KI: Use Case First

Viele Unternehmen führen KI ein, weil sie verfügbar ist und nicht, weil ein konkretes Problem gelöst werden soll. Dieser „Tool-First“-Ansatz führt fast immer in eine Sackgasse. Die KI liefert zwar interessante Antworten, passt aber nicht in den Arbeitsalltag oder öffnet Sicherheitslücken, die erst auffallen, wenn Daten bereits abgeflossen sind.

Der bessere Weg heißt „Use Case First“: Erst das Problem definieren, die konkrete Aufgabe formulieren und dann das Werkzeug wählen. Dieser Artikel zeigt, warum das so wichtig ist, wie Sie es in der Praxis angehen und liefert eine Liste bewährter Anwendungsfälle als Startpunkt.

Die Frage „Was kann KI für uns tun?“ führt zu teuren Experimenten ohne klaren Nutzen. Die richtige Frage lautet: „Welchen konkreten Prozess wollen wir schneller, besser oder sicherer machen und ist KI dafür das richtige Mittel?“

Der Unterschied zeigt sich in der Formulierung:

❌ Vage: „Wir wollen den Kundenservice verbessern.“

✅ Konkret: „Eingehende Support-Tickets automatisch vorqualifizieren, um die Antwortzeit bei gleicher Qualität von 24 auf 2 Stunden zu senken.“

Ein konkreter Use Case liefert Ihnen automatisch die Antworten auf die nächsten wichtigen Fragen: Welche Daten braucht das System? Wer darf was sehen? Welche rechtlichen Anforderungen gelten?

Ohne diese Vorarbeit bleiben genau diese Fragen unbeantwortet. Mit teuren Folgen.

RAG-Systeme (Retrieval Augmented Generation) beziehen Informationen aus Dokumenten, Datenbanken und E-Mails.

Gerade bei den sogenannten RAG-Systemen (Retrieval Augmented Generation) entsteht ein Risiko, das in klassischer Software selten vorkommt.

Kurz erklärt: „RAG“ bedeutet, dass eine KI vor der Antwort gezielt in echten Dokumenten, Datenbanken oder E-Mails nachschaut, statt nur aus ihrem trainierten Wissen zu antworten.

Das Problem: Wenn die KI im Hintergrund Zugriff auf alle Dokumente hat, kann sie Informationen preisgeben, auf die der fragende Mitarbeitende eigentlich gar keinen Zugriff haben dürfte.

Ein einfaches Beispiel: Ein Mitarbeitender fragt „Wie hoch ist das Gehalt des Abteilungsleiters?“ und bekommt eine Antwort, weil die KI-Zugriff auf HR-Unterlagen hat, die er selbst nie einsehen dürfte. Dieses Szenario wird auch als „Privilegien-Eskalation durch KI“ bezeichnet.

Praktisch bedeutet das: Bevor ein System live geht, muss geklärt sein:

• Welche Datenquellen werden wirklich benötigt und welche ausdrücklich nicht?
• Wer darf welche Antworten bekommen?
• Wie überträgt sich das bestehende Rollen- und Rechtekonzept auf die KI-Schnittstelle?

Ein Use Case mit klar umrissenem Zweck macht diese Fragen von Anfang an sichtbar. Ein „wir schließen einfach alles an“-Ansatz verschleiert sie, bis es zu spät ist.

DS-GVO und der EU AI Act (KI-Verordnung) wirken oft wie lästige Hürden. Praktischer betrachtet sind sie ein Sicherheitsnetz, das früh Klarheit schafft, wenn Sie sie rechtzeitig einplanen.

Die KI-Verordnung stuft Anwendungen nach Risiko ein:

• Geringes Risiko: z. B. die Texterstellung oder Analyse (ohne personenbezogene Daten)
• Hohes Risiko: z. B. ein System, das über Beförderungen oder Bewerbungen mitentscheidet.

Das Risikoprofil ergibt sich direkt aus dem Use Case. Implementieren Sie zuerst und prüfen danach, stellen Sie oft fest, dass das System in dieser Form gar nicht zulässig ist oder aufwendig nachgebessert werden muss. Definieren Sie den Use Case zuerst, wissen Sie von Tag eins an, ob eine Datenschutzfolgenabschätzung nötig ist und welche Transparenzpflichten gelten.

Praxistipp: Bei jedem neuen Use Case direkt mitdenken:

• Betrifft das System Personalentscheidungen, Kreditvergabe, Bewerbungen oder andere sensible Bereiche?
  → Hochrisiko-Prüfung einplanen.
• Werden personenbezogene Daten verarbeitet?
  → Datenschutzfolgenabschätzung prüfen.
• Müssen Nutzende informiert werden, dass sie mit einer KI interagieren?
  → Transparenzpflicht klären.

Legen Sie sich zuerst auf den Anwendungsfall statt auf ein bestimmtes Modell fest, bleiben Sie unabhängig. Ihre Anforderungen legen fest, welches Modell (z. B. GPT, Claude, Llama) diese am besten erfüllt. Kommt morgen ein geeigneteres Modell auf den Markt, lässt es sich ersetzen, ohne den gesamten Prozess neu zu planen.

Im Rahmen einer guten KI-Strategie müssen zunächst Ziele festgelegt werden, dann die Werkzeuge.

In der Praxis gibt es einige Anwendungsfälle, die sich besonders häufig auch als Einstieg in das Thema „KI“ bewährt haben. Sie eignen sich hervorragend als erste Projekte, um Erfahrung aufzubauen und lassen sich mit überschaubarem Risiko und schnellem Mehrwert umsetzen.

Faustregel: Je näher ein Use Case an Personalentscheidungen, Bewertungen von Menschen oder rechtlich bindenden Entscheidungen liegt, desto höher das Risiko und desto mehr Aufwand für Dokumentation und menschliche Aufsicht müssen Sie einplanen. Die ersten zwei bis drei Zeilen der Tabelle sind meist ein guter Einstieg für Organisationen, die noch wenig Erfahrung mit KI-Systemen haben.

Eine KI-Einführung ist kein IT-Projekt, sondern ein Transformationsprojekt. Der Erfolg hängt nicht davon ab, wer am schnellsten das neueste Tool installiert, sondern davon, wer strategisch diszipliniert vorgeht:

1. Problem definieren, bevor die Lösung gekauft wird.
2. Datenzugriff und Rechtekonzept von Anfang an mitdenken.
3. Compliance früh einplanen, nicht nachträglich reparieren.
4. Mit geringem Risiko starten (siehe Tabelle oben) und Erfahrung aufbauen, bevor komplexere Use Cases angegangen werden.

So wird aus dem KI-Hype ein Werkzeug mit echtem, messbarem Mehrwert.