In 2 Stunden 15 umsetzbare KI Use Cases finden

Herzlich Willkommen zu den AI FIRST Insights! Dies ist Teil 5 der Serie zum KI-Adoption-Playbook. Die vorherigen Teile findest Du hier.

In den letzten Wochen haben wir Stück für Stück das Fundament für erfolgreich Adoption gelegt. Wir haben über das Zielbild gesprochen, das einer Organisation die Richtung gibt. Über KI-Enabler, die KI in die Breite tragen. Über echten Kompetenzaufbau statt Alibi-Training. Und zuletzt über den Verhaltenswandel, der nötig ist, damit aus Wissen tägliches Tun wird.

Nehmen wir an, das ist gelungen. Die Menschen können mit KI arbeiten und sie tun es auch. Dann steht sofort die nächste Frage im Raum: Woran wenden wir das eigentlich an? Was sind unsere konkreten Anwendungsfälle?

Und genau hier müssen wir aufpassen, dass KI Use Cases nicht wie Digitalisierungsprojekte gedacht werden. Die alte Use Case Denke sieht so aus: man sucht einen Case nach dem anderen, definiert jeden einzelnen als eigenes Projekt mit den Anforderungen, sucht die passende Lösung und implementiert sie.

Bei KI funktioniert diese alte Use-Case-Denke nur noch bedingt. Denn in jedem Unternehmen stecken nicht eine Handvoll, sondern hunderte Anwendungsfälle. Und weil KI immer besser und zugänglich wird, lassen sich immer mehr davon extrem niedrigschwellig umsetzen, ohne große Tech-Ressourcen, ohne große Budgets und oft direkt aus dem Team heraus.

Dazu kommt ein zweiter Punkt, der die alte Denke endgültig aushebelt: Die Grenzen dessen, was KI kann, verschieben sich ständig. Cases, die vor einem Jahr an fehlenden KI-Fähigkeiten gescheitert sind und zu Recht aussortiert wurde, sind heute vielleicht in einer halben Stunde gebaut. Ein einmaliges "Wir sammeln jetzt unsere Use Cases und setzen sie um" greift deshalb zu kurz.

Die eigentliche Frage ist deshalb nicht mehr nur, welchen einen Case wir als Nächstes bauen. Sondern: Wie finden, qualifizieren und bauen wir die vielen Cases mit Geschwindigkeit, fortlaufend, ohne dass ein Flaschenhals in der IT oder im zentralen KI-Team alles ausbremst?

In diesem Artikel zeige ich Dir, was einen guten Use Case ausmacht, warum die Trennung von Quick Wins und Value Cases über Deine Geschwindigkeit entscheidet und mit welchen zwei Wegen wir Cases finden und an einem einzigen Tag in fertige Lösungen verwandeln.

Los geht's!

Nur noch 15 Plätze für das Collective verfügbar

Zum 1. Juli öffnen wir das Collective für 30 neue Mitglieder. 50% der Plätze sind schon weg.

2 Monate extra für die Sommerpause

Ab Juli hast du sofort vollen Zugang zu Plattform, Akademie, Community und Live Sessions zu KI-Adoption. Den gemeinsamen Umsetzungspfad starten wir bewusst nach dem Sommer, ab September: Wenn alle aus dem Urlaub zurück sind, bauen wir gemeinsam dein KI-Betriebssystem.

Falls du zögerst: In den ersten 30 Tagen kannst du ohne Nachfragen zurücktreten, dein Investment wird komplett erstattet. Wir wollen nur Leute dabei, für die es wirklich passt.

Bewirb dich hier.

Was einen guten Use Case ausmacht

Bevor wir überhaupt Use Cases suchen, brauchen wir einen einfachen Maßstab dafür, was ein guter Use Case ist. Grundlegend ist das nichts Neues:

Guter Use Case = Einfach umsetzbar + Aufgabe/Problem lohnt sich

Einfach umsetzbar, wenn:

Daten-Input ist digital und vorhanden
Daten-Output ist digital und klar beschrieben (+ Beispiele vorhanden)
Prozess ist digital und klar beschrieben (+ robust)
KI-Fähigkeit passt (siehe hier)

Aufgabe lohnt sich, wenn:

Hohe Frequenz (min. monatlich, besser täglich)
Hoher Aufwand pro Ausführung
Schmerzhaft: Langweilig, fehleranfällig, aufwändig, …
Qualitätsgewinn möglich (weil kein menschlicher Error mehr)
Skalierbarkeit im Team (Aufgabe wird von vielen ausgeführt)
Direkter Einfluss auf Unternehmensziele

Genauso wichtig ist, was kein guter KI/GenAI Use Case ist: Berechnung/Zahlenlogik im Vordergrund (gibt es oft einfachere Methoden), Daten liegen in nicht anschließbaren Systemen, Output muss 100% korrekt sein und soll nicht mehr vom Menschen geprüft werden (ist einfach unrealistisch), die Aufgabe macht dem Team Spaß.

