Welche KI-Anwendungsfälle rechnen sich innerhalb eines Jahres?

Der Führungsworkshop endet mit siebenundvierzig Ideen an der Wand. Jede hat irgendwo eine Demo — beim Anbieter, bei der Beratung, bei einem begeisterten Kollegen. Der Vorstand will wissen, welche drei finanziert werden. „Was kann KI für uns tun?“ ist die falsche Frage; jede Idee an der Wand beantwortet sie. Die richtige Frage lautet, welche davon in achtzehn Monaten noch laufen, sich selbst tragen und in den Zahlen auftauchen.

Die Evidenz sagt, dass die meisten das nicht tun werden, und sie sagt auch, warum. Die kontrollierten Feldstudien, die echte Gewinne fanden, sind spezifisch: Mitarbeitende im Kundensupport lösen mit einem Assistenten vierzehn Prozent mehr Anliegen pro Stunde, Neulinge vierunddreißig Prozent mehr; Beraterinnen und Berater erledigen zwölf Prozent mehr Aufgaben, ein Viertel schneller und in deutlich höherer Qualität — bei Arbeit innerhalb der Kompetenz des Modells — und schneiden bei einer Aufgabe außerhalb davon messbar schlechter ab. Daneben stehen Umfragen, in denen die große Mehrheit der Unternehmenspiloten gar keinen messbaren Effekt auf die GuV zeigt; eine vielzitierte Studie des MIT NANDA bezifferte das auf fünfundneunzig Prozent, und was man auch von der Methode hält, die Richtung deckt sich mit dem, was ich sehe. Der Unterschied zwischen den beiden Gruppen ist nicht die Technik. Es ist die Methode, mit der ausgewählt, gemessen und eingeführt wird.

Wert hat vier Mechanismen, und nur einer zählt sich selbst

Jeder Anwendungsfall schafft Wert über einen von vier Mechanismen, und sie unterscheiden sich enorm darin, wie viel des behaupteten Werts je die GuV erreicht.

Mechanismus	Zeigt sich als	Erreicht die GuV, wenn …
Zeit	Gesparte Stunden je Aufgabe, mal Volumen	Kapazität umgewidmet wird, Überstunden sinken oder eine geplante Einstellung entfällt. Sonst ist es ein angenehmerer Tag — schön, aber kein Business Case.
Qualität	Weniger Fehler, weniger Nacharbeit, weniger Beschwerden, weniger Prüfungsfeststellungen	Die Fehlerquote vorher und nachher gemessen wurde und jeder Fehler Kosten hatte: Nacharbeitsstunden, Schäden, Strafen.
Umsatz	Ein neues Angebot, ein kürzerer Vertriebszyklus, höhere Abschlussquote, bessere Kundenbindung	Es in Rechnung gestellt wird. Der einzige Mechanismus, der sich selbst zählt.
Risiko	Vermiedener Schaden, bessere Compliance-Nachweise, niedrigere Prämie	Jemand mit Autorität die Schätzung akzeptiert — Risikoverantwortliche, ein Versicherer, eine Prüferin. Der schwierigste; sparsam einsetzen.

Der Folien-Favorit behauptet fast immer Zeitersparnisse, die nie konvertieren. Zwei Stunden pro Woche bei achthundert Menschen sind sechzehnhundert Stunden pro Woche — und null Euro, solange sich bei Personalstand, Überstunden oder Durchsatz nichts ändert. Schreiben Sie auf, welches der drei sich ändern wird und wer dafür verantwortlich ist. Übernimmt das niemand, ist der Wert für die Menschen real und für die Organisation abwesend, und der Business Case sollte das sagen.

Ein Business Case, der einer Prüfung standhält

Das Beispiel ist bewusst unspektakulär. Eine Kreditorenbuchhaltung kontiert 2.400 Rechnungen pro Woche. Eine Beobachtung über drei Wochen — keine Schätzung der Teamleitung — ergibt im Schnitt vier Minuten je Rechnung. Ein Pilot auf echten Rechnungen, geprüft gegen einen Evaluationsdatensatz bekannt richtiger Kontierungen, bringt das auf anderthalb Minuten: Der Assistent schlägt vor, ein Mensch bestätigt. Das ist der gemessene Effekt; das „bis zu siebzig Prozent“ eines Anbieters ist es nicht.

