strategie formuliert ("Wir wollen KI-getriebener werden"), daraus werden Handlungsfelder abgeleitet und daraus Pilotprojekte. Das Problem dieses Ansatzes: Die abstraktesten Ebenen werden zuerst entschieden - und genau dort entstehen später oft die teuersten Fehlannahmen.

Das folgende Verfahren arbeitet umgekehrt. Es beginnt bei einem konkreten Schmerzpunkt der Organisation: etwas, das jetzt nicht funktioniert, das Menschen im Unternehmen benennen können und das messbare Folgen hat.

Aus diesem einen Punkt wird eine einzelne, sauber geprüfte KI-Anwendung abgeleitet. Erst wenn diese funktioniert und organisatorisch akzeptiert ist, folgt der nächste Schritt.

Das ist langsamer als der Strategieworkshop verspricht. Aber es ist die einzige Geschwindigkeit, in der Organisationen tatsächlich lernen.

Schritt 1: Den Engpass identifizieren

Die erste Frage lautet nicht:

"Wo könnte KI helfen?"

sondern:

"Wo tut es weh?"

Der Unterschied ist erheblich. Die erste Frage produziert hypothetische Möglichkeiten. Die zweite liefert reale Probleme.

Ein guter Engpass besitzt drei Eigenschaften:

  • Spürbarkeit Mitarbeiter berichten unaufgefordert davon, Führungskräfte kennen ihn. Er taucht in Gesprächen, Beschwerden oder Überstunden auf.

  • Messbarkeit Durchlaufzeiten, Fehlerquoten, Beschwerden oder Verzögerungen lassen sich zumindest grob quantifizieren.

  • Organisatorische Isolierbarkeit Der Engpass gehört zu einem konkreten Prozess oder einer klar identifizierbaren Abteilung - nicht zu einer diffusen Gesamtproblematik.

Bei der Identifikation lohnt es sich ausdrücklich, nicht nur Führungskräfte zu befragen. Die Schmerzpunkte von Mitarbeitern sind oft präziser beschreibbar als strategische Sorgen des Managements - und genau dort lässt sich später realer Nutzen messen.

Ein kurzer Workshop reicht häufig bereits aus:

  • Welche Aufgaben erzeugen Frust?
  • Wo entstehen Verzögerungen?
  • Welche Tätigkeiten wirken repetitiv oder fehleranfällig?
  • Was würde im Alltag tatsächlich helfen?

Am Ende dieses Schritts steht genau ein Engpass. Nicht drei. Nicht fünf. Einer. Die Versuchung, mehrere Baustellen gleichzeitig anzugehen, ist groß - und fast immer falsch.

Schritt 2: Den Engpass in Teilaufgaben zerlegen

Ein identifizierter Engpass ist fast nie eine einzelne Aufgabe.

"Unser Vertriebsinnendienst ist überlastet" ist kein KI-Anwendungsfall, sondern eine Diagnose.

Im zweiten Schritt wird diese Diagnose zerlegt. Die Zerlegung folgt dem tatsächlichen Arbeitsablauf:

  • Was passiert konkret von Anfang bis Ende?
  • Welche Tätigkeiten wechseln sich ab?
  • Welche dauern besonders lange?
  • Wer führt sie aus?
  • Welche Entscheidungen werden getroffen?

Das Ergebnis ist meist eine Liste aus zehn bis fünfzehn Teilaufgaben. Genau hier scheitern viele KI-Initiativen. Sie identifizieren einen Engpass, setzen eine generische KI-Lösung darauf - und übersehen, dass der Engpass aus vielen unterschiedlichen Aufgaben besteht, von denen vielleicht nur zwei wirklich automatisierbar sind. Eine Pauschallösung adressiert das nicht.

Die Zerlegung dagegen zeigt:

  • wo tatsächlich Zeit verloren geht,
  • welche Aufgaben strukturell ähnlich sind,
  • und an welcher Stelle der eigentliche Hebel sitzt.

Ein interessanter Nebeneffekt wird dabei oft sichtbar: Selbst innerhalb eines vermeintlich klaren Automatisierungsfalls tauchen Teilaufgaben aus völlig unterschiedlichen KI-Anwendungsfeldern auf.

Beispiel:

  • Die Klassifizierung einer Anfrage ist Analyse.
  • Die Erstellung eines Angebotsentwurfs ist Generierung.
  • Die Priorisierung eines Folgekontakts ist Entscheidungsunterstützung.

