Blog

Implementierung von AI durch die richtigen Use-Cases

Wie Unternehmen GenAI strategisch nutzen können

Ein hoher Wettbewerbsdruck und enorme Investitionen führen dazu, dass AI‑Lösungen immer schneller besser werden. Mit Tools wie ChatGPT und dem im August veröffentlichen Sprachmodell GPT5, kann AI inzwischen ganze Webseiten, mit neuen Qualitätsstandards entwickeln oder Aufgaben wie das Lösen von Support Tickets eigenständig umsetzen.

Die letzten zwei Jahre zeigen, wie rasant sich generative AI entwickelt. Laut dem Stanford AI Index Report 2025 konnten LLM‑Systeme im SWE‑bench‑Benchmark 2023 nur 4,4 % der Programmieraufgaben lösen; 2024 schafften sie bereits 71,7 %[1], also eine Verbesserung um den Faktor 16 in nur einem Jahr.

Wir merken alle zunehmend, wie sehr sich generative AI in unseren Alltag etabliert. Sie verändert Geschäftsprozesse, schafft messbaren Mehrwert und wird zunehmend zum Wettbewerbsvorteil. Für Unternehmen bedeutet das: Wer jetzt eine strategische AI‑Roadmap entwickelt, kann diese Wettbewerbsvorteile aufbauen und gleichzeitig „Shadow AI“, also ungesteuerte Experimente ohne Governance, verhindern.

Warum eine strukturierte Use‑Case‑Findung entscheidend ist

Viele Organisationen experimentieren mit LLM‑Chatbots oder Codierungshilfen, doch nur wenige schaffen den Sprung in den produktiven Betrieb. Eine zentralisierte Überlegung ist dabei die Datenlage. Experten betonen, dass Fragen wie „Was kann AI mit meinen Daten tun, und sind meine Daten dafür bereit?“ am Anfang stehen[2]. Alles andere wie Budget, Training, Governance oder die Frage, ob Workloads in die Cloud gehören leitet sich daraus ab. Jim Weaver, ehemaliger CIO von North Carolina, bringt es auf den Punkt:

„Start with the use cases and look at the data elements that are needed“[2]

Romelia Flores von IBM ergänzt, dass viele Organisationen gar nichts mit generativer AI beginnen wollen, bevor sie ihre Datenquellen im Griff haben[2]. Diese Herausforderung können wir aus unserer Erfahrung bestätigen. Nicht selten begegnen uns heterogene Datenlandschaften, welche nicht über eine durchgehende Datenkonsistenz verfügen. Dies führt häufig zu einem fragmentierten Fundament, welches eine schwierige Ausgangslage für KI-Systeme bildet.

Ein solides Datenfundament und klare Richtlinien für Datenqualität, Sicherheit und Zugriff sind daher also Voraussetzung für jede AI‑Implementierung.

Wie geht man also vor, um die Potenziale zu nutzen AI gezielt einzusetzen und echten Mehrwert zu schaffen?

Phase 1 – Potenziale erkennen und strategische Grundlagen schaffen

Noch bevor man sich Gedanken über die Findung von Anwendungsfällen macht, müssen grundlegende Fragen beantwortet werden:

• Betriebliche Bereitschaft und Governance.
  Die Einbindung der Führungsebene, die Einrichtung eines AI‑Review‑Boards, Befähigungsvorgehen  und klare Verantwortlichkeiten legen den Grundstein für verantwortungsvollen AI‑Einsatz.
• Prozesse und Geschäftsziele klären.
  Welche strategischen Ziele verfolgt das Unternehmen?
  Welche Prozesse lassen sich durch AI verbessern oder automatisieren?
  Studien von Bain zeigen, dass generative AI in der Praxis erheblichen Mehrwert liefern kann: manuelle Antworten im Kundenservice werden um 20‑35 % schneller, die Erstellung von Marketing‑ und Vertriebsinhalten kann um 30‑50 % verkürzt werden, Entwickler sparen etwa 15 % der Codierzeit und Dokumentvergleiche im Back-Office lassen sich zu 20‑50 % automatisieren[3].
• Technologische Infrastruktur und Datenhaltung.
  IT und Fachbereiche analysieren gemeinsam, welche Systeme und Datenquellen für AI bereitstehen. Laut StateTech müssen Behörden und Unternehmen zuerst klären, ob ihre Daten überhaupt AI‑ready sind, bevor sie komplexe Use Cases angehen. Infrastrukturentscheidungen wie On‑Premises vs. Cloud, GPU‑Kapazitäten oder API‑Schnittstellen sollten frühzeitig getroffen werden[2].
• Potenzialanalyse.
  Aus Business­-Zielen, Prozessschmerzen und Trends ergibt sich ein erstes Bild, wo AI den grössten Nutzen stiften kann. Auch Compliance, Datenschutz, Kosten und Ethik sind Teil dieser Analyse.

