Inhalt anzeigen
Wo fangen wir eigentlich an zu automatisieren? Das ist die Frage, die ich am häufigsten höre — von Unternehmern, die mit n8n oder Make liebäugeln, bis zu Teams, die schon mitten in der Umsetzung stecken. Und es ist die Frage, bei der draußen am meisten Unsinn erzählt wird: Listen mit „den 10 besten KI-Use-Cases”, die mit deinem Unternehmen nichts zu tun haben.
Die unbequeme Wahrheit: Welche Use Cases sich für dich lohnen, ist spezifisch für dein Geschäftsmodell. Das kann dir kaum jemand von außen sagen — es sei denn, er kennt dein Unternehmen sehr gut. Aber du kannst es systematisch selbst herausfinden. Dieser Artikel zeigt dir das Vorgehen, das wir in unseren KI-Potenzial-Workshops einsetzen: Dort verbringen wir einen ganzen Tag im Unternehmen, challengen Prozesse, sprechen mit Geschäftsführung, Vertriebs- und Marketingleitung und den Mitarbeitern — und finden so die Potenziale, die im Alltag unsichtbar bleiben. Hier bekommst du das Konzept kompakt eingedampft, zum Selbermachen.
Es geht dabei um genau drei Fragen: Was bringt mehr Umsatz? Was spart Zeit? Und was reduziert Fehler — sichert also Qualität? Am Ende kannst du beantworten: Lohnt sich das, und womit starte ich?
Schritt 1: Wonach du überhaupt suchst
Bevor du an Tools denkst, suchst du nach Aufgaben in deinem Alltag — und zwar nach vier Kriterien:
- Wiederkehrend. Aufgaben, die täglich oder wöchentlich kommen und bei denen im Kern immer dasselbe getan wird. Das ist die klassische Automatisierungs-Zielscheibe.
- Zeitaufwendig. Aufgaben, die viel Zeit von dir oder deinem Team beanspruchen — auch wenn sie selten vorkommen. Entscheidend ist die ehrliche Frage: Wie viel Zeit steckt wirklich drin?
- Fehleranfällig. Überall, wo manuell Daten eingegeben, von links nach rechts in Tabellen übertragen oder zwischen Menschen übergeben werden, passieren Fehler. Klassiker: KPI-Tracking im Vertrieb per Excel — am Ende des Tages hat es einer nicht ausgefüllt, und das ganze Zahlenwerk stimmt nicht. Oder Kundenanfragen, die unstrukturiert im Posteingang landen.
- Skalierend. Der wichtigste und am meisten übersehene Punkt: Welche Prozesse wachsen mit deinem Unternehmen mit? Wenn mehr Wachstum automatisch mehr Arbeitsaufwand bedeutet — Kundenonboarding, Follow-up-Mails, Formular-Bearbeitung —, dann ist das ein Prozess, der ohne Automatisierung irgendwann neue Stellen kostet. Mit Automatisierung erhöht er deine Marge.
Die vier Suchkriterien aus dem Video — und der wichtigste Zusatz steht unten: Beginne am Anfang des Prozesses.
Ein Denkwerkzeug dazu: Beginne gedanklich immer beim Auslöser des Prozesses. Was ist der Trigger? Beispiel Kundenanfrage per E-Mail: Sie kommt rein, ein Mitarbeiter liest sie, versteht das Anliegen, ordnet es ein, gibt es an den Vertrieb weiter oder bearbeitet es selbst, erstellt vielleicht ein Angebot, ruft an. Wer den Prozess vom Trigger bis zum Ende durchgeht, kann ihn später viel besser bewerten.
Schritt 2: Niederschreiben — nicht im Kopf sortieren
Der zweitgrößte Fehler: alles im Kopf skizzieren zu wollen. Funktioniert nicht. Du brauchst die Use Cases schriftlich, an einem Ort — sonst kannst du sie später nicht vergleichen. Genau dafür gibt es das Use-Case-Scoring-Sheet (unten im Artikel zum Anfordern): eine Zeile pro Case, daneben die Bewertungsspalten.
Erst sammeln, noch nicht bewerten: drei Beispiel-Cases im Scoring-Sheet — die Spalten Zeit, Umsatz und Fehler bleiben in diesem Schritt bewusst leer.
Drei Beispiele, wie solche Cases aussehen können:
- Automatische Recherche zu einem Thema mit Beitragserstellung für LinkedIn — Content-Produktion, die sonst jede Woche Stunden frisst.
- E-Mails der info@-Adresse klassifizieren und zusammenfassen — Spam raus, Kundenanfragen rein, Bewerbungen erkannt. Das Rauschen im Posteingang canceln.
