KI-Potenzialanalyse

Was ist eine KI-Potenzialanalyse?

Eine KI-Potenzialanalyse ist die systematische Erhebung, wo der Einsatz von KI in einer Organisation konkreten Nutzen schafft. Sie befragt die Menschen, die die Arbeit tun, schätzt den Aufwand und die mögliche Ersparnis ab und leitet daraus einen priorisierten Fahrplan an Anwendungsfällen ab. Sie fragt also nicht, ob eine Organisation reif für KI ist, sondern an welcher konkreten Stelle KI heute Arbeit abnehmen könnte und was das heute verhindert.

Der Anlass ist fast immer derselbe. Eine Geschäftsleitung spürt Druck, etwas mit KI zu tun, sieht Werkzeuge in Reichweite und will investieren, weiss aber nicht, wo der Hebel am grössten ist. In Gesprächen taucht diese Frage inzwischen als erstes auf: Wo haben wir überhaupt Potenzial für KI, bei welchen Prozessen, wie müsste das aussehen. Ohne eine Antwort darauf verteilt man Lizenzen nach Bauchgefühl und hofft, dass etwas passiert.

Die KI-Potenzialanalyse schliesst diese Lücke am Anfang, so wie die KI-Wirkungsmessung sie am Ende schliesst. Die eine sagt, wo man ansetzen soll, die andere, ob der Ansatz gewirkt hat. Beide teilen dieselbe Haltung: Sie fragen nicht nach der Meinung zur KI, sondern nach der konkreten Aufgabe und der Zeit, die sie kostet. Denn genau dort, im Arbeitsalltag der einzelnen Person, entscheidet sich, ob ein Werkzeug etwas bewegt oder nur lizenziert herumliegt.

Wie eine KI-Potenzialanalyse funktioniert

Der praktische Kern ist eine kurze Befragung, die anders gebaut ist als eine gewöhnliche Umfrage. Sie fragt nach einer Episode, nicht nach einer Meinung. Die Frage „Wo sehen Sie KI-Potenzial?” liefert Allgemeinplätze, weil sie zum Spekulieren einlädt. Die Frage „Welche Aufgabe hat letzte Woche mehr Zeit gekostet, als sie eigentlich wert war?” liefert eine überprüfbare Situation, aus der sich ein konkreter Anwendungsfall ableiten lässt.

Ein zweiter Bauplan-Grundsatz: Die Befragung trennt drei Dinge, die bei KI besonders weit auseinanderklaffen. Die Haltung, also ob jemand KI für sinnvoll hält. Das Verhalten, also ob und wie oft jemand KI tatsächlich einsetzt. Und die Befähigung, also ob die Voraussetzungen dafür überhaupt gegeben sind, vom Zugang über die Zeit bis zur Freigabe. Wer nur die Haltung misst, feiert Akzeptanz, während sich im Alltag nichts bewegt.

Ein dritter Grundsatz betrifft die Reihenfolge der Fragen. Die entdeckende offene Frage steht vor jeder Skala, und sie steht vor der ersten Erwähnung von KI. Der Grund ist eine Bias-Falle: Wer zuerst eine KI-Skala ankreuzt, denkt ab da 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. 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.

Der Ablauf ist bewusst schlank. Ein typischer Weg von der Klärung des Ziels bis zur Entscheidung dauert rund drei Wochen. Die Vorbereitung mit der Führung kostet etwa eine Stunde, die einzelne Mitarbeitende gibt in rund zehn Minuten Auskunft, die Feldzeit liegt bei wenigen Arbeitstagen, und die verdichteten Ergebnisse stehen kurz danach zur Verfügung. In der Summe entstehen daraus meist eine Handvoll konkreter Use-Cases, mit denen ein Enablement-Team oder eine Führungskraft weiterarbeiten kann. Die Zahlen sind Richtwerte aus der Praxis und hängen von Grösse und Zuschnitt der Organisation ab.

Damit die Auswertung überhaupt einen Owner und eine Flughöhe hat, gehört ans Ende der Befragung eine schlichte Verortung: welches Team oder welcher Bereich, plus die Rolle. Ohne diese Zuordnung schwebt jeder gefundene Use-Case im Leeren, weil niemand zuständig ist. Zugleich braucht die Auswertung pro Einheit eine Mindestzahl an Antworten, damit einzelne Personen nicht erkennbar werden und die Analyse anonym bleibt. Wo eine Einheit zu klein ist, wird eine Ebene höher aggregiert. Diese Anonymität ist kein Formalismus: Gerade die Schatten-Nutzung über private Zugänge kommt nur zur Sprache, wenn die Antwort sanktionsfrei ist.

