KI Use Cases neu denken – vom Werkzeug-Trick zum Werthebel

Eine Beobachtung aus Workshops, immer wieder. Du fragst ein Team nach KI-Use-Cases. Die Antworten kommen schnell. "Wir wollen Excel-Tabellen schneller auswerten." "Aus einem Blogpost soll ein Instagram-Post werden." "Mails vorformulieren lassen." Das ist nicht falsch. Genau dafür funktioniert KI sehr gut. Aber es ist die kleinste Version dessen, was du eigentlich in der Hand hast.

Was diese Beispiele gemeinsam haben: Es sind alte Aufgaben in schneller. Eine bestehende Tätigkeit wird beschleunigt oder verbilligt. Nichts daran ist verkehrt. Aber wenn du nur dort suchst, übersiehst du, was generative KI von klassischer Automatisierung unterscheidet. Du nutzt ein Werkzeug, das Bilder, Töne, Code, Sprache und Bedeutung gleichzeitig versteht, wie eine etwas schnellere Schreibmaschine.

Was diese Lesson macht und was nicht

Diese Lesson ist keine Liste. Es gibt im Netz Hunderte solcher Listen, sortiert nach Marketing, HR, Vertrieb, Controlling. Sie sind nützlich als Inspiration und genauso flach wie das Workshop-Muster oben. Was hier stattdessen kommt, ist ein Denkrahmen. Zwei Bewegungen, die du auf jeden bestehenden oder neuen Use Case anwenden kannst.

Wenn du einen Use Case bewerten willst, frag dich zuerst: Welche Stufe ist das gerade? Es gibt drei. Sie schließen sich nicht aus, sie bauen aufeinander auf. Aber sie liefern völlig unterschiedlichen Wert.

Stufe 1: Effizienz

Die bekannteste Stufe. Eine bestehende Aufgabe wird schneller, billiger oder einfacher. Du machst weiterhin dasselbe wie vorher, nur mit weniger Aufwand. Mail-Entwurf in zwei Minuten statt zehn. Meeting-Notiz automatisch transkribiert statt manuell mitgeschrieben. Excel-Formeln per Sprache statt per Suche. Hier landet ungefähr 80 Prozent dessen, was Teams in Workshops aufschreiben.

Stufe 2: Effektivität

Hier ändert sich nicht die Geschwindigkeit, sondern die Qualität der Aufgabe. Du machst nicht dasselbe schneller. Du machst es besser oder gründlicher, weil die KI Dinge mitbringt, die du selbst nicht hattest. Aus "Excel auswerten" wird "Excel auswerten und dabei Hypothesen testen, Ausreißer erklären, Annahmen prüfen". Aus "Mail beantworten" wird "Mail beantworten und gleichzeitig prüfen, ob die Antwort zum letzten Vertragsstand passt".

Der Hebel auf dieser Stufe ist Tiefe. Du nutzt KI nicht, um eine Aufgabe abzuschneiden, sondern um sie auf ein Niveau zu heben, das du allein nicht geleistet hättest. Weil dir die Zeit fehlte. Oder die Daten. Oder die Übersicht.

Stufe 3: Neuartiges

Die Stufe, die fast niemand auf seiner Liste hat. Hier geht es um Aufgaben, die ohne KI gar nicht möglich gewesen wären. Nicht, weil sie zu teuer waren. Sondern weil sie sich technisch oder organisatorisch nicht bauen ließen. 1.000 Onboarding-Pfade, jeder personalisiert auf Vorerfahrung und Rolle. Eine Wissensbasis, die jede neue Frage in ihrem eigenen Kontext beantwortet, ohne dass jemand vorher Antworten geschrieben hat. Ein Vertriebsgespräch, das parallel in vier Sprachen stattfindet.

Die drei Stufen am gleichen Beispiel

Drei Mal "Kunden-Feedback verarbeiten". Drei völlig unterschiedliche Use Cases. Drei völlig unterschiedliche Investitionen, Risiken und Wirkungen. Wer alle drei "Feedback-Auswertung" nennt, wird sie auch alle gleich behandeln. Und das ist meistens der Punkt, an dem die Unterschiede verschwinden.

