Die Liste wird immer länger als die Zeit
Bis hierhin ging es um Fundament und Befähigung, also um die Breite aus dem Auftakt. Jetzt beginnt die Tiefe. Die Frage ist nicht mehr, ob alle KI nutzen, sondern wo es sich lohnt, wirklich in einen Prozess hineinzugehen.
Sobald die ersten Teams Lust auf KI bekommen, wächst die Liste der Ideen schneller, als irgendjemand sie umsetzen kann. Das ist ein gutes Zeichen und zugleich die erste Falle. Wer versucht, alles parallel zu verfolgen, verzettelt sich und liefert am Ende nichts richtig.
Die spannende Frage ist deshalb nie, was man alles machen könnte. Sie ist, was man zuerst macht und was man bewusst sein lässt. Wie groß die Lücke zwischen Investition und strategischer Nutzung ist, habe ich am Beispiel Marketing beschrieben: KI im Marketing.
„Aus meiner Erfahrung entscheidet weniger die Länge der Ideenliste als die Reihenfolge, in der du sie angehst.“
Breit sammeln, schmal anfangen
Es klingt nach einem Widerspruch zum Fokus, ist aber der erste Schritt. Am Anfang lohnt es sich, viele Use Cases einzusammeln. Nicht um sie alle zu bauen, sondern um zu verstehen, wo der Bedarf liegt und welche Technologie du überhaupt brauchst. Die Sammlung ist deine Landkarte, nicht deine Aufgabenliste.
Aus dieser Landkarte suchst du dann gezielt die Quick Wins. Die Anwendungen, die schnell laufen und den ROI für die Technologie reinbringen. Sie zahlen die Investition zurück und schaffen Vertrauen, bevor du an die großen, schwierigen Dinge gehst. Lieber drei messbare Use Cases als zehn unklare Tests.
Hilfreich ist dabei, nicht in einer flachen Liste zu denken, sondern entlang der Wertschöpfungskette. Ich schaue mir die Businesslinien an, also die durchgängigen Abläufe von Anfang bis Ende, und frage je Linie: Wo liegen hier die Quick Wins? Welche davon breche ich in einzelne Use Cases herunter? Und welcher kommt zuerst, welcher braucht erst ein sauberes Datenfundament? So wird aus einer endlosen Ideenliste eine geordnete Strecke.
Breit schauen, schmal anfangen. Das ist kein Zickzack, sondern eine bewusste Reihenfolge.
Fokus auf die ökonomischen Hebelpunkte
Der Gedanke dahinter ist einfach. Jedes Geschäftsmodell hat wenige ökonomische Hebelpunkte, die den größten Effekt bringen, wenn man sie mit KI verbessert. Die meisten Unternehmen haben lange Listen an Use Cases. Die erfolgreichen konzentrieren sich auf die wenigen Bereiche, die strategisch zählen. Die Praxis der Use-Case-Priorisierung empfiehlt dafür, Kandidaten nach Geschäftswert, Machbarkeit, Datenreife und Time-to-Value zu bewerten, statt nach Begeisterung.
Wenn der Wert, den du schaffst, das Geschäft nicht bewegt, machst du es falsch. So bringt es auch das AI Transformation Manifesto von McKinsey auf den Punkt, das von Vorreitern berichtet, die im Schnitt 20 Prozent mehr EBITDA erreichten, indem sie ein bis drei Geschäftsfelder konsequent neu bauten. Genau das ist die Tiefe: nicht überall ein bisschen, sondern in wenigen Businesslinien richtig.
Die Reihenfolge, die funktioniert
Bedarf aus allen Bereichen aufnehmen. So wird klar, welche Lösung und welcher Stack wirklich gebraucht werden.
Die schnellen, wirksamen Fälle zuerst. Über die Ambassadors und im Operating Model, damit die Teams selbst liefern.
Während die Quick Wins laufen, lernen die Teams. Nach ein paar Monaten ist ein guter Teil davon erledigt.
Erst jetzt die übergreifenden, prozesslastigen Use Cases. Sie brauchen mehr Vorbereitung, zahlen aber am stärksten ein.
