KI-Audit: Anwendungsfälle systematisch finden & priorisieren.
Die meisten Unternehmen scheitern nicht an der Technik, sondern an der Frage davor: Wo soll KI überhaupt eingesetzt werden? Wer diese Frage dem Zufall oder dem lautesten Abteilungsleiter überlässt, verbrennt Budget. Ein strukturiertes KI-Audit findet die Anwendungsfälle systematisch — und sortiert sie so, dass die ersten Projekte auch die sind, die sich lohnen.
Was ein KI-Audit leistet — und was nicht.
Ein KI-Audit ist eine strukturierte Bestandsaufnahme der Prozesse eines Unternehmens mit dem Ziel, geeignete Einsatzfelder für KI zu identifizieren und zu bewerten. Es ist kein Technologie-Kauf und kein fertiger Implementierungsplan. Am Ende steht eine priorisierte Liste von Anwendungsfällen, die zeigt: Hier lohnt sich der Einstieg, das hier ist spannend aber riskant, und davon lassen wir vorerst die Finger.
Der Begriff „Audit“ klingt nach Prüfungsmarathon, ist hier aber bewusst schlank gemeint. Gerade für mittelständische Unternehmen geht es nicht um ein monatelanges Beratungsprojekt mit dickem Abschlussbericht, sondern um ein fokussiertes Vorgehen, das in überschaubarer Zeit ein belastbares Ergebnis liefert. Entscheidend ist nicht die Tiefe der Dokumentation, sondern die Qualität der Fragen und die Ehrlichkeit der Antworten. In den folgenden Abschnitten gehe ich die vier Schritte durch, die ein solches Audit ausmachen — von der Prozessdurchsicht über die Beschreibung und Bewertung bis zur Priorisierung.
Der Wert liegt in der Objektivierung. Statt Bauchgefühl gibt es nachvollziehbare Kriterien. Statt Einzelinteressen gibt es ein Gesamtbild. Und statt eines großen, unkalkulierbaren Vorhabens gibt es eine Reihenfolge, die mit überschaubaren Schritten beginnt.
Ein Audit ist außerdem ein Kommunikationsinstrument. Wenn Fach- und IT-Abteilungen gemeinsam durch die Prozesse gehen und Anwendungsfälle bewerten, entsteht ein geteiltes Verständnis davon, was KI im eigenen Haus realistisch leisten kann — und was nicht. Dieses gemeinsame Bild ist oft wertvoller als die fertige Liste selbst, weil es überzogene Erwartungen genauso dämpft wie unbegründete Skepsis. Das Audit ordnet sich dabei in einen größeren Zusammenhang ein: Es ist der konkrete, prozessnahe Baustein einer übergeordneten KI-Strategie, die Ziele, Governance und Roadmap zusammenführt.
Schritt 1: Prozesse durchleuchten.
Anwendungsfälle entstehen dort, wo Prozesse Reibung erzeugen. Bei der Durchsicht der Abläufe lohnt es sich, gezielt nach bestimmten Mustern zu suchen — sie sind gute Indikatoren für KI-Potenzial:
- Repetitive Tätigkeiten: Aufgaben, die viele Male ähnlich ausgeführt werden — Daten erfassen, Dokumente einsortieren, Standardantworten verfassen.
- Sprach- und Textlastigkeit: überall dort, wo Menschen Texte lesen, schreiben, zusammenfassen oder klassifizieren, sind moderne Sprachmodelle stark.
- Such- und Nachschlageaufwand: wenn Mitarbeitende lange brauchen, um Informationen in Dokumenten, Wikis oder E-Mails zu finden.
- Engpässe durch Spezialwissen: Prozesse, die an wenigen Personen hängen, weil nur sie das nötige Wissen haben.
- Hohe Volumina: Tätigkeiten, die so oft anfallen, dass selbst kleine Zeitersparnisse pro Vorgang in Summe relevant werden.
In der Praxis hilft es, jede Abteilung einzeln durchzugehen: Vertrieb, Service, Buchhaltung, Einkauf, Personal, Produktion. In jeder findet sich erfahrungsgemäß mehr, als die Beteiligten zunächst vermuten — weil mühsame Routinen oft als gegeben hingenommen werden.