Diese Unterschiede sind keine akademischen. Sie verändern die Risikostruktur der jeweiligen Aufgabe - und damit auch die Bewertung. Am Ende dieses Schritts steht eine möglichst konkrete Liste realer Arbeitsschritte, nicht theoretischer Funktionen.

Schritt 3: Jede Teilaufgabe gegen die vier Dimensionen prüfen

Jetzt wird jede Teilaufgabe einzeln bewertet. Die ersten drei Dimensionen stammen aus dem vorherigen Essay. Die vierte ergänzt sie um eine Frage, die in der Praxis oft entscheidend wird: Nicht nur ob Fehler entstehen, sondern wie sie sich verteilen.

Erste Dimension - Wer trägt die Verantwortung für Fehler?

Bleibt ein Fehler intern, ist das Risiko meist begrenzt. Die KI erstellt einen Vorschlag, ein Mensch prüft ihn vor der Weitergabe:

  • Zusammenfassungen,
  • Rechercheunterstützung,
  • erste Textentwürfe,
  • interne Vor-Klassifizierungen.

Hier bleibt der Fehler im Haus. Anders bei Aufgaben mit direkter Außenwirkung:

  • automatische Kundenantworten,
  • Preisentscheidungen,
  • rechtlich relevante Bewertungen,
  • automatisierte Freigaben.

Dort wird aus einem internen Fehler ein externes Risiko.

Zweite Dimension - Ist der Fehler sichtbar?

Das ist die subtilste und oft gefährlichste Dimension. Ein falscher Text wird beim Lesen sichtbar. Ein falsch klassifizierter Datensatz häufig nicht.

Wenn eine KI:

  • Anfragen priorisiert,
  • Dokumente filtert,
  • Leads sortiert,
  • oder Fälle kategorisiert,

dann sieht man nur, was bearbeitet wurde - nicht das, was übersehen wurde.

Was die KI zeigt, ist sichtbar. Was sie übergeht, bleibt unsichtbar.

Gerade Klassifizierungs- und Filteraufgaben besitzen deshalb eine besondere Fragilität: Ihre Fehler verschwinden oft geräuschlos im Prozess.

Dritte Dimension - Ist der Fehler reversibel?

Kann ein Fehler korrigiert werden, bevor reale Folgen entstehen? Ein schlechter Entwurf:

  • kann verworfen werden.

Eine automatisch versendete Nachricht:

  • nicht mehr.

Reversibilität ist deshalb ein zentrales Sicherheitsnetz. Je kürzer der Zeitraum zwischen KI-Ausgabe und realer Wirkung, desto riskanter wird die Aufgabe. Genau deshalb sind Echtzeit-Anwendungen oft problematisch:

  • Live-Chatbots,
  • automatische Antworten,
  • spontane Freigaben,
  • Echtzeit-Entscheidungen.

Sie kombinieren häufig:

  • externe Wirkung,
  • geringe Sichtbarkeit,
  • und niedrige Reversibilität.

Vierte Dimension - Wie verteilen sich die Fehler?

Eine 1%-Fehlerquote ist nicht automatisch harmlos. Entscheidend ist: Treffen die Fehler zufällig auf unterschiedliche Fälle - oder immer denselben Typ Problem? Wenn ein System:

  • zuverlässig alle Sonderfälle übersieht,
  • bestimmte Kundengruppen falsch priorisiert,
  • oder bei bestimmten Datenkonstellationen systematisch versagt,

dann entsteht kein statistisches Randproblem mehr, sondern ein struktureller blinder Fleck. Genau diese Frage wird in Strategieworkshops fast nie systematisch betrachtet.

Die eigentliche Bewertungslogik

Für jede Teilaufgabe wird grob eingeschätzt:

  • günstig,
  • problematisch
  • oder blockierend.

Dabei geht es ausdrücklich nicht um Punktesysteme oder Scoring-Modelle. Entscheidend ist die Kombination der Risiken. Eine Aufgabe mit einem problematischen Wert kann oft beherrschbar sein. Eine Aufgabe mit zwei oder mehr problematischen Dimensionen kippt meist ins Risiko. Besonders kritisch ist die Kombination:

externe Wirkung + geringe Sichtbarkeit.

Denn hier können Fehler:

  • nach außen wirken,
  • sich gleichzeitig akkumulieren,
  • und lange unentdeckt bleiben.

