KI-Anwendungsfälle: wie Sie den Wert vor einem Pilotprojekt abschätzen
Ein KI-Anwendungsfall ist ein konkreter Einsatz von KI in einem einzelnen Prozess, mit definiertem Nutzer, definierten Daten und messbarer Wirkung. Eine Schätzung seines Werts ermöglicht es, Ideen miteinander zu vergleichen und jene zu verwerfen, die die Investition nicht rechtfertigen. Der Artikel stellt Formeln für drei Typen von Anwendungsfällen vor, ein durchgerechnetes Beispiel, eine Sensitivitätsanalyse, die Umrechnung auf eine Skala von 1–5 und typische Fehler.
Beträge und Werte in den Beispielen sind illustrativ und zeigen den Rechenweg. In Projekten arbeiten wir mit den Daten des Kunden.
Dominik Dębski · Lemur Media · · Lesezeit: 4 Min.
Geprüft von Dominik Dębski, 1.11.2026
Was ist ein KI-Anwendungsfall und wie misst man seinen Wert?
Ein KI-Anwendungsfall (AI Use Case) ist die Beschreibung eines einzelnen KI-Einsatzes: Prozess, Nutzer, Eingangsdaten, Ergebnis und Erfolgskennzahl; sein Wert ist die jährliche Veränderung des Unternehmensergebnisses abzüglich der jährlichen Kosten der Lösung. Damit das Portfolio vergleichbar bleibt, verwenden wir drei Formeltypen, je nachdem, wo die Wirkung entsteht.
| Typ des Anwendungsfalls | Beispiel | Jahreswert |
|---|---|---|
| Zeitersparnis | Bearbeitung von Anfragen, Erstellung von Angeboten | Wert der eingesparten Zeit × Nutzungsquote − Kosten |
| Umsatz | Produktempfehlungen, Priorisierung von Leads | Umsatz × Veränderung der Conversion × Marge − Kosten |
| Risiko | Betrugserkennung, Dokumentenprüfung | Erwartungswert des vermiedenen Verlusts − Kosten |
Welche Formel verwenden wir für Zeitersparnis?
Den Jahreswert berechnen wir als Wert der eingesparten Zeit, korrigiert um die Nutzungsquote und abzüglich der jährlichen Kosten der Lösung.
Die Nutzungsquote berücksichtigt, dass nicht alle Mitarbeitenden und nicht in allen Vorgängen die Lösung nutzen. Wird dieser Faktor weggelassen, ist das die häufigste Ursache überhöhter Schätzungen. Eingesparte Zeit hat nur dann einen Geldwert, wenn das Unternehmen sie anders nutzt: Es bewältigt ein größeres Volumen ohne Neueinstellungen oder setzt Mitarbeitende für andere Aufgaben ein. Vor der Berechnung legt der Prozessverantwortliche fest, welches dieser beiden Szenarien für das Team gilt, und hält es zusammen mit der Schätzung fest.
Wie sieht ein durchgerechnetes Beispiel aus?
Der Kundenservice erhält 10 000 Anfragen pro Monat, die Bearbeitung einer Anfrage dauert im Schnitt 6 Minuten; unter den Annahmen der Tabelle beträgt der Jahreswert 141 600 PLN.
| Komponente | Berechnung | Ergebnis |
|---|---|---|
| Jahresvolumen | 10 000 × 12 | 120 000 Anfragen |
| Arbeitszeit | 120 000 × 0,1 h | 12 000 h |
| Kosten der Arbeitszeit | 12 000 h × 80 PLN | 960 000 PLN |
| Zeitersparnis 30 % | 960 000 PLN × 0,30 | 288 000 PLN |
| Nutzungsquote 70 % | 288 000 PLN × 0,70 | 201 600 PLN |
| Jährliche Kosten der Lösung | Lizenzen, Integration, Betrieb | − 60 000 PLN |
| Jahreswert | 141 600 PLN |
Auf jeden PLN jährlicher Kosten der Lösung entfallen 2,36 PLN Nettowert (141.600 ÷ 60.000). Die Annahme von 30 % Zeitersparnis liegt im Rahmen einer Schätzung von McKinsey & Company aus dem Jahr 2023 (Produktivitätsgewinn durch generative KI im Kundenservice im Umfang von 30–45 % der Kosten dieser Funktion), ist aber höher als das Ergebnis einer NBER-Feldstudie aus dem Jahr 2023 mit 5.179 Servicemitarbeitenden, die im Durchschnitt rund 14 % Produktivitätszuwachs ergab. Ein vorsichtiges Szenario sollte daher von einem Wert näher an 14 % ausgehen. Das ist eine Makroschätzung für die gesamte Funktion und ersetzt daher nicht die Messung im Pilotprojekt.
