Welches KI-Projekt zuerst? Eine Priorisierungsmatrix, die trägt.

In fast jedem Unternehmen, das ernsthaft mit KI startet, gibt es nach kurzer Zeit dasselbe Problem: zu viele Ideen, zu wenig Budget, zu wenig Hände. Der Vertrieb will einen Lead-Scorer, die Buchhaltung eine Belegerkennung, der Support einen Chatbot, die Geschäftsführung „irgendwas mit Predictive Maintenance“. Jede Idee klingt für sich plausibel — und am Ende passiert nichts oder das Falsche zuerst. Die Reihenfolge entscheidet hier mehr über den Erfolg als die einzelne Idee. Ein gut gewählter erster Anwendungsfall schafft schnellen Nutzen, Vertrauen und Lernkurve; ein schlecht gewählter verbrennt Budget und Goodwill, bevor das Thema KI überhaupt Fuß fasst. Dieser Beitrag zeigt eine Priorisierungsmatrix, die im Mittelstand trägt: vier bewertbare Achsen — Wertbeitrag, Umsetzbarkeit, Risiko und Datenreife — eine nachvollziehbare Punktelogik und ein paar ehrliche Hinweise, wo solche Matrizen in die Irre führen können. Ziel ist nicht akademische Vollständigkeit, sondern eine Entscheidung, die Sie am Montag treffen und begründen können.

Warum Bauchgefühl bei der Projektauswahl scheitert.

Die intuitive Auswahl von KI-Projekten scheitert an drei typischen Mustern. Erstens am lautesten Stakeholder: Das Projekt der durchsetzungsstärksten Abteilung kommt zuerst, nicht das mit dem besten Verhältnis aus Nutzen und Aufwand. Zweitens am Glanz der Idee: Spektakuläre Anwendungsfälle wie generative Produktdesigns gewinnen die Aufmerksamkeit, während ein unscheinbarer, aber hochwirksamer Rechnungsabgleich liegen bleibt. Drittens an der unterschätzten Datenfrage: Projekte werden gestartet, ohne dass jemand geprüft hat, ob die nötigen Daten überhaupt in brauchbarer Qualität existieren — und scheitern dann nach Monaten.

Eine Matrix löst diese Probleme nicht automatisch, aber sie macht die Abwägung explizit und vergleichbar. Sie zwingt dazu, jede Idee an denselben Kriterien zu messen, und macht sichtbar, warum ein Projekt vorne oder hinten landet. Das hilft besonders dann, wenn die Entscheidung gegenüber Bereichen kommuniziert werden muss, deren Lieblingsprojekt eben nicht zuerst kommt.

Wichtig: Die Matrix ist ein Diskussionswerkzeug, kein Orakel. Ihr Wert liegt im strukturierten Gespräch, das sie erzwingt, mindestens so sehr wie in der berechneten Zahl am Ende.

Die vier Achsen: Wert, Umsetzbarkeit, Risiko, Datenreife.

Bewährt hat sich eine Bewertung entlang von vier Dimensionen, jede auf einer einfachen Skala von 1 bis 5:

• Wertbeitrag: Wie groß ist der erwartete Nutzen — in Euro, gesparter Zeit, vermiedenem Risiko oder strategischer Bedeutung? Ein Projekt, das 200 Arbeitsstunden im Monat spart, bekommt hier mehr Punkte als eines, das nur „nice to have“ ist.
• Umsetzbarkeit: Wie aufwendig ist die Realisierung technisch und organisatorisch? Gibt es Standardlösungen, ist das Team verfügbar, ist die Integration ins ERP machbar?
• Risiko: Wie groß sind regulatorische, ethische und Reputationsrisiken? Eine interne Textzusammenfassung ist risikoarm, eine automatisierte Bonitätsentscheidung hochriskant.
• Datenreife: Existieren die nötigen Daten in ausreichender Menge, Qualität und Zugänglichkeit? Dies ist die am häufigsten unterschätzte Achse — und oft die, die ein Projekt im Stillen zum Scheitern bringt.

Die Datenreife verdient eine eigene Achse, weil sie sich nicht im allgemeinen „Umsetzbarkeits“-Wert auflösen lässt. Ein Projekt kann technisch trivial und trotzdem unmöglich sein, weil die Daten in fünf Excel-Inseln liegen, niemandem gehören oder schlicht falsch sind.

Von vier Zahlen zu einer Rangfolge.

Aus den vier Bewertungen lässt sich ein Gesamtscore bilden. Eine einfache und robuste Variante: Wert und Umsetzbarkeit und Datenreife werden addiert (höher ist besser), das Risiko wird abgezogen oder als Begrenzer behandelt. Wer mag, gewichtet die Achsen — etwa Wert doppelt, wenn schneller Geschäftsnutzen das primäre Ziel ist.

Ein Beispiel mit drei fiktiven Projekten zeigt das Prinzip:

Hier landet der unscheinbare Rechnungsabgleich vorne — hoher Nutzen, gut umsetzbar, Daten vorhanden, geringes Risiko. Genau solche „langweiligen“ Projekte sind oft die besten Erstprojekte. Die Zahl ersetzt die Diskussion nicht, aber sie verschiebt sie von „welches Projekt finden wir spannend“ zu „warum bewerten wir die Datenreife beim Chatbot nur mit 2“.

Das richtige Erstprojekt: lieber klein und sicher.