Dann die Adoptionsannahme: Sechzig Prozent des Volumens laufen im ersten Jahr über den Assistenten. Nicht hundert. Erfahrene Sachbearbeiterinnen vertrauen ihrem eigenen Tempo; die Studie zu Supportmitarbeitenden fand die Gewinne konzentriert bei neueren Kräften und nahe null bei den erfahrensten, die spät oder gar nicht umsteigen. Sechzig Prozent von hundert Stunden pro Woche sind sechzig Stunden, etwa anderthalb Vollzeitäquivalente, grob 95.000 Euro pro Jahr mit allen Nebenkosten — wenn die Kapazität umgewidmet oder eine geplante Einstellung vermieden wird. Die Kosten, aus der Make-Buy-Partner-Analyse: etwa 45.000 für den Aufbau mit einem Partner und 2.500 pro Monat für den Betrieb, einschließlich Modellzugang, Hosting, Wartung und Evaluationsläufen. Netto etwa 5.500 Euro pro Monat gegen 45.000 vorab: Amortisation im neunten Monat.

Machbarkeit ist vor allem eine Datenfrage

Gespräche über Machbarkeit drehen sich meist um Modelle. Sie sollten sich um Daten drehen, in fünf Fragen.

1. Existieren die Daten? Nicht „irgendwo im System“, sondern als Datensätze mit den Feldern, die der Anwendungsfall braucht, für den Zeitraum, den er braucht.
2. Dürfen Sie sie nutzen? Eine Rechtsgrundlage nach DSGVO für personenbezogene Daten und — in Deutschland — das Mitbestimmungsrecht des Betriebsrats nach § 87 Betriebsverfassungsgesetz für jedes System, das Leistung oder Verhalten überwachen kann; das sind die meisten Assistenten, die Nutzung protokollieren. Beziehen Sie den Betriebsrat früh ein; ein Anwendungsfall, der ihn überrascht, ist ein Anwendungsfall, der stockt.
3. Sind sie gut genug? Ein Wiki ist kein Korpus. Dokumente ohne Verantwortliche, Datum oder Gültigkeit sind der häufigste Grund, warum ein vielversprechender Retrieval-Anwendungsfall am Kontakt mit echten Fragen scheitert; der Leitfaden zum Context Engineering beschreibt, was ein Korpus braucht.
4. Wohin geht das Ergebnis? Eine Antwort, die von Hand in ein anderes System kopiert werden muss, verliert unterwegs den größten Teil ihrer Zeitersparnis.
5. Können Sie es evaluieren? Können Sie zweihundert echte Fragen mit bekannt richtigen Antworten aufschreiben? Wenn nicht, wissen Sie nicht, ob der Pilot funktioniert hat, und die zerklüftete Grenze wird Sie finden: Das Feldexperiment mit Beratern zeigte Menschen mit KI um neunzehn Prozentpunkte schlechter bei der einen Aufgabe, die bewusst außerhalb der Modellkompetenz gewählt war. Ihre Aufgaben, Ihr Evaluationsdatensatz.

Ein Anwendungsfall mit hohem Wert und ohne brauchbare Daten ist zuerst ein Datenprojekt. Finanzieren Sie ihn ehrlich als solches und erwarten Sie im ersten Jahr keine Amortisation.

Der AI Act zieht Linien durch das Portfolio

Einige der wertvollsten Ideen an der Wand sind nach Anhang III des AI Act Hochrisiko: Bewerbungen vorauswählen, Beschäftigte bewerten, Kreditwürdigkeit scoren, Risiken in der Lebens- und Krankenversicherung bepreisen, über den Zugang zu wesentlichen Diensten entscheiden. Hochrisiko heißt nicht „nicht“. Es heißt menschliche Aufsicht, Protokollierung, Überwachung, Information der betroffenen Beschäftigten und — für Anbieter — Konformitätsbewertung und technische Dokumentation, was alles die Amortisationsrechnung verändert. Die verbotenen Praktiken gelten seit Februar 2025, die Transparenzpflichten seit August 2026. Für Hochrisiko-Systeme hat der im Juli 2026 in Kraft getretene Digital Omnibus zur KI die Geltungstermine auf Dezember 2027 für Anhang-III-Systeme und August 2028 für KI in regulierten Produkten verschoben. Das ist Zeit, die Aufsicht sauber zu entwerfen, kein Grund, sie zu ignorieren — und ein Grund, jeden Anwendungsfall im Portfolio jetzt zu klassifizieren, damit die mit Pflichten auch mit ihnen budgetiert werden.

