KI-Projekte vorbereiten: Geschäftsproblem, Nutzenhypothese und Risiken klären

Ein KI-Projekt beginnt mit einer Entscheidung über ein konkretes Problem: Was soll sich für wen verbessern, und woran ließe sich das erkennen? Ein Workshop kann helfen, mögliche Anwendungsfälle zu sammeln und erste Annahmen zu ordnen. Er belegt für sich genommen weder die technische Machbarkeit noch den wirtschaftlichen Nutzen.

Das freiwillige NIST AI Risk Management Framework (AI RMF 1.0) bietet eine passende Struktur: Im Bereich „Map“ sollen unter anderem der Einsatzkontext, der beabsichtigte Zweck, mögliche Vorteile und Kosten sowie Auswirkungen beschrieben werden. Spätere Funktionen behandeln Messung und den Umgang mit Risiken. Das Framework ist Orientierungshilfe, kein Erfolgsnachweis und kein Ersatz für die jeweils nötigen fachlichen oder rechtlichen Prüfungen.

Problem zuerst beschreiben

Formulieren Sie das Problem zunächst ohne ein bestimmtes KI-Produkt vorauszusetzen. Eine brauchbare Beschreibung hält fest:

• welches Ergebnis heute nicht wie gewünscht erreicht wird,
• wer am betroffenen Ablauf beteiligt ist und welche Übergaben vorkommen,
• welche Folgen das Problem hat und worauf diese Einschätzung beruht,
• welche Änderungen oder Nicht-KI-Lösungen ebenfalls infrage kommen.

Unterscheiden Sie Beobachtungen von Vermutungen. „Anfragen werden mehrfach weitergeleitet“ ist eine überprüfbare Beobachtung, wenn sie durch Prozessdaten oder Rückmeldungen gestützt wird. „Ein Sprachmodell halbiert die Bearbeitungszeit“ ist zunächst eine Hypothese, die erst getestet werden müsste.

Der vorangegangene Beitrag KI-Anwendungsfälle in Geschäftsprozessen erkennen beschreibt, wie Zweck und Prozesskontext einer Idee erfasst werden können. Für die Auswahl eines Projekts kommen nun Bewertung und Validierung hinzu.

Nutzen, Aufwand und Risiken als Hypothesen erfassen

Für eine erste Einordnung können Beteiligte mögliche Vorteile, Kosten und offene Voraussetzungen nebeneinander festhalten. Dazu gehören neben Entwicklung oder Beschaffung auch Datenaufbereitung, Integration, Betrieb, Kontrolle, Schulung und Ausnahmebehandlung. Wo keine belastbaren Daten vorliegen, sollten Schätzungen als Annahmen mit Quelle und Unsicherheit gekennzeichnet werden.

Das NIST AI RMF sieht vor, mögliche Vorteile sowie monetäre und nicht-monetäre Kosten – einschließlich Folgen fehlerhafter Systemleistungen – zu untersuchen und zu dokumentieren. Es empfiehlt außerdem, den vorgesehenen Anwendungsumfang am Kontext und an den Fähigkeiten des Systems auszurichten. NIST AI RMF 1.0, MAP 3.

Eine einfache Priorisierung kann Kriterien wie erwarteten Nutzen, Aufwand, Risiken, Datenzugang und Abhängigkeiten sichtbar machen. Gewichte und Bewertungen sind organisationsspezifische Entscheidungen; eine Punktzahl ist kein objektiver Beweis, dass ein Vorhaben wirtschaftlich ist. Vergleichen Sie KI-Optionen mit einer geeigneten Nicht-KI-Alternative und halten Sie Zielkonflikte fest.

Vom Workshop zur belastbaren Entscheidung

Ein Workshop kann Problemdefinitionen, Nutzenhypothesen, Aufwandsschätzungen und Abhängigkeiten strukturieren. Die Angebotsseite beschreibt diese Punkte als Inhalte des Workshops und nennt priorisierte Anwendungsfälle als Ergebnis. Ob die dabei entstehende Entscheidungsgrundlage für eine Investition ausreicht, hängt von den verfügbaren Informationen und dem konkreten Vorhaben ab.

Vor Pilot oder Beschaffung sollten die zuständigen Personen mindestens klären:

• Welche Daten und Systeme wären betroffen, und wer darf darüber entscheiden?
• Welche Qualität soll das Ergebnis erreichen, und wie wird sie geprüft?
• Welche Fehler sind möglich und welche Auswirkungen hätten sie?
• Wer überwacht den Einsatz und kann ihn bei Bedarf unterbrechen?
• Welche Ausgangswerte, Vergleichsbedingungen und Messgrößen braucht ein Pilot?

Das NIST Framework beschreibt Messung und fortlaufende Prüfung als eigene Tätigkeiten; Tests im kontrollierten Umfeld können von Risiken im realen Einsatz abweichen. Ein Pilot sollte deshalb eng begrenzt, mit klaren Kriterien geplant und anhand dokumentierter Ergebnisse ausgewertet werden. NIST AI RMF 1.0, Measure.

Zeit und Ergebnisse nicht pauschal versprechen

Umsetzungsdauer, Kosten und Ergebnisse lassen sich ohne Kenntnis des konkreten Systems, der Daten, Schnittstellen, Prüfungen und verfügbaren Ressourcen nicht allgemein vorhersagen. Eine erste Workshop-Einschätzung sollte daher als Planungsannahme behandelt und später überprüft werden. Sie ist weder ein verbindlicher Zeitplan noch ein Nachweis für erwartete Einsparungen.

Auch ein sinnvoll erscheinender Anwendungsfall kann sich nach Tests als ungeeignet erweisen. Eine Nicht-KI-Lösung, eine Prozessänderung oder der Verzicht auf das Vorhaben können die bessere Entscheidung sein. Die Entscheidung sollte dokumentieren, welche Annahmen geprüft wurden und welche Unsicherheiten verbleiben.

Nächster Schritt

Der KI-Anwendungsfall-Workshop ist laut Leistungsbeschreibung auf Problemdefinition, Nutzenhypothesen, Aufwandsschätzung und Abhängigkeiten ausgerichtet. Er kann die gemeinsame Einordnung vorbereiten. Eine belastbare Investitionsentscheidung setzt gegebenenfalls zusätzliche technische, fachliche, wirtschaftliche und rechtliche Prüfungen voraus.

Fazit

Ein Use Case ist am Anfang eines Projekts eine prüfbare Hypothese, kein Erfolgsversprechen. Beschreiben Sie Problem, Kontext, mögliche Vorteile, Kosten und Risiken; kennzeichnen Sie Annahmen und vergleichen Sie Alternativen. Erst Tests mit passenden Messgrößen und die Prüfung der offenen Voraussetzungen liefern eine Grundlage für die Entscheidung, ob ein Pilot oder eine Umsetzung weiterverfolgt werden sollte.