Kommentar von Laurenz Kirchner, Valantic So finden Unternehmen den passenden KI-Anwendungsfall

Anbieter zum Thema

valantic Supply Chain Excellence AG

Fsas Technologies GmbH

Board Deutschland GmbH

Disy Informationssysteme GmbH

Künstliche Intelligenz (KI) unterstützt heute zunehmend die zentralen Abläufe in Unternehmen und liefert spürbare Ergebnisse. Wie groß die Mehrwerte durch KI letztlich ausfallen, hängt jedoch stark vom jeweiligen Einsatzszenario ab. Wie gelingt es, die richtigen Anwendungsfälle zu identifizieren und diese erfolgreich umzusetzen?

Die Erfahrung aus zahlreichen Projekten macht deutlich, dass Unternehmen, die ihre Use Cases anhand klarer Kriterien konsequent auf den Geschäftsnutzen ausrichten, deutlich schneller zu greifbaren Resultaten gelangen. Häufig fehlt jedoch genau diese Fokussierung. Der hohe Druck aus dem Markt führt nicht selten zu spontanen Initiativen, die zwar ambitioniert starten, jedoch ohne klare Priorisierung und ein wirksames Portfoliomanagement kaum Wirkung entfalten. Oft entstehen in diesem Zusammenhang Schattenprojekte, die „bottom-up“ wachsen, aber weder bewährte Auswahlmethoden berücksichtigen noch in ein strategisches KI-Produktportfolio eingebettet sind. Die Folge ist, dass viele Ansätze zwar gut gemeint sind, aber im Alltag wirkungslos bleiben.

Auf kritische Geschäftsfähigkeiten fokussieren

Ein wirklich wertschöpfender Einsatz von KI erfordert einen Perspektivwechsel. Was braucht unser Geschäft wirklich, um entscheidend besser zu werden? Der Ausgangspunkt besteht demnach in einer Analyse der kritischen Geschäftsfähigkeiten. Welche wesentlichen Prozesse haben das Potenzial, das Geschäftsergebnis dank der Unterstützung durch KI signifikant zu optimieren?

So zeigt sich beispielsweise bei einem Stahlhändler mit großen Umsätzen, aber geringen Margen und stark schwankenden Preisen, dass die Stabilisierung der Marge für den Geschäftserfolg ausschlaggebend ist. Ein optimales, KI-gestütztes Pricing wird hier zum entscheidenden Hebel. Ein Hersteller spezialisierter elektronischer Komponenten verliert dagegen durch eine langsame Angebotserstellung wertvolle Zeit und Wettbewerbsfähigkeit. Für ihn stellt eine weitgehend automatisierte Angebotsabwicklung eine kritische Geschäftsfähigkeit dar.

Wenn KI-Projekte an der Wirklichkeit scheitern

Datenchaos bremst Künstliche Intelligenz aus

Wesentlich ist, diese Kernfähigkeiten zunächst als idealen End-to-End-Prozess zu entwerfen. Wie sähe der bestmögliche Zustand aus? Viele Unternehmen unterschätzen dabei, welche Potenziale in Bezug auf Geschwindigkeit, Kosten oder Qualität realistisch erreichbar sind. Von diesem Zielbild ausgehend lässt sich dann rückwärts planen, um Schritt für Schritt zu realistischen Teilprojekten zu gelangen.

Ideen sammeln und strukturieren

Sind die geschäftskritischen Prozesse klar identifiziert, beginnt die Ideengenerierung. Besonders wirkungsvoll ist dabei ein interdisziplinäres Vorgehen: Wenn Fachexperten, Data Scientists, IT und Operations gemeinsam Szenarien entwickeln, entstehen Lösungen, die technologische Möglichkeiten mit den tatsächlichen geschäftlichen Herausforderungen verbinden. Interaktive Workshop-Formate (z. B. Ideen-Canvas oder Value Stream Mapping) helfen, Ideen zu dokumentieren, zu strukturieren und in erste Cluster einzuteilen. Entscheidend ist zudem die aktive Einbindung aller Beteiligten, denn sie schafft Transparenz und fördert die Akzeptanz über Abteilungsgrenzen hinweg.

Nutzen und Machbarkeit prüfen

Nicht jede Idee eignet sich jedoch automatisch als Use Case. Deshalb ist eine zweidimensionale Bewertung sinnvoll, bei der einerseits der geschäftliche Effekt – etwa durch Umsatzsteigerung, Kostensenkung oder Qualitätsgewinne – und andererseits die technische sowie organisatorische Umsetzbarkeit im Mittelpunkt stehen. Ein Stufenmodell sorgt dabei für Übersicht und erleichtert die Priorisierung.

