KI-Potenzialanalyse: In 6 Schritten zu priorisierten KI-Use-Cases mit echtem ROI

Eine KI-Potenzialanalyse ist eine strukturierte Bestandsaufnahme, die konkrete Einsatzmöglichkeiten für Künstliche Intelligenz in einem Unternehmen identifiziert und nach ihrem tatsächlichen Wertbeitrag bewertet, bevor Budget freigegeben wird. Rund 80 % der KI-Ideen scheitern nicht an der Technik, sondern daran, dass niemand vorher sauber geprüft hat, welche drei bis fünf Use Cases wirklich messbaren ROI liefern. Für Geschäftsführer und IT-Leiter im Mittelstand entscheidet genau das darüber, ob ein Pilotprojekt nach drei Monaten in der Schublade landet oder sich innerhalb eines Jahres amortisiert.

Bevor Sie einen Euro in KI investieren, sollten Sie wissen, welche Use Cases in Ihrem Unternehmen tatsächlich messbaren ROI liefern und welche nur gut klingen. Dieser Leitfaden liefert das Bewertungsmodell, mit dem wir das bei unseren Kunden klären, inklusive konkreter Kosten- und Zeitrahmen zum Selbst-Kalkulieren.

Was ist eine KI-Potenzialanalyse? (Definition und Abgrenzung zur KI-Strategie)

Eine Potenzialanalyse für Künstliche Intelligenz ist die systematische Prüfung, an welchen Stellen im Unternehmen KI-Systeme reale Probleme lösen, Kosten senken oder Umsatz steigern können. Sie liefert eine bewertete Liste von Use Cases mit Aufwand, Nutzen und Umsetzungsreihenfolge, keine fertige Software und kein Versprechen auf Transformation.

Der Unterschied zur KI-Strategie liegt in der zeitlichen Reihenfolge und im Detailgrad. Die Potenzialanalyse ist die Diagnose vor der Entscheidung, sie beantwortet die Frage “wo lohnt sich KI überhaupt für uns”. Die KI-Strategie ist der langfristige Umsetzungsplan danach, sie regelt Governance, Tooling, Kompetenzaufbau und Budgetverteilung über mehrere Jahre. Wer direkt mit der Strategie startet, ohne vorher die Use Cases sauber zu bewerten, baut ein Gerüst um ein Fundament, das noch gar nicht geprüft wurde. Deshalb ist die Potenzialanalyse in unseren Projekten immer der erste Schritt vor jeder Budgetfreigabe, nicht ein optionaler Zwischenschritt.

Warum Unternehmen ohne Potenzialanalyse Budget verbrennen

Die typischste Fehlinvestition sieht in der Praxis so aus: Ein Fachbereich kauft ein KI-Tool, weil ein Wettbewerber es auch nutzt, ohne dass ein Bezug zum eigenen Geschäftsmodell geprüft wurde. Wir haben das bei einem Maschinenbau-Kunden erlebt, der bereits eine Chatbot-Lizenz für den Kundenservice gebucht hatte, bevor klar war, dass 70 % der Supportanfragen technische Ersatzteilfragen waren, für die ein KI-Chatbot ohne angebundenes ERP-System schlicht keine Antwort liefern konnte. Das Tool lag nach vier Monaten brach, die Lizenzkosten liefen weiter.

Der zweite große Fehler ist eine überschätzte KI-Readiness: Unternehmen starten Pilotprojekte, ohne vorher zu prüfen, ob Daten überhaupt in nutzbarer Qualität vorliegen oder ob Prozesse stabil genug sind, um automatisiert zu werden. Laut einer BCG-Studie aus 2024 erzielen 74 % der Unternehmen mit ihren KI-Investitionen noch keinen greifbaren Wertbeitrag über den Piloten hinaus, weil Priorisierung und Datenbasis fehlen, nicht weil die Modelle zu schwach wären. Genau diese Lücke schließt eine strukturierte Analyse vor der Entscheidung, wie wir sie etwa in unserem Beratungsansatz bei automated-ki-agentur als festen ersten Baustein verankert haben. Wer diesen Schritt überspringt, zahlt die Lernkurve später über gescheiterte Projekte statt über eine Analyse, die 2 bis 4 Wochen kostet.