Eine gute Methode ist, Mitarbeitende konkret zu fragen: Welche Tätigkeit in Ihrer Woche empfinden Sie als stupide, wiederkehrend oder zeitraubend, ohne dass sie Ihr eigentliches Können fordert? Die Antworten führen erstaunlich zuverlässig zu sinnvollen Anwendungsfällen — und sie haben den Nebeneffekt, dass die Betroffenen von Anfang an eingebunden sind. Wer seine eigene Routine als Kandidaten für KI-Unterstützung vorgeschlagen hat, begegnet dem späteren Werkzeug mit weniger Misstrauen. Wichtig ist dabei, zwischen echtem Potenzial und bloßer Bequemlichkeit zu unterscheiden: Nicht jede unbeliebte Aufgabe ist ein guter KI-Kandidat, und manche zeitraubende Tätigkeit verlangt gerade das menschliche Urteil, das KI nicht ersetzen kann.
Schritt 2: Anwendungsfälle sauber beschreiben.
Ein vager Wunsch wie „KI im Kundenservice“ lässt sich nicht bewerten. Jeder Anwendungsfall sollte deshalb knapp, aber präzise beschrieben werden — am besten in einem einheitlichen Raster:
Anwendungsfall: Vorqualifizierung eingehender Serviceanfragen
Problem heute: Anfragen werden manuell gelesen und der
richtigen Abteilung zugeordnet (ca. 4 Min/Anfrage,
~120 Anfragen/Tag).
Idee mit KI: Modell klassifiziert Anfrage nach Thema und
Dringlichkeit, schlägt Zuordnung vor.
Datenbasis: ~18 Monate historischer Anfragen mit Zuordnung.
Mensch im Loop: Mitarbeiter bestätigt oder korrigiert Vorschlag.
Erfolgskriterium: Zuordnungszeit halbieren, Fehlleitungen senken.
Risiken: Falschklassifikation, Datenschutz bei Inhalten.
Dieses Raster zwingt zur Klarheit. Spätestens beim Punkt „Datenbasis“ fällt auf, wenn ein Anwendungsfall hübsch klingt, aber die nötigen Daten gar nicht in brauchbarer Form vorliegen. Und der Punkt „Mensch im Loop“ stellt früh die richtige Frage: Trifft die KI die Entscheidung, oder bereitet sie sie nur vor?
Schritt 3: Bewerten nach klaren Kriterien.
Sind die Anwendungsfälle beschrieben, werden sie bewertet. Bewährt haben sich vier Dimensionen, die man je auf einer einfachen Skala (etwa niedrig / mittel / hoch) einschätzt:
| Kriterium | Worauf es ankommt |
|---|---|
| Geschäftsnutzen | Wie viel Zeit, Geld oder Qualität bringt der Fall? Wie viele Menschen oder Vorgänge sind betroffen? |
| Machbarkeit | Gibt es genug saubere Daten? Ist die nötige Technik vorhanden? Wie reif ist die Technologie für diesen Zweck? |
| Risiko | Was passiert bei Fehlern? Sind sensible oder personenbezogene Daten betroffen? Greift der AI Act? |
| Aufwand | Wie hoch sind Einführungs- und laufende Kosten, einschließlich Pflege und Betrieb? |
Die Bewertung sollte nicht ein Einzelner vornehmen, sondern ein kleines Team aus Fach- und IT-Seite. So fließen unterschiedliche Perspektiven ein, und die Ergebnisse werden in der Organisation eher akzeptiert.
Besondere Aufmerksamkeit verdient die Machbarkeit, weil sie am häufigsten falsch eingeschätzt wird. Die Versuchung ist groß, einen Anwendungsfall als machbar zu bewerten, weil die Technologie es grundsätzlich kann — die entscheidende Frage ist aber, ob sie es mit den Daten dieses Unternehmens kann. Ein Modell, das in einer Demo Verträge zuverlässig zusammenfasst, scheitert möglicherweise an den spezifischen Vertragsformaten, Fachbegriffen und Sonderfällen eines bestimmten Betriebs. Diese Lücke zwischen „technisch möglich“ und „hier machbar“ gehört ehrlich in die Bewertung. Genauso wichtig ist das Risiko: Ein Anwendungsfall, der mit personenbezogenen Daten arbeitet oder Entscheidungen mit spürbaren Folgen für Kunden oder Mitarbeitende trifft, verdient eine deutlich vorsichtigere Einstufung als eine reine interne Hilfsfunktion.
Schritt 4: Priorisieren mit der Nutzen-Aufwand-Matrix.
Aus den Bewertungen entsteht die Priorisierung. Am anschaulichsten ist eine Matrix mit Geschäftsnutzen auf der einen und Aufwand bzw. Risiko auf der anderen Achse:
- Hoher Nutzen, geringer Aufwand — die „Quick Wins“. Hier beginnen. Sie liefern schnell sichtbare Erfolge und schaffen Vertrauen.
- Hoher Nutzen, hoher Aufwand — die „strategischen Projekte“. Lohnenswert, aber sorgfältig planen und meist erst nach den ersten Erfolgen angehen.