Die Reihenfolge ist der eigentliche Trick. Quick Wins finanzieren das Vertrauen und die Fähigkeiten, die du für die großen, prozessübergreifenden Projekte brauchst. Wer mit dem schwersten Projekt startet, verbrennt Geduld, bevor der erste Erfolg sichtbar wird.
Das ist bewusst erst die Breite, dann die Tiefe. Wer sofort die ganze Organisation umbaut, verliert das Momentum des Ausprobierens, die Neugier und das Gefühl, selbst am Steuer zu sitzen. Erst wenn die Teams das Experimentieren gewohnt sind, lohnt sich der große, übergreifende Umbau. Das ist mein Weg, und an dieser Stelle weiche ich bewusst von Modellen ab, die gleich mit dem ganz großen Wurf starten.
So finden und priorisieren wir Use Cases:
- Gesammelt wird über Interviews in den Teams, oft mit den Ambassadors. Ein eigener Agent bewertet Wert und Aufwand, schlägt ein Solution Design vor und legt die Dokumentation in Confluence und Jira an.
- Los geht es mit den Quick Wins. Die Umsetzung steuern wir über ein Jira-Board mit Sprint Planning, dort laufen auch DSFA und Tool-Prüfungen, wenn etwas Neues angefragt wird.
- Am Anfang durfte jeder eigene Agenten bauen, und die Ambassadors haben mit uns die meisten Use Cases umgesetzt, bis viele es selbst konnten.
- Für die Tiefe interviewen wir entlang der Wertschöpfungskette zum Thema AI first und gestalten mit Langdock und den Transkripten ganze Prozesse über Abteilungen hinweg neu.
Was bringt ein Use Case?
Damit die Reihenfolge nicht nur Bauchgefühl ist, schätze ich den Wert je Use Case vorab, nach einer festen Logik. Das hilft zu entscheiden, was zuerst drankommt. Bei uns hat genau diese Rechnung anfangs sogar den ROI des Tech-Stacks belegt und ihn durch den Einkauf gebracht. Probier es hier direkt aus.
Trag deine Annahmen ein und sieh Wert, FTE und ROI. Der Stundensatz ist ein Beispielwert, kein echter, bitte mit deinem ersetzen.
Deine Annahmen
Weitere Annahmen
Ergebnis (Jahr 1)
Die volle Logik steckt bei mir in einem Agenten, der jeden Use Case dokumentiert und bewertet. Den teile ich nicht öffentlich, aber wenn du ihn brauchst, melde dich gern. Wie ich Adoption und Wirkung hinterher messe, steht in Teil 10, Adoption und Impact messen.
Quick Wins sind ein Start, keine Strategie
Es gibt eine Kehrseite. Wer nur Quick Wins sammelt, bleibt irgendwann im Klein-Klein hängen. Viele schnelle Erfolge addieren sich nicht automatisch zu Wirkung im Geschäft. Sie sind das Sprungbrett, nicht das Ziel.
Deshalb gehört von Anfang an ein Blick auf die großen Hebel dazu, auch wenn sie erst später drankommen. Sonst optimierst du am Ende viele kleine Dinge und hast den einen Prozess, der das Geschäft wirklich bewegt, nie angefasst. Wie aus Nutzung echte Wirkung wird, ist das Thema des letzten Teils dieser Reihe.
Quick Wins öffnen die Tür. Dahinter liegen die Prozesse, die wirklich zählen.
McKinsey, The AI transformation manifesto (April 2026), zu ökonomischen Hebelpunkten und dazu, dass Wert das Geschäft bewegen muss.
Agility at Scale, AI Use Case Identification and Prioritization, Kriterien für die Priorisierung.
Was steht bei euch ganz oben?
Wie wählt ihr aus, was zuerst dran ist? Ich bin gespannt auf eure Logik.
Phase 3 · Umsetzung · Zuvor: AI Literacy, alle mitnehmen · Als Nächstes: Die richtige Lösung, und die nächste Stufe · Zur Übersicht