KI-Use-Cases priorisieren: Methoden und Matrix
Die meisten Unternehmen haben nach dem ersten Ideen-Workshop nicht zu wenige KI-Use-Cases, sondern zu viele. Zwanzig Vorschläge auf einer Liste helfen nicht weiter, solange niemand sagt, womit begonnen wird und warum. Priorisieren heißt: eine nachvollziehbare Entscheidung treffen, welche zwei oder drei Vorhaben jetzt Geld und Zeit bekommen und welche bewusst warten. Dieser Artikel zeigt die Logik dahinter, von der Wahl der Kriterien über die Gewichtung bis zur Portfolio-Entscheidung.
Was bedeutet es, KI-Use-Cases zu priorisieren?
KI-Use-Cases priorisieren bedeutet, eine vorhandene Kandidatenliste nach festen, vorher vereinbarten Kriterien zu bewerten und daraus eine Reihenfolge abzuleiten. Das Ergebnis ist keine Rangliste allein, sondern eine Entscheidung: was jetzt umgesetzt wird, was vorbereitet wird und was gestrichen wird.
Damit unterscheidet sich die Priorisierung klar vom Finden der Ideen. Wie Sie Kandidaten systematisch sammeln, etwa über Prozessinterviews oder die Analyse wiederkehrender Dokumente, beschreibt der Artikel KI-Use-Cases finden: Methoden, die im Mittelstand funktionieren. Hier geht es um den nächsten Schritt: Die Liste existiert, und jetzt muss sie kürzer werden.
Eine gute Priorisierung erfüllt drei Anforderungen:
- Nachvollziehbar: Jeder Beteiligte kann sehen, warum ein Use Case vorne oder hinten landet.
- Vergleichbar: Alle Kandidaten werden auf derselben Skala mit denselben Kriterien bewertet.
- Revidierbar: Neue Erkenntnisse, etwa aus einem Pilotprojekt, lassen sich einarbeiten, ohne von vorn zu beginnen.
Welche Kriterien gehören in die Bewertung?
Vier Kriterien decken in den meisten Unternehmen das Wesentliche ab: der Nutzen für den Prozess, die technische und organisatorische Machbarkeit, das Risiko eines Fehlers und die strategische Passung. Ein fünftes Kriterium, die Dringlichkeit, lohnt sich, wenn Fristen oder Marktdruck eine Rolle spielen.
Nutzen. Wie oft tritt der Vorgang auf, wie viel Arbeitszeit bindet er, und wie wirkt sich ein Fehler oder eine Verzögerung heute aus? Ein Angebotsprozess mit vielen Anfragen pro Woche hat ein anderes Gewicht als ein jährlicher Bericht. Bewerten Sie den Nutzen am heutigen Prozess, nicht an einem erhofften Zielbild.
Machbarkeit. Liegen die nötigen Daten digital und zugänglich vor? Gibt es Schnittstellen zu den beteiligten Systemen, etwa ERP, CRM oder Dokumentenablage? Ist der Prozess so klar beschrieben, dass sich prüfen lässt, ob ein KI-Agent ihn richtig erledigt? Machbarkeit ist das Kriterium, das in Ideen-Workshops am häufigsten überschätzt wird.
Risiko. Was passiert, wenn das System falsch liegt? Ein falsch vorsortiertes Service-Ticket wird von einem Menschen korrigiert; eine falsche Bewertung eines Bewerbers kann rechtliche Folgen haben. Hierzu gehört auch die Einordnung nach dem EU AI Act: Laut Europäischer Kommission zählen etwa Software zur Sortierung von Lebensläufen oder Kreditwürdigkeitsprüfungen zu den Hochrisiko-Anwendungen mit strengen Pflichten, während Spamfilter keinen Regeln unterliegen. Das ersetzt keine Rechtsprüfung, zeigt aber früh, wo Aufwand entsteht.
Strategische Passung. Zahlt der Use Case auf ein Ziel ein, das die Geschäftsführung ohnehin verfolgt, etwa schnellere Angebote, weniger Abhängigkeit von Einzelwissen oder besseren Service? Use Cases ohne Bezug zu einem solchen Ziel verlieren nach dem Pilotprojekt oft ihren Sponsor.
Dringlichkeit (optional). Gibt es einen Grund, jetzt zu handeln, etwa einen Renteneintritt, durch den Wissen verloren geht, oder ein auslaufendes System? Dieses Kriterium entspricht dem, was Methoden wie WSJF als Zeitkritikalität bezeichnen.
