KI-Use-Cases sind konkrete Aufgaben, bei denen KI einen Teil der Arbeit übernimmt, etwa Antwortentwürfe im Kundenservice oder Protokolle im Projekt. Am häufigsten setzen Unternehmen KI im Kundenkontakt ein, 72 Prozent der Firmen mit KI tun das, im Marketing sind es 54 Prozent und im Vertrieb 14 Prozent (Bitkom, 603 Firmen ab 20 Beschäftigten, September 2026). Hier stehen 30 Anwendungsfälle für sechs Abteilungen, je mit meiner Einschätzung von Aufwand und Nutzen, dazu Ideen für Buchhaltung, Produktion und IT und welches Werkzeug zu welcher Art Fall passt. Die besten Startfälle kosten wenig Aufwand, kommen jede Woche vor und lassen einen Menschen prüfen, bevor etwas das Haus verlässt.

72 gegen 14

72 Prozent der Firmen mit KI nutzen sie im Kundenkontakt. Im Vertrieb sind es 14 Prozent. Ausgerechnet dort, wo das Geld reinkommt.

Ich habe die Zahl zweimal gelesen, weil ich sie erst für einen Tippfehler hielt. Ist sie nicht. Warum der Abstand so groß ist, sagt Bitkom nicht, und ich will mir keinen Grund ausdenken, nur weil er gut klingen würde. Für diese Liste reicht mir die Zahl auch so: Zwischen den Abteilungen liegen Welten, und in manchen ist noch sehr viel Platz.

Mich hat eine zweite Zahl aus derselben Umfrage mehr beschäftigt. Von den Firmen ohne KI nennen 30 Prozent fehlende Anwendungsfälle als Hürde. Bei den Firmen, die KI schon nutzen, sind es 11 Prozent. Ob das Anfangen die Ideen bringt oder ob einfach die Firmen mit Ideen zuerst angefangen haben, verrät die Umfrage nicht. Vermutlich beides. Ich komme am Ende darauf zurück.

Listen mit Use Cases mag ich eigentlich nicht. In meinem Artikel über die KI-Strategie schreibe ich, dass solche Übersichten höchstens der Anlass für ein Gespräch im Fachbereich sind. Und jetzt schreibe ich selbst eine, mit dreißig Zeilen. Ich habe lange überlegt, ob das ein Widerspruch ist. Mein Ergebnis: ein bisschen. Darum lies die Tabellen bitte als Speisekarte. Bestellen musst du trotzdem selbst, und kochen auch.

KI-Strategie entwickeln: Fünf Fragen vor dem ersten Tool
Fast alle Unternehmen nutzen KI, wenige sehen es im Ergebnis. Der Unterschied liegt in den Abläufen. So findest und bewertest du die richtigen Use Cases.

Was ist ein KI-Use-Case?

Ein KI-Use-Case ist eine wiederkehrende Aufgabe, bei der KI einen klar umrissenen Teil übernimmt und ein Mensch das Ergebnis prüft oder freigibt. „Wir machen jetzt was mit KI im Marketing“ ist noch keiner. „Aus jedem Webinar drei Beiträge für LinkedIn entwerfen, die Kollegin im Marketing gibt frei“ schon. Je genauer der Satz, desto leichter lässt sich später sagen, ob es etwas gebracht hat.

In den Tabellen stehen je Fall drei Spalten. Die ersten zwei schätze ich als niedrig, mittel oder hoch ein:

  • Aufwand: wie lange es dauert, bis der Fall läuft, ob Daten oder eine Anbindung an andere Systeme nötig sind und wie viel geprüft werden muss.
  • Nutzen: wie oft die Aufgabe vorkommt, wie viel Zeit sie je Fall kostet und ob das Ergebnis besser wird oder nur schneller.
  • Worauf ich achte: die eine Stelle, an der es schiefgehen kann. Meistens Daten, Freigabe oder Recht.

Das ist meine Einschätzung aus der eigenen Arbeit mit KI, keine Messung. In deiner Firma kann ein Fall teurer oder billiger sein, je nachdem, wie eure Daten liegen. Wer lieber vom eigenen Beruf aus sucht statt von der Abteilung: Bei Protago AI tippst du deinen Beruf ein und siehst, was du darin heute schon mit KI anders machen kannst. Die Web-App habe ich selbst gebaut, genau für diese Frage.

