Wo bei KI anfangen? Use-Cases nach Business Impact priorisieren

Pexon Consulting | 9 Min. Lesezeit | 09.06.2026

TL;DR

Wo bei KI anfangen ist 2026 die häufigste Frage in unseren Erstgesprächen mit Mittelstands-Geschäftsführungen: Die Möglichkeiten sind überwältigend, das interne Team weiß nicht, wo der Hebel am größten ist. Pexon Consulting nutzt ein 3×3-Framework aus Business Impact mal Implementierungsaufwand mal Reife der Datenlage, um die ersten drei bis fünf produktiven Use-Cases zu identifizieren. Die ehrliche Antwort ist meist: Nicht bei dem Use-Case, den die KI-Anbieter pitchen, sondern bei dem, der euren konkreten Schmerz am stärksten löst.

Warum klassische KI-Strategien selten funktionieren

Wir hören das aktuell wöchentlich: Eine Geschäftsführung hat eine sechsmonatige KI-Strategie ausgearbeitet, mit 47 identifizierten Use-Cases, einer fünfstufigen Reife-Klassifikation und einer farbcodierten Roadmap bis 2028. Drei Wochen später fragt der CTO: „Wo fangen wir jetzt eigentlich an?“ Die Antwort ist nicht in der Strategie — die Strategie ist ein Katalog, nicht ein Entscheidungsgerüst.

Das Problem ist nicht die strategische Arbeit, sondern die fehlende Operationalisierung. KI-Use-Cases haben drei harte Dimensionen, die im Vergleich entscheidend sind. Erstens Business Impact: Wie viel Wert kann der erfolgreiche Use-Case bringen, in EUR pro Jahr oder über Vermeidung von Risiko. Zweitens Implementierungs-Aufwand: Wie lange dauert es bis zum produktiven Roll-out, was kostet es, welche Fähigkeiten braucht es. Drittens Reife der Datenlage: Sind die Quellen, die der Use-Case braucht, in akzeptabler Qualität vorhanden, oder braucht es ein Vor-Projekt zur Daten-Bereinigung.

Wer diese drei Dimensionen ehrlich bewertet, kommt schnell auf drei bis fünf Use-Cases, die strukturell die ersten produktiven sein sollten. Die restlichen Use-Cases aus dem Katalog sind nicht „falsch“, sondern „später dran“.

Das Pexon-3×3-Framework

Wir bewerten jeden Kandidat-Use-Case auf drei Achsen, jede mit drei Stufen.

Achse 1: Business Impact. Niedrig (< 50k EUR Annual Value), mittel (50-250k EUR), hoch (> 250k EUR).

Achse 2: Implementierungs-Aufwand. Niedrig (< 60k EUR und < 8 Wochen), mittel (60-150k EUR und 8-16 Wochen), hoch (> 150k EUR oder > 16 Wochen).

Achse 3: Daten-Reife. Niedrig (Quellen unklar oder schlecht zugänglich), mittel (Quellen existieren, brauchen Aufbereitung), hoch (Quellen sind klar und gut nutzbar).

Daraus ergibt sich für jeden Use-Case ein 3x3x3-Profil. Die ersten produktiven Use-Cases sollten typisch in der Kombination „hoher Impact, mittlerer Aufwand, hohe Daten-Reife“ liegen. Use-Cases mit niedriger Daten-Reife brauchen ein Vor-Projekt; die führen wir später in die Pipeline. Use-Cases mit sehr hohem Aufwand und nur mittlerem Impact werden zurückgestellt, weil das Risiko des PoC-Friedhofs zu groß ist.

Die typischen Quick-Wins für deutsche Mittelständler

Aus 30+ Erstgesprächen kristallisieren sich vier Use-Case-Familien als Standard-Quick-Wins für deutsche Mittelständler.

Quick-Win 1: Document-Intelligence für interne Backoffice-Prozesse. Rechnungen, Lieferscheine, Materialzeugnisse, Frachtrechnungen, Reklamationen. Hoher Impact (typisch 150-400k EUR Annual Value), mittlerer Aufwand (6-12 Wochen), hohe Daten-Reife (Dokumente liegen im DMS). Ausgangsfrage: Welche zwei oder drei Dokumenttypen verarbeitet euer Backoffice am häufigsten manuell? Mehr im Document Intelligence Agent Blog.

Quick-Win 2: Bootcamp für Fachbereiche. Niedriger bis mittlerer Aufwand (30-50k EUR, 5 Tage plus 4 Wochen Office Hours), hoher Impact (Adoptions-Quote in den ersten 100 Mitarbeitern, die später multiplizieren). Ausgangsfrage: Welche zwei oder drei Abteilungen haben den größten Druck oder die größte Eigeninitiative bei KI? Mehr im 5-Tage-Bootcamp-Blog.

Quick-Win 3: Eigene KI-Plattform statt ChatGPT-Schatten-IT. Mittlerer Aufwand (65-95k EUR, 6-8 Wochen), hoher Impact (DSGVO-Sicherheit plus breite Adoption von 500-1.500 Usern). Ausgangsfrage: Wie viele eurer Mitarbeiter nutzen aktuell privat ChatGPT mit dienstlichen Daten? Mehr im Eigene KI-Plattform Blog.

