KI Use Case entwickeln: Problem zuerst denken

KI ist in vielen KMU angekommen. Erste Tools wurden getestet, einzelne Ideen kursieren bereits, und oft steht die Frage im Raum, wo ein sinnvoller Einstieg liegt. Genau hier entstehen jedoch viele Fehlstarts: Nicht das Problem steht am Anfang, sondern die Technologie.

Wer einen KI Use Case entwickeln will, braucht zuerst Klarheit über das geschäftliche Anliegen. Welche Reibung entsteht heute im Prozess? Wo verlieren Mitarbeitende Zeit? Wo warten Kundinnen und Kunden unnötig lange? Welche Abläufe sind fehleranfällig, repetitiv oder schwer skalierbar? Erst wenn diese Fragen sauber beantwortet sind, lässt sich beurteilen, ob KI überhaupt der richtige Hebel ist.

Für Schweizer KMU ist dieser problemorientierte Ansatz besonders wichtig. Ressourcen für Experimente sind meist begrenzt, und jede Initiative muss sich im Alltag bewähren. Gute KI-Use-Cases entstehen deshalb nicht aus technischer Neugier, sondern aus konkreten Geschäftsproblemen, Kundenbedürfnissen und einem erkennbaren Wertbeitrag.

Warum viele KI-Initiativen am falschen Ausgangspunkt starten

In der Praxis beginnen viele Vorhaben mit einer naheliegenden, aber ungünstigen Frage: Welches KI-Tool könnte nützlich sein? Diese Sicht führt schnell in die falsche Richtung. Denn wer zuerst nach einer Lösung sucht, ohne das Problem präzise zu beschreiben, sammelt Ideen, aber keine Prioritäten.

Typische Fehlmuster sind in KMU gut sichtbar:

• Es wird nach einem Tool gesucht, bevor klar ist, welcher Prozess verbessert werden soll.

• Einzelne Mitarbeitende oder Führungskräfte sind von einer Technologie überzeugt, ohne dass Nutzen, Aufwand und Relevanz eingeordnet wurden.

• Es entstehen Pilotprojekte, die zwar interessant wirken, aber keinen messbaren Beitrag im Tagesgeschäft leisten.

• KI wird dort diskutiert, wo Sichtbarkeit hoch ist, nicht dort, wo Reibungsverluste tatsächlich Kosten oder Verzögerungen verursachen.

Das Problem ist nicht die Technologie selbst. Das Problem ist ein Technologie-first-Ansatz, bei dem der geschäftliche Kontext zu spät kommt. So entstehen Lösungen für Fragen, die im Unternehmen gar nicht prioritär sind.

Ein einfaches Beispiel: Ein KMU plant einen Chatbot für die Website, weil KI im Kundenservice naheliegend erscheint. Gleichzeitig bearbeitet das Innendienst-Team täglich Dutzende E-Mails mit wiederkehrenden Anfragen, Offertunterlagen und Rückfragen zu Dokumenten. Der Chatbot wirkt modern, löst aber unter Umständen das kleinere Problem. Die eigentliche Entlastung läge vielleicht in der strukturierten Vorqualifizierung und Zuordnung eingehender Anfragen im bestehenden Prozess.

Ein guter KI Use Case beginnt deshalb nicht mit der Frage, was technologisch möglich ist, sondern mit der Frage, wo heute konkret Reibung entsteht. Erst danach folgt die Prüfung, ob KI einen sinnvollen Beitrag leisten kann.

Was einen guten KI-Use-Case wirklich ausmacht

Ein tragfähiger KI-Use-Case verbindet vier Elemente: ein reales Problem, einen klaren Prozess, einen erkennbaren Nutzen und eine machbare Umsetzung im KMU-Kontext.

Entscheidend ist nicht, wie anspruchsvoll oder innovativ eine Idee klingt. Entscheidend ist, ob sie in einem relevanten Prozess ansetzt und dort einen konkreten Unterschied macht. Relevanz geht vor Komplexität.

Ein guter Anwendungsfall hat in der Regel folgende Merkmale:

• Das zugrunde liegende Problem ist konkret beschreibbar.

• Der betroffene Prozess ist bekannt und wiederkehrend.

• Der Aufwand oder die Reibung im heutigen Ablauf ist sichtbar.

• Der erwartete Nutzen ist nachvollziehbar, zum Beispiel Zeitgewinn, höhere Qualität, schnellere Reaktion oder weniger Fehler.

• Die Umsetzung passt zur Grösse, Datenlage und Prozessreife des Unternehmens.