Ergebnis dieser Phase ist eine strategische Grundlage: Führungskreise sind informiert, ein gemeinsames Zielbild existiert und es gibt eine grobe Vorstellung über die relevanten Daten und Systeme. Eine Grundlage die essenziell ist, aber besonders auf dem Schweizer Markt bei KI-Vorhaben in den Meisten Fällen fehlt und damit eine der grössten Herausforderungen darstellt[4].

Phase 2 – Use Cases identifizieren und Lücken analysieren

Ist das Fundament gelegt, beginnt die systematische Use‑Case‑Findung:

1. Ideen sammeln und bewerten.
   Brainstorming mit Fachabteilungen, IT und Data Science liefert zahlreiche Use-Case-Ideen. Inspirieren können Branchenstudien und Erfolgsgeschichten anderer Unternehmen. Wichtig: Eine Use‑Case‑Liste muss nicht perfekt sein; sie bildet die Grundlage für Priorisierung. Ein guter Ansatz ist der Blick auf externe, umsatzorientierte und interne, kosteinsparende Einsatzmöglichkeiten.

2. Clustering nach Impact und Umsetzbarkeit.
   Die Use Cases werden nach Impact (Business‑Value), Reifegrad und technischer Machbarkeit geclustert. Niedrigschwellige Anwendungsfälle im Back Office sind ideale Einstiegsprojekte. Beispiele sind Dokumentenmanagement, IT‑Procurement Bots, Chatbots für interne Wissensdatenbanken oder automatisierte Protokollerstellung. Diese Use Cases bergen wenig Risiko und liefern schnell sichtbare Ergebnisse[2]. Folgende Abbildung bietet Inspiration in welchen Funktionen Unternehmen Kosteneinsparungen und Umsatzsteigerungen mithilfe von AI generieren können. Hervorzuheben ist, dass besonders der Bereich Service Operations, IT und Softwareengineering den grössten Impact hat.

Besonders hoher Mehrwert nach der Einführung von AI zeigte sich schon im Jahr 2024 bei folgenden Anwendungsfällen:

• Customer Support Teams können 20-35% schneller auf Anfragen antworten.
• Engineering Teams können die Entwicklungszeit beim Programmieren um 15% reduzieren.
• Sales und Marketing Teams arbeiten 30-50% Schneller beim Erstellen von Content.
• Back Office Aufgaben sind 20-50% effizienter[5].

3. Priorisierungsmatrix erstellen.
   Eine Matrix aus Business‑Wert, Risiko, technischen Voraussetzungen und Aufwand hilft, die wichtigsten Anwendungsfälle zu identifizieren. Kriterien können sein: Einsparpotenzial, Kundenzufriedenheit, regulatorisches Risiko, Datenverfügbarkeit und Zeit bis zum Proof of Concept.
4. Definition von Erfolgskriterien.
   Für jeden priorisierten Use Case sollten klare KPI‑Ziele definiert werden (z.B. „Bearbeitungszeit ‑20 %“ oder „95 % Routing‑Genauigkeit“). Nur so lässt sich später bewerten, ob der Prototyp echten Mehrwert liefert. Auch hier sehen wir in der Praxis Optimierungspotenzial.