Quick-Win 4: RAG-Wissensdatenbank gegen ein spezifisches Pain. Mittlerer Aufwand (75-120k EUR, 10-14 Wochen), hoher Impact bei Such-intensiven Abteilungen (Service, Konstruktion, Einkauf). Ausgangsfrage: Welche eurer Abteilungen verlieren am meisten Zeit beim Suchen in alten Dokumenten oder Mails? Mehr im KI-Wissensdatenbank Blog.

Was ihr NICHT als ersten Use-Case angehen solltet

Anti-Pattern 1: Customer-Facing-Chatbot als Erstes. Hoher Reputations-Schaden bei Fehlern, hohe Erwartungen, technisch anspruchsvoll. Wir empfehlen, externe Kunden-Chatbots erst nach drei oder vier internen Use-Case-Erfolgen anzugehen. Dann ist das Team reif genug, die Anti-Patterns zu kennen.

Anti-Pattern 2: Reine Innovation-Demos ohne Business-Case. „Wir wollen mal Stable Diffusion ausprobieren.“ Macht in der F&E Sinn, aber nicht als KI-Strategie-Startpunkt. Was nicht messbar produktiven Wert liefert, wird in sechs Monaten eingestellt und hat das Team frustriert.

Anti-Pattern 3: Computer Vision in der Produktion ohne PLC-Engineering-Reife. Computer Vision für Qualitätsprüfung oder Predictive Maintenance liefert hohen Impact, braucht aber tiefes Engineering in Hardware-Anbindung, OT-IT-Trennung und Edge-Compute. Für Unternehmen ohne reifes OT-Engineering ist das ein 18-Monate-Projekt, kein Quick-Win.

Anti-Pattern 4: KI für komplett unklare Schmerzen. „Wir wollen KI nutzen, sagen Sie uns wofür.“ Wir lehnen solche Erstgespräche höflich ab, weil ohne Schmerz-Mapping kein sinnvoller Use-Case priorisierbar ist. Erst eine 60-90-Minuten-Schmerz-Mapping-Session, dann die Use-Case-Auswahl.

Häufig gestellte Fragen

Wie lange dauert die Priorisierungs-Phase?

Bei strukturierter Vorgehensweise 2-4 Wochen vom Erstgespräch bis zur priorisierten Use-Case-Liste mit Top-3-Empfehlung. Wir bieten das als 25.000-EUR-Discovery-Sprint an, der mit dem ersten Production-Sprint verrechnet wird, wenn ihr mit uns weiterarbeitet.

Können wir mehrere Use-Cases parallel starten?

Theoretisch ja, praktisch nein. Bei Mittelstand-Engineering-Teams führt der Parallelstart von mehr als zwei Use-Cases zur Übersättigung und alle Use-Cases ziehen sich. Wir empfehlen: Ersten Use-Case starten und produktiv bringen, dann zweiten, dann dritten. Sequenziell. Die Wave-Cadenz ist typisch 3-4 Monate pro Use-Case.

Was, wenn die Geschäftsführung andere Prioritäten setzt?

Wir liefern eine Empfehlung, die Geschäftsführung entscheidet. Was wir konsequent machen: Wenn die GF eine Use-Case-Wahl trifft, die laut unserem Framework hohes Misserfolgs-Risiko hat, dokumentieren wir das mit den Risiken und den Erfolgs-Bedingungen schriftlich. Damit haben alle Beteiligten klare Erwartungen.

Wie unterscheidet sich euer Framework von McKinsey- oder BCG-KI-Strategien?

Klassische Strategie-Beratung produziert breite Use-Case-Kataloge mit hoher analytischer Tiefe, aber wenig Implementierungs-Roadmap. Wir produzieren eine kompakte Priorisierung mit klarer Handlungsempfehlung und Festpreis-Sprint-Angeboten. Beides hat Berechtigung — strategische Tiefe vs. Handlungsorientierung. Für Mittelstand mit 300-3.000 Mitarbeitern ist meistens Handlungsorientierung der bessere Pfad.

Funktioniert das Framework auch für Branchen, in denen ihr noch keine Projekte habt?

Ja, mit der Einschränkung, dass die Use-Case-Patterns weniger erprobt sind. Wir kombinieren in solchen Fällen den Framework-Ansatz mit einer tieferen Branchen-Recherche und der Anbindung an Branchen-Experten. Bei den Branchen, in denen wir schon viele Projekte haben (Maschinenbau, Versicherung, Energie, Banking), ist die Priorisierungs-Geschwindigkeit deutlich höher.

Nächster Schritt

Wenn deine Geschäftsführung gerade vor der „wo fangen wir an“-Frage steht: Wir machen einen 45-Minuten-Call mit dir und idealerweise einem Verantwortlichen aus der Strategie oder Digital-Transformation. Du beschreibst eure aktuelle Lage, wir skizzieren die ersten zwei oder drei priorisierten Use-Cases und das Discovery-Sprint-Format.

Verwandte Themen