Ablauf: So läuft eine KI-Potenzialanalyse in der Praxis ab

Der Prozess folgt in unseren Projekten einem festen Muster, unabhängig davon, ob es sich um ein 30-Personen-Unternehmen oder einen Mittelständler mit 400 Mitarbeitenden handelt. Entscheidend ist, dass jeder Schritt ein greifbares Zwischenergebnis liefert, statt sich in offenen Workshop-Runden zu verlieren.

1. Kickoff-Workshop: Geschäftsführung, IT-Leitung und Fachbereiche definieren gemeinsam Ziele, Erfolgskriterien und den Rahmen der Analyse.
2. Stakeholder-Mapping: Wer aus welcher Abteilung liefert Input, wer trifft am Ende die Priorisierungsentscheidung.
3. Ist-Analyse der Datenqualität: Prüfung, in welchen Systemen strukturierte Daten liegen, wie sauber sie gepflegt sind und wie es um bestehende Schnittstellen zwischen ERP, CRM und Fachanwendungen steht.
4. Use-Case-Sammlung: In strukturierten Interviews und Workshops mit den Fachbereichen Use Cases identifizieren, typischerweise entstehen dabei 15 bis 25 Ideen.
5. Erste Grobbewertung: Jede Idee wird nach Aufwand und Nutzen grob eingeordnet, offensichtlich unrealistische Ideen fallen raus.
6. Übergabe in die Priorisierungsphase: Die verbleibenden 8 bis 12 Use Cases wandern in die detaillierte Impact-Aufwand-Bewertung.

In der Praxis dauert allein die Ist-Analyse von Datenqualität und Schnittstellen oft länger als der eigentliche Ideation-Workshop, weil IT-Abteilungen selten eine vollständige Übersicht haben, welche Systeme überhaupt miteinander sprechen. Wer diesen Workshop nicht intern moderieren will oder kann, lässt ihn extern begleiten, etwa über AI Consulting, damit Fachbereiche offen sprechen, ohne interne Politik in die Bewertung einfließen zu lassen.

Use Cases priorisieren: Die Impact-Aufwand-Bewertungsmatrix

Der Punkt, an dem die meisten Potenzialanalysen scheitern, ist die Priorisierung selbst. Ohne festes Modell landet am Ende doch wieder das Projekt oben auf der Liste, das der lauteste Fachbereichsleiter am liebsten hätte. Wir arbeiten deshalb mit einem Zwei-Achsen-Modell aus Business Impact und Umsetzungsaufwand, jeweils auf einer Skala von 1 bis 5 bewertet.

Aus diesen Kriterien ergibt sich pro Use Case ein Business-Impact-Wert und ein Umsetzungsaufwand-Wert. Der Priorisierungs-Score errechnet sich einfach als Impact geteilt durch Aufwand, je höher der Wert, desto attraktiver der Use Case für den ersten Umsetzungsschritt. Eine Beispielrechnung aus einem realen Projektmuster mit drei typischen Use Cases zeigt, wie unterschiedlich die Rangfolge gegenüber dem Bauchgefühl ausfällt.

Die automatisierte Rechnungsverarbeitung gewinnt hier trotz des kleineren Impacts, weil der Aufwand gering ist, Rechnungsdaten sind meist strukturiert vorhanden und die Integration in gängige Buchhaltungssysteme ist Standard. Solche Use Cases landen im Quadranten Quick Wins und eignen sich, um erste Erfolge zu zeigen, oft in Form von Workflow Automation ganz ohne komplexes Machine Learning. Der Chatbot und Predictive Maintenance sind strategisch wertvoll, brauchen aber sauberere Datenbasis und mehr Change-Management, bevor sie sich lohnen. Alles, was in beiden Achsen niedrig bewertet wird, landet konsequent auf der Ablehnungsliste, nicht aus Bequemlichkeit, sondern weil der Aufwand den Nutzen nicht rechtfertigt.

