KI-Use-Cases für Unternehmen: Auswahl nach Nutzen und Risiko

54,5 % der deutschen Unternehmen setzen laut ifo-Konjunkturumfrage inzwischen KI ein, nach 40,9 % im Vorjahr. Bitkom kommt für Unternehmen ab 20 Beschäftigten in einer telefonischen, repräsentativen Befragung auf 41 % – nach nur 17 % ein Jahr zuvor. Beide Zahlen sind richtig, sie messen nur unterschiedlich genau. Was sie gemeinsam zeigen: Der Anteil der Unternehmen mit KI-Einsatz hat sich in einem Jahr grob verdoppelt. Was sie nicht zeigen: ob die eingesetzten Use Cases zum jeweiligen Unternehmen passen – oder ob dort einfach das nutzt, was gerade am meisten beworben wird.

Genau diese Lücke soll dieser Artikel schließen. Er ist Teil unseres Themen-Clusters KI-Strategie und beantwortet die Frage, die nach der grundsätzlichen Entscheidung „Wir wollen KI einsetzen” als Nächstes kommt: Welche Use Cases sind für KMU überhaupt relevant, welche liefern schnell einen Lernwert, welche sind riskant, wie unterscheiden sich Assistenz und Automation – und wie priorisierst du zwischen den Optionen. Statt einer unverbundenen Liste von Tools bekommst du eine Einordnung, die du auf dein Unternehmen übertragen kannst.

Das Problem: Listen statt Landkarte

Die meisten Texte zu „KI-Use-Cases für Unternehmen” sind Aufzählungen: Chatbot hier, Dokumentenanalyse dort, Predictive Maintenance dazwischen, dazu ein paar Branchenbeispiele. Solche Listen sind nicht falsch, aber sie beantworten die eigentliche Frage nicht: Was davon passt zu einem Unternehmen mit 20, 50 oder 150 Mitarbeitenden, begrenztem IT-Budget und ohne eigenes Data-Science-Team? Eine Liste mit dreißig Einträgen liefert dreißig Möglichkeiten und keine einzige Priorität.

Das Problem verschärft sich, weil die Einträge auf solchen Listen fundamental unterschiedliche Risikoprofile haben. „KI im Kundenservice” kann eine Antwortvorlage sein, die eine Mitarbeiterin vor dem Versand liest – oder ein System, das ungeprüft an Kund:innen antwortet. „KI im Personalwesen” kann eine Zusammenfassung von Bewerbungsunterlagen sein – oder ein automatisierter Filter, der entscheidet, wer zum Gespräch eingeladen wird. Die Namen klingen ähnlich, die Konsequenzen nicht.

Dieser Artikel richtet sich an Geschäftsführung, Operations, IT und Fachbereiche in KMU, die eine Vorauswahl treffen müssen, ohne jede Option einzeln durchtesten zu können. Die zentrale These: Ein Use Case ist erst dann „relevant für dich”, wenn du ihn auf zwei Achsen einordnen kannst – wie viel Automatisierung er dem System überlässt, und wie viel Risiko das im Fehlerfall bedeutet.

Begriffe kurz geklärt

• Use Case ist ein konkreter, abgegrenzter Anwendungsfall in einem Prozess – „Eingangsrechnungen erfassen und Kontierungsvorschläge erstellen”, nicht „KI in der Buchhaltung”.
• Assistenz bedeutet: Die KI erzeugt einen Vorschlag, eine Zusammenfassung oder einen Entwurf. Ein Mensch prüft und entscheidet, bevor etwas nach außen wirkt oder gespeichert wird.
• Automation bedeutet: Das System trifft oder vollzieht die Entscheidung selbst, ohne dass zwingend jemand vorher gegenprüft – etwa eine automatische Antwort, eine automatische Kategorisierung, die direkt einen Folgeprozess auslöst, oder eine automatische Filterung von Kandidat:innen.
• Lernwert meint hier nicht Lernwert für ein Modell, sondern für dein Unternehmen: Wie viel Urteilsvermögen und Prozesswissen baut ein Use Case im Team auf, unabhängig davon, ob er im Ergebnis skaliert wird.