Weniger geeignet sind Ideen, die nur lose mit dem Geschäft zusammenhängen oder deren Nutzen unklar bleibt. Wenn niemand präzise erklären kann, wer entlastet wird, welcher Schritt verbessert wird und woran Erfolg erkennbar wäre, ist meist noch kein belastbarer Use Case vorhanden.

Im KMU-Umfeld bewähren sich vor allem Anwendungsfälle, die an bestehenden Abläufen anknüpfen. KI ersetzt keine unklaren Prozesse. Im Gegenteil: Auf klaren Prozessen funktioniert KI deutlich besser. Wenn Rollen, Abläufe oder Qualitätsanforderungen nicht geklärt sind, überträgt sich diese Unklarheit direkt in die Anwendung.

Wer KI im KMU sinnvoll einsetzen will, sollte deshalb nicht zuerst nach maximaler Automatisierung suchen, sondern nach einem klar begrenzten Einsatzbereich mit erkennbarem Nutzen.

Welche Probleme sich für KI im KMU besonders eignen

Sinnvolle KI-Ideen finden sich meist dort, wo Mitarbeitende regelmässig mit hohem Suchaufwand, Wiederholungen, Medienbrüchen oder grossen Informationsmengen konfrontiert sind. Besonders interessant sind Prozesse, die häufig vorkommen und trotzdem manuell geprägt sind.

Kundenprozesse und Service

Viele KMU haben wiederkehrende Kundenanfragen zu Produkten, Lieferstatus, Offerten, Dokumenten oder Reklamationen. Wenn diese Anfragen jedes Mal neu gelesen, weitergeleitet, klassifiziert oder beantwortet werden müssen, entsteht Aufwand.

Geeignete Ansatzpunkte sind zum Beispiel:

• Vorsortierung und Kategorisierung eingehender E-Mails

• Erkennen wiederkehrender Anliegen im Kundendienst

• Unterstützung bei der Zusammenstellung von Antworten auf Standardfragen

• Strukturierte Aufbereitung von Anfragen für Verkauf oder Service

Hier liegt der Nutzen oft nicht in vollständiger Automatisierung, sondern in schnellerer Bearbeitung und besserer Priorisierung.

Administration und Dokumentenprozesse

In vielen Unternehmen ist Information vorhanden, aber schwer zugänglich. Verträge, Formulare, Protokolle, Offerten, technische Dokumente oder Lieferantenunterlagen liegen in verschiedenen Formaten und Ablagen.

Gute KI Use Cases entstehen dort, wo grosse Mengen an Texten oder Dokumenten immer wieder manuell durchsucht, geprüft oder sortiert werden. Beispiele:

• Klassifizierung von Dokumenten nach Typ oder Inhalt

• Extraktion relevanter Informationen aus Formularen oder PDFs

• Zusammenfassung längerer Unterlagen für interne Bearbeitung

• Erkennen fehlender Angaben in standardisierten Dokumenten

Operations und interne Abläufe

Auch in operativen Prozessen gibt es oft repetitive Informationsarbeit. Das betrifft nicht nur Produktion oder Logistik, sondern auch Planung, Disposition, Qualitätsmanagement oder interne Abstimmungen.

Typische Ansatzpunkte sind:

• Auswertung wiederkehrender Störungsmeldungen

• Unterstützung bei der Priorisierung von Aufgaben oder Fällen

• Erkennen von Mustern in Service- oder Qualitätsdaten

• Reduktion manueller Übertragungen zwischen Systemen und Dokumenten

Verkauf und Angebotsprozesse

Im Verkauf entsteht Reibung häufig dort, wo Informationen aus Anfragen, Lastenheften oder Kundendokumenten erst manuell verdichtet werden müssen. Ein möglicher KI-Einsatz liegt nicht im Ersetzen des Vertriebs, sondern in der Vorbereitung.

Beispiele:

• Vorstrukturierung eingehender Anfragen

• Extraktion relevanter Anforderungen aus Kundendokumenten

• Unterstützung bei der Erstellung standardisierter Angebotsbausteine

• Vergleich ähnlicher früherer Fälle als Entscheidungsgrundlage

Wichtig ist immer der Bezug zur Wertschöpfung. Eine gute Idee spart nicht nur intern Zeit, sondern verbessert idealerweise auch Reaktionsgeschwindigkeit, Qualität oder Verlässlichkeit gegenüber Kundinnen und Kunden.