Was Sie am Ende in der Hand halten: Roadmap, Business Case, Machbarkeitsbericht

Eine seriöse Potenzialanalyse endet nicht mit einer Folie voller Buzzwords, sondern mit drei konkreten Dokumenten, die Sie direkt für die Budgetentscheidung nutzen können.

• KI-Roadmap: Zeitliche Staffelung der priorisierten Use Cases über typischerweise 12 bis 18 Monate, mit klaren Meilensteinen und Abhängigkeiten zwischen den Projekten.
• Business Case je Use Case: Kosten-Nutzen-Rechnung mit erwarteter Amortisationszeit, benötigtem Budget und den Annahmen, auf denen die Zahlen beruhen.
• Machbarkeitsbericht: Konkrete technische Voraussetzungen für die Implementierung, inklusive nötiger Schnittstellen, Datenaufbereitung und realistischem Zeitaufwand für die Umsetzung.

Diese drei Dokumente zusammen sind das, was am Ende eine echte Budgetentscheidung ermöglicht, statt einer weiteren Präsentation, die im Laufwerk verstaubt. In unseren Projekten bekommt die Geschäftsführung damit eine belastbare Grundlage, um intern zu entscheiden, welcher Use Case zuerst in die Implementierung geht und welches Budget dafür realistisch eingeplant werden muss.

Kosten und Dauer einer KI-Potenzialanalyse

Die Dauer hängt stark von Unternehmensgröße und Anzahl der einzubindenden Abteilungen ab, bewegt sich in der Praxis aber zuverlässig zwischen 2 und 6 Wochen. Ein kompakter Workshop-Ansatz für ein kleines Unternehmen mit klar abgegrenztem Fokus ist in zwei Wochen durch, eine umfassende Analyse über mehrere Standorte und Abteilungen braucht entsprechend länger.

Die größten Preistreiber sind die Anzahl der einzubindenden Abteilungen, die Qualität der bestehenden Datenlage und die Zahl der Stakeholder, die interviewt und in Workshops eingebunden werden müssen. Ein Unternehmen mit sauber dokumentierten Prozessen und zentralem ERP-System braucht spürbar weniger Zeit für die Ist-Analyse als eines mit gewachsenen Excel-Insellösungen über fünf Abteilungen hinweg. Für eine Einschätzung, was das konkret für Ihr Unternehmen bedeutet, lohnt sich ein kurzes Gespräch über Kontakt, bevor Sie intern ein Budget dafür ansetzen.

Häufige Fehler – und wie Sie sie vermeiden

Die meisten Probleme entstehen nicht während der Analyse selbst, sondern durch das, was vorher übersprungen wird. Drei Muster tauchen in unseren Projekten immer wieder auf.

• Fehlende Datenqualitätsprüfung: Use Cases werden gesammelt und bewertet, bevor jemand geprüft hat, ob die nötigen Daten überhaupt in nutzbarer Form vorliegen. Gegenmaßnahme: Datenqualität als eigenen Prüfschritt vor der Use-Case-Bewertung einplanen, nicht danach.
• Fehlende Einbindung von Fachbereichen: Die Analyse wird allein von IT oder Geschäftsführung durchgeführt, Fachbereiche erfahren erst bei der Umsetzung davon und blockieren dann aus Prinzip. Gegenmaßnahme: Jede betroffene Abteilung mindestens in einem Interview oder Mini-Workshop einbinden.
• Zu techniklastiger Fokus: Es wird diskutiert, welches Modell oder Tool am modernsten ist, statt zu fragen, welcher Business Case dahintersteht. Gegenmaßnahme: Jeder Use Case braucht eine Kosten-Nutzen-Zahl, bevor über Technologie gesprochen wird.

