KI Use Cases bewerten für Schweizer KMU
KI ist in vielen Schweizer KMU längst ein Thema. Ideen entstehen oft schnell: automatische Beantwortung von Kundenanfragen, Unterstützung im Offertprozess, Auswertung von Dokumenten, Prognosen für Nachfrage oder Einkauf, Zusammenfassungen aus Protokollen oder Reports. Das Problem beginnt meist nicht bei der Ideenfindung, sondern bei der Priorisierung.
Denn nicht jede KI-Idee ist automatisch ein sinnvoller nächster Schritt. Manche klingen attraktiv, bringen aber wenig messbaren Nutzen. Andere versprechen Effizienz, scheitern jedoch an fehlenden Daten, unklaren Prozessen oder ungeklärten Verantwortlichkeiten. Wer KI Use Cases bewerten will, braucht deshalb keine abstrakte Zukunftsdebatte, sondern eine klare Entscheidungslogik für den Alltag.
Genau darum geht es in diesem Beitrag: Wie sich KI-Ideen so beurteilen lassen, dass Investitionen auf Anwendungsfälle fokussiert werden, die wirtschaftlich relevant, praktisch umsetzbar und verantwortbar sind.
Warum viele KI-Ideen gut klingen, aber nicht automatisch sinnvoll sind
Die Ausgangslage ist in vielen KMU ähnlich. Erste Tools wurden getestet, einzelne Fachbereiche bringen Ideen ein, Führungskräfte sehen Potenzial, und gleichzeitig fehlt eine saubere Grundlage für Entscheidungen. So entsteht schnell eine Liste mit möglichen KI-Anwendungen, aber noch keine Priorisierung.
Der zentrale Unterschied liegt zwischen einer spannenden Idee und einem tragfähigen Use Case. Eine Idee lautet zum Beispiel: «Wir könnten KI im Kundendienst einsetzen.» Ein belastbarer Use Case beschreibt deutlich genauer, welches Problem gelöst werden soll, in welchem Prozess die Anwendung eingesetzt wird, wer betroffen ist und woran der Nutzen gemessen werden kann.
Typische Stolpersteine in dieser frühen Phase:
Das Problem ist noch zu unscharf formuliert.
Der erwartete Nutzen ist eher allgemein als konkret.
Der bestehende Prozess ist selbst noch uneinheitlich oder stark von Einzelpersonen abhängig.
Daten sind vorhanden, aber nicht konsistent, nicht zugänglich oder nicht geeignet.
Es wird angenommen, dass KI automatisch mehr bringt als eine einfachere Automatisierung.
Gerade der letzte Punkt ist wichtig. Nicht jede Verbesserung braucht KI. Wenn ein Prozess durch klare Regeln, Standardisierung oder klassische Automatisierung bereits effizienter wird, ist das oft der bessere Start. KI entfaltet ihren Nutzen vor allem dort, wo Informationen interpretiert, Muster erkannt, Inhalte verarbeitet oder Entscheidungen unterstützt werden sollen und wo regelbasierte Ansätze an Grenzen stossen.
Hinzu kommt der Hype-Effekt. Manche Anwendungsfälle wirken auf den ersten Blick strategisch, weil sie modern erscheinen oder oft diskutiert werden. Das ersetzt aber keine Bewertung. Ein Use Case ist nicht deshalb sinnvoll, weil KI darin grundsätzlich möglich wäre, sondern weil er im konkreten Unternehmen einen nachvollziehbaren Mehrwert bei vertretbarem Aufwand und Risiko schafft.
KI Use Cases bewerten: die zentrale Logik zwischen Business Value und Machbarkeit
Eine praxistaugliche Bewertung beginnt mit zwei einfachen Fragen:
Wie hoch ist der geschäftliche Nutzen?
Wie realistisch ist die Umsetzung?
Diese Gegenüberstellung von Business Value und Machbarkeit ist der Kern jeder sinnvollen Priorisierung. Ein Use Case mit grosser Wirkung, aber sehr schwacher Umsetzbarkeit, ist selten ein guter Startpunkt. Umgekehrt ist ein technisch leicht umsetzbarer Fall ohne echten Nutzen ebenfalls keine Priorität.