So erkennen Sie Reibungsverluste und Prozessbrüche in der Praxis

Viele sinnvolle Anwendungsfälle werden nicht in Workshops mit grossen Visionen gefunden, sondern im genauen Blick auf den Alltag. Wer KI Ideen finden will, sollte dort ansetzen, wo Prozesse stocken, Informationen verloren gehen oder Arbeit unnötig mehrfach anfällt.

Ein praxistauglicher Ausgangspunkt ist die Beobachtung konkreter Abläufe. Nicht auf hoher Abstraktionsebene, sondern entlang einzelner Schritte.

Hilfreiche Leitfragen sind:

• Wo entstehen regelmässig Wartezeiten?

• Wo müssen Mitarbeitende Rückfragen stellen, weil Informationen unvollständig oder unklar sind?

• Wo werden Daten manuell von einem System oder Dokument ins nächste übertragen?

• Wo wird häufig gesucht statt gearbeitet?

• Wo treten Medienbrüche auf, etwa zwischen E-Mail, Excel, PDF und ERP?

• Wo entstehen Fehler, weil Informationen unterschiedlich erfasst oder interpretiert werden?

• Wo gibt es Doppelspurigkeiten im Team?

• Wo müssen ähnliche Entscheidungen immer wieder neu vorbereitet werden?

Solche Reibungsverluste sind oft unspektakulär, aber teuer. Sie kosten Zeit, verzögern Abläufe und binden Fachkräfte an Aufgaben, die wenig Wertschöpfung erzeugen.

Ein einfaches Vorgehen in der Praxis:

1. Einen konkreten Prozess auswählen

Nicht das ganze Unternehmen analysieren, sondern einen relevanten Ablauf mit sichtbarer Belastung. Zum Beispiel die Bearbeitung von Kundenanfragen, die Prüfung von Lieferantendokumenten oder die Erstellung von Offerten.

2. Den Ist-Ablauf Schritt für Schritt beschreiben

Wer macht was, in welcher Reihenfolge, mit welchen Informationen und in welchen Systemen? Bereits diese Sicht schafft oft Transparenz.

3. Reibungspunkte markieren

Wo stockt der Ablauf? Wo braucht es manuelle Zwischenschritte? Wo ist Qualität stark von Einzelpersonen abhängig?

4. Aufwand und Wirkung einschätzen

Wie häufig tritt das Problem auf? Wie viele Personen sind betroffen? Welche Folgen entstehen für Kunden, Durchlaufzeit oder Fehlerquote?

5. Erst dann über KI sprechen

Wenn klar ist, wo die Reibung liegt, lässt sich prüfen, ob KI zur Erkennung, Strukturierung, Klassifizierung, Zusammenfassung oder Entscheidungsunterstützung beitragen kann.

Dieser Zugang ist bewusst nüchtern. Prozessnähe ist wichtiger als Innovationsrhetorik. Für weitere Beiträge rund um Digitalisierung, Prozesse und Priorisierung bietet das Praxiswissen von Swiss Process Solutions zusätzliche Orientierung.

Vom Problem zum Business Case: So wird eine KI-Idee priorisierbar

Nicht jedes erkennbare Problem ist automatisch ein guter Startpunkt. Zwischen einer interessanten Idee und einem tragfähigen KI Business Case liegt eine wichtige Zwischenfrage: Lohnt sich der Einsatz in diesem Fall tatsächlich?

Für die Priorisierung helfen einige einfache Kriterien, die auch ohne komplexe Wirtschaftlichkeitsmodelle anwendbar sind.

Häufigkeit des Problems

Ein Problem, das täglich oder mehrmals pro Woche auftritt, ist meist relevanter als ein Sonderfall. Wiederkehrung ist ein starkes Signal für Priorität.

Zeit- und Ressourcenaufwand

Wie viel Aufwand verursacht der heutige Ablauf? Nicht nur pro Fall, sondern über den Monat oder das Jahr betrachtet. Kleine Verzögerungen summieren sich schnell.

Kosten und Fehlerfolgen

Manche Reibungsverluste kosten direkt Geld, andere verursachen Nacharbeit, Qualitätsprobleme oder Verzögerungen in Folgeprozessen. Auch das ist Teil des Wertbeitrags.

Wirkung auf Kundinnen und Kunden

Verbessert die Idee Reaktionszeit, Verlässlichkeit oder Transparenz? Gerade in KMU ist Kundennähe ein starkes Kriterium für Priorisierung.

Entlastung im Team

Wo Fachkräfte durch repetitive Informationsarbeit gebunden sind, kann Unterstützung besonders wertvoll sein. Nicht weil Personal ersetzt werden soll, sondern weil Kapazität für anspruchsvollere Aufgaben frei wird.

