Das Problem der Führungskräfte im Jahr 2026 ist nicht, dass es ihnen an Ideen für KI-Anwendungsfälle mangelt. Sie haben zu viele davon. Was fehlt, ist der Filter, der das Projekt, das sechs Monate Arbeit wert ist, von dem Projekt trennt, das die erste interne Demo nicht überleben wird. Dies sind die drei Fragen, die ich bei einem Scoping-Meeting stelle. Dreißig Minuten pro Anwendungsfall, nicht mehr. Wenn nur eine der drei ohne präzise Antwort bleibt, wird nicht gestartet.

Welches konkrete Problem löst die KI?

Nicht “wie KI unsere Produktivität steigern könnte”. Welches konkrete Problem, in welchem Prozess, mit welchem aktuellen Volumen, welcher Bearbeitungszeit, welcher Qualität, welchen Kosten?

“Die Bearbeitungszeit für Kundensupportanfragen reduzieren” ist eine Richtung. “Die Bearbeitungszeit für Anfragen der Kategorie B (einfache technische Probleme), die 60% des Volumens ausmachen und derzeit innerhalb von 48 Stunden bearbeitet werden, um 40% zu reduzieren” ist ein Problem.

Der Unterschied liegt nicht im Detail. Ein bestimmtes Problem ermöglicht die Festlegung eines messbaren Erfolgskriteriums. Ein messbares Erfolgskriterium ermöglicht die Entscheidung, ob das Projekt funktioniert hat. Ohne das können Sie den ROI nicht bewerten und wissen nicht, wann Sie aufhören sollen.

Warum KI und nicht etwas Einfacheres?

Dies ist die unbequemste Frage. Bevor Sie ein KI-Projekt starten, fragen Sie sich, ob das Problem nicht durch einen deterministischen Algorithmus (Geschäftsregel, Sortierung, Filter, Regex) gelöst werden kann. Wenn nicht, durch ein klareres Dashboard und einen menschlichen Entscheidungsprozess. Manchmal ist es eine Neuorganisation des Prozesses, die das Thema löst, ohne die Technologie anzutasten. Manchmal ist es nur ein vorhandenes, besser konfiguriertes Geschäftswerkzeug.

KI hat Stärken: Sie generalisiert auf unstrukturierte Inputs, sie passt sich an Variationen an, sie arbeitet mit großen Mengen ohne proportionale Kostensteigerung. Aber sie ist probabilistisch (also fehlbar), undurchsichtig, schwer zu prüfen und teurer in der Aufrechterhaltung als eine deterministische Regel. Eine Dokumentensortierung nach Schlüsselwörtern mit klaren Geschäftsregeln ist billiger, vorhersehbarer und besser erklärbar als eine LLM für die gleiche Aufgabe, wenn die Kategorien gut definiert sind.

Wer kümmert sich um die Fälle, in denen die KI falsch liegt?

Das ist die Frage, die in Demos nie gestellt wird. In einer Demo funktioniert alles. In der Produktion funktionieren 3 bis 20 % der Fälle (je nach Aufgabe und Modell) nicht wie erwartet. Jemand muss sich darum kümmern.

Wer stellt Fehler fest? Wie werden sie gemeldet? Wer korrigiert sie? Wer ist für Entscheidungen verantwortlich, die auf einer fehlerhaften KI-Ausgabe beruhen?

Wenn Sie diese Fragen nicht beantworten können, ist Ihr Einsatzprozess unvollständig. Das ist kein technisches Problem. Es ist ein Problem der Organisation und der Verantwortung. Die KI hebt die Verantwortung nicht auf. Sie verlagert sie.

Auf den Scoring-Rastern

Eine Scoring-Matrix verspricht, die Entscheidung in eine Addition zu verwandeln. Sie tut es nicht. Die Entscheidung wird Akte für Akte getroffen, indem man sich den Kontext der Organisation, die Reife des Teams und die Opportunitätskosten des Nicht-Projekts ansieht. Jedes Raster, das vorgibt, an Ihrer Stelle zu entscheiden, ist eine gefährliche Vereinfachung.