Quick Wins vs. Value Cases

Wir unterscheiden von Anfang an zwischen Value Cases und Quick Wins. Beide Kategorien erfordern einen völlig unterschiedlichen Umsetzungsansatz.

Value Cases sind die großen, strategischen Fälle. Sie haben einen signifikanten Einfluss auf den Umsatz oder die Kosten, sind jedoch auch technisch deutlich komplexer in der Umsetzung. Value Cases werden meist top-down identifiziert und müssen wie interne Produkte betrachtet und gemanaged werden. Ein Voice Agent im Customer Service, der eigenständig Anrufe entgegennimmt, ist so ein Fall. So einen Anwendungsfall setzen wir nach der “alten” Use Case Denke auf: Scoping, Pilotierung, Bewertung, Skalierung, Monitoring und Weiterentwicklung.

Quick Wins sind das Gegenteil: klar umrissene Aufgaben, die sich mit KI schneller/besser lösen lassen. Ein Skill für die Angebotserstellung im Vertrieb, eine saubere Meeting-Nachbereitung, ein Entwurf für wiederkehrende Standardanfragen. So etwas baut ein KI-Enabler in kurzer Zeit und stellt es seinem Team bereit, ohne Projektantrag und ohne IT-Ticket.

Ich finde diese Unterscheidung wichtig, weil ansonsten alles wie ein Value Case betrachtet wird. Jeder Case, egal wie klein, wandert in dieselbe Pipeline, wird zentral bewertet und wartet auf Umsetzung. Das Ergebnis ist, dass man genau bei den Cases zu langsam wird, die sofort Wirkung im Team hätten, weil alle darauf warten, dass es jemand anderes freigibt oder baut.

Die Kunst liegt darin, beides bewusst zu trennen. Value Cases gehören top-down geplant und sauber pilotiert, mit der nötigen Sorgfalt, Budget und Produktmanagement. Quick Wins gehören in die Hände der Teams: schnell, dezentral und in großer Zahl. Wenn beide Spuren parallel laufen, entsteht Geschwindigkeit + transformative Wirkung.

Wie wir Use Cases finden

Ich bekomme mehrfach in der Woche die Frage gestellt, “was denn unsere KI Use Cases sind?” - im Jahr 2026 verwundert mich diese Frage. Wie eingangs geschrieben, gibt es in jedem Unternehmen hunderte Anwendungsfälle. Welche zu finden, ist also nicht schwer. Die richtigen so umzusetzen, dass sie skalierbar genutzt und in neu-gedachten Prozessen Wirkung entfalten können, ist schon eher eine Herausforderung.

Wir nutzen zwei Ansätze, um Anwendungsfälle mit unseren Kunden zu finden. Für Unternehmen, die noch am Anfang stehen, machen wir oft klassische Workshops. Im weiteren Verlauf wechseln wir auf einen AI-First Ansatz.

Der Ablauf ist dabei im Kern immer derselbe:

Jobs-to-be-done. Wir starten bei der Rolle: Was muss diese Person oder dieses Team erledigen, um erfolgreich zu sein? Dahinter liegen wiederkehrende Kernaufgaben.
Kernaufgaben priorisieren. Nicht jede Aufgabe lohnt den genaueren Blick. Wir filtern schnell nach dem Anteil an der Gesamtarbeitszeit, der Zahl der Beteiligten, dem Einfluss auf eine KPI und der Emotion, die an der Aufgabe hängt.
In Schritte zerlegen. Die vielversprechenden Aufgaben zerlegen wir in einzelne Schritte und schauen pro Schritt: Welche KI-Fähigkeit hilft, welche Daten und Systemzugriffe braucht es, was geht rein und was raus?
Qualifizieren und priorisieren. Daraus leiten wir konkrete Use Cases ab, prüfen sie gegen die Kriterien von oben und ordnen sie auf einer Aufwand-Nutzen-Matrix ein.

Wichtig ist dabei nicht Vollständigkeit, sondern Tempo: Wir wollen schnell die Aufgaben finden, bei denen sich der genauere Blick lohnt. Was sich zwischen den beiden Wegen unterscheidet, ist deshalb nicht der Ablauf, sondern wer ihn durchführt.

