KI-Anwendungsfälle nach Nutzen, Machbarkeit und Risiko priorisieren

Nach einem KI-Workshop hängt in fast jedem Unternehmen eine Wand voller Post-its. Vierzig Ideen, manchmal mehr. Ein Chatbot für Kunden. Automatische Rechnungsverarbeitung. Eine Absatzprognose. «Irgendwas mit unserer Wissensdatenbank». Ein Assistent, der Offerten schreibt.

Dann kommt der unangenehme Teil. Die Ideen, für die sich alle am meisten begeistern, sind meistens die schwierigsten, und das Budget reicht für ein Projekt, vielleicht zwei. Wie also auswählen?

Wir arbeiten mit drei Fragen. Keine davon ist besonders raffiniert. Der Wert liegt darin, sie für jede Idee ehrlich zu beantworten, bevor sich jemand in eine davon verliebt.

Nutzen: Was ändert sich tatsächlich?

«Spart Zeit» ist kein Nutzen. Wessen Zeit, wie viel davon, und was passiert mit der Zeit, die frei wird?

Ein guter Test: Schreiben Sie das Vorher und das Nachher je in einen Satz. Vorher: Zwei Personen in der Buchhaltung tippen fast den ganzen Montag Lieferantenrechnungen ins Abacus. Nachher: Sie prüfen die Rechnungen, die das System markiert, der Rest läuft von selbst durch. Wenn sich dieser Satz noch nicht schreiben lässt, ist die Idee noch nicht reif für eine Bewertung.

Nutzen kann auch heissen: weniger Fehler, schnellere Antworten für Kunden oder ein Angebot, das bisher gar nicht möglich war. Alles in Ordnung. Wichtig ist, dass jemand aus dem Geschäft den Nutzen benennen kann und ihn idealerweise grob beziffert: Stunden pro Woche, Kosten eines Fehlers, Tage Durchlaufzeit.

Machbarkeit: Können wir das wirklich bauen?

Hier verlieren die spannenden Ideen meistens Punkte. Ein paar Dinge entscheiden darüber.

• Daten. Gibt es die Daten, und kommt man an sie heran? «Das ist alles im ERP» heisst manchmal: Es ist im ERP, in Freitextfeldern, und jede Filiale erfasst es anders.
• Prozess. Ist der Prozess stabil und verstanden, oder ändert er sich jedes Mal, wenn ihn jemand Neues übernimmt? Wer einen Prozess automatisiert, den niemand beschreiben kann, bekommt eine schnellere Version des Chaos.
• Systeme. Haben die beteiligten Systeme eine Schnittstelle, oder müsste sich die Lösung durch Bildschirmmasken klicken?
• Verantwortung. Gibt es im Geschäft jemanden, der das will und Zeit dafür einsetzt? Projekte ohne Verantwortliche auf der Fachseite schlafen nach dem Pilot still ein.

Risiko: Was passiert, wenn es falsch ist?

Jedes KI-System liegt manchmal falsch. Die Frage ist, was das kostet.

Ein internes Werkzeug, das eine Zusammenfassung entwirft, die ein Mitarbeiter prüft, ist wenig riskant. Ist der Entwurf schlecht, schreibt ihn jemand neu. Ein System, das Kunden direkt antwortet, etwas genehmigt oder über Menschen entscheidet, ist eine andere Kategorie. Ebenso alles, was Personendaten bearbeitet. Hier setzt das Datenschutzgesetz (und oft auch die DSGVO) Regeln, über die man früh nachdenken sollte und nicht erst nach dem Pilot.

Auch die Umkehrbarkeit zählt. Ein falsches Label auf einer E-Mail ist in einer Sekunde korrigiert. Eine falsche Zahlung oder eine falsche Nachricht an einen Kunden lässt sich nicht zurückholen.

Alles zusammenführen

Geben Sie jeder Idee eine einfache Note von 1 bis 3 für Nutzen, Machbarkeit und Risiko, wobei das Risiko umgekehrt zählt: Geringes Risiko bekommt eine 3. Machen Sie daraus keine Wissenschaft. Eine Tabelle mit vierzig Zeilen und drei Spalten reicht völlig.

Schauen Sie sich die Ergebnisse dann gemeinsam an, und achten Sie mehr auf die Argumente als auf die Summen. Hat eine Idee viel Nutzen, aber wenig Machbarkeit, weil die Daten fehlen, ist das kein Grund, sie zu streichen. Es ist ein Grund, mit den Daten anzufangen und die Idee für später auf die Roadmap zu setzen.

Was meistens ein gutes erstes Projekt ist

Das erste Projekt hat eine besondere Aufgabe. Es muss funktionieren, es muss so sichtbar sein, dass es auffällt, und idealerweise baut es etwas auf, das das zweite Projekt wiederverwenden kann, etwa den Zugang zu einer Datenquelle oder einen Ablauf, um KI-Ergebnisse zu prüfen.

Gute erste Kandidaten sind meistens intern, häufig und wenig riskant: eingehende E-Mails oder Dokumente sortieren und die Daten herauslesen, Zusammenfassungen für Mitarbeitende vorbereiten, Texte entwerfen, die ein Mensch freigibt. Langweilig vielleicht. Aber sie gehen live.

Womit wir eher nicht anfangen würden:

• mit dem unternehmensweiten Chatbot, der «alles weiss»
• mit allem, was ohne Menschen dazwischen über Kunden entscheidet
• mit allem, was auf Daten beruht, die man erst noch sammeln will

Vorher festlegen, wann man aufhört

Eine letzte Sache, die man leicht überspringt. Legen Sie vor dem Start fest, bei welchem Ergebnis Sie aufhören. Zum Beispiel: Wenn das System nach sechs Wochen die meisten Testfälle nicht korrekt bewältigt, beenden Sie das Projekt und behalten, was Sie gelernt haben.

Das klingt negativ. Tatsächlich macht genau das Ausprobieren sicher, weil alle wissen, dass ein gescheitertes Experiment klein bleibt.