Kommentar von Dr. Alisa Küper, Adesso

Der AI Act und die Bedeutung von KI-Kompetenz

Mit Blick auf die technologische Entwicklung empfiehlt es sich, den Trend der agentischen KI frühzeitig mitzudenken. Unternehmen sollten von Anfang an prüfen, ob sich Prozesse perspektivisch auch vollständig automatisiert und damit ohne manuelle Eingriffe abbilden lassen. Dazu gehört, dass KI-Agenten in der Lage sind, eigenständig Entscheidungen entlang der Prozessschritte zu treffen. Auf architektonischer Ebene ist es sinnvoll, über eine Multi-Agent-AI-Plattform nachzudenken, die zentrale Funktionen wie Identitätsprüfung oder die regelkonforme Freigabe von Wissen integriert. Damit wird sichergestellt, dass KI-Agenten künftig sowohl autonom als auch im Einklang mit Compliance-Anforderungen agieren.

Auswahl treffen und Verantwortung klären

Auf Basis dieser Analyse folgt die Auswahl der Use Cases, die tatsächlich umgesetzt werden sollen. Besonders effektiv ist es, wenn die Ideengeber ihre Vorschläge vor einer internen Jury präsentieren – inklusive Business Case, Budgetbedarf und konkretem Umsetzungsplan. Auf diese Weise entsteht Verbindlichkeit, und das Management gibt die notwendige Rückendeckung. Ebenso wichtig sind klar definierte Verantwortlichkeiten und ein dediziertes Umsetzungsteam. Ohne die Unterstützung durch Fachbereiche, IT und Datenabteilung bleiben selbst die überzeugendsten Ideen oft in der Konzeptphase stecken.

Proof of Concept und Proof of Value durchführen

Bevor ein Use Case skaliert wird, muss er sich zunächst in kleinerem Rahmen bewähren. Ein Proof of Concept überprüft die technische Realisierbarkeit, während ein Proof of Value klärt, ob der erwartete geschäftliche Nutzen tatsächlich eintritt. Ein agiles Vorgehen ist in dieser Phase unverzichtbar, um Schwachstellen frühzeitig zu erkennen und rechtzeitig Anpassungen vorzunehmen. Wichtig ist zudem die enge Zusammenarbeit aller Beteiligten: Während die IT die notwendigen Schnittstellen prüft und das Data-Team die Modell-Performance optimiert, bewertet der Fachbereich die geschäftliche Wirkung. Gleichzeitig sollte die Rechtsabteilung einen souveränen Umgang mit regulatorischen Vorgaben sicherstellen – etwa im Hinblick auf den EU AI Act.

Skalierung und Übergang in den Betrieb

Ein erfolgreicher Prototyp ist nur der Anfang. Die eigentliche Herausforderung liegt in der Skalierung, die sowohl technische als auch organisatorische Anpassungen umfasst. Dazu zählen die Definition von KPIs ebenso wie Trainingsprogramme für Mitarbeitende oder die Entwicklung ethischer Leitlinien. Ein tragfähiges Betriebsmodell sorgt dafür, dass die neuen KI-Anwendungen nicht als Einzelprojekte verharren und langfristig im Unternehmen verankert werden.

Modelle, Plattformen und Infrastruktur für den schnellen Start

So bringen Unternehmen KI in den produktiven Einsatz

KI-Portfolio dynamisch steuern

Der Einsatz von Künstlicher Intelligenz ist ein fortlaufender Prozess. Marktveränderungen, technologische Fortschritte und interne Lernerfahrungen erfordern ein dynamisches Management, das bestehende Use Cases kontinuierlich weiterentwickelt und neue identifiziert. Nur durch diese permanente Anpassung kann KI langfristig unternehmensweit Wirkung entfalten.

Warum der richtige Use Case den Unterschied macht

Unternehmen sehen bereits heute messbare Effekte durch den Einsatz von KI – vorausgesetzt, die Auswahl und Umsetzung der Use Cases folgen einer klaren Struktur. Unternehmen, die systematisch vorgehen, Ideen sorgfältig bewerten und Schritt für Schritt realisieren, legen den Grundstein dafür, dass KI zu einem festen Bestandteil moderner Unternehmensführung wird. Entscheidend ist dabei nicht die Vielzahl an Projekten, vielmehr die Qualität der Auswahl. Nicht alles auf einmal, sondern das Richtige zuerst.

(ID:50569591)