Vermeiden Sie Kriterien, die sich überschneiden. „Datenqualität" und „Machbarkeit" in getrennten Spalten führen dazu, dass dasselbe Problem doppelt zählt.
Wie gewichtet man die Kriterien?
Gewichte legen fest, wie viel jedes Kriterium zum Gesamtwert beiträgt. Sie müssen vor der Bewertung feststehen und von der Geschäftsführung verantwortet werden. Werden Gewichte erst nach dem Scoring verändert, lässt sich jedes gewünschte Ergebnis herbeirechnen, und die Priorisierung verliert ihre Glaubwürdigkeit.
Ein bewährter Ausgangspunkt ist eine Verteilung, die Nutzen und Machbarkeit etwa gleich stark gewichtet und Risiko sowie Strategie etwas schwächer. Zum Beispiel:
- Nutzen: 35 Prozent
- Machbarkeit: 30 Prozent
- Risiko (umgekehrt bewertet, hohe Punktzahl = geringes Risiko): 20 Prozent
- Strategische Passung: 15 Prozent
Diese Verteilung ist eine Annahme, keine Norm. Ein Unternehmen, das erstmals mit KI arbeitet und vor allem Vertrauen aufbauen will, gewichtet Machbarkeit und Risiko höher. Ein Unternehmen mit klarer Wachstumsstrategie legt mehr Gewicht auf strategische Passung.
Zwei Regeln helfen bei der Gewichtung:
- Ausschlusskriterien getrennt halten. Manche Punkte gehören nicht in die Gewichtung, sondern davor: Ein Use Case, der eine nach dem AI Act verbotene Praxis wäre, wird nicht schlecht bewertet, sondern gar nicht bewertet.
- Sensitivität prüfen. Ändern Sie die Gewichte testweise um einige Prozentpunkte. Kippt die Reihenfolge der ersten drei Kandidaten sofort, liegen sie in Wahrheit gleichauf, und die Entscheidung muss über andere Argumente fallen.
Welche Methoden zur Priorisierung gibt es?
Für KI-Use-Cases werden vor allem vier Methoden genutzt: die Nutzen-Machbarkeits-Matrix, das gewichtete Scoring, RICE und WSJF. Sie unterscheiden sich darin, wie viele Kriterien sie abbilden und wie stark sie Aufwand und Zeit berücksichtigen. Keine ist für sich richtig; entscheidend ist, dass alle Beteiligten dieselbe verwenden.
| Methode | Kriterien | Stärke | Schwäche |
|---|---|---|---|
| Nutzen-Machbarkeits-Matrix | 2 Achsen | schnell, gut für Workshops | Risiko und Strategie fehlen |
| Gewichtetes Scoring | 4–6, frei wählbar | an das Unternehmen anpassbar | Scheingenauigkeit durch Dezimalstellen |
| RICE | Reach, Impact, Confidence, Effort | macht Unsicherheit sichtbar | aus der Produktentwicklung, Reichweite schwer übertragbar |
| WSJF | Cost of Delay geteilt durch Größe | berücksichtigt Dringlichkeit | relative Schätzung erfordert Übung |
Nutzen-Machbarkeits-Matrix. Zwei Achsen, vier Quadranten: hoher Nutzen bei hoher Machbarkeit zuerst, niedriger Nutzen bei niedriger Machbarkeit streichen. Die Matrix eignet sich für den ersten Sortierdurchgang im Workshop. Wie Sie die Achsen sauber definieren und welche Fehler bei der Einordnung typisch sind, behandelt ein eigener Leitfaden zur Nutzen-Machbarkeits-Matrix in diesem Themenbereich; dieser Überblick ordnet sie nur in die Gesamtlogik ein.
Gewichtetes Scoring. Jeder Use Case erhält pro Kriterium einen Wert, etwa von 1 bis 5. Die Werte werden mit den Gewichten multipliziert und addiert. Der Vorteil: Sie können genau die Kriterien abbilden, die in Ihrem Unternehmen zählen.
RICE. Die Methode wurde bei Intercom für die Produktplanung entwickelt. Der Wert ergibt sich aus Reichweite mal Wirkung mal Zuversicht, geteilt durch den Aufwand in Personenmonaten. Die Wirkung wird auf einer festen Skala von 0,25 (minimal) bis 3 (massiv) geschätzt, die Zuversicht in Stufen von 100, 80 und 50 Prozent. Für KI-Use-Cases ist vor allem der Zuversichtsfaktor nützlich: Er zwingt dazu, offen zu sagen, wie belastbar die eigene Nutzenschätzung ist.