Wenn du einen Use Case von Stufe 1 auf Stufe 2 oder 3 heben willst, brauchst du etwas, was klassische Automatisierung nicht hat. Es gibt vier solcher Hebel. Jeder einzelne kann einen Use Case verändern. Mehrere zusammen machen aus einem Werkzeug-Trick einen Werthebel.

Hebel 1: Personalisierung in Skala

Der gleiche Kerninhalt, hundert oder tausend Mal individuell. Nicht im Sinne von "Anrede einsetzen", sondern wirklich auf Person, Situation und Vorgeschichte zugeschnitten. Ein Onboarding-Pfad, der weiß, was der neue Mitarbeiter schon kann. Ein Produkt-Hinweis, der zur konkreten Nutzungshistorie passt. Eine Antwort, die den letzten Vertragsstand mitdenkt. Personalisierung war früher teuer, weil sie Menschen brauchte. Jetzt skaliert sie.

Hebel 2: Modalitäts-Übersetzung

KI bewegt sich frei zwischen Text, Bild, Audio, Video, Code und Daten. Aus einem Foto wird ein strukturierter Datensatz. Aus einem Sprachmemo eine Tabelle. Aus einer Tabelle ein Erklärvideo. Aus einem Vertragstext ein Diagramm. Vorher hattest du für jeden Sprung zwischen Formaten ein eigenes Tool oder eine eigene Person. Jetzt ist der Sprung der Standard, nicht die Ausnahme.

Hebel 3: Synthese aus Vielen

Viele Quellen, eine Erkenntnis. KI liest hunderte Seiten, dutzende Mails, mehrere Datenquellen gleichzeitig und verdichtet sie zu etwas Brauchbarem. Nicht im Sinne von "alles zusammenfassen", sondern im Sinne von Muster sehen, die einzeln nicht sichtbar waren. Welche Themen tauchen in 600 Support-Tickets immer wieder auf? Welche Argumente nutzen drei verschiedene Wettbewerber gerade neu? Wo widersprechen sich zwei interne Dokumente?

Hebel 4: Szenarien und Hypothesen

KI kann mehrere Möglichkeiten parallel durchspielen. "Was wäre, wenn wir den Preis um 8 Prozent erhöhen?" "Wie würde dieselbe Mail in fünf verschiedenen Tonalitäten klingen?" "Welche drei Varianten dieses Konzepts kämen für unterschiedliche Zielgruppen in Frage?" Statt einer Antwort bekommst du drei oder zehn. Mit den Begründungen dazu. Das verändert, wie du Entscheidungen vorbereitest.

Aus einem Satz sind fünf geworden. Aus einem Effizienz-Use-Case ist ein Use Case geworden, der vorher schlicht nicht gebaut wurde, weil ihn niemand bauen konnte. Wichtig dabei: Du musst nicht alle Hebel auf einmal nutzen. Schon der erste Schritt von "schneller auswerten" zu "Muster über Quellen hinweg" ist eine Stufe Sprung.

Ein guter Use Case wird besser, wenn du ihn nicht isoliert denkst. Es gibt drei typische Muster, wie Use Cases sich verbinden. Jedes Muster hat seinen eigenen Mehrwert und sein eigenes Risiko.

Muster 1: Pipeline (Verkettung)

Der Output eines Use Cases ist der Input des nächsten. Recherche wird zu Briefing wird zu Entwurf wird zu Bild wird zu fertigem Posting. Jeder Schritt hat seinen eigenen Zweck, aber keiner steht allein. Eine Pipeline kann zwei Glieder haben oder zehn. Sie ist das verbreitetste Muster und das einfachste, mit dem du anfangen kannst.

Muster 2: Schichtung (mehrere Fähigkeiten gleichzeitig)

Ein einzelner Use Case nutzt mehrere KI-Fähigkeiten in einem Schritt. Beispiel: Du fotografierst eine handschriftliche Skizze, die KI versteht das Bild, denkt über die Logik dahinter nach und schreibt direkt den passenden Code dazu. Vision plus Reasoning plus Code. Drei Fähigkeiten, ein Use Case, ein Moment. Schichtung ist subtiler als Pipeline, weil sie nach außen wie eine einzige Aktion aussieht. Im Inneren passiert aber mehr.

