Wenn der attraktivste KI-Anwendungsfall besonders sorgfältige Prüfung braucht

Ein KI-Anwendungsfall mit hohem erwartetem Nutzen kann zugleich derjenige sein, der die empfindlichsten Daten berührt. Dann braucht er vor dem Start eine besonders sorgfältige Prüfung.

Beispiele für solche Konstellationen: Vertriebssteuerung mit historischen Kundendaten. Preisfindung mit Kalkulationslogik. Personalvorauswahl mit Bewerberprofilen. Kundendienst mit Service-Historie. Prüfung von Lieferantenverträgen im Einkauf.

In allen fünf Beispielen hängt der Nutzen an Daten, die das Unternehmen schützen muss: Kundendaten, Preise, Personendaten, Vertragsinhalte. Nutzen und Schutzbedarf entstehen hier aus derselben Quelle. Das ist eine strukturelle Beobachtung. Eine Statistik, wie oft beides zusammenfällt, kenne ich nicht.

Zur Einordnung eine Befragung. Porsche Consulting und das Fraunhofer-Institut für Angewandte Informationstechnik FIT haben für den Bericht «Mit Daten und KI Rendite generieren» (März 2026) über hundert Top-Führungskräfte aus unterschiedlichen Branchen befragt. 95 Prozent berichten von aktiven KI-Initiativen. Knapp 20 Prozent der befragten Unternehmen gelingt es, KI-Anwendungen über die Pilotphase hinaus in den breiten Einsatz zu bringen. Mehr als die Hälfte der Befragten nennt mangelhafte Datenqualität und fehlende Zugänglichkeit als grösstes Hindernis. 39 Prozent sehen organisatorische Silos und unklare Zuständigkeiten als Hauptgrund, warum KI nicht unternehmensweit genutzt wird. 44 Prozent der Unternehmen messen den wirtschaftlichen Beitrag mit Kennzahlen.

Die Einschränkung gehört dazu. Die Publikation nennt weder Region noch Erhebungszeitraum, und in der Stichprobe sind auch Grosskonzerne. Für Schweizer KMU ist damit nichts nachgewiesen. Die Befragung sagt auch nichts darüber, welche Anwendungsfälle stocken.

Meine Einschätzung geht einen Schritt weiter. Wo ein Anwendungsfall Kundendaten, Preise oder Personendaten braucht, kommen zur Datenqualität drei weitere Fragen hinzu: die Freigabe der Daten, die Grenzen gegenüber dem Anbieter und die Folgen eines Fehlers. Wer diese Fragen erst im Pilot stellt, verliert dort Zeit. Die Prüfebenen gegenüber dem Anbieter beschreibt der Beitrag KI-Anbieter im Ausland: Datenzugriff und Verantwortung prüfen.

Datenqualität und Datenfreigabe sind zwei Fragen

Datenqualität beantwortet, ob ein Anwendungsfall technisch tragen kann. Datenfreigabe beantwortet, ob er mit diesen Daten, bei diesem Anbieter und unter den bestehenden Verträgen produktiv laufen darf.

Beide Fragen können einen Pilot aufhalten. Beide gehören in die Priorisierung.

Ein hypothetisches Beispiel: drei Kandidaten, eine Reihenfolge

Ein hypothetisches Beispiel: Ein Industrieunternehmen mit 180 Mitarbeitenden prüft drei Anwendungsfälle.

Anwendungsfall A: Recherche-Assistent für die Fachabteilungen. Erwarteter Nutzen gering. Daten öffentlich. Ein Fehler fällt intern auf und lässt sich korrigieren.

Anwendungsfall B: Offerten-Assistent mit Zugriff auf historische Kundendaten. Erwarteter Nutzen hoch (kürzere Durchlaufzeit, bessere Vorbereitung bei Wiederkäufern). Daten heikel (Preise, Margen, Verhandlungspositionen). Ein Fehler erreicht den Kunden, wenn niemand die Offerte vor dem Versand prüft.

Anwendungsfall C: Wartungsprognose über Sensordaten. Erwarteter Nutzen mittel. Daten intern, ohne Personenbezug. Ein Fehler kann einen unnötigen Einsatz auslösen oder einen nötigen verzögern.

Die naheliegende Frage der Geschäftsleitung: Welchen Anwendungsfall starten wir zuerst?

Die ergiebigere Frage: Welche Daten braucht jeder Anwendungsfall, wie rasch sind sie freigabefähig, und was geschieht bei einem falschen Ergebnis?