Schritt 4: Den sichersten Einstiegspunkt wählen

Die meisten KI-Strategien empfehlen:

Beginne mit dem größten Hebel.

Dieses Verfahren empfiehlt etwas anderes:

Beginne mit dem sichersten Profil.

Der Grund ist einfach: Organisationen müssen zuerst lernen, wie sich die Technologie im eigenen Kontext verhält. Eine Organisation, die mit einer hochriskanten Aufgabe startet, lernt meist nur, dass etwas schiefging. Eine Organisation, die mit einer gut kontrollierbaren Aufgabe beginnt, lernt dagegen:

  • wo Modelle Fehler machen,
  • wie Mitarbeiter reagieren,
  • welche Kontrollmechanismen funktionieren,
  • und welche organisatorischen Fragen entstehen.

Deshalb sind gute Einstiegsaufgaben meist:

  • intern,
  • sichtbar,
  • reversibel
  • und asynchron.

Typische Beispiele:

  • Recherchevorbereitung,
  • Textentwürfe,
  • Zusammenfassungen,
  • Vorklassifizierungen mit menschlicher Prüfung.

Sie wirken selten spektakulär. Aber sie erlauben Lernen ohne Kollateralschäden. Erst wenn diese ersten Anwendungen stabil funktionieren und organisatorisch akzeptiert sind, sollte die nächste Stufe folgen.

Das Verfahren am Beispiel eines Vertriebsinnendienstes

Ein Beispiel macht das Vorgehen konkreter.

Der Engpass

Der Vertriebsinnendienst eines mittelständischen Maschinenbauers ist überlastet.

  • Angebote dauern zu lange,
  • Kunden beschweren sich,
  • Mitarbeiter machen Überstunden.

Das Problem ist:

  • spürbar,
  • messbar
  • und organisatorisch klar zuordenbar.

Die Zerlegung

Was passiert konkret bei einer Anfrage?

  • E-Mail lesen
  • Anfrage klassifizieren
  • Kundenhistorie prüfen
  • technische Details recherchieren
  • frühere Angebote vergleichen
  • Angebotsentwurf erstellen
  • technische Prüfung einholen
  • korrigieren
  • versenden
  • CRM dokumentieren
  • Follow-up planen

Bereits hier zeigt sich: Der vermeintlich einfache Automatisierungsfall enthält:

  • Analyse,
  • Generierung
  • und Entscheidungsunterstützung.

Die Bewertung

Anfrageklassifizierung

  • intern
  • geringe Sichtbarkeit
  • hohe Reversibilität
  • problematische Fehlerverteilung

Bewertung: geeignet mit Stichprobenkontrolle.

Angebotsentwurf

  • intern
  • hohe Sichtbarkeit
  • hohe Reversibilität
  • unkritische Fehlerverteilung

Bewertung: idealer Einstiegspunkt.

Automatischer Versand

  • externe Wirkung
  • geringe Sichtbarkeit
  • geringe Reversibilität
  • kritische Fehlerfolgen

Bewertung: aktuell ungeeignet.

Das Beispiel zeigt: Der "große Wurf" - vollautomatische Bearbeitung - wäre genau die riskanteste Lösung.

Das Verfahren zwingt stattdessen zur Sequenz: erst kontrollierbare Aufgaben, dann schrittweise Erweiterung.

Weniger spektakulär. Aber deutlich robuster.

Was das Verfahren nicht leistet

Dieses Verfahren ersetzt:

  • keine technische Prüfung,
  • keine Datenschutzbewertung,
  • keine rechtliche Analyse,
  • und keine organisatorische Verantwortung.

Es liefert auch keine Garantie dafür, dass ein KI-Projekt erfolgreich wird.

Was es leistet, ist etwas anderes:

Es gibt einer Organisation einen sinnvollen ersten Schritt.

Und es zwingt dazu, die eigentliche Risikostruktur eines KI-Einsatzes explizit zu machen:

  • Wer trägt den Fehler?
  • Ist er sichtbar?
  • Ist er reversibel?
  • Und wie verteilt er sich?

Wer dieses Vorgehen ernst nimmt, wird häufig feststellen, dass große KI-Initiativen in mehrere kleinere Aufgaben zerfallen, die jeweils überprüfbar bleiben. Das ist kein Rückschritt. Es ist genau die Geschwindigkeit, in der Organisationen mit neuen Technologien tatsächlich produktiv werden - statt nur sichtbar modern zu wirken.