Umsetzbarkeit

Gibt es genügend strukturierte Abläufe, nachvollziehbare Datenquellen und klar definierte Verantwortlichkeiten? Eine gute Idee mit sehr unklarer Ausgangslage kann für einen späteren Zeitpunkt sinnvoller sein als ein kleinerer, aber rasch realisierbarer Use Case.

Ein priorisierbarer Anwendungsfall braucht also nicht nur ein Problem, sondern einen erkennbaren Wertbeitrag. Wer diese Einordnung vertiefen möchte, findet in der Beratung und Analyse einen passenden Ansatz zur strukturierten Bewertung von Prozess- und Digitalisierungsthemen.

Gute und schlechte KI-Ideen im Vergleich

Der Unterschied zwischen belastbaren und schwachen KI-Ideen zeigt sich selten an der Technologie. Er zeigt sich am Problembezug.

Beispiel 1: Kundenservice

Gut: Eingehende Kundenanfragen werden automatisch nach Anliegen, Dringlichkeit und zuständigem Bereich vorstrukturiert. Das Team spart Zeit bei der Triage, und Anfragen werden schneller bearbeitet.

Schlecht: Ein Chatbot wird eingeführt, obwohl auf der Website nur wenig Interaktion stattfindet und der grösste Aufwand tatsächlich in der internen E-Mail-Bearbeitung liegt.

Der erste Fall hat ein klares Volumen, einen definierten Prozess und einen sichtbaren Nutzen. Der zweite Fall wirkt modern, adressiert aber womöglich nicht den grössten Engpass.

Beispiel 2: Dokumentenbearbeitung

Gut: Wiederkehrende Lieferanten- oder Vertragsdokumente werden klassifiziert und relevante Inhalte für die Bearbeitung hervorgehoben. Das reduziert Suchaufwand und verbessert die Konsistenz.

Schlecht: KI wird getestet, um «irgendetwas mit Dokumenten» zu machen, ohne klaren Anwendungsfall, Verantwortlichkeit oder Qualitätskriterium.

Hier ist nicht die Idee Dokumente an sich falsch, sondern die fehlende Problemdefinition.

Beispiel 3: Verkauf

Gut: Umfangreiche Kundenanfragen oder Ausschreibungsunterlagen werden voranalysiert, damit der Vertrieb schneller erkennt, welche Anforderungen relevant sind und welche Informationen noch fehlen.

Schlecht: Es wird eine allgemeine KI-Lösung für den Verkauf gesucht, ohne zu definieren, wo im Angebotsprozess tatsächlich Verzögerungen oder Verluste entstehen.

Auch hier gilt: Ein enger, klarer Einsatzbereich ist oft wertvoller als eine breit formulierte Vision.

Beispiel 4: Interne Entscheidungsunterstützung

Gut: Wiederkehrende Störungsmeldungen oder Servicefälle werden strukturiert ausgewertet, damit Muster sichtbar und Prioritäten besser gesetzt werden können.

Schlecht: KI wird als Experiment eingeführt, weil «Daten vorhanden sind», ohne dass eine konkrete Entscheidung oder Prozessverbesserung damit verbunden ist.

Gute KI-Ideen sind also nicht zwingend spektakulär. Sie sind präzise, prozessnah und nützlich.

Leitfragen, mit denen Schweizer KMU KI-Use-Cases sauber entwickeln

Wer einen KI Use Case entwickeln möchte, braucht kein umfangreiches Framework. Oft reicht ein kurzer Fragenkatalog, um Ideen sauber zu prüfen und voneinander zu unterscheiden.

Die folgenden Leitfragen helfen bei der Einordnung:

• Welches konkrete Problem löst die Idee?

• In welchem Prozess tritt dieses Problem auf?

• Wer ist davon betroffen: Kundschaft, Mitarbeitende oder beide?

• Wie häufig tritt das Problem auf?

• Welche Reibung entsteht heute dadurch?

• Wie wird das Problem derzeit gelöst?

• Wo liegt der grösste Aufwand: Suchen, Lesen, Zuordnen, Übertragen, Prüfen oder Entscheiden?

• Woran wäre eine Verbesserung erkennbar?

• Welche Daten, Dokumente oder Prozessschritte sind bereits vorhanden?

• Ist der Ablauf stabil genug, damit eine Unterstützung überhaupt sinnvoll ist?

• Entsteht ein realistischer Mehrwert im Verhältnis zum Aufwand?

Diese Fragen haben einen wichtigen Nebeneffekt: Sie trennen vage Ideen von belastbaren Ansätzen. Wenn mehrere Fragen offen bleiben, ist meist nicht die Technologie das Problem, sondern die noch fehlende Problemklarheit.