- Automatische Telefonnummern-Recherche von Leads — statt pro Lead zwei bis vier Minuten manuell im Impressum zu suchen.
Wenn dir nichts mehr einfällt: Geh gedanklich deinen Tag durch, dann die Woche deines Unternehmens. Und wenn es hilft, sortiere nach Abteilungen — was ist Kategorie Sales, was Marketing, was Fulfillment, was Backoffice? Das gibt dem Denken eine Richtung.
Schritt 3: Bewerten — drei Metriken, Skala 1 bis 5
Jetzt kommt der Teil, bei dem man sich am leichtesten in die Tasche lügt — deshalb machen wir das in den Workshops gemeinsam mit den Kunden und hinterfragen jeden einzelnen Punkt. Bewertet wird jeder Case nach drei Metriken, jeweils von 1 (kein Effekt) bis 5 (massiv):
- Umsatzpotenzial. Zahlt dieser Case auf deine Umsatzziele ein, wenn er läuft? Direkte Gespräche mit der Zielgruppe zahlen stärker ein als Sichtbarkeit; Sichtbarkeit stärker als interne Ordnung.
- Zeitersparnis. Der Hebel, den jeder kennt — aber rechne ihn in der Kaskade: Eine halbe Stunde pro LinkedIn-Post, fünfmal die Woche, sind zweieinhalb Stunden pro Woche, zehn Stunden im Monat, 120 Stunden im Jahr. Fast ein Arbeitsmonat für eine einzige Aufgabe.
- Fehlerreduktion. Wie viele Fehler passieren heute in diesem Prozess — oder würden passieren, wenn er weiter manuell läuft? Je fehleranfälliger, desto lohnender die Automatisierung.
Die Summe ergibt den Score. Und der macht Cases plötzlich vergleichbar:
Das Scoring macht die Entscheidung sichtbar: Die Telefonnummern-Recherche gewinnt mit Score 10 — nicht, weil sie spektakulär ist, sondern weil Zeit- und Umsatzhebel zusammenkommen.
Interessant an dem Beispiel: Die E-Mail-Klassifizierung — objektiv ein starker Case — landet hier nur bei Score 4. Warum? Weil sie für diese Situation wenig bringt: Wer kaum E-Mails bekommt und bei wem Kundenanfragen ohnehin direkt bei den Beratern landen, hat dort keinen Hebel. Genau das ist der Punkt: Use Cases sind nicht gut oder schlecht, sie sind passend oder unpassend für dein Business.
Zwei Regeln fürs Scoring, die den Unterschied machen:
- Erst alle Cases aufschreiben, dann scoren. Wer Case für Case bewertet, vergibt zu hohe Punkte. Wer erst die ganze Liste sieht, vergleicht die Cases im Kopf gegeneinander — und scort ehrlicher.
- Die Top 5 bis 10 nochmal gegeneinander challengen. Bei 20 Cases wirst du mehrere mit 13, 14, 15 Punkten haben. Die entscheidende Runde ist die zweite.
Der Realitäts-Check: Was fast alle überspringen
Ein hoher Score allein reicht nicht. Bevor du baust (oder bauen lässt), hinterfrage jeden Top-Case auf vier Dinge:
Ressourcen und Tech-Stack. Du brauchst Zeit, Skills — und die Technologie. Einzeln kostet heute kaum ein Tool die Welt: n8n oder Make, Airtable, Supabase, Vektor-Datenbanken, Scraper, APIs. In der Summe können daraus aber schnell 300 bis 600 Euro im Monat werden. Das ist in Ordnung — aber es muss in die Rechnung.
Umsetzungsdauer. Meine Faustregel: Stunden mega, Tage cool, Wochen in Ordnung — Monate: lass es. Der KI-Markt überschlägt sich gefühlt alle sechs bis sieben Monate. Was im Mai 2024 der letzte Schrei war (Custom GPTs), war ein Jahr später von Automatisierungen und Agenten überholt. Wer drei Monate an einem Big-Picture-Case baut, riskiert, dass es die Lösung inzwischen schneller und einfacher gibt. Große Cases deshalb in kleine Teile herunterbrechen — Speed schlägt Big Picture.
Langfristigkeit. Zahlt der Case auch noch ein, wenn sich dein Geschäftsmodell weiterentwickelt? KI disruptiert Geschäftsmodelle — auch unser eigenes: Viele Angebote, die wir früher hatten, gibt es nicht mehr. Hätten wir dafür monatelang Automatisierungen gebaut, wären sie heute wertlos. Wer sein Sales-Team drei Monate lang komplett durchautomatisiert und dann auf Online-Kurse umschwenkt, hat für die Tonne gebaut. Automatisiere, was mit hoher Wahrscheinlichkeit bleibt.
