KI-Anwendungsfälle finden: im Arbeitsalltag, nicht im Tool-Katalog

Die teuersten Prozesse sieht man nicht

In fast jedem Unternehmen gibt es zwei Sorten von Schmerzpunkten. Die einen sind bekannt und werden offen benannt. Die anderen sind so tief im Alltag eingewachsen, dass niemand sie mehr als Problem wahrnimmt – sie gelten als „so läuft das eben“. Genau diese unsichtbaren Routinen binden oft die meiste Zeit.

Deshalb scheitert der naheliegende Weg – „Wir fragen einmal in die Runde, wer einen lästigen Prozess hat“ – regelmäßig. Wer in der Routine steckt, erkennt die Routine nicht. Hinzu kommt die Schatten-KI: Mitarbeitende nutzen längst private KI-Konten, sprechen aber nicht darüber, solange Unsicherheit über das Erlaubte herrscht.

Die Konsequenz: Anwendungsfälle lassen sich nicht zuverlässig erfragen. Sie müssen erhoben werden – mit mehreren Instrumenten, die sich gegenseitig absichern.

Die Analyselogik: ein Trichter in fünf Schritten

Bewährt hat sich ein Trichter, der von breit und günstig zu schmal und aufwendig läuft. Jeder Schritt filtert und schärft, was der vorige zutage gefördert hat. Der Leitsatz dahinter: Jeder Anwendungsfall startet bei einem Geschäftsproblem, nicht bei einer Technologie.

1. 1

   Anonyme Mitarbeiterbefragung

   Breit gestreut, anonym – so wird auch die Schatten-KI ehrlich sichtbar. Gemischt aus geschlossenen Fragen (Zahlen) und wenigen offenen Fragen (das, wonach man nicht zu fragen wusste). Ergebnis: Stimmung und erste Themencluster.

2. 2

   Strukturierte Interviews

   Erst einzeln – das schafft die Sicherheit für ehrliche Antworten. Dann Prozess- und Rollengruppen mit den Personen, die eine Übergabe teilen. Beste Frage: nicht „Wo hast du Probleme?“, sondern „Zeig mir, wie du das heute machst.“

3. 3

   Job-Shadowing & Tätigkeits-Tagebücher

   Einen halben bis ganzen Tag mitlaufen oder eine Woche Mini-Tagebuch bei 2–3 Schlüsselrollen. Das wichtigste Mittel gegen „Leute erkennen ihren eigenen mühsamen Prozess nicht“. Reine Workshops verfehlen genau das.

4. 4

   Process-/Task-Mining (selektiv)

   Objektive Zahlen – aber nur bei hochvolumigen, system-geloggten Prozessen, bei denen der Aufwand sich lohnt. Sobald personenbezogene Aktivitätsdaten im Spiel sind: mitbestimmungspflichtig, Betriebsrat einbinden.

5. 5

   Lösungs-Demo-Workshop

   Die Funde mit kleinen, lauffähigen Beispielen zeigen. Das validiert, priorisiert gemeinsam und erzeugt Rückenwind: Wer sieht, wie eine lästige Stunde auf fünf Minuten schrumpft, fragt nicht „Müssen wir?“, sondern „Wann bekomme ich das?“.

Vom Schmerzpunkt zum priorisierten Anwendungsfall

Die Rohfunde werden geclustert und je Anwendungsfall auf einer knappen Karte beschrieben: Prozess, Auslöser, Häufigkeit, heutiger Aufwand, Datenklasse, KI-Hebel und Erfolgskennzahl. Als ein Satz: „Als [Rolle] verliere ich [Zeit] bei [Aufgabe], weil [Ursache].“ Das hält den Fokus auf dem Problem, nicht auf dem Tool.

Anschließend wird jeder Fall nach Wert × Aufwand × Machbarkeit bewertet, gedeckelt durch die Datenklasse als Risiko-Achse. Hoher Nutzen bei niedrigem Aufwand und unkritischen Daten ist ein Quick Win und gehört nach vorne.

Datenklassen K0–K4

Damit Priorisierung und Compliance-Tor zusammenpassen, nutzt der KI-First Audit dasselbe Datenklassenmodell wie der Governance-Leitfaden. Für sensible, latenztolerante, eng umrissene Aufgaben kann ein lokal betriebenes Modell Daten gar nicht erst das Haus verlassen lassen – ein Architektur-Vorteil, aber kein Compliance-Automatismus.

Kein Tool-Projekt, sondern Kulturwandel

Eine wiederholbare Analyselogik findet Anwendungsfälle. Ob sie ankommen, entscheidet die Kultur: Dringlichkeit erzeugen, eine tragende Koalition bilden, früh sichtbare Erfolge zeigen (genau die Quick Wins) und Wissen breit verankern – sowie auf individueller Ebene Bewusstsein, Wollen, Wissen und Können aufbauen.

Ein nützlicher Nebeneffekt: Die strukturierte Befähigung der Mitarbeitenden erfüllt zugleich die KI-Kompetenz-Pflicht nach Art. 4 EU AI Act, die seit dem 2. Februar 2025 gilt – dokumentiert über Teilnahme, Schulungsunterlagen und regelmäßige Aktualisierung.

Fragen & Antworten

Reicht eine Mitarbeiterbefragung, um KI-Anwendungsfälle zu finden?

Nein. Eine anonyme Umfrage erzeugt Hypothesen und Themencluster, verfehlt aber die unbewussten, normalisierten Schmerzpunkte. Sie ist die erste Stufe eines Trichters aus Umfrage, Interviews, Begleitung (Job-Shadowing), selektivem Process-Mining und einem Lösungs-Demo-Workshop.

Wie priorisiert man KI-Anwendungsfälle?

Nach Wert × Aufwand × Machbarkeit, gedeckelt durch die Datensensibilität (Datenklasse K0–K4). Hoher Nutzen bei niedrigem Aufwand und unkritischen Daten ist ein Quick Win und kommt zuerst; hochsensible Fälle brauchen zuerst das passende Betriebsmodell.

Was prüft das Compliance-Tor vor der Umsetzung?

Datenklasse und Betriebsmodell, DSGVO-Rechtsgrundlage und Auftragsverarbeitung (AVV), die EU-AI-Act-Risikostufe (z. B. Hochrisiko im Recruiting) sowie die Mitbestimmung durch den Betriebsrat.

Wie lange dauert eine Anwendungsfall-Discovery für ~120 Mitarbeitende?

Realistisch rund 4–6 Wochen: Woche 1 Kickoff und Umfrage, Woche 2 Auswertung und Auswahl, Woche 2–3 Interviews und Shadowings, Woche 3–4 optionales Mining, Woche 4 Cluster und Priorisierung, Woche 5 Demo-Workshop, Woche 6 Compliance-Tor und Roadmap.