- Geringer Nutzen, geringer Aufwand — die „netten Extras“. Können nebenbei laufen, haben aber keine Priorität.
- Geringer Nutzen, hoher Aufwand — die „Fallen“. Klingen oft beeindruckend, lohnen sich aber nicht. Bewusst zurückstellen.
Wichtig ist, die Quick Wins nicht zu unterschätzen. Ein einfacher Anwendungsfall, der tatsächlich im Alltag funktioniert, überzeugt eine Organisation mehr als zehn Folien über das Potenzial von KI. Wie sich aus diesen priorisierten Fällen eine belastbare Roadmap und Gesamtstrategie ableiten lässt, beschreibe ich im Beitrag zur KI-Strategie für den Mittelstand.
Die Priorisierung ist außerdem keine einmalige Übung. Was heute zu aufwendig erscheint, kann morgen ein Quick Win sein, weil die Technologie reift, Werkzeuge günstiger werden oder die Datengrundlage im eigenen Haus besser wird. Es lohnt sich, die Liste der Anwendungsfälle als lebendiges Dokument zu führen und in sinnvollen Abständen — etwa halbjährlich — neu zu bewerten. So wird das Audit zu einem Steuerungsinstrument, das die KI-Aktivitäten über die Zeit lenkt, statt zu einer Momentaufnahme, die schnell veraltet.
Vom priorisierten Fall zum Pilotprojekt.
Steht der erste Anwendungsfall fest, beginnt nicht sofort der große Rollout, sondern ein bewusst klein gehaltener Pilot. Sein Zweck ist, unter realen Bedingungen zu prüfen, ob die Annahmen aus der Bewertung tatsächlich stimmen — ob die Daten ausreichen, ob die Qualität genügt, ob die Mitarbeitenden das Werkzeug annehmen. Ein Pilot sollte deshalb von Anfang an ein klares, messbares Erfolgskriterium haben und einen festen Zeitrahmen, nach dem ehrlich Bilanz gezogen wird.
Der Übergang von einem gelungenen Pilot in den produktiven Dauerbetrieb ist anschließend eine eigene, oft unterschätzte Aufgabe — viele Prototypen begeistern in der Demo und scheitern im Alltag an Integration, Datenrealität und fehlender Verantwortlichkeit. Wie dieser Schritt gelingt, behandle ich gesondert im Beitrag vom Proof of Concept zur Produktion. Für das Audit selbst genügt zunächst die Erkenntnis: Der priorisierte Anwendungsfall ist der Anfang, nicht das Ende des Weges.
Häufige Stolpersteine im Audit — ehrlich benannt.
Ein KI-Audit ist kein Selbstläufer. Drei Fehler treten besonders oft auf:
- Technik vor Problem. Wer mit „Wir wollen einen Chatbot“ startet, sucht ein Problem zur Lösung. Richtig herum: zuerst das Problem, dann prüfen, ob KI die passende Antwort ist — oft ist sie es nicht.
- Datenrealität ignorieren. Viele Fälle scheitern nicht am Modell, sondern an fehlenden, verstreuten oder schlechten Daten. Das gehört ehrlich in die Machbarkeitsbewertung.
- Risiken kleinreden. Gerade bei personenbezogenen Daten oder Entscheidungen mit Wirkung auf Kunden muss das Risiko Teil der Priorisierung sein — nicht eine Fußnote.
Und schließlich: Ein Audit ist eine Momentaufnahme. Daten, Prozesse und die Technologie selbst verändern sich. Es lohnt sich, die Liste der Anwendungsfälle regelmäßig zu überprüfen — manches, das heute zu aufwendig erscheint, ist in einem Jahr ein Quick Win.
Ein letzter Hinweis zur Haltung: Ein KI-Audit sollte ergebnisoffen geführt werden. Das Ziel ist nicht, möglichst viele Anwendungsfälle für KI zu finden, sondern die wenigen zu identifizieren, bei denen KI wirklich der richtige Hebel ist. In manchen Fällen ist die ehrliche Erkenntnis, dass ein gut gestaltetes Formular, eine aufgeräumte Datenbank oder eine schlichte Automatisierung ohne KI das Problem besser löst. Wer mit dieser Offenheit an das Audit herangeht, gewinnt an Glaubwürdigkeit — und trifft am Ende Entscheidungen, die tragen, statt einem Trend zu folgen.
Sie wollen wissen, wo KI in Ihrem Unternehmen wirklich etwas bringt? Unverbindlich anfragen — wir führen ein strukturiertes KI-Audit durch und priorisieren die Anwendungsfälle gemeinsam.