Die Grenze zwischen Assistenz und Automation ist keine technische Kategorie, sondern eine Prozessentscheidung: Dieselbe KI-Funktion kann als Assistenz (mit Freigabeschritt) oder als Automation (ohne) betrieben werden. Genau diese Entscheidung – nicht die Wahl des Modells oder Anbieters – ist der wichtigste Hebel, um Nutzen und Risiko auszubalancieren.

Welche Use Cases sind für KMU relevant?

Ausgangspunkt sollte nicht Erfindungsreichtum sein, sondern das, was in der Breite tatsächlich funktioniert. Die ifo-Konjunkturumfrage nennt als häufigste Einsatzfelder in deutschen Unternehmen Verwaltung, Datenanalyse, Programmieren, Schriftverkehr und Informationsrecherche; ergänzend werden Planung, Controlling, Kundenkommunikation, Qualitätskontrolle, Produktionsplanung und Wartung genannt. Auffällig ist die Verteilung nach Lösungstyp: rund drei Viertel der Unternehmen setzen dabei auf kostenpflichtige externe Lösungen, 48,4 % (auch) auf kostenlose externe Anwendungen, nur 22,5 % ausschließlich auf kostenlose Systeme und 18,7 % auf eigene KI-Systeme. Für die allermeisten KMU heißt das: Der Einstieg läuft über bestehende, eingekaufte Werkzeuge – nicht über Eigenentwicklung.

Diese Liste beantwortet aber nur, was häufig vorkommt, nicht was für dein Unternehmen relevant ist. Dafür braucht es die Einordnung nach Automatisierungsgrad und Risiko – die folgende Matrix ist unser eigenes Modell, abgeleitet aus den ifo-Einsatzfeldern und aus Beratungsprojekten:

Funktion	Typischer Use Case	Assistenz oder Automation	Einstiegsrisiko	Eignung als erster Use Case
Schriftverkehr / Verwaltung	E-Mail- und Briefentwürfe, Dokumentenzusammenfassungen	Assistenz	niedrig	Ja
Informationsrecherche	Interne Wissenssuche, Beantwortung von Rückfragen aus bestehenden Unterlagen	Assistenz	niedrig bis mittel	Ja
Datenanalyse	Kategorisierung von Tickets, Reports, einfache Auswertungen	Assistenz mit Automations-Anteilen	mittel	Bedingt – abhängig von Datenqualität
Kundenkommunikation	Automatisierte Antworten ohne Prüfschritt	Automation	mittel bis hoch	Bedingt bis Nein – nur mit Freigabeschritt empfehlenswert
Controlling / Planung	Forecast-Unterstützung, Szenarioentwürfe	Assistenz	mittel	Bedingt – Datenhistorie oft lückenhaft
Qualitätskontrolle / Wartung	Anomalieerkennung, vorausschauende Wartungshinweise	Automation (mit Alarmierung, kein Direkteingriff)	mittel	Bedingt – abhängig von Sensor-/Messdaten
Personalauswahl	Automatisierte Filterung oder Bewertung von Bewerbungen	Automation	hoch (EU-KI-Verordnung: Hochrisiko)	Nein als Einstieg
Leistungsbewertung / Aufgabenzuweisung	Automatisierte Verhaltens- oder Leistungsüberwachung von Mitarbeitenden	Automation	hoch (EU-KI-Verordnung: Hochrisiko)	Nein als Einstieg

Eigene Nutzen-Risiko-Matrix Philogic Labs, Funktionen aus ifo-Konjunkturumfrage (2026), Risikoeinordnung Personalwesen nach Anhang III der EU-KI-Verordnung.

Relevant im engeren Sinn ist für die meisten KMU deshalb die obere Hälfte der Matrix: Assistenzfälle in Schriftverkehr, Recherche und Datenanalyse. Das deckt sich mit der ifo-Erhebung, in der genau diese Felder am häufigsten genannt werden – vermutlich nicht zufällig, sondern weil sie mit heutigen Sprachmodellen am zuverlässigsten funktionieren und am wenigsten Integrationsaufwand brauchen.

Welche Use Cases liefern schnellen Lernwert?

Schneller Lernwert entsteht dort, wo drei Bedingungen zusammenkommen: enger Scope, kurze Feedbackschleife und geringes Schadensrisiko bei Fehlern. In der Praxis sind das fast immer Assistenzfälle mit internem Fokus.

