Kurz zusammengefasst: Eine unternehmensweite KI-Potenzialanalyse bewertet nicht möglichst viele Tools, sondern konkrete Prozesse, Daten, Risiken und wirtschaftliche Wirkungen. Das Ergebnis ist ein priorisiertes Portfolio mit klaren Verantwortlichen, messbaren Ausgangswerten und einer Umsetzungsreihenfolge. So konkurrieren Ideen nicht nach Lautstärke, sondern nach nachvollziehbaren Kriterien.
In vielen Unternehmen entstehen KI-Ideen dezentral: Der Vertrieb testet Textassistenten, der Service sucht eine Wissenslösung und die Verwaltung experimentiert mit Dokumenten. Das zeigt Initiative, führt aber noch nicht zu einer belastbaren Investitionsplanung. Eine unternehmensweite Analyse schafft einen gemeinsamen Blick auf Prozesse und Abhängigkeiten. Sie beantwortet drei Fragen: Wo entsteht ein relevanter Nutzen? Welche Voraussetzungen fehlen? Und welche Vorhaben sollten gemeinsam, später oder gar nicht umgesetzt werden?
Vom Tool-Wunsch zum vollständigen Prozessinventar
Der Ausgangspunkt ist nicht „Wo können wir einen Chatbot einsetzen?“, sondern die tatsächliche Arbeit. Erfasst werden End-to-End-Prozesse wie Anfrage bis Angebot, Bestellung bis Zahlung, Störung bis Lösung oder Bewerbung bis Einstellung. Innerhalb dieser Abläufe werden Tätigkeiten, Medienbrüche, Wartezeiten, Fehler, Entscheidungspunkte und verwendete Datenquellen dokumentiert.
Eine gute Analyse verbindet drei Perspektiven. Die Fachbereiche beschreiben Aufwand, Qualität und Ausnahmen. Die IT bewertet Systeme, Schnittstellen, Identitäten und Datenzugriffe. Geschäftsführung oder Bereichsleitung ordnen strategische Wirkung, Investitionsrahmen und Risiko ein. Ohne diese Verbindung entstehen entweder technisch interessante Demonstratoren ohne Prozessnutzen oder ambitionierte Ideen ohne umsetzbare Datenbasis.
Für jeden Anwendungsfall sollte eine kompakte Karte entstehen:
- Prozessschritt, heutiges Problem und betroffene Nutzer,
- aktueller Zeit-, Mengen- und Qualitätswert als Ausgangslage,
- gewünschtes Ergebnis und messbare Zielgröße,
- benötigte Daten, Systeme und Zugriffsrechte,
- Rolle der KI: assistieren, klassifizieren, prognostizieren oder handeln,
- mögliche Fehlerfolgen, Freigaben und verantwortliche Person,
- Abhängigkeiten zu anderen Vorhaben.
Das NIST AI Risk Management Framework empfiehlt, Kontext, Zweck, betroffene Akteure und Risiken systematisch abzubilden und diese Erkenntnisse mit Governance, Messung und Risikobehandlung zu verbinden. Für eine Potenzialanalyse ist das hilfreich: Ein Nutzenversprechen wird nicht getrennt von Einsatzkontext und Folgen bewertet.
Ein einheitliches Bewertungsmodell macht Ideen vergleichbar
Eine lange Ideensammlung wird erst durch ein transparentes Bewertungsmodell zum Portfolio. Bewährt sind fünf Dimensionen:
- Wirtschaftlicher und fachlicher Wert: Welche Zeit, Fehler-, Durchlaufzeit- oder Servicewirkung ist realistisch? Unterstützt der Fall ein strategisches Ziel?
- Prozess- und Datenreife: Ist der Ablauf ausreichend standardisiert? Sind benötigte Daten verfügbar, aktuell, rechtmäßig nutzbar und einem Verantwortlichen zugeordnet?
- Technische Machbarkeit: Welche Integrationen, Modelle und Betriebsumgebungen werden benötigt? Gibt es stabile Schnittstellen und eine realistische Rückfalllösung?
- Risiko und Kontrollbedarf: Welche Folgen haben falsche Ergebnisse? Sind personenbezogene, vertrauliche oder sicherheitskritische Daten betroffen? Wo braucht es menschliche Freigaben?
- Skalierbarkeit und Wiederverwendung: Lassen sich Datenanbindung, Berechtigungen, Evaluationsverfahren oder Komponenten in mehreren Bereichen nutzen?
Die Kriterien sollten vor der Bewertung gewichtet und mit klaren Bewertungsankern versehen werden. „Hoher Nutzen“ darf nicht nur Bauchgefühl sein. Besser ist eine dokumentierte Ausgangsmessung, etwa Bearbeitungszeit, Fallzahl, Fehlerquote oder entgangene Kapazität. Wo Daten fehlen, wird nicht geschätzt und vergessen, sondern eine Messaufgabe eingeplant.
Ein einfacher Gesamtscore reicht trotzdem nicht. Bestimmte Risiken sind Ausschluss- oder Klärungskriterien. Ein fachlich attraktiver Fall kann zurückgestellt werden, wenn Zugriffsrechte ungeklärt, Daten ungeeignet oder Fehlerfolgen nicht kontrollierbar sind. Der EU AI Act verfolgt einen risikobasierten Ansatz; welche Anforderungen greifen, hängt vom konkreten Verwendungszweck und der Rolle des Unternehmens ab. Deshalb gehört eine frühe regulatorische und datenschutzbezogene Einordnung in die Bewertung, ohne dass der Workshop eine rechtliche Prüfung ersetzt.
