Wie du den richtigen KI-Use-Case findest

Die meisten KI-Projekte im Mittelstand scheitern nicht an der Technik. Sie scheitern daran, dass jemand das falsche Problem angefasst hat. Hier sind die 5 Kriterien, die wir bei Cogswell IT vor jedem Projekt prüfen – ohne Buzzword-Bingo, mit echten Beispielen aus Werkstatt, Praxis und Restaurant.

Du sitzt in einem Webinar, jemand zeigt dir eine Demo, und plötzlich denkst du: „Das brauchen wir auch." Drei Monate später hast du 18.000 Euro in ein Tool gesteckt, das niemand nutzt. Kommt dir bekannt vor? Du bist nicht allein.

Die Wahrheit ist: Künstliche Intelligenz im Mittelstand funktioniert – aber nur dort, wo das Problem dazu passt. Nicht jeder Prozess ist ein KI-Use-Case. Und nicht jede beeindruckende Demo überlebt den Realitätstest in einer Bensheimer Kfz-Werkstatt oder einer Arztpraxis in Heppenheim.

Damit du nicht raten musst, gehen wir die 5 Fragen durch, die du dir vor dem ersten Euro stellen solltest. Wenn alle fünf grün sind, lohnt sich das Gespräch. Wenn drei rot sind: lass es.

1. Wiederholt sich der Prozess oft genug?

KI rechnet sich über Skalierung. Eine Aufgabe, die du dreimal im Jahr machst, automatisierst du nicht – du machst sie. Eine Aufgabe, die du dreimal pro Stunde machst, ist ein Kandidat. Die Faustregel: Wir reden über mindestens 100 Wiederholungen pro Monat, eher mehr. Darunter ist der Aufwand für Einrichtung, Testing und Pflege fast immer höher als die Ersparnis.

Wichtig: „Wiederholend" heißt nicht „identisch". Jeder Anruf in deine Praxis ist anders – aber die Struktur ist gleich (Begrüßung, Anliegen, Terminvorschlag, Bestätigung). Genau das macht ihn automatisierbar.

Beispiel: Eine Zahnarztpraxis in Bensheim bekommt pro Tag 60 bis 80 Anrufe. 70 % davon sind Terminanfragen, Verschiebungen oder Rezept-Wünsche. Das ist ein klarer Use Case für einen Voice-Agenten – nicht weil es technisch spektakulär ist, sondern weil sich das Muster tausendmal im Jahr wiederholt. Ein Steuerberater mit drei komplexen Mandaten pro Monat? Ganz anderer Fall.

2. Sind genug Daten vorhanden – und in welcher Qualität?

„Wir haben so viele Daten" hören wir oft. Wenn wir reinschauen: Excel-Listen mit drei verschiedenen Spaltennamen für dasselbe Feld, PDF-Scans ohne OCR, fünf Kundenverwaltungen parallel. Das ist normal – aber es heißt: bevor KI etwas Sinnvolles tun kann, müssen wir aufräumen.

Was du brauchst, hängt vom Anwendungsfall ab:

• Generative KI (Texte, Antworten, Zusammenfassungen): wenige Beispieldaten + öffentliche Modelle reichen oft.
• Klassifikation (z. B. Rechnungen, E-Mails sortieren): minimum 200 bis 500 saubere Beispiele pro Kategorie.
• Prognosen (Bedarf, Nachfrage, Ausfälle): 12 bis 24 Monate historische Daten – konsistent erfasst.

Beispiel: Eine Kfz-Werkstatt wollte vorhersagen, welche Kunden in den nächsten 60 Tagen wahrscheinlich zur Inspektion kommen, um proaktiv anzusprechen. Klingt gut – aber die Werkstattsoftware hatte keine konsistenten Fahrzeugdaten vor 2022. Ergebnis: Wir haben das Projekt um sechs Monate verschoben, in denen die Daten sauber erfasst wurden. Hätten wir früher gestartet, wäre das Modell nutzlos gewesen.

3. Ist die Fehler-Toleranz akzeptabel?

Kein KI-System ist zu 100 % korrekt. Punkt. Die Frage ist nicht ob Fehler passieren, sondern was passiert, wenn. Manche Prozesse vertragen 5 % Fehlerrate, andere keine 0,1 %. Bevor du startest, musst du das ehrlich beantworten.