Kaskaden-Cases erkennen. Manche Cases sehen nach einem Schritt aus und sind in Wahrheit vier. Beispiel Wissensdatenbank („unser Firmen-Wiki auf Knopfdruck”): Erst musst du das Wissen aus den Köpfen der Fachleute ziehen, dann strukturieren, dann abrufbar machen — und dann müssen die Leute es auch nutzen wollen. Der richtige Weg: ein MVP bauen, maximal einfach, maximal schnell — und erst schauen, ob überhaupt jemand abfragt, bevor du ausbaust.
Schritt 4 (optional): Der Deep Dive vor der Umsetzung
Wenn du deine Top-Cases hast und in die Umsetzung willst, lohnt ein letzter Schritt, den wir in den Workshops mit Kunden machen: den Prozess mappen. Für jeden Case beantworten wir — immer vom Trigger bis zum abgelieferten Ergebnis:
- Was ist der Auslöser, was ist der Output, was ist das Ziel? Erst danach kommt die Technik.
- Welcher Tech-Stack? Zum Beispiel n8n oder Make, Perplexity für Recherche, ein Wissens-Agent auf der eigenen Knowledge Base, Airtable oder Supabase als Datenbank.
- Rules oder Thinking? Die wichtigste Architektur-Frage: Läuft der Prozess nach festen Regeln immer gleich ab — dann ist es eine Automatisierung. Oder braucht er individuelle Einschätzung — dann ist es ein Agent. Wer das vorher sauber trennt, baut nicht versehentlich einen teuren Agenten für einen Regel-Job.
Der Agent & Automation Canvas: Der Orchestrator führt als KI-Führungskraft die Subagenten — einer recherchiert, einer greift aufs Firmenwissen zu. So wird aus einem abstrakten Use Case ein umsetzbares System.
Das Ergebnis skizzierst du im Agent & Automation Canvas: die Schritte vom Trigger bis zum Output, visualisiert. Damit kann jeder — ob dein Team oder ein externer Umsetzer — sofort sehen, was gebaut werden soll. Aus „wir sollten mal was mit KI machen” ist ein konkreter, bewerteter, gemappter Prozess geworden.
Fazit: Erst denken, dann bauen
Das ist die absolute Grundlage, bevor du KI-Prozesse baust — egal ob Automatisierungen oder KI-Mitarbeiter. Wer sie überspringt und einfach losbaut, scheitert mit hoher Wahrscheinlichkeit: am falschen Case, an unterschätzter Dauer, an fehlenden Ressourcen. Wer sie macht, weiß nach einem Nachmittag mit dem Team, welcher Prozess den größten Hebel hat, was er kostet und wo er anfängt. Und genau darum geht es: nicht um das nächste Tool — sondern um die Frage, was sich für dein Unternehmen wirklich rechnet.
Häufige Fragen
Womit sollte ich als Anfänger starten — dem Case mit dem höchsten Score?
Nicht automatisch. Starte mit einem Case, der gewinnbringend UND leicht ist. Wer als Erstes das Schwergewicht angeht, scheitert meist an der Komplexität — erst mit kleinen Cases lernen, wie Automatisierung funktioniert, dann größer werden.
Wie lange darf die Umsetzung eines Use Cases dauern?
Stunden sind mega, Tage cool, Wochen in Ordnung. Bei allem über einem Monat: lieber in kleinere Teile herunterbrechen. Der KI-Markt überschlägt sich etwa alle sechs bis sieben Monate — wer drei Monate baut, riskiert, dass es inzwischen eine schnellere Lösung gibt.
Was kosten die Tools für solche Automatisierungen?
Einzeln ist fast alles bezahlbar — n8n, Make, Airtable, Supabase, Vektor-Datenbanken, Scraper. In der Summe können aber schnell 300 bis 600 Euro im Monat zusammenkommen. Deshalb gehört der Tech-Stack in die Bewertung jedes Use Cases, bevor gebaut wird.
Soll ich die Bewertung alleine machen oder mit dem Team?
Mit dem Team — das ist einer der häufigsten Fehler von Geschäftsführern. Wer nur aus der eigenen Perspektive bewertet, übersieht die Aufgaben, die im Alltag wirklich Zeit fressen. Die Leute, die die Aufgaben täglich ausführen, sehen andere Potenziale. Zwei bis drei Stunden Mini-Workshop reichen.