Muster 3: Eskalation (Assistent → Automation → Agent)

Der gleiche Use Case wächst über die Zeit. Erst machst du ihn manuell als Assistent. Du fragst, KI hilft, du entscheidest. Dann automatisierst du den Teil, der sich wiederholt. Trigger, Verarbeitung, Ausgabe. Schließlich übergibst du das Ziel an einen Agenten, der eigenständig plant und entscheidet, wann er was tut. Das ist nicht der gleiche Use Case in drei Versionen. Es ist ein Use Case, der reift.

1. Welche Stufe ist das gerade? Effizienz, Effektivität oder etwas Neuartiges? Wenn unklar: Es ist meistens Effizienz.
2. Welcher der vier Hebel würde ihn auf eine höhere Stufe bringen? Personalisierung, Modalitäts-Übersetzung, Synthese, Szenarien. Mindestens einer muss passen, sonst bleibt er auf Stufe 1.
3. Mit welchem anderen Use Case verbindet er sich? Pipeline, Schichtung oder Eskalation. Wenn keiner: Vielleicht ist er in Wahrheit ein Glied einer Kette, das dir noch fehlt.
4. Welche Einsatzform passt jetzt? Assistent, Automation, Agent. Und wo soll er in einem Jahr stehen?
5. Welche Daten oder Quellen liegen ungenutzt herum, die ihn anreichern würden? Fast jeder gute Use Case verbessert sich, sobald du eine zweite Datenquelle dazunimmst.

Wichtig dabei: Wenn ein Use Case nach den fünf Fragen immer noch flach bleibt, ist das eine Antwort. Nicht jeder Use Case muss auf Stufe 3 wachsen. Manche dürfen Effizienz bleiben. Aber dann weißt du das bewusst, statt es per Default zu tun.

Die Lesson in drei Sätzen

1. Use Cases haben Stufen. Effizienz, Effektivität, Neuartig. Wer nicht entscheidet, landet automatisch auf Stufe 1.
2. Es gibt vier Hebel, die nur generative KI kann. Personalisierung in Skala, Modalitäts-Übersetzung, Synthese aus Vielen, Szenarien und Hypothesen. Ohne Hebel keine Stufe 2.
3. Use Cases stehen selten allein. Pipelines verbinden Schritte, Schichtungen kombinieren Fähigkeiten, Eskalationen lassen denselben Use Case reifen.

Wie es weitergeht

Diese Lesson war absichtlich kein Rezeptbuch. Sie liefert dir kein "Top 50 KI-Use-Cases für dein Marketing". Sie liefert dir den Maßstab, an dem du jede solche Liste abklopfen kannst. Wenn du tiefer einsteigen willst, gehen zwei andere Lessons weiter in unterschiedliche Richtungen.

Begriffe aus dieser Lesson

• Use Case — Ein Use Case im KI-Kontext beschreibt einen konkreten Arbeitsschritt oder Prozess, bei dem KI produktiv eingesetzt wird. Gut definierte Use Cases sind spezifisch, messbar und an bestehende Prozesse gekoppelt.

Passende Fragen

• Welche Abteilungen sollten bei der KI-Einführung zuerst starten?
  Die mit dem größten Produktivitätshebel und der geringsten Komplexität. Typisch: Marketing/Content (schnelle Erfolge), Kundenservice (hoher ROI), Vertrieb (Zeitersparnis bei Angebotsarbeit). Nicht nach Organigramm vorgehen, sondern nach Potenzial und Bereitschaft.
• Wie finden Unternehmen heraus, wo KI für sie sinnvoll ist?
  Nicht bei der Technologie anfangen, sondern bei den Prozessen. Drei Kriterien helfen: Wie viel Zeit kostet der Prozess? Wie standardisiert ist er? Wie fehleranfällig? Wo alle drei hoch sind, lohnt sich KI am schnellsten.