KI-Potenzialanalyse: Beispiele und Musterfragen

Ein Beispiel für eine gute Frage in einer KI-Potenzialanalyse ist „Welche wiederkehrende Aufgabe hat letzte Woche mehr Zeit gekostet, als sie eigentlich wert war?”, weil sie eine überprüfbare Situation liefert, aus der sich ein konkreter Anwendungsfall ableiten lässt. Was eine Frage gut macht, ist nicht ihr Bezug zu KI, sondern ihre Bauart: episodisch statt meinungsbasiert, mit einer Nachfrage nach dem Warum, und getrennt nach Haltung, Verhalten und Befähigung.

Dieser Artikel zeigt acht konkrete Musterfragen mit ihren Nachfrage-Hinweisen, den direkten Vergleich zwischen einer guten und einer schwachen Frage und die vier Nutzerprofile, an denen sich das Ergebnis ablesen lässt, jeweils mit Erkennungsmerkmal und nächstem Schritt.

Auf einen Blick

• Episodisch, nicht meinungsbasiert. „Welche Aufgabe hat letzte Woche zu viel Zeit gekostet?” liefert eine überprüfbare Situation. „Wo sehen Sie Potenzial für KI?” liefert Allgemeinplätze.
• Haltung, Verhalten und Befähigung trennen. Ob jemand KI gut findet, ob jemand KI einsetzt und ob die Voraussetzungen dafür da sind, sind drei verschiedene Fragen. Bei KI klaffen sie besonders weit auseinander.
• Offene Frage vor jeder Skala. Wer zuerst eine KI-Skala ankreuzt, denkt ab da in KI-Kategorien. Wer zuerst frei erzählt, bringt Aufgaben zur Sprache, an die keine Vorgabe gedacht hätte.
• Jede Frage hat eine Nachfrage. Die Einstiegsfrage bringt die Situation, die Nachfrage bringt den Grund, die Häufigkeit und den Blocker. Ohne sie bleibt die Antwort ein Stichwort.
• Vier Nutzerprofile statt eines Reifegrad-Werts. Gebremste Willige, Stille Nutzer, Abwartende und Souveräne brauchen gegensätzliche nächste Schritte. Ein Durchschnittswert passt zu keinem davon.

Inhaltsverzeichnis

1. Die acht Musterfragen mit Nachfrage-Hinweisen
2. Gute und schwache Frage im direkten Vergleich
3. Die Reihenfolge entscheidet: offene Frage vor jeder Skala
4. Die vier Nutzerprofile mit Erkennungsmerkmal und nächstem Schritt
5. Vom Beispiel zum priorisierten Use-Case-Fahrplan
6. Wo Beispiele an ihre Grenzen stossen
7. Häufig gestellte Fragen

Die acht Musterfragen mit Nachfrage-Hinweisen

Der Kern einer KI-Potenzialanalyse ist eine kurze Befragung, die episodisch fragt und Haltung, Verhalten und Befähigung trennt. Eine Frage ist mit der Antwort nicht fertig. Sie besteht aus zwei Teilen: einer Einstiegsfrage, die eine Situation holt, und einer Nachfrage, die den Grund, die Häufigkeit oder den Blocker vertieft. Die folgenden acht Fragen sind deshalb immer als Paar notiert.

Verhalten und Aufwand: was heute wirklich passiert

• 1. Welche wiederkehrende Aufgabe hat letzte Woche mehr Zeit gekostet, als sie eigentlich wert war? → Nachfrage: Wie oft kommt diese Aufgabe vor, und wie lange dauert sie typischerweise?
• 2. Wie erledigen Sie diese Aufgabe heute, mit welchem Werkzeug, welcher Vorlage, welcher Person? → Nachfrage: An welcher Stelle klemmt es dabei am ehesten?
• 3. Bei welcher Ihrer Aufgaben würden Sie sich am meisten Unterstützung wünschen? → Nachfrage: Was würde sich für Sie ändern, wenn diese Unterstützung da wäre?