30 Anwendungsfälle nach Abteilung

Sechs Abteilungen, je fünf Fälle. Warum gerade diese sechs? Dort liegt die meiste Arbeit mit Texten, Mails und Dokumenten, und genau da ist KI heute am stärksten. Die Reihenfolge innerhalb einer Abteilung folgt grob dem, womit ich anfangen würde.

Marketing

Marketing war eine der ersten Abteilungen mit KI, und man sieht es an den Texten. Texte schreibt die KI inzwischen schnell. Langsam ist das Auswählen. Darum steht bei mir ganz oben ein Fall, bei dem KI vor allem sortiert: was eure Kundschaft wirklich fragt. Wer daraus plant, schreibt weniger Texte, die keiner gesucht hat. Bei den Bildern bin ich vorsichtiger, als die Tabelle aussieht. Rechte und Kennzeichnung klären sich nicht von selbst. Was ich einem Marketing-Team in den ersten 30 Tagen zeigen würde, steht in KI im Marketing.

AnwendungsfallAufwand (geschätzt)Nutzen (geschätzt)Worauf ich achte
Themen aus echten Kundenfragen planenniedrighochFragen aus Service und Vertrieb sammeln, sonst rät die KI
Ein Text für mehrere KanäleniedrigmittelTon und Länge je Kanal vorher festlegen
Varianten für Betreffzeilen und AnzeigenniedrigmittelMarkenstimme und Freigabe durch einen Menschen
Kampagnenberichte zusammenfassenmittelmittelZahlen im Original nachprüfen
Bilder und Entwürfe für KampagnenmittelmittelNutzungsrechte, Kennzeichnung bei Bedarf

Vertrieb

Im Vertrieb sehe ich auf dem Papier das beste Verhältnis von Aufwand zu Nutzen der ganzen Liste. Erstaunlich viel Zeit geht dort in Vor- und Nacharbeit: Termine vorbereiten, Notizen schreiben, Ausschreibungen nach der einen Frist durchsuchen. Genau diese Arbeit lässt sich gut abgeben. Verkaufen muss trotzdem ein Mensch. Den Händedruck nimmt einem keine KI ab. Welche fünf Aufgaben ich im Vertrieb zuerst abgeben würde, zeige ich in KI im Vertrieb.

AnwendungsfallAufwand (geschätzt)Nutzen (geschätzt)Worauf ich achte
Gesprächsnotiz und Folgemail nach dem TerminniedrighochZusagen und Preise selbst prüfen
Termin vorbereiten: Firma, Ansprechpartner, letzte Kontakteniedrighochnur freigegebene Quellen, keine erfundenen Fakten
Ausschreibungen lesen, Fristen und Pflichtangaben findenmittelhochjede Frist im Original gegenlesen
Angebotsentwurf aus der eigenen VorlagemittelhochPreise und Rabatte rechnet ein Mensch
CRM-Einträge aus Mails vorschlagenhochmittelAnbindung, Datenschutz, wer pflegt es danach

Kundenservice

Hier gibt es tatsächlich eine Studie, die den Nutzen misst. Bei 5.179 Beschäftigten im Kundenservice lösten die Leute mit KI-Assistent im Schnitt 14 Prozent mehr Anfragen pro Stunde, Neue und weniger Erfahrene sogar 34 Prozent (Brynjolfsson und andere, NBER, 2023). Die Zahl mag ich, weil sie zeigt, wem KI hier am meisten hilft: den Leuten in ihren ersten Monaten. Was ein Chatbot kann und wo ein Mensch antworten muss, beschreibe ich in KI im Kundenservice.

AnwendungsfallAufwand (geschätzt)Nutzen (geschätzt)Worauf ich achte
Antwortentwürfe für häufige Anfragenniedrighochjede Antwort liest ein Mensch vor dem Senden
Gespräche für die Übergabe zusammenfassenniedrigmittelNamen und Vertragsdaten prüfen
Häufige Fragen auswerten und Hilfeseiten verbessernniedrigmittelMuster prüfen, einzelne Ausreißer nicht überbewerten
Anfragen sortieren und weiterleitenmittelhocherst prüfen, ob eine Regel im Postfach reicht
Chatbot auf eigener WissensbasishochhochKennzeichnung als KI, Übergabe an einen Menschen

Den Chatbot habe ich bewusst ans Ende gestellt, obwohl er in den meisten Präsentationen ganz vorne steht. Er braucht eine gepflegte Wissensbasis, und die ist mehr Arbeit als die Technik. Wie das Nachschlagen in eigenen Dokumenten funktioniert und wo es scheitert, erkläre ich in Was ist RAG.