A kann sofort starten. B braucht eine geklärte Datenfreigabe, einen Anbietervertrag ohne Training auf den Eingabedaten, eine Prüfung vor dem Versand und eine namentlich verantwortliche Person in der Geschäftsleitung. C ist machbar, sobald die Sensordaten strukturiert vorliegen.

Angenommen, das Unternehmen startet alle drei gleichzeitig. Ein plausibler Verlauf nach sechs Monaten: A läuft produktiv, B wartet auf die Datenfreigabe, C wartet auf die Sensorintegration. Die Führungszeit floss in drei Vorhaben, der grösste erwartete Nutzen ist noch offen. Eine Reihenfolge hätte geholfen.

Vier Fragen vor jeder Priorisierung

Aus mehr als 20 Jahren Geschäftsleitung kenne ich die Priorisierung von Investitionsvorhaben. Eine Rangliste nach erwartetem Nutzen allein greift dort zu kurz. Bei KI-Anwendungsfällen kommen die Datenfrage und die Fehlerfolgen hinzu. Ich empfehle vier Fragen.

Erstens: Welchen Nutzen erwarten wir konkret?

Konkret heisst: Durchlaufzeit in Tagen, Trefferquote in Prozentpunkten, Serviceaufwand in Stunden. Dazu die Annahme, worauf die Erwartung beruht, und der Zeitpunkt, an dem sie überprüft wird. Ein Zeitgewinn ist noch kein Ergebnisbeitrag. Er wird es erst, wenn klar ist, wofür die frei gewordene Zeit eingesetzt wird.

Zweitens: Welche Daten braucht der Anwendungsfall wirklich, und wie rasch sind sie freigabefähig?

Die Vorlaufzeit hängt von der Datenart ab. Öffentliche Daten brauchen wenig Klärung. Interne Geschäftsdaten ohne Personenbezug brauchen eine Regel und einen geeigneten Anbietervertrag. Kundendaten mit vertraglichen Vertraulichkeitsklauseln und Personendaten brauchen zusätzlich eine datenschutzrechtliche und vertragliche Prüfung durch fachkundige Personen. Wie lange das dauert, hängt vom Unternehmen ab. Schätzen Sie die Vorlaufzeit pro Anwendungsfall und nehmen Sie sie in den Business Case auf.

Drittens: Was geschieht, wenn das Ergebnis falsch ist?

Wen trifft ein Fehler: das eigene Team, einen Kunden, eine Bewerberin? Wie schnell fällt er auf? Lässt er sich korrigieren? Wer prüft das Ergebnis, bevor es wirkt? Je weiter ein Fehler nach aussen reicht, desto mehr menschliche Kontrolle gehört in den Ablauf.

Viertens: Wer betreibt den Anwendungsfall nach dem Pilot?

Welcher Anbieter, welche verantwortliche Person in der Geschäftsleitung, welche Kennzahl im Monatsreporting, welche Schulung für die Mitarbeitenden. Fehlen diese Festlegungen, droht dem Pilot die Verlängerung ohne Entscheid.

Eine Ampel als Arbeitshilfe

Aus den vier Fragen lässt sich eine einfache Ampel ableiten. Sie ist eine anpassbare Arbeitshilfe. Die Schwellen in Wochen sind mein Vorschlag, legen Sie eigene fest.

Grün. Nutzen plausibel, Daten unkritisch, Fehler intern korrigierbar. Starten, mit schlanker Prüfung.

Gelb. Hoher erwarteter Nutzen, Klärungsbedarf von beispielsweise vier bis zwölf Wochen, Business Case bleibt mit dieser Vorlaufzeit positiv. Starten, sobald vier Punkte stehen: definierter Anbieter, verantwortliche Person in der Geschäftsleitung, Kennzahl im Monatsreporting, Datenfreigabe vor dem Kick-off.

Rot. Hoher erwarteter Nutzen, aber Freigabe, Anbietergrenzen oder Fehlerkontrolle sind auf absehbare Zeit ungeklärt. Zurückstellen, die Klärung als eigenes Vorhaben mit Termin führen und danach neu beurteilen.

Die Ampel schützt die knappe Führungszeit. Sie ersetzt keine rechtliche Prüfung.

Der Einwand: Klärung kostet Zeit

Die Gegenposition lautet: Jede Klärung verzögert den Start, und Wettbewerber warten vielleicht weniger lang.