Anthropic gibt hier eine gute Hilfestellung für die wichtigsten Erfolgsmetriken:

Ticket-Routing	Content-Moderation	Kunden-Chatbot	Code-Generierung	Datenanalyse
Routing-Genauigkeit	Falsch-Positiv-Rate	Kosten pro Gespräch	Zeitaufwand für Routine-Coding	Zeit bis zur Erkenntnis
Umleitungsrate	Falsch-Negativ-Rate	Abschlussrate von Gesprächen	Fehler und Bugs im Code	Entscheidungsgenauigkeit
Zeit bis zur Lösung	Genauigkeit pro Kategorie	Durchschnittliche Lösungszeit	Projektlaufzeit	Fähigkeit, grössere und vielfältigere Datensätze zu verarbeiten
Bearbeitungszeit in der Warteschlange	Abwanderung von Nutzern	Erstlösungsquote	Einhaltung von Coding-Standards	Kundenzufriedenheit mit datengetriebenen Produkten oder Services
Kosten pro Ticket	Einspruchsvolumen	Eskalationen an menschliche Agenten	Entwicklerproduktivität	Eliminierung von Routinetätigkeiten
Kundenzufriedenheit (CSAT)	Kosten pro Überprüfung	Prozentsatz der Nutzer, die mit dem Chatbot interagieren	Wiederverwendung von Code	Zeitersparnis pro Analyse
Volumenabwicklung	Community-Gesundheit	Kundenzufriedenheit (CSAT)	Testbestehensrate	Fähigkeit, komplexe Anfragen zu bearbeiten

5. Gap‑Analyse von Infrastruktur und Tools.
   Der Vergleich zwischen IST‑Architektur und den Anforderungen der Use Cases zeigt, welche Daten fehlen, welche Schnittstellen erweitert werden müssen und ob neue Tools notwendig sind. Dieser Schritt verhindert, dass Use Cases am Ende an fehlender Integration scheitern. Er bildet die Basis für die IT‑Roadmap und spätere MVP‑Entwicklung. Wie sie von der strategischen Idee und Vorgabe zum Prototyp oder MVP kommen, beschreiben wir in unserem Blogartikel: Design-Thinking-IaC Automatisierung.

Blog

Design-Thinking-IaC Automatisierung

von Daniel Schweizer & Thomas Somogyi

Am Ende von Phase 2 steht eine präsentierbare Use‑Case‑Roadmap als Grundlage für die Weiterverfolgung. Auf Basis dieser Roadmap kann das Management entscheiden, ob und welche Projekte in Prototypen bzw. später in MVPs übergehen.

Aber was ist eigentlich mit den Risiken?

Governance, Datenpolitik und Risiko

AI ohne Governance birgt Risiken wie Verzerrungen, Datenschutzverletzungen, Halluzinationen oder unerwartete Kosten. Diese Punkte müssen unserer Erfahrung nach von Anfang an mitbedacht werden. Die McKinsey‑Analyse von 2024 zeigt, dass nur eine kleine Gruppe von „High Performers“ mehr als 10 % ihres EBIT auf generative AI zurückführt. Diese Unternehmen nutzen AI in durchschnittlich drei Geschäftsbereichen und entwickeln häufig eigene Modelle oder passen existierende Modelle stark an. Sie haben auch robuste Risikomanagement‑Prozesse und Daten-Governance implementiert[6].

Wichtige Governance‑Elemente:

• AI‑Review‑Board
  Ein interdisziplinäres Gremium mit Vertretern aus IT, Fachbereichen, Datenschutz und Recht entscheidet über Use Cases, überwacht Risiken und definiert Richtlinien.
• Daten Governance
  Strikte Richtlinien für Datenklassifikation, Zugriffskontrolle, Verschlüsselung und Protokollierung sind zentral, um Compliance zu gewährleisten. Ein starker Daten Policy Rahmen kann einen grossen Teil der potenziellen AI‑Risiken abfangen[2].
• Change-Management
  AI‑Projekte betreffen Prozesse und Menschen. Schulungen und klare Kommunikation erleichtern die Akzeptanz, dringen in der Schweiz aber praktisch nicht zu den Mitarbeitern durch[4]. Die Vision muss greifbar gemacht werden, die Zeit zum Lernen geschaffen und die richtigen Formate zur Motivation gewählt werden. Zusätzlich sollten Führungskräfte ein klares Vorbild verkörpern: McKinsey korreliert der Einfluss der CEO‑Ebene auf AI‑Governance stark mit dem EBIT‑Beitrag von generativer AI[7].