Eine einfache Logik kann so aussehen:
Hoher Nutzen, hohe Machbarkeit: gute Kandidaten für die Priorisierung
Hoher Nutzen, geringe Machbarkeit: vertiefen, aber zuerst Hürden klären
Geringer Nutzen, hohe Machbarkeit: nur dann sinnvoll, wenn der Aufwand sehr klein ist
Geringer Nutzen, geringe Machbarkeit: verwerfen oder zurückstellen
Wichtig ist: Diese Einordnung ist keine Wunschliste und auch kein rein technischer Entscheid. Sie verbindet geschäftliche, operative und organisatorische Sichtweisen. Genau dort liegt der Unterschied zwischen einer losen Ideensammlung und einer belastbaren Entscheidungsgrundlage.
Was gehört zum Business Value? Zum Beispiel:
Zeitersparnis in einem relevanten Prozess
geringere Fehlerquote
schnellere Durchlaufzeiten
höhere Servicequalität
bessere Planbarkeit
Entlastung von Fachpersonen bei wiederkehrenden Aufgaben
geringere Risiken oder bessere Compliance
Was gehört zur Machbarkeit? Zum Beispiel:
ausreichende Datenbasis
ein klar beschriebener Prozess
realistische Integration in den Arbeitsalltag
vorhandene interne Ressourcen
tragbarer technischer und organisatorischer Aufwand
überschaubare Risiken im Betrieb
Eine solche Logik lässt sich gut mit wenigen sauber beschriebenen Use Cases anwenden. Das ist für KMU oft sinnvoller als komplexe Scoring-Modelle. Entscheidend ist nicht, ob die Bewertung auf zwei Nachkommastellen genau ist, sondern ob die Kriterien nachvollziehbar und vergleichbar sind.
Wer den Blick auf das Zusammenspiel von Prozessverbesserung, Automatisierung und KI vertiefen will, findet unter Automatisierung und KI den passenden fachlichen Kontext.
Welche Kriterien in die Bewertung gehören: Nutzen, Aufwand, Datenlage und Prozessreife
Damit KI-Ideen priorisiert werden können, müssen sie entlang konkreter Kriterien betrachtet werden. Vier Bereiche sind dabei besonders wichtig: Nutzen, Aufwand, Datenlage und Prozessreife.
1. Business Value: Welches Problem wird wirklich gelöst?
Der Nutzen eines Use Cases sollte nicht mit einer allgemeinen Hoffnung verwechselt werden. «Mehr Effizienz» reicht als Begründung nicht. Relevanter ist die Frage, wo heute konkret Reibung entsteht.
Beispiele für klar formulierten Nutzen:
Im Offertprozess gehen pro Woche mehrere Stunden für das manuelle Zusammenstellen ähnlicher Inhalte verloren.
Im Einkauf fehlen frühe Hinweise auf wiederkehrende Bedarfsänderungen.
Im Kundendienst müssen häufig ähnliche Anfragen aus unstrukturierten Informationen beantwortet werden.
In der Qualitätsprüfung werden Berichte aufwendig manuell gesichtet und zusammengefasst.
Ein guter Use Case macht sichtbar, wo Wertschöpfung oder Entlastung im Alltag entsteht. Dabei kann der Nutzen direkt finanziell sein, etwa durch geringere Bearbeitungszeit, oder indirekt, etwa durch bessere Qualität, schnellere Reaktion oder weniger Fehlerfolgen.