WSJF. Weighted Shortest Job First stammt aus dem Scaled Agile Framework und teilt die relativen Verzögerungskosten durch die relative Dauer eines Vorhabens. In die Verzögerungskosten fließen Nutzer- und Geschäftswert, Zeitkritikalität sowie Risikominderung oder neu ermöglichte Chancen ein. WSJF passt, wenn Ihr Unternehmen bereits agil plant und KI-Vorhaben im selben Backlog wie andere Projekte stehen.
Wie sieht eine Priorisierung mit gewichtetem Scoring konkret aus?
Ein Beispiel mit fünf typischen Kandidaten zeigt, wie die Logik arbeitet. Die Werte sind illustrativ, Skala 1 bis 5, Risiko umgekehrt (5 = geringes Risiko), Gewichte wie oben: Nutzen 35, Machbarkeit 30, Risiko 20, Strategie 15 Prozent.
| Use Case | Nutzen / Machbarkeit / Risiko / Strategie | Score | Einordnung |
|---|---|---|---|
| Angebotsentwürfe aus Kundenanfragen | 4 / 4 / 4 / 4 | 4,00 | Kandidat für den Einstieg |
| Vorsortierung von Service-Tickets | 3 / 5 / 5 / 3 | 4,00 | Kandidat für den Einstieg |
| Absatzprognose | 5 / 2 / 4 / 5 | 3,90 | größeres Vorhaben, Daten zuerst |
| Suche in technischen Handbüchern | 3 / 3 / 4 / 4 | 3,35 | vorbereiten |
| Vorauswahl von Bewerbungen | 3 / 3 / 1 / 2 | 2,45 | zurückstellen, Hochrisiko-Bereich |
An diesem Beispiel lassen sich drei Dinge ablesen:
- Gleichstand ist normal. Angebotsentwürfe und Ticket-Vorsortierung liegen gleichauf, aber aus unterschiedlichen Gründen. Der eine hat den höheren Nutzen, der andere das geringere Risiko. Hier entscheidet nicht die Zahl, sondern die Frage, was Sie mit dem ersten Projekt beweisen wollen.
- Ein knapper Abstand ist kein Abstand. Die Absatzprognose liegt nur wenig dahinter, hat aber ein völlig anderes Profil: hoher Nutzen, geringe Machbarkeit. Sie gehört nicht ans Ende der Liste, sondern in eine andere Kategorie.
- Risiko kann dominieren. Die Bewerbervorauswahl fällt wegen des Risikowerts zurück. Bei solchen Fällen sollte das Risiko eher als Schwelle als als Gewicht behandelt werden.
Mehr Beispiele für die beiden Einstiegskandidaten finden Sie auf den Übersichtsseiten zu KI-Agenten für die Angebotserstellung und den technischen Service.
Welche Voraussetzungen braucht eine belastbare Priorisierung?
Eine belastbare Priorisierung braucht drei Dinge: eine Kandidatenliste mit vergleichbar beschriebenen Use Cases, die richtigen Personen am Tisch und eine Mindestkenntnis der Datenlage. Fehlt eines davon, bewertet die Runde Vermutungen statt Vorhaben.
Vergleichbare Steckbriefe. Jeder Kandidat sollte auf einer Seite beschrieben sein: Prozess, beteiligte Rollen, Häufigkeit, verwendete Daten und Systeme, erwartetes Ergebnis und was bei einem Fehler passiert. Ohne diese Steckbriefe bewertet jeder Teilnehmer ein anderes Bild desselben Use Cases.
Die richtigen Personen. Die Fachabteilung kennt den Prozess, die IT die Daten und Schnittstellen, Datenschutz und Recht die Grenzen. Die Geschäftsführung legt Gewichte und Budget fest. Fehlt die IT in der Runde, wird Machbarkeit fast immer zu optimistisch bewertet.
Ein Blick auf die Daten. Für die Kandidaten auf den vorderen Plätzen genügt oft eine Stunde pro Use Case: Wo liegen die Daten, in welchem Format, wer darf zugreifen? Diese kurze Prüfung verändert die Rangfolge häufiger als jede Diskussion über Gewichte. Wie eine gründliche Prüfung von Daten, Systemen und Fehlertoleranz aussieht, beschreibt der Artikel Machbarkeit von KI-Use-Cases prüfen.