Das Portfolio kartieren

Zwei Dinge macht die Karte sichtbar, die eine Liste verbirgt. Der Folien-Favorit sitzt oben links — enormer behaupteter Wert, keine Daten, obendrein eine Hochrisiko-Einstufung —, und er ist der, den der Anbieter vorgeführt hat. Und unten rechts sitzt ein Anwendungsfall, der billig zu bauen und teuer zu regieren ist: Bewerbervorauswahl ist mit jedem modernen Modell an einem Nachmittag machbar, und sie ist ein Hochrisiko-System mit Betriebsrat, Aufsichtsdesign und Dokumentationspflicht im Gepäck. Die Karte sagt zu keinem von beiden Nein. Sie sagt, was jeder tatsächlich kosten würde.

Das Portfolio balancieren wie ein Investor

Aus siebenundvierzig Ideen werden vierzehn, sobald jede einen benannten Wertmechanismus, Datenverantwortliche und eine Prüfung gegen die verbotenen Praktiken braucht. Aus vierzehn werden sechs, sobald eine Ausgangslage gemessen wurde und ein Piloteffekt auf einem Evaluationsdatensatz existiert. Aus sechs werden drei, sobald Amortisation binnen zwölf Monaten bei realistischer Adoption verlangt wird — oder die Idee ehrlich zum Fähigkeitsaufbau erklärt und als solcher finanziert wird.

Die Balance zählt so viel wie die Auswahl. Quick Wins finanzieren das Programm und kaufen die Glaubwürdigkeit für die schwierigeren Dinge. Fähigkeitsaufbau — die Dokumentenpipeline, die Retrieval-Schicht, die Evaluationsumgebung, die Plattformentscheidung — macht die zweite Welle günstig; er rechnet sich selten allein binnen eines Jahres und sollte das auch nicht müssen. Optionen sind kleine, zeitlich begrenzte Experimente an Dingen, die Angebote werden könnten — womit wir bei der Hälfte des Portfolios sind, die die meisten Strategien auslassen.

Die Business-Development-Hälfte: was Sie jetzt verkaufen können

Die meisten KI-Strategien hören bei der Effizienz auf. Die interessantere Hälfte schaut nach außen und folgt drei Mustern.

Eine interne Fähigkeit wird zum Produktmerkmal. Der Maschinenbauer, dessen Servicetechniker einen Wissensassistenten über zwanzig Jahre Wartungsakten nutzen, kann diesen Assistenten Kunden als Supportstufe anbieten. Das Labor, dessen Protokollassistent die Einarbeitungszeit verkürzt hat, kann ihn an Partner lizenzieren. Der Wertmechanismus ist Umsatz, der einzige, der sich selbst zählt, und die Machbarkeitsarbeit ist bereits bezahlt.

Partnerschaften tauschen komplementäre Fähigkeiten. Ihre Daten und Ihre Domäne, deren Modellbetrieb; Ihr Vertrieb, deren Produkt. Solche Vereinbarungen scheitern an den Klauseln, die als juristische Standardware galten: Wem gehören die Evaluationsdaten, wer darf worauf trainieren, wo läuft die Inferenz, und wie kommt jede Seite wieder heraus. Souveränität und Exit (englisch) sind Teil des Deals, kein Anhang.

Die neuen Fragen der Käufer beantworten zu können, ist selbst Business Development. Ausschreibungen in regulierten Branchen fragen inzwischen, wohin die Daten gehen, welches Recht sie erreichen kann, wie der AI Act gehandhabt wird und was passiert, wenn der Modellanbieter seine Bedingungen ändert. Organisationen, die mit einer Architektur statt einem Versprechen antworten, gewinnen diese Ausschreibungen. Die Versuchung auf der anderen Seite ist, „KI-gestützt“ auf ein Angebot zu schreiben, hinter dem kein gemessener Effekt steht. Die Due Diligence regulierter Käufer hat das eingeholt, und es kostet Vertrauen, das sich nur langsam zurückgewinnen lässt.

Was das für Ihr nächstes Quartal bedeutet

Nehmen Sie die Wand voller Ideen und lassen Sie den Trichter einmal schnell laufen. Ein Wertmechanismus und Datenverantwortliche für jede Idee: zwei Wochen. Drei gemessene Ausgangslagen. Ein Pilot mit Evaluationsdatensatz. Finanzieren Sie zwei Quick Wins und einen Fähigkeitsaufbau, setzen Sie eine nach außen gerichtete Option auf die Liste und berichten Sie im Quartal danach Istwerte — keine Prognosen. Das Portfolio wird viel kleiner sein als die Wand. Es wird auch in achtzehn Monaten noch da sein, und genau darum geht es.