2. Umsetzungsaufwand: Was kostet nicht nur das Projekt, sondern auch den Betrieb?
Viele Bewertungen fokussieren zu stark auf Lizenzkosten oder die technische Einführung. In der Praxis ist der Aufwand breiter zu verstehen:
Abstimmung zwischen Fachbereich und IT
Aufbereitung und Bereinigung von Daten
Anpassung bestehender Abläufe
Schulung der betroffenen Mitarbeitenden
Qualitätssicherung
Betreuung und Weiterentwicklung im Betrieb
Ein Use Case mit gutem Nutzen kann an Attraktivität verlieren, wenn der operative Aufwand unverhältnismässig hoch ist. Umgekehrt kann ein kleiner, sauber abgegrenzter Anwendungsfall interessant sein, wenn er überschaubar eingeführt und schnell geprüft werden kann.
3. Datenqualität und Datenverfügbarkeit: Reicht die Grundlage überhaupt aus?
KI funktioniert nicht im luftleeren Raum. Wenn Daten fehlen, stark verteilt sind, uneinheitlich gepflegt werden oder keinen Bezug zum eigentlichen Problem haben, sinkt die Machbarkeit deutlich.
Wichtige Fragen sind:
Welche Daten braucht der Use Case konkret?
Sind diese Daten überhaupt vorhanden?
Sind sie zugänglich und in nutzbarer Form verfügbar?
Wie konsistent und aktuell sind sie?
Entsteht der Nutzen nur mit grossen Datenmengen oder bereits mit einem kleineren, gut abgegrenzten Datensatz?
Nicht jeder Anwendungsfall braucht riesige Datenbestände. Aber fast jeder sinnvolle KI-Use-Case braucht eine verlässliche und passende Datengrundlage. Wer diese Frage zu spät prüft, investiert schnell in Pilotprojekte ohne belastbare Basis.
4. Prozessreife: KI ersetzt keine unklaren Abläufe
Ein häufiger Denkfehler lautet: Wenn der bestehende Prozess mühsam ist, soll KI ihn richten. In der Realität funktioniert KI auf klaren Prozessen meist deutlich besser als auf chaotischen.
Wenn heute schon unklar ist,
wer welche Aufgabe übernimmt,
welche Qualitätskriterien gelten,
welche Ausnahmen häufig auftreten,
oder wo ein Prozess beginnt und endet,
dann wird eine KI-Lösung diese Unklarheit nicht beseitigen. Sie kann sie sogar verstärken.
Deshalb gehört zur Bewertung immer die Frage nach der Reife des Prozesses. Ein gut priorisierter Use Case baut idealerweise auf einem Prozess auf, der in seinen Grundzügen bereits verstanden und stabil genug ist. Das bedeutet nicht, dass alles perfekt dokumentiert sein muss. Aber der Ablauf sollte so klar sein, dass Nutzen, Eingaben, Entscheidungen und Ergebnisse nachvollziehbar bleiben.
Risiken, Compliance und Verantwortung früh prüfen
Ein Use Case ist erst dann tragfähig, wenn er nicht nur wirtschaftlich sinnvoll, sondern auch verantwortbar ist. Gerade bei KI werden Risiken oft zu spät betrachtet, obwohl sie für die Priorisierung entscheidend sind.
Zu den wichtigsten Prüfpunkten gehören Datenschutz, Vertraulichkeit und regulatorische Anforderungen. Wenn sensible Kundeninformationen, Personaldaten, technische Dokumente oder interne Entscheidungsgrundlagen verarbeitet werden, muss früh geklärt werden, was zulässig ist und welche Schutzmassnahmen nötig sind.
Ebenso wichtig sind die möglichen Fehlerfolgen. Nicht jeder Fehler ist gleich kritisch. Eine ungenaue Zusammenfassung eines internen Protokolls hat andere Konsequenzen als eine fehlerhafte Verarbeitung von Vertragsinhalten oder eine automatisierte Empfehlung mit Einfluss auf Preise, Qualität oder Sicherheit. Je grösser die Auswirkungen eines Fehlers, desto höher die Anforderungen an Prüfung, Absicherung und Freigabe.
Auch die Abhängigkeit von externen Anbietern gehört in die Bewertung. Relevante Fragen sind zum Beispiel:
Wo werden Daten verarbeitet und gespeichert?
Wie transparent ist der Betrieb der Lösung?
Wie stark bindet sich das Unternehmen an einen bestimmten Anbieter?