Weg 1: Der klassische Workshop

Hier moderiert ein Mensch den Ablauf live, gemeinsam mit den Menschen, die die Aufgaben tatsächlich machen. Der große Vorteil ist die Nähe: Wir sitzen mit dem Team zusammen, hören zu, fragen nach und kommen so auf eine Tiefe, die ein Fragebogen nie liefern würde. Richtig moderiert ist das der verlässlichste Weg.

Der entscheidende Hebel sind die richtigen Fragen. Den meisten Menschen fällt es überraschend schwer, den eigenen Prozess Schritt für Schritt zu beschreiben. Fast immer fällt dabei etwas weg, das später entscheidend wird, zum Beispiel der Zugriff auf ein System, für das es keine Schnittstelle gibt und das damit zum Blocker wird. Genau deshalb braucht dieser Weg erfahrene Moderation.

Weg 2: Der KI-gestützte Ansatz

Der zweite Weg dreht das Prinzip um: Statt dass ein Mensch den Ablauf moderiert, durchläuft die KI ihn weitgehend selbst.

Die Grundlage für diesen Weg ist ein gutes Kontextprofil, und das muss wirklich sitzen. Ein Kontextprofil beschreibt im Detail, wer Du bist und in welcher Rolle Du arbeitest, welche Aufgaben Du verantwortest, mit welchen Tools und Daten Du arbeitest, wie Deine Abteilung aufgestellt ist und welche Schnittstellen es zu anderen Bereichen gibt. Je vollständiger dieses Bild ist, desto besser kann KI auf der Ebene Deiner Rolle und Deiner Abteilung mitdenken. Das Kontextprofil ist damit die eigentliche Grundlage des ganzen Ansatzes: Ist es dünn, bleiben auch die Vorschläge oberflächlich. Ist es ausführlich, wird die KI erstaunlich treffsicher. Deshalb erstellen wir die Profile selbst wieder mit KI-Unterstützung, die so lange nachfragt, bis das Profil wirklich vollständig ist.

Auf diesem Profil setzen drei aufeinander aufbauende Skills auf, die genau diesen Ablauf abbilden:

Skill 1: Use Cases finden. Er analysiert das Kontextprofil und leitet daraus eine ganze Reihe vorqualifizierter Use-Case-Hypothesen ab, oft rund zehn auf einen Schlag. Wichtig ist: Das sind Hypothesen mit Vorprüfung, noch keine fertigen Cases.
Skill 2: Use Cases qualifizieren. Er nimmt die stärksten Kandidaten und prüft sie gegen die Formel aus Umsetzbarkeit und Nutzen (siehe oben im Artikel), inklusive der typischen Red Flags. Am Ende steht eine klare Entscheidung: jetzt machen, als Value Case behandeln, später angehen oder verwerfen.
Skill 3: Umsetzungskonzept. Aus einem qualifizierten Case macht er eine vollständige Anweisung für eine KI, um daraus einen Skill, Agent, Workflow oder eine App zu bauen.

Weil die Leitplanken in den Skills stecken, kommen am Ende vor allem Cases heraus, die wirklich funktionieren. Und weil kein Mensch mehr jeden einzelnen Schritt moderieren muss, lässt sich dieser Weg mit vielen Menschen gleichzeitig gehen. Ganz ohne Menschen geht es trotzdem nicht: Ein kurzes Sparring zu zweit oder ein Coach, der im richtigen Moment hinterfragt, hebt die Qualität noch einmal deutlich. Die KI übernimmt die Breite und die Vorarbeit, der Mensch sorgt für den Realitätscheck.

Von vereinzelten Cases zum Betriebssystem

Je mehr Cases bottom-up entstehen, desto wichtiger wird, wie man sie in eine Struktur bringt. Ansonsten fliegen irgendwann 87 Agents, 395 Skills und 166 Workflows durch’s Unternehmen, die nicht aufeinander einzahlen.

Ich habe schon viel über das KI-Betriebssystem als Modell gesprochen, um KI im Unternehmen zu organisieren. Für größere Unternehmen adaptieren wir dieses Modell gerade um ein DepartmentOS - also KI-Betriebssystem für eine Abteilung. Diese können dann wiederum über Abteilungen hinweg verbunden werden.

Für jede Abteilung gibt es einen zentralen Agent als Ausführungseinheit mit den wichtigsten Skills für die wiederkehrenden Aufgaben, jeweils verknüpft mit dem nötigen Kontext und dem Zugriff auf die relevanten Tools. So wird aus einer wachsenden Sammlung einzelner Cases ein zusammenhängendes System, das mit jedem neuen Use Case mitwächst.