Meine Antwort ist Verhältnismässigkeit. Der Prüfumfang richtet sich nach Datenklasse und Fehlerfolgen. Bei öffentlichen Daten und intern korrigierbaren Fehlern genügt eine kurze Prüfung, und der Start kann rasch erfolgen.

Bei Anwendungsfällen mit Kundendaten gehört die Klärung zum Vorhaben selbst. Kundenverträge können Vertraulichkeits- und Auditklauseln enthalten, die eine Nutzung der Daten in externen KI-Diensten einschränken. Ob das zutrifft, zeigt ein Blick in die Verträge der wichtigsten Kunden vor dem Start.

IT und Recht liefern dafür die fachliche Beurteilung. Die Abwägung zwischen erwartetem Nutzen und verbleibendem Risiko gehört nach meiner Einschätzung in die Geschäftsleitung, weil nur sie beide Seiten verantwortet. Betrifft ein Anwendungsfall Schlüsselkunden oder das Kerngeschäft, gehört er gemäss Kompetenzordnung zusätzlich in den Verwaltungsrat.

Hypothetisches Rechenbeispiel: Offerten-Assistent

Das folgende Beispiel ist frei erfunden. Alle Zahlen sind Annahmen und dienen nur dazu, die Logik zu zeigen.

Ein Maschinenbauunternehmen mit 240 Mitarbeitenden erstellt rund 1'200 Offerten pro Jahr. Eine Offerte braucht im Schnitt zehn Arbeitstage. 14 Prozent der Offerten führen zu einem Auftrag, das sind 168 Aufträge. Die Geschäftsleitung startet einen Piloten mit einem Offerten-Assistenten.

Nach drei Monaten zeigen sich zwei offene Punkte. Der Anbietervertrag erlaubt die Nutzung der Eingaben für das Modelltraining. Im Datenbestand liegen Preislisten, Rabattmatrix und Kalkulationen der fünf grössten Kunden. Eine dieser Kundinnen untersagt in ihren Vertragsbedingungen die Nutzung ihrer Daten in externen KI-Modellen.

Die Geschäftsleitung unterbricht den Piloten für sechs Wochen. Sie verhandelt den Anbietervertrag nach, lässt das Training auf den Eingabedaten ausschliessen, legt eine Freigaberegel für die Daten der grössten Kunden fest und führt eine Prüfung jeder Offerte vor dem Versand ein. Angenommener Aufwand: 80 Arbeitsstunden, verteilt auf drei Personen.

Angenommen, die Durchlaufzeit sinkt danach von zehn auf sieben Arbeitstage und die Trefferquote steigt von 14 auf 17 Prozent. Bei 1'200 Offerten wären das 204 statt 168 Aufträge, also 36 zusätzliche Aufträge pro Jahr. Ob diese Aufträge dem Assistenten zuzuschreiben sind, müsste das Unternehmen prüfen, etwa mit einem Vergleich zwischen Teams mit und ohne Assistent. Eine Trefferquote hängt auch von Markt, Preis und Vertrieb ab.

Das Gegenszenario, ebenfalls hypothetisch: Das Unternehmen rollt den Assistenten ohne Klärung aus. Beanstandet die Kundin später die Datennutzung, muss es den Einsatz unterbrechen, die Daten beim Anbieter löschen lassen und die Freigabe nachholen. Die 80 Stunden fallen dann ebenfalls an, zusätzlich zur Unterbrechung. Ob es so kommt, ist offen. Die Geschäftsleitung entscheidet, welches der beiden Risiken sie tragen will.

Fazit

KI-Anwendungsfälle am Kundenkontakt, an der Preisfindung und an der Personalauswahl versprechen viel. Sie berühren zugleich Daten und Entscheide, bei denen Fehler nach aussen wirken. Beides gehört in dieselbe Beurteilung.

Wer Nutzen, Daten und Fehlerrisiken gemeinsam beurteilt, erhält eine belastbare Reihenfolge. Einfache Fälle starten rasch. Anspruchsvolle Fälle starten, sobald Freigabe, Anbietergrenzen und Kontrolle geklärt sind. Die vier Fragen passen auf eine Seite pro Anwendungsfall.

Handlungsfrage für die Geschäftsleitung: Welcher Ihrer drei attraktivsten KI-Anwendungsfälle verspricht den höchsten Nutzen und hat heute die unklarste Datenfreigabe?