Ein Beispiel aus meiner Arbeit: Für einen Dienstleister mit verteiltem technischem Wissen – Angebote, alte Protokolle, Produktdokumentation in unterschiedlichen Ablagen – haben wir zuerst eine interne Wissenssuche als Assistenzfunktion aufgesetzt, keine automatische Kundenantwort. Mitarbeitende stellen eine Frage, das System schlägt eine Antwort mit Quellenverweis vor, die Person entscheidet, was sie übernimmt. Der Lerneffekt kam schnell: Innerhalb weniger Wochen zeigte sich, welche Dokumente veraltet waren, wo Wissen nur in Köpfen steckte und wie gut das Modell mit der vorhandenen Dokumentenqualität zurechtkam – Erkenntnisse, die für jeden folgenden Use Case wertvoll waren, unabhängig vom Ergebnis dieses einen Falls.

Drei Muster erklären, warum Assistenzfälle schneller lernen lassen als Automationsfälle:

• Kürzere Feedbackschleife. Bei Assistenz siehst du sofort, ob der Vorschlag brauchbar war – die prüfende Person ist die Messung. Bei Automation brauchst du erst ein Monitoring, um Fehler überhaupt zu bemerken.
• Geringeres Schadensrisiko erlaubt mehr Experimente. Wenn ein fehlerhafter Entwurf nur Nacharbeit kostet statt eine falsche Kundenantwort zu verschicken, kannst du mehr Varianten testen, ohne dass ein einzelner Fehler das ganze Vorhaben diskreditiert.
• Die Urteilskompetenz bleibt im Team. Wer KI-Vorschläge laufend bewertet, entwickelt ein Gespür dafür, wann das System zuverlässig ist und wann nicht – Wissen, das später auch für riskantere Use Cases gebraucht wird.

Welche Use Cases sind riskant?

Am oberen Ende der Risikoskala stehen automatisierte Entscheidungen über Menschen. Die EU-Verordnung über Künstliche Intelligenz stuft in Anhang III KI-Systeme zur Personalauswahl explizit als Hochrisiko ein – konkret Systeme für gezielte Stellenanzeigen, die Analyse und Filterung von Bewerbungen sowie die Bewertung von Kandidat:innen. Ebenso als Hochrisiko gilt der Einsatz im laufenden Arbeitsverhältnis: Entscheidungen über Beförderung oder Kündigung, Aufgabenzuweisung nach individuellem Verhalten sowie die Überwachung und Bewertung von Leistung und Verhalten. Für Unternehmen, die über den Einsatz solcher Systeme nachdenken, gelten strengere Pflichten aus dem AI Act – Details dazu gehören in Rechtsberatung oder zu Datenschutzbeauftragten, nicht in diesen Artikel.

Auch unterhalb der rechtlichen Hochrisiko-Schwelle gibt es Use Cases, die für einen Einstieg ungeeignet sind:

• Automatisierte Kundenkommunikation ohne Prüfschritt. Ein fehlerhafter Entwurf, den jemand liest, kostet eine Minute. Eine automatisch verschickte, falsche Zusage kostet Vertrauen und im Zweifel eine Erfüllungspflicht.
• Automation auf lückenhafter Datenbasis. Wenn die zugrunde liegenden Daten unvollständig, veraltet oder inkonsistent sind, verstärkt Automation den Fehler, statt ihn zu verhindern – ein System merkt nicht, dass die Datenlage schlecht ist, ein Mensch mit Erfahrung schon eher.
• Entscheidungen mit hohem Einzelfallschaden und geringer Fehlertoleranz. Buchhaltungslogik, sicherheitsrelevante Steuerung oder verbindliche Vertragszusagen vertragen keine probabilistischen Modelle ohne Prüfschritt – dort gehören sie höchstens in eine assistierende Rolle.

Wichtig ist die Unterscheidung zwischen „riskant” und „ungeeignet für immer”: Kundenkommunikation etwa kann später automatisiert werden, wenn ein Unternehmen über Monate Erfahrung mit dem Assistenz-Vorstufen-Setup gesammelt und die Fehlerquote nachvollziehbar geprüft hat. Riskant heißt hier vor allem: kein guter erster Use Case.

Wie unterscheiden sich Assistenz und Automation?

Der Unterschied liegt nicht in der eingesetzten Technologie, sondern in der Prozessentscheidung, wer die letzte Kontrolle hat, bevor eine Ausgabe wirkt.