Projektmanagement

Projektarbeit besteht zu einem überraschend großen Teil aus Aufschreiben, was andere gesagt haben. Dieses Aufschreiben übernimmt KI inzwischen zuverlässig. Was sie nicht kann: merken, dass in der Besprechung alle genickt haben und trotzdem keiner zuständig ist. Das bleibt Projektleitung. Beim Wissen aus alten Projekten habe ich den Aufwand bewusst hoch angesetzt. Die Dokumente widersprechen sich oft, und jemand muss entscheiden, welches gilt. Protokolle, Pläne und Risiken nehme ich mir in KI im Projektmanagement einzeln vor.

AnwendungsfallAufwand (geschätzt)Nutzen (geschätzt)Worauf ich achte
Protokoll und Aufgaben aus der BesprechungniedrighochZustimmung aller zur Aufnahme, Namen prüfen
Projektplan aus dem Briefing entwerfenniedrigmittelAbhängigkeiten und Termine selbst setzen
Risiken sammeln, Gegenfrage „Was übersehe ich?“niedrigmittelals Anstoß nehmen, nicht als Liste abhaken
Statusbericht aus Tickets und NotizenmittelmittelAmpelfarben vergibt ein Mensch
Wissen aus alten Projekten findenhochmittelalte Dokumente sind oft veraltet oder widersprüchlich

Recruiting und Personal

Bei Personal ziehe ich die schärfste Linie der ganzen Liste. Alles, was Texte schreibt oder Fragen beantwortet, ist harmlos und spart Zeit. Alles, was über Menschen entscheidet, ist es nicht. Wer Bewerbungen von KI sortieren oder bewerten lässt, betreibt nach der KI-Verordnung ein Hochrisiko-System, mit Pflichten, die kaum eine Personalabteilung nebenbei erfüllt. Mehr dazu in AI Act einfach erklärt. Wo dort die Grenze verläuft, steht in KI im Recruiting.

AnwendungsfallAufwand (geschätzt)Nutzen (geschätzt)Worauf ich achte
Stellenanzeige schreiben und verständlicher machenniedrigmittelkeine Wörter, die Gruppen ausschließen
Interviewleitfaden aus dem Anforderungsprofilniedrigmittelgleiche Fragen für alle Bewerber
Antworten an Bewerber entwerfenniedrigmittelAbsagen persönlich gegenlesen
Einarbeitung: Plan und Fragen neuer LeutemittelhochHandbuch aktuell halten
Bewerbungen vorsortieren oder bewertenhochunklarHochrisiko nach KI-Verordnung, ich lasse es

UX-Design

Beim UX-Design bin ich befangen, das ist seit 2009 mein eigenes Feld. Darum nur so viel: Am meisten spart KI dort, wo früher Tage zwischen Gespräch und Erkenntnis lagen. Und am meisten schadet sie, wenn ein Team den schönen Prototyp für das Ergebnis der Nutzerforschung hält. Wie ich selbst mit Prototypen aus der Beschreibung arbeite, steht in meinem Text über Vibe Coding. Wie KI meine eigene Arbeit seit 2009 verändert, zeige ich in KI im UX-Design.

AnwendungsfallAufwand (geschätzt)Nutzen (geschätzt)Worauf ich achte
Interviews und Umfragen auswertenniedrighochZitate im Original nachlesen
Texte in der Oberfläche in Variantenniedrigmittelmit echten Nutzern testen
Aufgaben und Szenarien für Nutzertestsniedrigmittelkeine Suggestivfragen
Barrierefreiheit vorprüfenniedrigmittelersetzt keinen Test mit Betroffenen
Klickbarer Prototyp aus einer BeschreibungmittelhochPrototyp bleibt Prototyp

Und der Rest des Hauses

Sechs Abteilungen sind eine Auswahl. Laut Bitkom setzen Firmen mit KI sie zu 25 Prozent in Controlling und Buchhaltung ein, zu je 22 Prozent in der Produktion und im internen Wissensmanagement, also öfter als im Vertrieb. Darum hier kurz, was ich dort zuerst ansehen würde:

  • Buchhaltung und Controlling: Belege und Rechnungen vorsortieren, Abweichungen im Monatsbericht in Worten erklären lassen, Fragen an die Zahlen in Alltagssprache stellen. Jede Zahl, die rausgeht, prüft ein Mensch.
  • Produktion: Wartungs- und Schichtprotokolle auswerten, Anleitungen und Prüfvorschriften auffindbar machen. Vorausschauende Wartung mit Sensordaten ist ein eigenes Projekt mit eigenem Budget, kein Fall für den ersten Monat.
  • IT: Tickets zusammenfassen und vorsortieren, Antworten für die häufigsten Fragen entwerfen, alte Skripte erklären lassen. Hier sitzen vermutlich die Leute, die am schnellsten selbst Ideen haben.
  • Wissen im ganzen Haus: Handbücher, Richtlinien und Vorlagen so ablegen, dass man sie fragen kann. Das ist der Fall mit dem meisten Aufwand und für viele der mit dem längsten Nutzen.