Welche Möglichkeiten bestehen bei Änderungen von Preisen, Funktionen oder Bedingungen?
Dazu kommen Sicherheits- und Reputationsrisiken. Ein Use Case kann technisch machbar sein und trotzdem zu heikel, wenn falsche Ausgaben direkt nach aussen gelangen oder wenn sensible Informationen ungenügend geschützt wären.
Wichtig ist auch die betriebliche Verantwortung. Wer entscheidet im Alltag bei Fehlern, Ausnahmen oder Grenzfällen? Wer überwacht Qualität und Nutzung? Wer trägt die fachliche Verantwortung, wenn Ergebnisse der KI in einen Prozess einfliessen?
Compliance und Risiko sind damit keine reine IT-Frage. Sie betreffen Fachbereiche, Führung, Datenschutz, Prozesse und oft auch das Vertrauen von Kunden oder Mitarbeitenden. Eine gute Priorisierung prüft diese Punkte früh, damit ungeeignete Ideen nicht erst nach erheblichem Aufwand gestoppt werden.
Akzeptanz und Ownership: Nur Use Cases mit klarer Verantwortung haben Bestand
Selbst ein sinnvoller und machbarer Use Case kann scheitern, wenn niemand ihn fachlich trägt. Deshalb gehört zur Bewertung nicht nur die Frage, ob eine Idee funktioniert, sondern auch, wer sie im Alltag verantwortet.
Ein klarer Owner sorgt dafür, dass ein Use Case nicht zwischen IT, Fachbereich und Management hängen bleibt. Diese Verantwortung umfasst typischerweise:
das fachliche Ziel des Use Cases
die Priorisierung im Geschäftsalltag
die Definition von Anforderungen
die Beurteilung von Ergebnissen
die Entscheidung, wie mit Ausnahmen oder Fehlern umzugehen ist
Besonders wichtig ist, wer von der Anwendung betroffen ist. Mitarbeitende akzeptieren eine neue Lösung eher, wenn klar ist, welches Problem sie löst und wie sie den Alltag konkret verbessert. Akzeptanz entsteht nicht durch die Technologie selbst, sondern durch nachvollziehbaren Nutzen, klare Rollen und praxistaugliche Einbindung.
Dabei haben verschiedene Funktionen unterschiedliche Rollen:
Fachbereiche beschreiben das Problem, den Prozess und den gewünschten Nutzen.
IT bewertet technische Voraussetzungen, Integration, Sicherheit und Betrieb.
Management setzt Prioritäten, schafft Orientierung und entscheidet über Ressourcen.
Fehlt diese Zusammenarbeit, entstehen typische Probleme: Der Fachbereich erwartet schnelle Resultate, die IT sieht ungelöste Risiken, und das Management erhält kein klares Bild zur Priorität. Ein belastbarer Use Case braucht deshalb nicht nur eine Idee, sondern eine tragfähige organisatorische Verankerung.
Wie Swiss Process Solutions strukturiert an solche Fragen herangeht, zeigt unser Ansatz. Gerade bei der Bewertung von KI-Ideen ist dieses Zusammenspiel von Fachlichkeit, Machbarkeit und Verantwortung zentral.
KPIs und Erfolgskriterien vor dem Start festlegen
Viele KI-Projekte starten mit einem Pilot, ohne dass vorab klar definiert wurde, woran Erfolg gemessen wird. Das führt oft zu unklaren Ergebnissen: Die Lösung wirkt interessant, aber die Wirkung bleibt schwer belegbar.
Deshalb sollten KPIs und Erfolgskriterien vor dem Start festgelegt werden. Nicht in Form eines überladenen Kennzahlensystems, sondern mit wenigen Metriken, die direkt zum Problem passen.
Geeignete Kennzahlen können sein:
Bearbeitungszeit pro Fall
Durchlaufzeit eines Prozesses
Fehlerquote oder Nachbearbeitungsrate
Anteil manuell erledigter Schritte
Antwortqualität oder Vollständigkeit
Einhaltung definierter Compliance-Vorgaben
Anzahl Eskalationen oder Korrekturen
Hilfreich ist die Unterscheidung zwischen Output- und Outcome-KPIs.