Beim allerersten KI-Projekt sollte ein Kriterium die anderen überstimmen: die Wahrscheinlichkeit eines sichtbaren Erfolgs in vertretbarer Zeit. Der Grund ist organisatorisch, nicht technisch. Ein erstes Projekt schafft — oder zerstört — das Vertrauen in das gesamte Thema KI im Haus.

Gute Erstprojekte sind typischerweise: klar abgegrenzt, mit vorhandenen Daten, geringem Regulierungsrisiko und einem messbaren Nutzen, der auch Nicht-Technikern einleuchtet. Belegerkennung, interne Wissensrecherche, Textbausteine im Vertrieb, Klassifikation von Support-Tickets — das sind unspektakuläre, aber dankbare Kandidaten. Realistisch liefern solche Projekte in einer Größenordnung von acht bis sechzehn Wochen erste belastbare Ergebnisse.

Das strategisch wichtigste Projekt ist selten das beste erste Projekt. Ein ambitioniertes Vorhaben mit hohem Wert, aber mittlerer Umsetzbarkeit und schwacher Datenlage gehört auf die Roadmap — aber nicht an Platz eins, solange das Team noch keine Erfolge und keine Routine hat.

Wie Sie die Achsen ehrlich bewerten.

Die Matrix ist nur so gut wie die Ehrlichkeit der Bewertung. Drei Disziplinen helfen, sie nicht zur Selbsttäuschung verkommen zu lassen.

Wert konkret machen. „Hoher Nutzen“ ist wertlos. Beziffern Sie: Wie viele Stunden, wie viele Fälle, welcher Euro-Betrag pro Monat? Wenn niemand den Wert beziffern kann, ist das ein Warnsignal — vielleicht ist der Nutzen kleiner als gedacht.

Umsetzbarkeit von Praktikern schätzen lassen. Nicht der Sponsor, sondern wer das Projekt baut, sollte die Umsetzbarkeit einschätzen. Optimismus-Bias ist hier der häufigste Fehler.

Datenreife verifizieren, nicht vermuten. Bevor ein Projekt eine hohe Datenreife-Note bekommt, sollte jemand tatsächlich in die Daten geschaut haben: Sind sie vollständig, aktuell, zugänglich, korrekt? Eine Stunde echter Datensichtung erspart oft monatelange Enttäuschung.

Bewerten Sie im Team, nicht allein — die Diskussion über abweichende Noten fördert genau die Annahmen zutage, die sonst unausgesprochen das Projekt gefährden.

Grenzen und blinde Flecken der Matrix.

So nützlich die Matrix ist, sie hat systematische Schwächen, die man kennen sollte. Erstens die Scheinpräzision: Eine Summe wie „11 zu 7“ suggeriert Genauigkeit, die in den 1-bis-5-Schätzungen gar nicht steckt. Behandeln Sie kleine Score-Unterschiede als Gleichstand, nicht als klare Reihenfolge.

Zweitens Abhängigkeiten: Manche Projekte sind nur sinnvoll als Vorstufe für andere — etwa eine Datenplattform, die für sich wenig Wert bringt, aber drei Folgeprojekte erst ermöglicht. Solche Enabler bewertet die Matrix systematisch zu niedrig. Hier braucht es eine bewusste Korrektur von Hand.

Drittens strategische Sprünge: Ein Projekt kann jede Achse nur mittelmäßig erfüllen und trotzdem richtungweisend für das Geschäftsmodell sein. Solche Wetten lassen sich nicht wegrechnen — sie sind eine Entscheidung der Geschäftsführung, die die Matrix informiert, aber nicht ersetzt.

Die Matrix ist also ein Filter gegen offensichtlich schlechte Reihenfolgen und ein Strukturgeber für die Diskussion — kein Ersatz für Urteilsvermögen. Wer sie als Automaten missbraucht, ersetzt einen Denkfehler durch einen anderen.

Die Matrix in einen laufenden Prozess gießen.

Einmalige Priorisierung verpufft. Den eigentlichen Hebel entfaltet die Matrix, wenn sie zum wiederkehrenden Ritual wird — als kleines KI-Portfolio-Board, das etwa quartalsweise tagt.

Drei Praktiken haben sich bewährt. Erstens ein lebendes Backlog: Neue Ideen werden laufend gesammelt und beim nächsten Termin bewertet, nicht ad hoc durchgewunken. Zweitens Nachbewertung: Abgeschlossene Projekte werden gegen ihre ursprüngliche Bewertung gespiegelt — lag der Wert wirklich so hoch, war die Umsetzbarkeit wirklich so gut? Das schärft die Bewertungsdisziplin über die Zeit. Drittens Transparenz: Die Rangfolge und ihre Begründung sind für alle Beteiligten sichtbar, das nimmt politischen Druck aus dem Prozess.

Realistisch reichen für ein mittelständisches KI-Portfolio ein gepflegtes Tabellenblatt und ein eineinhalbstündiger Quartalstermin. Es braucht kein teures Tool. Was es braucht, ist die Disziplin, die Reihenfolge nicht dem Zufall, der Lautstärke oder dem letzten Messebesuch zu überlassen — sondern einer Logik, die alle verstehen und mittragen.

Sie haben mehr KI-Ideen als Budget und wollen die Reihenfolge nicht dem lautesten Stakeholder überlassen? Unverbindlich anfragen — wir bewerten Ihre Vorhaben gemeinsam entlang von Wert, Umsetzbarkeit, Risiko und Datenreife und legen ein tragfähiges erstes Projekt fest.