Befähigung und Blocker: was heute möglich ist und was fehlt

• 4. Nutzen Sie heute schon ein KI-Werkzeug, und wenn ja, wofür? → Nachfrage: Ist das ein freigegebenes Werkzeug oder ein privater Zugang?
• 5. Was hält Sie davon ab, KI häufiger einzusetzen: Zeit, Erlaubnis, Werkzeug oder Vertrauen? → Nachfrage: Was genau müsste sich ändern, damit dieser Blocker wegfällt?
• 6. Wo sehen Sie in Ihrem Bereich Potenzial, das heute niemand hebt? → Nachfrage: Woran liegt es, dass es heute liegenbleibt?

Haltung und Verortung: das Zutrauen und der Owner

• 7. Wie sicher fühlen Sie sich heute im Umgang mit KI-Werkzeugen? → Nachfrage: Wobei würden Sie sich mehr zutrauen, wenn Sie es einmal gezeigt bekämen?
• 8. In welchem Team oder Bereich arbeiten Sie, und in welcher Rolle? → Hinweis: nur zur Verortung des Use-Cases. Ohne einen Owner schwebt jeder gefundene Fall im Leeren.

Die vollständige Fassung dieser acht Fragen mit Auswertungsraster und Fahrplan-Vorlage gibt es als Vorlage im Lexikon-Eintrag zum Herunterladen. Hier geht es um das Verständnis dahinter, warum diese Fragen so gebaut sind und nicht anders.

Gute und schwache Frage im direkten Vergleich

Der Unterschied ist fast immer derselbe: Meinung gegen Episode, und ankernde Vorgabe gegen offene Nennung.

Schwach	Gut	Warum
Wo sehen Sie Potenzial für KI?	Welche Aufgabe hat letzte Woche zu viel Zeit gekostet?	Spekulation gegen überprüfbare Situation.
Wie stehen Sie zu KI?	Nutzen Sie heute schon ein KI-Werkzeug, und wofür?	Haltung gegen beobachtbares Verhalten.
Welche Aufgaben, zum Beispiel Protokolle, Reporting, Recherche?	Bei welcher Aufgabe würden Sie sich am meisten Unterstützung wünschen?	Die Klammer-Beispiele sperren die Antwort auf drei Felder ein.
Haben Sie Angst, dass KI Ihren Job ersetzt?	Was hält Sie davon ab, KI häufiger einzusetzen?	Sensibles frontal wird maskiert beantwortet, die Sorge kommt über die Blocker-Frage von selbst.

Der Unterschied in der rechten Spalte ist der eigentliche Ertrag des Verfahrens. Aus „ich sehe da schon Potenzial” lässt sich keine Massnahme bauen, aus „das Zusammenfassen der Wochenprotokolle frisst jeden Freitag eine Stunde” schon. Die zweite Antwort ist bereits ein Use-Case im Rohzustand: eine wiederkehrende Aufgabe, ein benennbarer Aufwand, ein klarer Ort im Prozess.

Die Faustregel dahinter ist einfach: Wenn eine Frage zum Spekulieren einlädt, misst sie eine Meinung. Wenn sie nach einer konkreten Situation der letzten Woche fragt, misst sie eine Tatsache. Und nur aus Tatsachen wird ein Fahrplan.

Die Reihenfolge entscheidet: offene Frage vor jeder Skala

Ein Beispiel-Fragebogen kann die richtigen Fragen enthalten und trotzdem schlechte Antworten liefern, wenn die Reihenfolge falsch ist. Der Grund ist eine Bias-Falle: Wer zuerst eine KI-Skala ankreuzt, denkt ab diesem Moment in KI-Kategorien, und der anschliessende Freitext rationalisiert nur noch den vorher gesetzten Wert. Wer zuerst frei über seine Arbeitswoche erzählt, bringt Aufgaben zur Sprache, an die eine vorgegebene Kategorie nie gedacht hätte.

Deshalb steht die entdeckende offene Frage vor jeder Skala, und sie steht vor der ersten Erwähnung von KI. Aus demselben Grund verzichtet eine gute Analyse auf ankernde Klammer-Beispiele und stellt Sensibles nie frontal. Die Frage nach der Angst um den eigenen Arbeitsplatz wird maskiert beantwortet, während dieselbe Sorge über eine offene Blocker-Frage von selbst hochkommt.

So sieht der Unterschied zwischen einem Formular und einem Gespräch an einem kurzen Verlauf aus:

Frage: Welche wiederkehrende Aufgabe hat letzte Woche mehr Zeit gekostet, als sie eigentlich wert war?