Output-KPIs beschreiben, was die Lösung produziert, zum Beispiel:
Anzahl automatisch erstellter Entwürfe
Anzahl klassifizierter Dokumente
Anteil beantworteter Standardanfragen
Outcome-KPIs beschreiben, was sich geschäftlich verbessert, zum Beispiel:
kürzere Bearbeitungszeit
weniger Fehler
höhere Servicequalität
stabilere Einhaltung von Vorgaben
Für eine saubere Bewertung sind Outcome-KPIs meist entscheidender. Denn sie zeigen, ob der Use Case tatsächlich Wert schafft.
Ebenso wichtig ist der Messpunkt. Es braucht einen Ausgangswert vor der Einführung und einen Vergleich nach der Umsetzung. Nur so lässt sich beurteilen, ob die Veränderung relevant ist. Wer diese Basis nicht schafft, kann Nutzen später oft nur vermuten, aber nicht belegen.
In der Praxis genügen oft drei bis fünf Kennzahlen. Zu viele KPIs erschweren die Steuerung. Zu wenige oder unpassende KPIs machen die Bewertung beliebig. Ziel ist eine überschaubare, problemnahe und entscheidungsfähige Messung.
So priorisieren KMU ihre KI-Ideen in der Praxis
Nach der Bewertung einzelner Kriterien stellt sich die Frage: Wie lässt sich daraus eine praktikable Priorisierung ableiten?
Für KMU hat sich ein einfaches Vorgehen bewährt.
1. Nur wenige Use Cases gleichzeitig vergleichen
Statt zwanzig Ideen auf einmal zu diskutieren, ist es sinnvoller, zunächst drei bis fünf sauber beschriebene Anwendungsfälle zu vergleichen. Jeder Use Case sollte kurz festhalten:
welches Problem gelöst wird
in welchem Prozess er ansetzt
wer betroffen ist
welcher Nutzen erwartet wird
welche Daten benötigt werden
welche Risiken sichtbar sind
wie Erfolg gemessen werden soll
Damit wird aus einer Idee eine prüfbare Entscheidungsgrundlage.
2. Business Value und Machbarkeit nebeneinander bewerten
Für jeden Fall sollte dann eingeschätzt werden:
Wie relevant ist das Problem?
Wie gross ist der erwartete Nutzen?
Wie reif ist der zugrunde liegende Prozess?
Wie gut ist die Datenlage?
Wie hoch ist der Umsetzungsaufwand?
Wie kritisch sind Risiken, Compliance und Fehlerfolgen?
Gibt es klare Verantwortung und Akzeptanz im Fachbereich?
Diese Bewertung muss nicht mathematisch perfekt sein. Wichtiger ist, dass sie offen, nachvollziehbar und vergleichbar erfolgt.
3. In drei Entscheidungsgruppen denken
Am Ende hilft eine einfache Einteilung:
Starten: Nutzen klar, Machbarkeit gegeben, Risiken vertretbar, KPIs definierbar
Vertiefen: Potenzial vorhanden, aber einzelne Voraussetzungen noch unklar
Verwerfen oder zurückstellen: Nutzen zu gering, Aufwand zu hoch oder Risiken nicht tragbar
Diese Logik schützt davor, mit dem lautesten oder modernsten Thema zu beginnen, statt mit dem sinnvollsten.
4. Mit machbaren und messbaren Fällen starten
Für einen guten Einstieg eignen sich Use Cases, die:
ein klares Problem adressieren,
einen abgegrenzten Prozess betreffen,
eine ausreichende Datenbasis haben,
im Alltag realistisch integrierbar sind,
und einen messbaren Nutzen erwarten lassen.
Das heisst nicht, dass nur kleine Fälle sinnvoll sind. Aber für die Priorisierung ist es oft klüger, mit einem Fall zu starten, der belastbar geprüft und sauber umgesetzt werden kann, statt mit einem strategisch grossen, aber unscharfen Vorhaben.