Dieser Ansatz lässt sich für so ziemlich jede Abteilung im Unternehmen systematisieren.

Organisation von Ideen und Use Cases

Damit fortlaufend neue Cases gefunden und umgesetzt werden, braucht es eine schlanke Organisation drumherum. Bei uns besteht die aus zwei einfachen Bausteinen.

Ein Intake-Formular: eine niedrigschwellige Stelle (zB Teams, Intranet, …), an der jeder im Unternehmen jederzeit eine Use-Case-Idee mit ein paar ersten Informationen einreichen kann.
Eine Use-Case-Bibliothek, in der jede Idee und jeder Case dokumentiert wird, egal ob Quick Win oder großer Case, immer mit Link zur fertigen Lösung, also zum Beispiel zum Agent oder Skill. So behält man den Überblick, findet bestehende Lösungen wieder und vermeidet, dass dieselbe Sache an drei Stellen parallel gebaut wird.

Quick Wins umsetzen: der Hackathon

Cases zu finden ist das eine. Sie umzusetzen das andere, und genau hier scheitert es im Alltag am häufigsten, weil die Umsetzung zwischen Meeting drei und vier untergeht.

Deshalb machen wir direkt nach der Use Case Discovery einen Hackathon. Wir haben das zuletzt in ganz unterschiedlichen Größen gemacht, einmal mit 15 Leuten bei Gebr. Heinemann, einmal mit rund 200 bei New Yorker.

Die Idee bleibt immer dieselbe. Die Teilnehmer kommen entweder schon mit einem qualifizierten Case, wenn vorher eine Use Case Discovery lief, oder sie finden vor Ort über den KI-gestützten Prozess einen passenden Case und qualifizieren ihn.

Und dann haben sie einen ganzen Tag Zeit, nur um diesen einen Case umzusetzen.

Warum ein ganzer Tag?

Weil die ersten 70 bis 80 Prozent einer Lösung schnell stehen. Die eigentliche Arbeit sind die Iterationsschleifen danach. Genau sie machen aus einem Prototyp etwas, das robust und wiederverwendbar ist. Dafür braucht es ungestörte Zeit, Kollegen, die sich gegenseitig unterstützen, und Coaches, die in den entscheidenden Momenten mit hineingehen. Am Ende des Tages steht ein konkretes Ergebnis: ein Skill, ein Agent oder ein Workflow, manchmal auch eine kleine selbstgebaute App, je nachdem, was das Unternehmen zulässt. Und alles wandert wieder in die Use-Case-Bibliothek.

Dieser Ablauf aus Use Case Discovery + Hackathon lässt sich beliebig oft wiederholen und führt zu einer fortlaufenden Durchdringung einer Abteilung mit KI.

Fazit

Die alte Use-Case-Denke, bei der jeder Case ein eigenes Projekt ist, bremst KI aus. In jedem Unternehmen stecken hunderte Anwendungsfälle, und die meisten warten nicht auf die IT, sondern auf Menschen, die sie selbst umsetzen dürfen. Und weil sich die Fähigkeiten von KI ständig erweitern, ist diese Suche nie abgeschlossen.

Was Du aus diesem Artikel mitnehmen kannst:

Ein einfacher Maßstab reicht: Ein guter Use Case ist einfach umsetzbar und lohnt sich zugleich.
Trenne Quick Wins von Value Cases. Value Cases werden als Projekt pilotiert, Quick Wins gehören schnell und dezentral in die Teams.
Teste den AI-First Ansatz für Use Cases: Mit 3 Skills Cases finden, qualifizieren und in ein Umsetzungskonzept verwandeln.
Gib der Umsetzung einen festen Ort. Im Alltag geht sie unter, im Hackathon mit Zeit, Coaches und Iterationsschleifen entstehen robuste Lösungen.
Mach aus der einmaligen Aktion ein System. Intake-Formular und Use-Case-Bibliothek halten den Strom an Cases dauerhaft am Laufen.

Der allerwichtigste Tipp: Fang an. Die besten Cases werden nicht am Whiteboard gefunden, sondern wenn jeder Mensch im Unternehmen gelernt hat, KI richtig einzusetzen. Wie du dort hin kommst, kannst du in den letzten Artikeln nachlesen.

Bis nächsten Sonntag,

Felix

P.S. Wir öffnen das Collective wieder. Start 1. Juli, 30 Plätze, kuratierte Aufnahme. Wer sein eigenes KI-Betriebssystem bauen und KI-Adoption gemeinsam mit 120 anderen KI-Verantwortlichen vorantreiben will, ist hier richtig: ai-first.ai/collective.