Antwort: Das Zusammenfassen der Wochenprotokolle.

Nachfrage: Wie oft kommt das vor, und wie lange dauert es typischerweise?

Antwort: Jeden Freitag, etwa eine Stunde. Ich lese fünf Protokolle und schreibe daraus eine Übersicht fürs Team.

Nachfrage: Was hält Sie davon ab, das anders zu lösen?

Antwort: Ich dürfte die Protokolle nicht in ein externes Werkzeug geben, das ist nicht freigegeben.

Aus einer Aufgabe ist damit ein vollständiger Use-Case geworden: eine wiederkehrende Tätigkeit, ein benennbarer Aufwand von rund einer Stunde pro Woche und der Blocker, eine fehlende Freigabe, der ihn heute verhindert. Genau so führt Moodtalk die Erhebung, als Dialog, in dem nach jeder Antwort nach dem Warum gefragt wird, in der Sprache der antwortenden Person.

Die vier Nutzerprofile mit Erkennungsmerkmal und nächstem Schritt

Der wichtigste Befund einer KI-Potenzialanalyse ist eine Lücke: Die Bereitschaft, mit KI zu arbeiten, ist meist grösser als der tatsächliche Einsatz. Aus der Kreuzung von Verhalten, also ob jemand KI einsetzt, und Befähigung, also ob die Voraussetzungen da sind, entstehen vier Nutzerprofile. Jedes hat ein eigenes Erkennungsmerkmal und braucht einen anderen nächsten Schritt.

Profil	Woran erkennbar	Nächster Schritt
Gebremste Willige	Haltung hoch, Nutzung tief, weil Zugang, Zeit oder Freigabe fehlen	Die fehlende Voraussetzung schaffen, nicht schulen
Stille Nutzer	Setzen KI bereits ein, oft ungesteuert über private Zugänge	Legitimieren und Governance geben, nicht verbieten
Abwartende	Zugang ist da, aber der Anlass fehlt	Einen konkreten Anwendungsfall im eigenen Alltag geben
Souveräne	Nutzen KI kompetent und regelmässig	Als Multiplikatoren für den nächsten Schritt einsetzen

Diese vier brauchen gegensätzliche Massnahmen. Die Gebremsten Willigen scheitern nicht am Können, sondern an einer fehlenden Erlaubnis, ein Verbot für die Stillen Nutzer würde die ehrlichste Nutzung wieder ins Verborgene drängen, und die Abwartenden holt keine allgemeine Schulung ab, sondern nur ein konkreter Fall im eigenen Alltag. Genau deshalb hilft ein einzelner Reifegrad-Wert wenig: Er passt im Schnitt zu niemandem. Greifbar wird das Potenzial erst, wenn pro Bereich steht, wie sich die vier Gruppen verteilen und welche dominiert.

Vom Beispiel zum priorisierten Use-Case-Fahrplan

Der Übergang von der Antwort zum Anwendungsfall ist die eigentliche Leistung. Aus vielen geschilderten Episoden werden Muster, und aus den Mustern wird eine Rangliste. Priorisiert wird nach zwei Grössen, die die Befragung liefert: wie oft eine Aufgabe vorkommt und wie viel Zeit sie kostet. Zu jedem Fall gehört der Blocker, der ihn heute verhindert, und der Hebel, der ihn freischaltet.

So sieht ein solcher Fahrplan als Beispiel aus:

Use-Case	Aufwand	Geschätzte Ersparnis (Annahme)	Blocker und Hebel
Wochenprotokolle zusammenfassen	gering	ca. 1 Std. pro Person und Woche	fehlende Freigabe, Werkzeug freigeben
Standardantworten entwerfen	gering	ca. 0,5 Std. pro Person und Woche	kein erster Fall, Beispiel zeigen
Recherche vorstrukturieren	mittel	ca. 1 Std. pro Person und Woche	fehlender Zugang, Lizenz bereitstellen
Berichte formulieren	mittel	ca. 0,75 Std. pro Person und Woche	Unsicherheit, kurze Einführung
Datenpflege vereinfachen	höher	noch zu erheben	Freigabe der Konzernmutter, Entscheidung eskalieren

Wichtig zur Lesart dieser Tabelle: Die Ersparnis-Werte oben sind Beispielwerte einer fiktiven Organisation, um das Raster zu zeigen, keine gemessenen Resultate und kein Benchmark. Jede Hochrechnung von einer gesparten Stunde in einen Frankenbetrag ist eine Annahme und gehört auch so beschriftet, mit genanntem Ausgangswert. Eine kleine, belegbare Ersparnis überzeugt eine Geschäftsleitung länger als eine grosse, die niemand halten kann.