Der gemeinsame Nenner aller drei Fehler ist dieselbe Ursache: Die Analyse wird als technisches Projekt behandelt statt als Business-Entscheidung, die zufällig KI als Werkzeug nutzt.

KI-Readiness-Selbstcheck: Checkliste zur ersten Einschätzung

Bevor Sie eine externe Analyse beauftragen, können Sie den groben Reifegrad Ihres Unternehmens selbst grob einschätzen. Die folgende Checkliste ersetzt keine strukturierte Potenzialanalyse, zeigt aber ehrlich, wo Sie aktuell stehen.

• ☐ Wir wissen, in welchen drei Prozessen die meiste manuelle Zeit verloren geht.
• ☐ Unsere wichtigsten Geschäftsdaten liegen zentral und nicht nur in Einzeldateien vor.
• ☐ Wir haben mindestens ein System mit sauberer, strukturierter Datenhistorie über 12+ Monate.
• ☐ Es gibt eine klar benannte Person, die für KI-Themen intern verantwortlich ist.
• ☐ Fachbereiche wurden schon einmal gefragt, wo sie sich Automatisierung wünschen.
• ☐ Wir kennen unsere Kernsysteme und wissen, welche Schnittstellen zwischen ihnen bestehen.
• ☐ Es gibt ein grobes Budget-Verständnis dafür, was ein KI-Projekt kosten darf.

Wer bei vier oder mehr Punkten mit Nein antwortet, hat einen niedrigen Reifegrad und sollte vor der eigentlichen Potenzialanalyse erst an den Grundlagen arbeiten, etwa über gezielte KI-Unterstützung, damit die spätere Analyse nicht auf einer wackeligen Datenbasis aufsetzt.

Häufig gestellte Fragen zur KI-Potenzialanalyse

Was kostet eine KI-Potenzialanalyse für ein KMU?

Für ein kleines bis mittleres Unternehmen liegt der realistische Rahmen zwischen 6.000 € und 25.000 €, abhängig davon, wie viele Abteilungen und Systeme einbezogen werden. Ein kompakter Workshop-Ansatz mit Fokus auf zwei bis drei Kernprozesse ist günstiger als eine unternehmensweite Analyse über mehrere Standorte.

Wie lange dauert eine KI-Potenzialanalyse?

In der Praxis rechnen Sie mit 2 bis 4 Wochen für ein KMU, größere Organisationen mit mehreren Standorten brauchen bis zu 6 Wochen. Die längste Phase ist meist nicht der Workshop selbst, sondern die Ist-Analyse von Datenqualität und Schnittstellen im Hintergrund.

Was ist der Unterschied zwischen KI-Potenzialanalyse und KI-Strategie?

Die Potenzialanalyse beantwortet, wo KI in Ihrem Unternehmen überhaupt Wert schafft, und liefert eine priorisierte Liste konkreter Use Cases. Die KI-Strategie baut darauf auf und regelt die langfristige Umsetzung, also Governance, Tooling-Entscheidungen und Kompetenzaufbau über mehrere Jahre. Ohne Potenzialanalyse fehlt der Strategie die faktische Grundlage, sie wird dann eher zur Wunschliste als zum Umsetzungsplan.

Unterscheidet sich das von klassischer Unternehmensberatung?

Klassische Prozessberatung schaut auf Effizienz generell, eine KI-Potenzialanalyse ist spezifisch auf die Frage zugeschnitten, wo KI-Technologie konkret ansetzen kann, inklusive technischer Machbarkeitsprüfung von Datenlage und Schnittstellen. Wenn Sie unsicher sind, welcher Ansatz für Ihre Situation passt, klären wir das am besten in einem kurzen Gespräch über Kontakt.