Gerade im Mittelstand ist das wertvoll. Denn nicht jede gute Idee muss sofort umgesetzt werden. Oft ist es sinnvoller, wenige Anwendungsfälle mit hohem Nutzen sauber zu priorisieren, statt viele lose Einfälle parallel zu verfolgen.

Den eigenen Anwendungsfall strukturiert prüfen

Erfolgreiche KI-Vorhaben beginnen selten mit der Suche nach dem besten Tool. Sie beginnen mit einem klar verstandenen Problem, einem relevanten Prozess und einer nüchternen Einschätzung des Nutzens. Genau daraus entstehen tragfähige Entscheidungen.

Wer einen ersten Anwendungsfall einordnen möchte, sollte deshalb nicht bei der Technologie stehen bleiben. Eine strukturierte Ersteinschätzung hilft, aus einer Idee einen priorisierbaren Use Case zu machen und die nächsten Schritte besser zu bestimmen.

Dafür eignet sich der Selbstcheck von Swiss Process Solutions als einfacher Einstieg. Er unterstützt dabei, einen möglichen KI-Use-Case entlang von Problem, Nutzen und Umsetzbarkeit zu prüfen. So lässt sich fundierter beurteilen, ob aus einer Idee ein sinnvoller nächster Schritt für das eigene KMU wird.

Häufig gestellte Fragen

Woran erkennen Schweizer KMU, ob eine KI-Idee wirklich ein gutes Problem löst?

Eine gute KI-Idee setzt an einem konkreten, wiederkehrenden Problem an. Erkennbar ist das daran, dass der betroffene Prozess benannt werden kann, die heutige Reibung sichtbar ist und ein realistischer Nutzen beschrieben werden kann. Wenn klar ist, wer profitiert, wie oft das Problem auftritt und woran Verbesserung messbar wäre, liegt meist ein solider Ausgangspunkt vor.

Wie findet man im Unternehmen passende KI-Use-Cases, ohne zuerst ein Tool auszuwählen?

Der sinnvollste Weg führt über Prozesse, nicht über Produkte. Zuerst werden Abläufe betrachtet, in denen Wartezeiten, Suchaufwand, Medienbrüche, Rückfragen oder manuelle Übertragungen häufig vorkommen. Daraus lassen sich Probleme ableiten, die sich für einen KI-Einsatz eignen könnten. Erst danach wird geprüft, welche Art von Lösung sinnvoll ist.

Welche internen Prozesse eignen sich besonders gut für einen KI-Start im KMU?

Besonders geeignet sind Prozesse mit hohem Wiederholungsgrad und viel Informationsarbeit. Dazu gehören etwa die Bearbeitung von Kundenanfragen, Dokumentenklassifizierung, Offertvorbereitung, interne Suche nach Informationen, Vorprüfung standardisierter Unterlagen oder die Auswertung wiederkehrender Meldungen. Wichtig ist ein klarer Prozess mit erkennbarem Aufwand.

Wie lässt sich der Nutzen eines KI-Use-Cases ohne komplexes Projekt sauber beurteilen?

Für eine erste Beurteilung reichen meist einfache Kriterien: Häufigkeit des Problems, heutiger Zeitaufwand, Fehlerfolgen, Kundenauswirkung, Entlastung im Team und grundsätzliche Umsetzbarkeit. Ein KI Business Case muss am Anfang nicht bis ins Detail gerechnet werden, sollte aber einen plausiblen Wertbeitrag erkennen lassen.

Warum scheitern viele KI-Vorhaben schon in der Ideenphase?

Viele Vorhaben scheitern, weil sie zu früh technologiegetrieben gestartet werden. Dann fehlt die Verbindung zu einem konkreten Geschäftsproblem. Die Folge sind unscharfe Zielbilder, unklare Erwartungen und Ideen ohne Priorität. Wenn Problem, Prozess und Nutzen nicht sauber beschrieben sind, bleibt auch der Anwendungsfall vage.

Wie konkret muss ein Problem sein, bevor sich ein KI-Use-Case lohnt?

So konkret, dass der betroffene Prozess, die heutige Reibung und der gewünschte Nutzen klar beschrieben werden können. Es muss nicht jede Kennzahl von Anfang an vorliegen. Aber es sollte nachvollziehbar sein, wo das Problem auftritt, wie es sich im Alltag zeigt und warum eine Verbesserung relevant wäre. Je klarer das Problem, desto besser lässt sich der passende KI-Einsatz beurteilen.