Drei einfache Fragen:

• Wenn die KI falsch entscheidet – was kostet das? (Zeit? Geld? Kunde weg? Haftung?)
• Ist der Fehler sofort sichtbar, oder fällt er erst Wochen später auf?
• Gibt es einen Menschen im Loop, der korrigieren kann, bevor Schaden entsteht?

Beispiel: Ein italienisches Restaurant in der Region nutzt einen Voicebot für Tischreservierungen. Wenn der Bot mal einen Namen falsch versteht („Müller" statt „Möller"), ist das ein Augenrollen am Empfang – kein Drama. Eine Apotheke dagegen, die KI für Medikamentenausgabe einsetzen wollte? Da haben wir abgewunken. Falsche Dosierung ist kein Augenrollen – das ist ein Berufsverbot.

4. Lohnt sich der ROI – ehrlich gerechnet?

Hier liegt das größte Lügen-Potenzial. KI-Projekte werden gerne mit dem Sparpotenzial eines Vollzeit-Mitarbeiters verkauft, der „komplett ersetzt" wird. In der Realität ersetzt KI selten ganze Stellen – sie übernimmt Teile von Aufgaben. Das ist trotzdem wertvoll, aber die Rechnung sieht anders aus.

So rechnest du es ehrlich:

1. Wie viele Stunden pro Monat verbringt dein Team mit der Aufgabe?
2. Welcher Anteil davon ist tatsächlich automatisierbar (eher 50 – 80 % als 100 %)?
3. Was kostet die Stunde inkl. Lohnnebenkosten?
4. Welche Setup- und Betriebskosten kommen über 36 Monate auf dich zu?

Beispiel: Ein Handwerksbetrieb mit 15 Mitarbeitern wollte KI für Angebotserstellung. Bisher: 8 Stunden pro Woche, eine Mitarbeiterin. Realistische Einsparung mit Automatisierung: 5 Stunden. Bei 35 €/Stunde sind das ca. 9.100 € im Jahr. Setup einmalig 6.000 €, Betrieb 80 €/Monat. Break-even nach Monat 9, danach klarer Gewinn. Das ist ein guter Case. Hätten wir 80 % Einsparung versprochen, wäre der Kunde nach drei Monaten enttäuscht – und wir hätten unseren Ruf verspielt.

5. Wer trägt die Verantwortung, wenn die KI danebenliegt?

Das ist die Frage, die in 90 % der Vertriebs-Präsentationen weggelassen wird – und in 100 % der Projekte irgendwann hochkommt. Wenn der Chatbot einem Kunden eine falsche Auskunft gibt, wer haftet? Der Anbieter? Du? Der Mitarbeiter, der es nicht überprüft hat?

Drei Dinge müssen vor Projektstart geklärt sein:

• Wer haftet rechtlich? – Klauseln im Vertrag mit dem KI-Dienstleister checken. Verlangt dein Anbieter Risikoausschluss für „alle KI-Ausgaben"? Vorsicht.
• Wer kontrolliert intern? – Brauchst du einen Menschen, der bei kritischen Entscheidungen freigibt? Bei Diagnosen, Rechtsauskünften, Finanzempfehlungen: ja, immer.
• Wie dokumentiert ihr Fehler? – Logging, Feedback-Loop, regelmäßiger Review. Sonst lernt das System nichts, und ihr auch nicht.

Beispiel: Eine Praxis-Software nutzt KI, um Patientenanfragen vor-zu-priorisieren. Wir haben festgelegt: alles, was als „dringend" klassifiziert wird, geht trotzdem über einen Menschen, bevor es eskaliert. Alles, was als „Standard" klassifiziert wird, läuft automatisch – aber mit Stichproben-Kontrolle wöchentlich. Verantwortung bleibt am Arzt, das Tool unterstützt. So und nicht anders funktioniert KI in regulierten Umgebungen.

Was machen wir mit dieser Liste?

Wir bei Cogswell IT gehen sie mit jedem Kunden durch – bevor wir ein Angebot schreiben. Manchmal sagen wir nach 30 Minuten: „Lass es bleiben, das rechnet sich nicht." Das verlieren wir an Umsatz. Wir gewinnen es zurück, weil die Kunden wiederkommen, wenn sie tatsächlich einen guten Use Case haben.

Wenn du gerade über ein KI-Projekt nachdenkst und unsicher bist, ob es das richtige Problem ist: schreib uns. Wir hören zu, fragen nach, und sagen dir ehrlich, ob es passt. Mehr Infos zu unserem Vorgehen findest du auf der Seite KI-Beratung.