Phasen 3 und 4: Von der Use-Case-Roadmap zum MVP

Auch wenn dieser Beitrag die Frühphasen betont, lohnt ein kurzer Blick auf die weiteren Schritte:

• Phase 3: Architekturdesign & MVP
  Für priorisierte Use Cases wird eine Zielarchitektur skizziert und unterschiedliche Systemvarianten werden bewertet. Datenmodelle, Integrationslayer und Sicherheitskonzepte werden entwickelt. Prompt Engineering und Evaluierung begleiten diesen Schritt, bevor ein Minimum Viable Product (MVP) entsteht. Ein Prototyp, wie etwa ein Chatbot für den First-Level-Support, wird iterativ getestet und verbessert. Dabei werden Tools wie GUI‑Prototyping, APIs oder Infrastructure‑as‑Code (Terraform, Ansible) eingesetzt.
• Phase 4: Umsetzung & Wirtschaftlichkeit
  Nach erfolgreichem MVP folgt der Schritt in den produktiven Betrieb. Dazu gehören eine Umsetzungsplanung mit Roadmap, ein Projekt-Chart, das passende Betriebs-Modell (z.B. On‑Premises, Cloud oder Hybrid), Planung von Organisation und Prozessen, Investment‑ und Ressourcenplanung sowie Risikomanagement. Kontinuierliches Monitoring und eine strukturierte Verbesserung sind essenziell, denn der Betrieb von AI‑Lösungen ist ein Lernprozess.

Praxisbeispiele für erste AI-Use-Cases

Intelligenter Kundenservice

Ein Chat‑ oder Sprachbot kann den First‑Level‑Support entlasten, indem er Routineanfragen beantwortet, und komplexere Fälle qualifiziert an Mitarbeitende übergibt. Bain‑Daten zeigen, dass der Einsatz generativer AI die Antwortzeiten im Kundenservice um 20‑35 % reduziert[3]. Solche Bots erfordern allerdings eine gute Anbindung an CRM‑Systeme, eine sichere Datenspeicherung und ein durchdachtes Eskalationsmanagement. Weitere Optionen sind Self‑Service‑Portale mit Chatbots oder Spracherkennung sowie der Einsatz von AIOps‑Tools wie Splunk AI für tiefere Analysen.

Automatisierte Dokumentenverarbeitung

Back‑Office‑Funktionen wie das Vergleichen oder Klassifizieren von Dokumenten lassen sich mit GenAI erheblich beschleunigen. In Bain‑Fällen konnten 20‑50 % der Aufgaben automatisiert werden[3]. Beispiele sind intelligente Vertragsanalyse, Rechnungsprüfung oder die Extraktion von Daten aus Formularen. Diese Use Cases sind relativ risikoarm und erfordern primär gut aufbereitete Dokumente und ein Rechte-Management.

Coding-Assistenz und Wissensmanagment

Dank des rasanten Fortschritts bei LLMs können Entwickler AI‑Copiloten einsetzen, um Code zu generieren, Tests zu schreiben oder Migrationen vorzubereiten. Der SWE‑bench‑Sprung von 4,4% auf 71,7% gelöste Aufgaben in einem Jahr[1] zeigt, wie schnell diese Tools lernen. Im Unternehmen können solche Assistenten an interne Code‑Repos angebunden werden, um spezifische Standards einzuhalten. Ein weiterer Anwendungsfall ist das unternehmensweite Wissensmanagement: Chatbots oder Retrieval‑Augmented‑Generation (RAG) Systeme können Mitarbeitenden schnellen Zugriff auf Richtlinien, Handbücher oder Projektwissen bieten.