Wie eine KI-Potenzialanalyse konkrete Use-Cases findet

Der Übergang von der Antwort zum Anwendungsfall ist die eigentliche Leistung. Eine geschilderte Situation, etwa „das Zusammenfassen der Wochenprotokolle frisst jeden Freitag eine Stunde”, ist bereits ein Use-Case im Rohzustand: eine wiederkehrende Aufgabe, ein benennbarer Aufwand, ein klarer Ort im Prozess. Aus vielen solchen 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. Was häufig ist und viel Zeit frisst, steht oben. Wichtig ist dabei die ehrliche Beschriftung. Wenn eine gesparte Stunde pro Woche in einen Frankenbetrag hochgerechnet wird, ist das eine Annahme, kein Messwert, und gehört auch so benannt. Eine kleine, belegbare Ersparnis überzeugt eine Geschäftsleitung länger als eine grosse, die niemand halten kann.

Genauso wichtig ist die andere Hälfte der Antwort: was den Einsatz heute blockiert. Denn ein Potenzial, das an einer fehlenden Freigabe oder einem gesperrten Werkzeug hängt, ist kein Trainingsproblem, sondern ein Entscheidungsproblem. Was in den Antworten am häufigsten fehlt, ist nicht die Kompetenz, sondern die Erlaubnis, das passende Werkzeug und ein konkreter erster Fall, an dem man es ausprobieren darf. Eine gute Analyse liefert deshalb nicht nur eine Liste an Use-Cases, sondern zu jedem auch den Hebel, der ihn freischaltet.

Praktisch heisst das, dass zwei verschiedene Antworttypen zusammengeführt werden. Der eine ist die geschilderte Aufgabe, aus der der Anwendungsfall entsteht. Der andere ist der genannte Blocker, der entscheidet, ob dieser Fall überhaupt erreichbar ist. 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 nicht nur nach dem Nutzen, sondern auch nach der Erreichbarkeit, und vermeidet den häufigen Fehler, viel Energie in einen theoretisch grossen Fall zu stecken, der an einer Entscheidung weiter oben festsitzt.

Bereitschaft ist nicht Einsatz

Der wohl wichtigste Befund einer KI-Potenzialanalyse ist eine Lücke. In den meisten Organisationen ist die Bereitschaft, mit KI zu arbeiten, deutlich grösser als der tatsächliche Einsatz. Menschen halten KI für nützlich, setzen sie aber selten ein. Diese Differenz ist kein Widerspruch, sondern das Signal: Sie zeigt genau dort hin, wo Potenzial brachliegt, weil eine Voraussetzung fehlt.

Aus der Kreuzung von Verhalten und Befähigung entstehen vier Nutzerprofile, die je einen eigenen Hebel brauchen:

• Gebremste Willige: Haltung hoch, Nutzung tief, weil Zugang, Zeit oder Freigabe fehlen. Ihr Hebel ist nicht Training, sondern die fehlende Voraussetzung.
• Stille Nutzer: Sie nutzen KI bereits, oft ungesteuert über private Zugänge. Ihr Hebel ist Legitimierung und Governance, nicht Verbot, sonst verschwindet die Nutzung wieder im Verborgenen.
• Abwartende: Der Zugang ist da, aber der Anlass fehlt. Ihr Hebel ist ein konkreter Anwendungsfall im eigenen Alltag, nicht eine allgemeine Schulung.
• Souveräne: Sie nutzen KI kompetent. Ihr Hebel ist, sie als Multiplikatoren für den nächsten Schritt einzusetzen.

Diese vier brauchen gegensätzliche Massnahmen. 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 davon dominiert. Erst diese Verteilung übersetzt sich in eine Massnahme, und der Weg von dort zur Umsetzung führt über ein sauberes Massnahmentracking, sonst versandet auch der beste Fahrplan.

Grenzen der KI-Potenzialanalyse

Eine KI-Potenzialanalyse ist ein starkes Instrument für den Einstieg, aber sie ist kein Automat, der einen sauberen Businessplan ausspuckt. Wer ihre Grenzen kennt, macht sie glaubwürdiger.