Warum sie keine eigene Tabelle bekommen? Ehrlich gesagt, weil ich dort weniger selbst gesehen habe. Für Buchhaltung und Produktion würde ich die fünf Zeilen lieber mit jemandem schreiben, der jeden Tag darin arbeitet.

Welche KI für welchen Fall?

Für die meisten Fälle auf dieser Liste reicht das Chat-Werkzeug, das eine Firma schon hat. Lesen, zusammenfassen und vorformulieren können ChatGPT, Claude und Copilot alle gut genug. Teurer wird es erst, wenn KI mit euren eigenen Dokumenten arbeiten oder in andere Systeme schreiben soll. Grob sortiert:

Art des FallsWas es brauchtBeispiele aus der Liste
Lesen, zusammenfassen, vorformulierendas freigegebene Chat-Werkzeug, etwa ChatGPT, Claude oder CopilotGesprächsnotiz, Antwortentwurf, Protokoll, Stellenanzeige
Antworten aus eigenen Dokumenteneine gepflegte Wissensbasis, etwa Projekte mit hochgeladenen Dateien oder eine eigene LösungWissen aus alten Projekten, Einarbeitung, Chatbot
Daten aus anderen Systemen holen oder eintrageneine Automation oder einen Agenten mit Anbindung, dazu klare FreigabenCRM-Einträge, Anfragen weiterleiten, Belege vorsortieren
Bilder und Prototypeneigene Werkzeuge für Bild oder OberflächeKampagnenentwürfe, klickbarer Prototyp

Die Fälle in der ersten Zeile haben fast alle den Aufwand „niedrig“. Die in der dritten Zeile haben fast alle „hoch“. Die Anbindung ist die eigentliche Arbeit. Für den Start zählt vor allem, dass es genau ein freigegebenes Chat-Werkzeug gibt, mit Regeln, die alle kennen. Welches, entscheidet sich danach leichter. Wie ihr ChatGPT im Unternehmen mit Business oder Enterprise einführt, steht in meinem Text dazu.

Der erste Fall für dein Team

Falls du gerade nur die Zeilen mit „niedrig“ beim Aufwand gesucht hast: gut so, dafür habe ich die Spalte gebaut. Die Fälle mit wenig Aufwand und hohem Nutzen sind fast immer dieselbe Sorte Arbeit. Etwas wird gelesen, zusammengefasst oder vorformuliert, und danach schaut ein Mensch drauf.

Die besten Anwendungsfälle auf dieser Liste sind die langweiligsten.

Gesprächsnotiz, Antwortentwurf, Protokoll. Keiner davon taugt für eine Keynote. Alle drei kommen jede Woche vor, und niemand vermisst die Arbeit, die sie abnehmen. Wie ich das in einer Firma mit fünfzig Leuten ohne KI-Abteilung angehen würde, steht in meinem Text über KI im Mittelstand. Für den Start würde ich mir pro Abteilung genau einen Fall dieser Sorte aussuchen und so vorgehen:

  1. Einen Fall mit Aufwand „niedrig“ und Nutzen „hoch“ wählen, den eine Person jede Woche mehrmals erledigt.
  2. Aufschreiben, wie lange er heute dauert. Eine Woche Strichliste reicht.
  3. Zwei Wochen mit KI arbeiten, das Ergebnis immer selbst prüfen und notieren, was nachgebessert werden musste.
  4. Vergleichen und entscheiden: behalten, anpassen oder streichen. Streichen ist ein gutes Ergebnis.

Vor jedem Fall lohnt sich eine Gegenfrage, die ich mir selbst ziemlich oft stelle: Gibt es eine ganz einfache Lösung, für die es gar keine KI braucht? Wenn Anfragen nur nach Absender in Ordner sollen, reicht eine Regel im Postfach. Wenn der Statusbericht jede Woche gleich aussieht, reicht vielleicht eine bessere Vorlage. KI lohnt sich dort, wo jeder Fall ein bisschen anders ist. Was danach kommt, wenn ein Fall vom Versuch in den Alltag wechselt, wer prüft und wer freigibt, habe ich in Human in the Loop aufgeschrieben.