Merkmal	Assistenz	Automation
Letzte Kontrolle	Mensch prüft und gibt frei	System entscheidet oder vollzieht direkt
Fehlerfolge	Nacharbeit, meist intern	Wirkt sofort nach außen oder auf Personen
Typische Geschwindigkeit im Betrieb	Begrenzt durch Prüfzeit der Person	Begrenzt nur durch Systemleistung
Anforderung an Datenqualität	Moderat – Mensch fängt Lücken ab	Hoch – Fehler in den Daten wirken ungefiltert
Aufbau von Teamkompetenz	Direkt, bei jeder Prüfung	Indirekt, meist nur über Monitoring
Typischer Reifegrad für Einstieg	Für die meisten KMU sofort machbar	Meist erst nach Erfahrung mit Assistenzfällen sinnvoll

Zwei Missverständnisse tauchen in Gesprächen regelmäßig auf. Erstens: „Automation” ist nicht automatisch das ambitioniertere oder bessere Ziel. Viele Prozesse bleiben dauerhaft besser als geprüfte Assistenz aufgehoben, etwa weil die Fehlerkosten hoch bleiben oder weil Kund:innen den menschlichen Kontakt erwarten. Zweitens: Auch Assistenz ist nicht automatisch risikofrei – wenn die prüfende Person die Vorschläge aus Zeitdruck nur noch durchwinkt, ist die Kontrolle formal vorhanden, faktisch aber nicht wirksam. Die Prüfung muss echt sein, nicht nur im Prozessdiagramm stehen.

Wie priorisiert man Use Cases?

Aus der Matrix oben ergibt sich eine einfache Priorisierungslogik für KMU: Beginne mit einem Assistenzfall aus der oberen Hälfte der Tabelle – niedriges bis mittleres Risiko, guter Nutzen, klare Datenlage. Automationsfälle und alles mit hohem Risiko kommen erst später, wenn im Unternehmen bereits Erfahrung mit einfacheren Use Cases besteht.

In der Praxis heißt das konkret:

1. Sammle Kandidaten aus echten Prozessschmerzen, nicht aus Trendlisten – wo verlieren Menschen im Unternehmen nachweislich Zeit mit Textarbeit, Recherche oder Sortieraufgaben?
2. Ordne jeden Kandidaten in die Matrix ein: Assistenz oder Automation, welches Risiko im Fehlerfall, wie gut ist die Datenlage?
3. Streiche alles im Hochrisiko-Feld für den Einstieg – nicht für immer, aber für den ersten Versuch.
4. Wähle einen Kandidaten mit dem besten Verhältnis aus Nutzen und geringem Risiko, nicht den mit dem größten theoretischen Potenzial.
5. Definiere vorher, woran du in vier bis acht Wochen erkennst, ob es funktioniert hat – ohne Messkriterium bleibt jede Priorisierung Bauchgefühl.

Eine feinere Bewertung mit Gewichtungen für Nutzen, Machbarkeit, Datenlage und Messbarkeit gehört zu einem größeren Vorgehen zur KI-Einführung; an dieser Stelle reicht die Automatisierungsgrad-Risiko-Matrix, um aus einer langen Liste die zwei bis drei ernsthaften Kandidaten herauszufiltern, mit denen sich eine genauere Prüfung überhaupt lohnt.

Umsetzung: vom Use Case zum ersten Test

Sobald ein Kandidat feststeht, folgt kein großes Projekt, sondern ein kleiner, klar begrenzter Test. Drei Punkte sind dabei erfahrungsgemäß entscheidend: Erstens ein enger Scope – ein Prozessschritt, ein Team, keine unternehmensweite Einführung von Beginn an. Zweitens ein echter Prüfschritt bei Assistenzfällen: Die Person, die freigibt, braucht Zeit dafür eingeplant, sonst wird aus Assistenz faktisch ungeprüfte Automation. Drittens eine Vorher-Nachher-Messung an etwas Konkretem – Bearbeitungszeit, Fehlerquote, Anzahl notwendiger Nachfragen – statt eines allgemeinen Stimmungsbilds am Ende.