• Sie ist eine Hypothesengrundlage, kein Beweis. Die Analyse liefert die Fälle, mit denen man in die Arbeit geht, nicht den Nachweis, dass sie sich rechnen. Ob ein Use-Case hält, zeigt sich erst in der Umsetzung und in der späteren Wirkungsmessung.
• Selbstauskunft hat eine Schlagseite. Menschen über- oder unterschätzen ihre eigene Zeitersparnis und ihren eigenen KI-Einsatz. Deshalb gehört die Befragung mit objektiven Daten trianguliert, wo es um harte Zahlen geht, und nicht allein als Beweis genommen.
• Muster-Summen sind Illustration, kein Kundenergebnis. Beispielauswertungen zeigen manchmal beeindruckende Gesamtwerte, etwa hohe Franken- oder Vollzeitäquivalent-Summen. Das sind Rechenbeispiele einer fiktiven Organisation, um die Methodik zu zeigen, keine belegten Resultate. Wer sie als Kundenbeweis präsentiert, verliert Vertrauen im ersten kritischen Gespräch.
• Als Meinungsumfrage geführt, scheitert sie. Fragt die Analyse nach der Haltung zu KI statt nach der konkreten Aufgabe, produziert sie grüne Balken und keine Entscheidung. Der Bauplan ist kein Beiwerk, er entscheidet über den Wert des Ergebnisses.
• Das Wort KI kann blockieren. In manchen Organisationen löst schon der Begriff Abwehr aus, etwa aus Sorge um den eigenen Arbeitsplatz. Eine Analyse, die zu offensiv mit KI wirbt, senkt die Beteiligung und die Ehrlichkeit. Oft ist es klüger, nach der Aufgabe und der gesparten Zeit zu fragen als nach der Meinung zur KI.
• Bereitschaft ist nicht Einsatz. Eine hohe gemessene Offenheit ist noch kein umgesetztes Potenzial. Sie ist ein Versprechen, das erst eingelöst wird, wenn die blockierende Voraussetzung wegfällt.

Diese Grenzen sind kein Argument gegen die Analyse, sondern gegen Überversprechen. Eine ehrliche, kleine, belegbare Aussage trägt weiter als eine grosse, die im ersten Nachhaken zerbricht.

Häufige Fehler aus der Praxis

Drei Muster tauchen immer wieder auf. Erstens die Meinungsfrage statt der Episode: Die Befragung fragt „Wo sehen Sie Potenzial für KI?” und erntet Allgemeinplätze, aus denen sich kein Anwendungsfall bauen lässt. Zweitens die ankernden Klammer-Beispiele: „Welche Aufgaben, zum Beispiel Protokolle, Reporting, Recherche?” sperrt die Antworten auf genau diese drei Felder ein und unterdrückt genau die Nennung, die neu und wertvoll gewesen wäre. Drittens der Reifegrad-Score als Ergebnis: Ein einzelner Wert für die ganze Organisation verdeckt, dass die vier Nutzerprofile gegensätzliche Massnahmen brauchen, und führt zu einer Giesskannen-Schulung, die niemanden trifft. Ein vierter, stiller Fehler ist die fehlende Anonymität: Wer die Schatten-Nutzung nicht sanktionsfrei erfragt, bekommt sie nicht zu sehen, und damit fehlt gerade das ehrlichste Bild des Ist-Zustands.

Key Takeaways und Fazit

Eine KI-Potenzialanalyse findet heraus, wo KI in einer Organisation real nutzbar ist, und macht daraus einen priorisierten Fahrplan. Sie fragt nach einer konkreten Situation statt nach einer Meinung und trennt Haltung, Verhalten und Befähigung. Ihr wichtigster Befund ist eine Lücke: Die Bereitschaft ist meist grösser als der Einsatz, und diese Differenz zeigt, wo Potenzial brachliegt. Was fehlt, ist selten Kompetenz, meist die Erlaubnis, das Werkzeug und ein konkreter erster Fall. Sie macht vier Nutzerprofile sichtbar, die je einen anderen Hebel brauchen, weshalb ein einzelner Reifegrad-Wert wenig hilft. Und sie bleibt ehrlich: Sie liefert Hypothesen, keine Beweise, und ihre eindrücklichen Muster-Summen sind Illustration, kein Kundenergebnis. Genau diese Ehrlichkeit macht den Fahrplan belastbar, den eine Geschäftsleitung braucht, um zu entscheiden, wo sie anfängt.

Verwandte Inhalte

Vertiefen:

• Massnahmen ableiten aus der Mitarbeitendenbefragung
• Anwendungsfall: Mitarbeitendenbefragung
• Kundengeschichten

KI-Potenzialanalyse mit Moodtalk

Moodtalk erhebt das KI-Potenzial dort, wo es entsteht: bei den Menschen, die die Arbeit tun. Eine kurze, dialogbasierte Befragung fragt nach der konkreten Aufgabe und der verlorenen Zeit, hakt bei knappen Antworten nach und verdichtet die offenen Antworten zum Warum, statt nur eine Skala zu rechnen. Daraus werden die vier Nutzerprofile, ein priorisierter Fahrplan an Use-Cases und der Hebel, der jeden freischaltet, sicher gehostet in der Schweiz. Wenn Sie wissen wollen, wo in Ihrer Organisation KI wirklich Arbeit abnimmt, sehen Sie sich Moodtalk an.