Auch Sicherheits- und Betriebsfähigkeit müssen sichtbar sein. Das BSI beschreibt mit AIC4 Kriterien wie Sicherheit, Robustheit, Datenqualität, Zuverlässigkeit und Erklärbarkeit über den Lebenszyklus von KI-Cloud-Diensten. Für ein Unternehmensportfolio lässt sich daraus ableiten: Nicht nur die Entwicklung, sondern auch Validierung, Betrieb und Verantwortlichkeit benötigen Budget und Kapazität.
Aus Einzelideen wird eine realistische Umsetzungsroadmap
Nach der Bewertung werden Vorhaben nicht einfach vom höchsten zum niedrigsten Score sortiert. Sinnvoll ist eine Portfolioansicht mit vier Gruppen: kurzfristig validieren, Grundlagen schaffen, später skalieren und bewusst verwerfen oder beobachten. Dabei werden Abhängigkeiten berücksichtigt. Mehrere Wissensassistenten benötigen möglicherweise dieselbe Dokumenten-Governance; mehrere Agenten dieselbe Identitäts-, Protokollierungs- und Freigabeplattform. Werden diese Grundlagen einzeln beschafft, steigen Kosten und Komplexität.
Die erste Umsetzungswelle sollte einen relevanten, aber kontrollierbaren Prozess enthalten. Ein Pilot ist dann keine Produktdemo, sondern eine Hypothesenprüfung: Erreicht die Lösung die definierte Qualitätsgrenze? Verbessert sie die Ausgangskennzahl? Ist der Betrieb mit vertretbarem Aufwand möglich? Gibt es keine belastbare Wirkung, wird angepasst oder beendet. Diese Stop-Regel schützt das Portfolio vor dauerhaften Experimenten.
Praxisbeispiel: Eine Unternehmensgruppe sammelt zunächst mehr als ein Dutzend Ideen aus Einkauf, Vertrieb, Service, Personal und Produktion. Die Analyse zeigt, dass Angebotsentwürfe zwar hohen Nutzen versprechen, aber Produkt- und Preisdaten uneinheitlich sind. Statt sofort einen Angebotsagenten zu bauen, wird zunächst die Datenverantwortung geklärt. Parallel startet ein eng begrenzter Assistent für freigegebene Serviceunterlagen, weil Quellen, Nutzerkreis und Qualitätsmaßstab bereits vorhanden sind. Die gemeinsame Rechte- und Evaluationsstruktur wird anschließend für weitere Wissensanwendungen genutzt. So liefert die Roadmap sowohl einen frühen Lernfall als auch die Grundlagen für ein größeres Vorhaben.
Zu einer vollständigen Potenzialanalyse gehören daher mehr als eine Präsentation und eine Rangliste. Erwartbare Ergebnisse sind Prozesslandkarte, Use-Case-Karten, Bewertungskriterien, Risiko- und Abhängigkeitsübersicht, Zielkennzahlen, priorisierte Wellen, grobe Aufwandskorridore sowie benannte fachliche und technische Verantwortliche. Ein regelmäßiges Portfolio-Review prüft neue Erkenntnisse, eingetretene Nutzenwirkung und veränderte Rahmenbedingungen.
FAQ: Häufige Fragen zur unternehmensweiten KI-Potenzialanalyse
Wie lange dauert eine KI-Potenzialanalyse?
Das hängt von Unternehmensgröße, Prozessvielfalt und vorhandener Dokumentation ab. Ein einzelner Workshop genügt für eine unternehmensweite Sicht meist nicht. Effizient ist ein gestuftes Vorgehen aus Vorbereitung, Interviews oder Prozesssessions, Bewertung, Validierung der Daten und einer gemeinsamen Portfolioentscheidung.
Welche Bereiche sollten beteiligt werden?
Neben priorisierten Fachbereichen sollten IT, Informationssicherheit, Datenschutz und je nach Anwendungsfall Personalvertretung, Recht oder Compliance beteiligt werden. Die Geschäftsleitung setzt Ziele und Entscheidungsrahmen; fachliche Process Owner liefern Ausgangswerte und übernehmen Ergebnisverantwortung.
Braucht jedes Unternehmen zuerst eine Datenstrategie?
Nicht zwingend als Großprojekt. Jeder priorisierte Fall braucht jedoch geklärte Datenquellen, Qualität, Rechte und Verantwortliche. Die Analyse zeigt, welche gemeinsamen Datenprobleme mehrere Vorhaben blockieren und daher als gezielte Grundlage bearbeitet werden sollten.
Wie viele KI-Anwendungsfälle sollten gleichzeitig starten?
So viele, wie fachlich betreut, technisch integriert und sauber ausgewertet werden können. Wenige komplementäre Vorhaben sind meist aussagekräftiger als viele unverbundene Piloten. Ein Portfolio sollte außerdem Kapazität für Grundlagen, Betrieb und Qualitätssicherung reservieren.
Woran erkennt man einen guten ersten Anwendungsfall?
Er verbindet messbaren Nutzen mit begrenztem Risiko, verfügbaren Daten, einem klaren Prozessverantwortlichen und einer kurzen Lernschleife. Er muss nicht der größte mögliche Fall sein, sollte aber verwertbare Erkenntnisse für weitere Vorhaben liefern.
Quellen und nächster Schritt
- NIST: AI Risk Management Framework
- NIST AI RMF Playbook
- Europäische Kommission: AI Act und risikobasierter Ansatz
- EUR-Lex: Verordnung (EU) 2024/1689
- BSI: Kriterienkatalog für KI-Cloud-Dienste AIC4
GO-ITC unterstützt Unternehmen bei einer strukturierten KI-Potenzialanalyse über Bereiche und Prozesse hinweg – von der Use-Case-Aufnahme über die Bewertung bis zur umsetzbaren Roadmap. Informationen zu Vorgehen und Erstgespräch finden Sie unter go-itc.de.