Wie groß der Sprung von der Idee zum lauffähigen Test ist, hängt stark davon ab, wie tief der Use Case in bestehende Systeme eingreifen muss: Ein Assistenzfall auf Basis vorhandener Werkzeuge und zugänglicher Dokumente lässt sich oft in wenigen Tagen bis wenigen Wochen aufsetzen; sobald eine Anbindung an gewachsene Fachsysteme nötig wird, verlängert sich das deutlich. Genaue Zeit- und Kostenangaben ohne Kenntnis der konkreten Systemlandschaft wären unseriös – das gehört in eine Analysephase, nicht in einen allgemeinen Artikel.

Risiken & Grenzen

Auch die Matrix in diesem Artikel hat Grenzen, die du kennen solltest, bevor du sie anwendest:

• Die Risikoeinordnung ist eine Heuristik, keine Rechtsprüfung. Ob ein konkretes System unter Anhang III der EU-KI-Verordnung fällt, hängt vom genauen Einsatzzweck ab und ist im Zweifel eine Frage für Rechtsberatung oder Datenschutzbeauftragte – nicht für eine allgemeine Tabelle. Stand dieser Einordnung: Juli 2026, keine Rechtsberatung.
• Datenschutz gilt unabhängig vom Risikofeld. Sobald personenbezogene Daten verarbeitet werden – auch bei „niedrigem” Einstiegsrisiko wie interner Wissenssuche über Kundendaten –, greifen die üblichen DSGVO-Anforderungen: Rechtsgrundlage, Auftragsverarbeitung, Datenminimierung.
• Die Zahlen aus ifo und Bitkom beschreiben Durchschnitte. 41 bis 54,5 % Nutzungsquote und die genannten Einsatzfelder sagen nichts darüber, ob ausgerechnet dein Prozess ein guter Use Case ist. Das Ausmaß, in dem KI Prozesse beschleunigt (45 % laut Bitkom) oder Produkte verbessert (44 %), variiert stark – Bitkom nennt im gleichen Zug auch, dass 33 % der Nutzer:innen von höheren Kosten als erwartet berichten und 19 % in der Folge Stellen abgebaut haben. Das ist kein Argument gegen den Einsatz, aber ein Grund, Erwartungen realistisch zu halten statt sie an Einzelbeispielen aus der Presse zu orientieren.
• Die Matrix ersetzt keine Priorisierung nach deinen Kriterien. Sie filtert eine lange Liste auf eine handhabbare Auswahl vor – die endgültige Entscheidung braucht zusätzlich Blick auf Budget, verfügbare Zeit im Team und die tatsächliche Datenlage im eigenen Haus.

Checkliste: Use-Case-Auswahl

1. Wir haben Use-Case-Kandidaten aus echten Prozessschmerzen gesammelt, nicht aus einer generischen Trendliste.
2. Jeder Kandidat ist in Assistenz oder Automation eingeordnet – mit Blick darauf, wer im Prozess die letzte Kontrolle hat.
3. Jeder Kandidat hat eine Risikoeinschätzung: Was passiert im Fehlerfall, und wen betrifft er?
4. Kandidaten mit automatisierten Entscheidungen über Menschen (Personalauswahl, Leistungsbewertung) sind für den Einstieg ausgeschlossen und, falls relevant, rechtlich geprüft.
5. Der gewählte erste Use Case ist ein Assistenzfall mit internem Fokus und echtem Prüfschritt.
6. Die Datenlage für den gewählten Use Case ist digital zugänglich, aktuell und ausreichend vollständig.
7. Es gibt ein Vorher-Nachher-Messkriterium, das schon vor dem Start feststeht.
8. Datenschutzfragen (Rechtsgrundlage, Auftragsverarbeitung, Datenminimierung) sind geklärt, bevor der Test mit echten Daten läuft.
9. Es ist klar, wer den Test durchführt und wer die Ergebnisse in vier bis acht Wochen bewertet.

Wenn du diese Punkte für einen konkreten Use Case durchgehen willst, ohne dabei auf dich allein gestellt zu sein: Unser Beratungsangebot mit Prozess-Audit und Priorisierung setzt genau hier an, und ein kostenloser Erstcheck klärt in einem kurzen Gespräch, ob ein Use Case aus dieser Matrix für dein Unternehmen der richtige Startpunkt ist. Weitere Themen aus diesem Bereich – von der Potenzialanalyse bis zur Roadmap – findest du im Cluster KI-Strategie.