5. Vor grösseren Investitionen eine schnelle Vorprüfung machen
Bevor Ressourcen in Pilot, Toolwahl oder umfassende Umsetzung fliessen, lohnt sich eine strukturierte Vorprüfung. Genau dort zeigt sich häufig, ob eine Idee bereits startbar ist oder ob zuerst Daten, Prozesse oder Verantwortlichkeiten geklärt werden müssen.
Wer KI Ideen priorisieren will, braucht deshalb keine starre Methode, sondern eine konsequente Bewertungsdisziplin. Die eigentliche Qualität liegt nicht im Etikett des Modells, sondern in der Klarheit der Fragen.
Häufig gestellte Fragen
Wie lässt sich der Nutzen eines KI-Use-Cases realistisch einschätzen?
Am besten über ein konkretes Problem im bestehenden Prozess. Statt allgemeinen Erwartungen wie «mehr Effizienz» sollten messbare Auswirkungen betrachtet werden: Zeitaufwand, Fehlerquote, Durchlaufzeit, Qualitätsmängel oder manuelle Routinearbeit. Realistisch wird die Einschätzung dann, wenn ein klarer Ausgangswert vorhanden ist und der erwartete Nutzen zum tatsächlichen Engpass passt.
Welche Daten braucht es, damit ein KI-Projekt überhaupt sinnvoll startbar ist?
Es braucht nicht zwingend riesige Datenmengen, aber eine passende und verlässliche Datengrundlage. Entscheidend ist, ob die relevanten Daten vorhanden, zugänglich, ausreichend konsistent und für den konkreten Use Case geeignet sind. Fehlen Struktur, Qualität oder Zugänglichkeit, sinkt die Machbarkeit oft stärker als zunächst angenommen.
Woran erkennt man, dass eine KI-Idee im Alltag zu aufwendig wird?
Ein Warnsignal ist, wenn der Use Case zwar interessant klingt, aber viele manuelle Zusatzschritte, Abstimmungen, Kontrollen oder Ausnahmen verursacht. Auch hoher Aufwand für Datenaufbereitung, Prozessanpassung oder Qualitätssicherung kann ein Hinweis sein. Wenn der laufende Betrieb mehr Komplexität erzeugt als Entlastung bringt, ist Zurückhaltung sinnvoll.
Wie werden Risiken und Compliance bei KI-Use-Cases früh berücksichtigt?
Indem Datenschutz, Vertraulichkeit, Fehlerfolgen, Sicherheitsaspekte, regulatorische Anforderungen und Anbieterabhängigkeiten bereits in der Vorprüfung bewertet werden. Wichtig ist auch die Frage, wie kritisch fehlerhafte Ausgaben wären und wer Ergebnisse kontrolliert oder freigibt. So werden ungeeignete Fälle früh erkannt, bevor Projektaufwand entsteht.
Wer sollte einen KI-Use-Case im Unternehmen fachlich verantworten?
Idealerweise eine Person aus dem betroffenen Fachbereich mit ausreichender Entscheidungskompetenz und Prozessverständnis. Diese Verantwortung sollte nicht allein bei der IT liegen. Die IT ist zentral für technische Machbarkeit, Sicherheit und Betrieb, aber der fachliche Nutzen und die Prozessverankerung müssen dort geführt werden, wo das Problem tatsächlich entsteht.
Welche KPIs eignen sich, um den Erfolg eines KI-Piloten zu messen?
Geeignet sind wenige Kennzahlen mit direktem Bezug zum Problem. Das können Zeitersparnis, Durchlaufzeit, Fehlerquote, Nachbearbeitungsrate, Qualitätsniveau oder Einhaltung von Compliance-Vorgaben sein. Wichtig ist die Unterscheidung zwischen Output und Outcome: Nicht entscheidend ist nur, was die Lösung produziert, sondern ob sich der Prozess oder das Ergebnis spürbar verbessert.