Drei Fälle stehen in fast jeder anderen Liste und fehlen in meiner. Das ist Absicht:

  • Verträge, die KI allein prüft und freigibt: Eine erste Durchsicht nach bekannten Klauseln ist ein guter Fall. Die Freigabe ohne Menschen ist keiner, denn die teuren Fehler stehen gerade in den Klauseln, die anders sind als sonst.
  • KI am Telefon, die Kunden allein bedient: Kann gut gehen. Jeder Fehler landet aber direkt beim Kunden, und wer schon einmal dreimal „Ich habe Sie leider nicht verstanden“ gehört hat, weiß, wie schnell die Stimmung kippt.
  • Agenten, die selbst Mails verschicken oder Einträge ändern: Kommen, sicher. Aber erst, wenn klar ist, wer was freigibt.

Vielleicht bin ich da zu vorsichtig. Für den Start halte ich es trotzdem für richtig, denn ein schiefgegangener erster Fall kostet mehr Vertrauen, als drei gelungene zurückholen.

Was diese Liste nicht kann: euch sagen, welcher Fall bei euch der wichtigste ist. Das weiß die Person, die die Arbeit jeden Tag macht, und sonst niemand. Bevor ein Fall Budget bekommt, würde ich ihn darum durch die fünf Fragen aus meinem Text zur KI-Strategie schicken. Ist es überhaupt ein KI-Problem, wie oft kommt er vor, gibt es die Daten, was passiert bei einem Fehler, wer betreibt ihn danach. Ob dein Team dafür bereit ist, zeigen meine zehn Fragen zur KI-Readiness.

Ich bin trotzdem zuversichtlich, was diese dreißig Zeilen angeht, obwohl sie längst nicht vollständig sind. Der Grund ist die Zahl von vorhin. Unter den Firmen, die angefangen haben, nennt nur noch jede neunte fehlende Ideen als Hürde. Ob das am Anfangen liegt, verrät die Umfrage nicht. Ich setze darauf. Irgendwann steht in eurer Liste ein Fall, der hier fehlt. Der wäre dann vermutlich besser als meine.


Studio ✺ Christos

Häufige Fragen

Was sind KI-Use-Cases?

KI-Use-Cases sind wiederkehrende Aufgaben, bei denen KI einen klar umrissenen Teil übernimmt und ein Mensch das Ergebnis prüft. Beispiele sind Antwortentwürfe im Kundenservice, Gesprächsnotizen im Vertrieb oder Protokolle im Projekt. Ein guter Use Case beschreibt, wer was wie oft macht und woran man den Erfolg erkennt.

In welchen Abteilungen wird KI am häufigsten eingesetzt?

Laut Bitkom (September 2026, 603 Unternehmen ab 20 Beschäftigten) nutzen 72 Prozent der Firmen mit KI sie im Kundenkontakt und 54 Prozent im Marketing. Dahinter folgen Controlling und Buchhaltung mit 25 Prozent, Produktion und internes Wissensmanagement mit je 22 Prozent. Im Vertrieb sind es 14 Prozent.

Wie finde ich den richtigen KI-Use-Case?

Am besten neben den Menschen, die die Arbeit machen. Gute Startfälle kommen jede Woche mehrmals vor, kosten wenig Aufwand und lassen einen Menschen prüfen, bevor etwas das Haus verlässt. Vorher lohnt die Frage, ob eine einfache Regel oder Vorlage ohne KI schon reicht.

Welche KI-Anwendungen gibt es in Unternehmen?

Die häufigsten sind Texte entwerfen und umbauen, Dokumente zusammenfassen, Anfragen sortieren, Wissen in eigenen Dokumenten finden, Besprechungen protokollieren und Daten auswerten. Dazu kommen Chatbots für Kunden oder Beschäftigte und erste KI-Agenten, die mehrere Schritte selbst ausführen.

Welche KI-Anwendungen sind im Personalbereich heikel?

Alles, was über Menschen entscheidet. Die KI-Verordnung der EU stuft KI für die Auswahl und Bewertung von Bewerbern als Hochrisiko ein, mit strengen Pflichten. Stellenanzeigen, Interviewleitfäden und Antworten an Bewerber mit KI zu entwerfen, ist dagegen unproblematisch, solange ein Mensch gegenliest.