Wie prüft man die Sensitivität der Schätzung?
Die Schätzung wird für ein vorsichtiges und ein optimistisches Szenario neu berechnet, weil der Anteil eingesparter Zeit meist die unsicherste Annahme ist. Im Beispiel erhöht eine Änderung der Ersparnis von 30 % auf 50 % den Jahreswert von 141 600 PLN auf 276 000 PLN (960 000 × 0,5 × 0,7 − 60 000).
| Zeitersparnis | Nutzungsquote | Jahreswert |
|---|---|---|
| 20% | 70% | 74 400 PLN |
| 30% | 70% | 141 600 PLN |
| 50% | 70% | 276 000 PLN |
| 30% | 50% | 84 000 PLN |
Die Gewinnschwelle liegt bei einer Nutzungsquote von 70 % bei einer Zeitersparnis von 8,9 % (60 000 ÷ 672 000). Hängt die Entscheidung über das Pilotprojekt von dieser Annahme ab, ist genau ihre Messung das Ziel des Pilotprojekts.
Wie rechnet man den Wert auf eine Skala von 1–5 um?
Die Schwellenwerte der Skala legen wir mit der Geschäftsführung fest, proportional zur Größenordnung von Umsatz und Kosten des Unternehmens. Beispielhafte Schwellenwerte für ein Unternehmen mit 50–249 Mitarbeitenden:
| Bewertung | Jahreswert |
|---|---|
| 1 | unter 50 000 PLN |
| 2 | 50 000–149 999 PLN |
| 3 | 150 000–299 999 PLN |
| 4 | 300 000–599 999 PLN |
| 5 | 600 000 PLN und mehr |
Das Kundenservice-Beispiel erhält im Basisszenario die Bewertung 2 und im optimistischen Szenario 3. Bei einer Qualifikationsschwelle für Pilotprojekte von mindestens 4 kommt der Anwendungsfall nicht auf die Kandidatenliste, es sei denn, das Unternehmen kombiniert ihn mit einem anderen Prozess mit ähnlichem Profil.
Was sind typische Fehler und Grenzen der Schätzung?
Die Schätzung ist ein Instrument zum Vergleich von Anwendungsfällen untereinander und verliert ihren Wert, wenn die Annahmen weder Quelle noch Verantwortlichen haben. Zusammen mit dem Ergebnis werden die Quelle jeder Zahl, die Person, die die Annahmen bestätigt hat, und die im Pilotprojekt zu überprüfenden Annahmen festgehalten.
- Die Nutzungsquote wird ignoriert und die Ersparnis für das gesamte Team berechnet.
- Interne Kosten werden ignoriert, z. B. Zeit des IT-Teams, rechtliche Prüfung und Schulungen.
- Es wird der Wert von Zeit angesetzt, die das Unternehmen nicht anderweitig nutzt.
- Anwendungsfälle, die mit unterschiedlichen Formeln berechnet wurden, werden ohne gemeinsame Skala verglichen.
- Kein vorsichtiges Szenario bei der Budgetentscheidung.
Quellen
- McKinsey: The economic potential of generative AI, the next productivity frontier (14.06.2023)
- NBER Working Paper 31161: Generative AI at Work (E. Brynjolfsson, D. Li, L. R. Raymond, 2023)
- Harvard Business School Working Paper 24-013: Navigating the Jagged Technological Frontier (F. Dell'Acqua et al., 2023)