Wie gehen Sie bei der Priorisierung Schritt für Schritt vor?
Das Vorgehen folgt sechs Schritten, die sich in zwei bis drei Arbeitsterminen erledigen lassen. Wichtig ist die Reihenfolge: Kriterien und Gewichte zuerst, Bewertung danach, Entscheidung zuletzt. Wer diese Reihenfolge umkehrt, rechtfertigt im Nachhinein eine bereits gefallene Entscheidung.
- Kandidaten bereinigen. Doppelte Ideen zusammenfassen, zu große Ideen in einzelne Prozessschritte zerlegen. „KI im Vertrieb" ist kein Use Case, „Entwurf der Erstantwort auf Anfragen per E-Mail" schon.
- Ausschlusskriterien anwenden. Was rechtlich nicht zulässig ist oder den Unternehmenszielen widerspricht, fliegt vor der Bewertung raus.
- Kriterien und Gewichte festlegen. Vier bis sechs Kriterien, Gewichte durch die Geschäftsführung, schriftlich festgehalten.
- Bewerten. Jede beteiligte Person bewertet zuerst für sich, danach werden die Werte verglichen. Große Abweichungen sind wertvoll: Sie zeigen, wo das Verständnis des Use Cases auseinandergeht.
- Sensitivität prüfen. Gewichte leicht verändern und schauen, ob die Spitze stabil bleibt.
- Portfolio festlegen. Aus der Rangliste wird eine Entscheidung über Einstieg, Vorbereitung und Zurückstellung (siehe nächster Abschnitt).
Bei der Bewertung helfen kurze Ankerbeschreibungen je Skalenwert. „Nutzen 5" kann etwa heißen: der Vorgang tritt täglich auf und bindet mehrere Personen. „Nutzen 1": der Vorgang tritt selten auf und kostet kaum Zeit. Ohne Anker interpretiert jeder die Skala anders.
Wie wird aus der Rangliste ein Portfolio?
Eine Rangliste beantwortet nicht, was Ihr Unternehmen als Nächstes tun soll. Dafür braucht es eine Portfolio-Entscheidung: ein bis zwei schnelle Einstiege mit hoher Machbarkeit, ein größeres Vorhaben mit hohem Nutzen, dessen Voraussetzungen jetzt geschaffen werden, und eine bewusste Liste dessen, was wartet.
Bewährt hat sich die Einteilung in drei Körbe:
- Jetzt umsetzen. Hohe Machbarkeit, überschaubares Risiko, spürbarer Nutzen. Diese Vorhaben schaffen Erfahrung und Vertrauen im Unternehmen. Im Beispiel oben wären das Angebotsentwürfe oder Ticket-Vorsortierung.
- Vorbereiten. Hoher Nutzen, aber fehlende Voraussetzungen, meist bei den Daten. Hier wird nicht die KI gebaut, sondern die Grundlage, etwa eine saubere Datenablage für die Absatzprognose.
- Zurückstellen. Geringer Nutzen, hohes Risiko oder unklarer Prozess. Zurückstellen heißt nicht verwerfen: Mit besseren Modellen, klarerer Rechtslage oder neuen Daten kann sich die Bewertung ändern.
Die Portfolio-Sicht verhindert zwei typische Fehler: nur kleine Projekte umzusetzen, die nie über den Pilot hinauskommen, oder sich am größten Vorhaben festzubeißen, bevor das Unternehmen Erfahrung gesammelt hat. Wie die Begleitung einer solchen Roadmap durch eine externe KI-Leitung aussehen kann, beschreibt die Seite zum KI-Aufbau im Unternehmen.
Wo liegen die Grenzen und Risiken der Priorisierung?
Jede Priorisierungsmethode erzeugt eine Zahl, die genauer wirkt, als sie ist. Die Bewertungen beruhen auf Schätzungen, oft von Personen, die mit KI noch wenig Erfahrung haben. Das größte Risiko ist deshalb nicht die falsche Methode, sondern blindes Vertrauen in das Ergebnis.
Scheingenauigkeit. Ein Score von 3,9 gegenüber 4,0 ist kein Unterschied. Runden Sie auf eine Nachkommastelle und behandeln Sie Kandidaten mit geringem Abstand als gleichwertig.
Verzerrte Bewertungen. Wer einen Use Case vorgeschlagen hat, bewertet ihn meist besser. Getrennte Erstbewertung und eine Person, die gezielt Gegenargumente sucht, helfen dagegen.