Handlungsempfehlungen für Unternehmen

1. Starten Sie klein, aber strategisch.
   Wählen Sie Use Cases, die einen klaren Mehrwert haben und sich mit vorhandenen Daten umsetzen lassen. Niederschwellige Back‑Office‑Prozesse oder interne Chatbots sind ideale Kandidaten[2]. Nutzen Sie Ergebnisse aus Branchenstudien: Kundenservice, Marketing, DevOps und Back‑Office Workflows profitieren schon heute messbar von GenAI[3].
2. Stellen Sie Daten und Governance für ein MVP in den Mittelpunkt.
   Klären Sie Datenquellen, Qualität und Zugriffsrechte bevor Sie AI‑Projekte starten[2]. Eine robuste Datenpolitik reduziert Risiken und kann viele Herausforderungen von vornherein entschärfen. Integrieren Sie Datenschutz, IT‑Sicherheit und Compliance in Ihre Roadmap.
3. Schaffen Sie organisationalen Rahmen.
   Legen Sie Verantwortlichkeiten fest, richten Sie ein AI‑Review‑Board ein und binden Sie Führungsebenen ein. McKinsey belegt, dass High Performer mit klarer Governance signifikante EBIT‑Beiträge durch GenAI erzielen[6].
4. Investieren Sie in Skills und Kultur.
   Machen Sie Ihre Vision greifbar, schulen Sie Mitarbeitende mit spannenden Formaten und schaffen Sie dafür die Zeit – Skills wie Prompt Engineering, Datenkompetenz und das richtige Change Mindset müssen gefördert werden. Es benötigt eine Kultur, in der AI als hilfreiches Werkzeug verstanden wird. Dazu sollten die richtigen Formate für das Unternehmen gewählt werden, welche am Ende von den Mitarbeitenden gut angenommen und genutzt werden.
5. Iterieren und skalieren Sie.
   Nutzen Sie Phasen 3 und 4, um Prototypen schnell zu testen und bei Erfolg zu skalieren. Monitoren Sie den ROI Ihrer AI‑Lösungen und passen Sie die Strategie regelmässig an. Mehr zum Thema AI-Ops können Sie in hier lesen: AI-Ops und KI-automatisierung.

Blog

AIOps und KI-Automatisierung

von Thomas Somogyi

---

Fazit

Generative AI entwickelt sich in atemberaubendem Tempo. Innerhalb eines Jahres stieg die Problemlösungsrate im SWE‑bench‑Benchmark von 4,4 % auf 71,7 %[1]. Ein Zeugnis dafür, dass diese Technologie immer reifer wird. Gleichzeitig zeigen Praxiserfahrungen, dass bereits heute erhebliche Effizienzgewinne möglich sind: weniger manuelle Arbeit im Kundenservice, kürzere Content‑Erstellung, schnellere Softwareentwicklung und automatisierte Dokumentenprozesse. Doch die Erfolgsrezepte der Vorreiter sind klar: Sie starten mit Use‑Case‑getriebener Analyse, stellen Datenqualität und Governance ins Zentrum und bauen Schritt für Schritt eine skalierbare AI‑Infrastruktur auf[2]. Nur so lässt sich vermeiden, dass AI zum Schattenprojekt ohne Business-Nutzen wird.

Wenn Sie Ihr Unternehmen auf die nächste Stufe heben wollen, unterstützen wir Sie gerne: Von der strategischen Analyse der Potenziale bis zur Umsetzung und dem Betrieb Ihrer GenAI‑Use‑Cases. Kontaktieren Sie uns, um gemeinsam Ihr AI‑Potenzial zu erschliessen.

---

Quellen

[1] Technical Performance | The 2025 AI Index Report | Stanford HAI
https://hai.stanford.edu/ai-index/2025-ai-index-report/technical-performance

[2] Build AI Readiness Around Use Cases and Data, Experts Say | StateTech Magazine
https://statetechmagazine.com/article/2025/03/build-ai-readiness-around-use-cases-and-data-experts-say

[3] Generative AI: The Business Value Creation ROI
https://btr.geoactivegroup.com/2024/09/generative-ai-business-value-creation.html

[4] bbv Software Services AG, Demo SCOPE AG und Hochschule Luzern: Swiss AI Impact Report 2025
Swiss AI Impact Report 2025 | bbv

[5] Bain & Company: Technology Report 2024:
Technology Report 2024 – Technology Industry Trends | Bain & Company

[6] Generative AI Adoption Soars: McKinsey
https://www.rtinsights.com/generative-ai-adoption-soars-insights-from-mcAInseys-latest-survey/

[7] The State of AI: Global survey | McKinsey
https://www.mcAInsey.com/capabilities/quantumblack/our-insights/the-state-of-ai