Der letzte Fall in der Tabelle zeigt zudem, warum der Blocker so wichtig ist wie der Aufwand: Ein Use-Case, dessen Blocker eine fehlende Freigabe der Konzernmutter ist, gehört auf eine andere Massnahmenebene als einer, der nur an einer fehlenden Einführung scheitert. Wer beide Hälften getrennt betrachtet, priorisiert nach Nutzen und Erreichbarkeit zugleich. Wie aus einem solchen Fahrplan tatsächlich Umsetzung wird, statt dass er versandet, beschreibt der Eintrag Massnahmentracking.

Wo Beispiele an ihre Grenzen stossen

Ein Beispiel-Fragebogen aus dem Netz passt nie ohne Anpassung. Die Fragen müssen zur Rolle, zur Organisation und zur Sprache des Hauses passen, sonst antworten die Leute an der Sache vorbei. Und die schönsten Musterfragen retten keine Analyse, die als Meinungsumfrage angelegt ist: Fragt sie nach der Haltung zu KI statt nach der konkreten Aufgabe, produziert sie grüne Balken und keine Entscheidung.

Zwei weitere Vorbehalte gehören dazu. Erstens beruhen alle Antworten auf Selbstauskunft und haben damit eine Schlagseite; für harte Zahlen gehört die Befragung mit objektiven Daten trianguliert, nicht allein als Beweis genommen. Zweitens braucht die Auswertung pro Einheit eine Mindestzahl an Antworten, damit einzelne Personen anonym bleiben und die ehrliche Schatten-Nutzung überhaupt zur Sprache kommt. Die ausführliche Auseinandersetzung mit diesen Punkten steht in KI-Potenzialanalyse: Nachteile und Kritik.

Fazit

Ein gutes Beispiel für eine KI-Potenzialanalyse erkennt man an vier Dingen: Es fragt episodisch nach einer konkreten Situation statt nach einer Meinung, es trennt Haltung, Verhalten und Befähigung, es lässt auf jede Antwort eine Nachfrage nach dem Warum folgen, und es endet nicht mit einem Reifegrad-Wert, sondern mit einem priorisierten Fahrplan aus benannten Use-Cases und ihren Blockern. Die acht Musterfragen oben sind der Anfang, die richtige Reihenfolge und die ehrliche Beschriftung machen daraus ein brauchbares Ergebnis.

Genau an dieser Stelle setzt Moodtalk an, und zwar schon bei der Erhebung. Die Befragung läuft als Dialog: Auf jede Antwort stellt der KI-Interview-Agent die Nachfrage, die zu dieser Situation passt, in der Sprache der antwortenden Person und wahlweise per Chat oder Sprachinput. Dadurch kommen ganze Sachverhalte zurück statt Stichworte, und das mit wenigen Fragen. Anschliessend werden die offenen Antworten nicht von Hand durchgelesen, sondern zu den vier Nutzerprofilen und einem priorisierten Use-Case-Fahrplan verdichtet, zu jedem der Hebel, der ihn freischaltet, sicher gehostet in der Schweiz. Wenn Sie wissen wollen, wo in Ihrer Organisation KI wirklich Arbeit abnimmt, sehen Sie sich Moodtalk an.

Verwandte Inhalte

• KI-Potenzialanalyse: Nachteile und Kritik
• Massnahmen ableiten nach der Mitarbeiterbefragung
• Anwendungsfall Mitarbeitendenbefragung
• Kundengeschichten
• Im Lexikon: KI-Potenzialanalyse (Haupteintrag)
• Im Lexikon: KI-Wirkungsmessung
• Im Lexikon: Massnahmentracking
• Im Lexikon: Mitarbeitendenbefragung
• Im Lexikon: Pulsbefragung