Veraltete Annahmen. Was bei der Bewertung technisch schwierig war, kann einige Monate später mit neuen Modellen machbar sein. Umgekehrt ändern sich rechtliche Rahmenbedingungen: Laut Europäischer Kommission wurden die Fristen für Hochrisiko-Pflichten durch das AI-Omnibus-Paket verschoben, für Anhang-III-Anwendungen auf den 2. Dezember 2027. Ein späterer Termin ändert nichts daran, dass solche Use Cases mehr Aufwand bedeuten.
Fehlendes Risikomanagement. Die Priorisierung bewertet Risiken grob, ersetzt aber kein systematisches Risikomanagement. Als Orientierung kann das AI Risk Management Framework des NIST dienen, das seit Januar 2023 vorliegt und mit den Funktionen Govern, Map, Measure und Manage arbeitet. Für konkrete Rechtsfragen ist eine Beratung durch Fachleute nötig; dieser Artikel ist keine Rechtsberatung.
Wann eine formale Priorisierung nicht passt. Haben Sie nur zwei oder drei Kandidaten, genügt ein strukturiertes Gespräch. Der Aufwand eines Scorings lohnt sich erst, wenn die Liste lang ist oder mehrere Abteilungen um Budget konkurrieren.
Wie fangen Sie mit der Priorisierung an?
Beginnen Sie klein: Nehmen Sie die vorhandene Ideenliste, schreiben Sie für die zehn vielversprechendsten Kandidaten Steckbriefe und bewerten Sie diese in einer Runde mit Fachabteilung, IT und Geschäftsführung. Das Ziel des ersten Durchgangs ist eine Entscheidung über ein bis zwei Einstiegsprojekte, nicht eine perfekte Rangliste.
In unserem eigenen Betrieb hat sich bewährt, nach dem ersten Pilotprojekt die Bewertung aller übrigen Kandidaten zu wiederholen. Die Erfahrung aus dem Pilot, etwa wie viel Aufwand die Datenanbindung tatsächlich gemacht hat, verbessert die Schätzungen für den Rest der Liste deutlich.
Wenn noch gar keine Kandidatenliste existiert, beginnen Sie einen Schritt früher mit dem Leitfaden KI-Use-Cases finden. Wenn Sie die Bewertung gemeinsam mit mehreren Abteilungen erarbeiten wollen, eignet sich dafür ein moderierter Workshop, in dem Kriterien, Gewichte und Steckbriefe am selben Tag entstehen. Für die Einstiegsprojekte hilft der Leitfaden KI-Pilotprojekt planen, für die Nutzenschätzung der Artikel ROI von KI-Projekten berechnen. Weitere Artikel finden Sie im Wissensbereich.
Häufige Fragen
Wie viele Kriterien braucht eine Priorisierung von KI-Use-Cases?
Vier bis sechs genügen in der Regel. Mehr Kriterien erhöhen den Aufwand, ohne die Rangfolge spürbar zu verändern, und laden dazu ein, Lieblingsprojekte über ein passendes Zusatzkriterium nach oben zu schieben.
Sollte man RICE oder WSJF statt einer eigenen Matrix nutzen?
Beide stammen aus der Produkt- bzw. Portfolioplanung und lassen sich übernehmen, wenn Ihr Unternehmen sie dort bereits kennt. Für den ersten KI-Durchgang ist ein gewichtetes Scoring mit eigenen Kriterien meist leichter zu erklären.
Wer sollte an der Bewertung beteiligt sein?
Mindestens die Fachabteilung, die den Prozess verantwortet, die IT für Daten und Systeme sowie jemand aus Datenschutz oder Recht. Die Geschäftsführung legt die Gewichte fest, bevor bewertet wird, nicht danach.
Wie oft sollte die Priorisierung wiederholt werden?
Spätestens nach jedem abgeschlossenen Pilotprojekt und bei größeren Änderungen der Modelle oder Regeln. Ein Quartalsrhythmus ist ein praktikabler Ausgangspunkt, aber keine feste Regel.
Quellen
- Intercom: RICE, simple prioritization for product managers intercom.com
- Scaled Agile Framework: Weighted Shortest Job First (WSJF) framework.scaledagile.com
- Europäische Kommission: AI Act, Regulierungsrahmen und Zeitplan (Stand Oktober 2026) digital-strategy.ec.europa.eu
- NIST: AI Risk Management Framework nist.gov