Projektcoaching I – Use-Case-Definition

Lernziele

Sie haben das KI-Use-Case-Canvas für Ihre Projektarbeit vollständig und präzise ausgefüllt.

Sie können die relevanten Stakeholder Ihres Use-Cases benennen und deren unterschiedliche Perspektiven und Interessen beschreiben.

Sie haben eine klare Beschreibung des Ist-Zustands und des Soll-Zustands formuliert.

Sie kennen typische Fehler bei der Use-Case-Definition und können diese in Ihrem eigenen Entwurf vermeiden.

Sie sind bereit für die Prototyping-Phase (UE 111) mit einem vollständigen Canvas als Arbeitsgrundlage.

Sie können die Pre-Mortem-Technik anwenden, um Risiken frühzeitig zu antizipieren.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Ein Canvas ist ein leeres Kästchen-Schema — so könnte man zunächst denken. Tatsächlich ist das KI-Use-Case-Canvas eine der nützlichsten Strukturierungsmethoden, die Sie in dieser Schulung kennenlernen. Wer ein Canvas vollständig ausfüllt, hat gezwungenermaßen über alle wesentlichen Dimensionen seines Vorhabens nachgedacht: das Problem, die Nutzer, die Daten, die Ausgabe, die Integration, die KPIs und die Risiken.

Das Canvas ist nicht neu. Es ist inspiriert vom Business Model Canvas von Alexander Osterwalder und Yves Pigneur — einem Werkzeug, das seit über 15 Jahren in Tausenden von Unternehmen eingesetzt wird, um Geschäftsmodelle auf einer Seite darzustellen. Das KI-Use-Case-Canvas folgt derselben Logik: Nicht als vollständige Dokumentation, sondern als Denk- und Kommunikationswerkzeug. Ein ausgefülltes Canvas können Sie in einem Gespräch mit der Geschäftsführung oder dem IT-Team in 5 Minuten erläutern — ohne Präsentation, ohne 20-seitige Analyse.

In dieser UE arbeiten Sie Ihr eigenes Canvas durch — mit direkter Unterstützung durch den Trainer und Feedback aus der Gruppe. Das Format ist bewusst als Coaching angelegt: wenig Frontalvortrag, viel konkrete Hilfestellung bei Ihrem spezifischen Use-Case.

Lerntext — Theorie und Konzepte

Das KI-Use-Case-Canvas — acht Felder im Detail

Das Canvas besteht aus acht Feldern, die zusammen eine vollständige Use-Case-Beschreibung ergeben:

Feld 1 — Problem/Aufgabe: Was genau ist das Problem? Wie oft tritt es auf? Was kostet es heute? Ohne eine messbare Problembeschreibung fehlt die Grundlage für die spätere Wirtschaftlichkeitsbetrachtung.

Feld 2 — Zielgruppe: Wer nutzt die KI-Lösung direkt? Was sind die Erwartungen dieser Personen? Was sind ihre Bedenken (Qualitätsverlust, Kontrollverlust, Datenschutz)?

Feld 3 — KI-Lösungsansatz: Welche KI-Methode passt? LLM-Assistent für Textgenerierung, RAG für wissensbasierte Auskunft, Klassifikationsmodell für Kategorisierung, n8n-Workflow für Automatisierung?

Feld 4 — Daten & Inputs: Welche Eingaben braucht die KI? Woher kommen sie? Welche Datenklassifizierung haben sie (öffentlich / intern / vertraulich / streng vertraulich)?

Feld 5 — Erwarteter Output: Was produziert die KI genau? In welchem Format? Welche Qualitätsanforderungen gelten? Wer prüft den Output vor der Verwendung?

Feld 6 — Integration: In welche bestehenden Systeme muss die Lösung eingebunden werden? CRM, E-Mail, ERP oder interne Wikis?

Feld 7 — Erfolgskriterien (KPIs): Wie wird gemessen, ob die Lösung erfolgreich ist? Zeitersparnis, Fehlerreduktion, Nutzerzufriedenheit.

Feld 8 — Risiken & Compliance: Welche Risiken identifizieren Sie? Was ist die AI-Act-Risikokategorie? Welche DSGVO-Artikel sind relevant? Welches Hosting ist geplant?

Abb. 110.1 — Architektur des KI-Use-Case-Canvas: Wie die acht Felder zur vollständigen Use-Case-Definition beitragen

Merksatz

Das Canvas ist ein Kommunikationswerkzeug — es muss ohne mündliche Erklärung verständlich sein. Feld 1 (Problem) ohne Zahl ist kein vollständiges Problem. Feld 8 (Compliance) ist für die Projektarbeit ein eigenständiges Kapitel — nicht vernachlässigen.

Stakeholder-Analyse — wer ist beteiligt?

Jeder Use-Case hat ein Ökosystem von Beteiligten, die unterschiedliche Interessen haben. Für die Projektarbeit reicht eine vereinfachte Stakeholder-Analyse mit fünf Rollen:

Auftraggeber: Wer möchte die Lösung und kann Ressourcen bereitstellen?

Nutzer: Wer arbeitet täglich mit der Lösung?

Betroffene: Wessen Daten oder Interessen werden durch die KI-Ausgabe beeinflusst?

Kritiker: Wer könnte Widerstand leisten?

Enabler: Wer unterstützt die Umsetzung aktiv?

Ein Mini-Stakeholder-Map — eine einfache Tabelle mit diesen fünf Rollen und je 2–3 Stichpunkten — hilft, spätere Widerstände frühzeitig zu antizipieren. Die Methodik der Stakeholder-Analyse nach ISO 21500 liefert hierzu vertiefende Grundlagen.

Merksatz

Stakeholder-Analyse: Fünf Rollen — Auftraggeber, Nutzer, Betroffene, Kritiker, Enabler. Wer den stärksten „Kritiker” kennt und dessen Argumente antizipiert, kann die Einführung deutlich besser vorbereiten.

Häufige Fehler bei der Use-Case-Definition

Fehler 1 — Zu breit: „Ich will KI für alle Kundenanfragen einsetzen.” Das ist kein Use-Case, das ist eine Strategie. Eingrenzen: Erstklassifizierung eingehender Anfragen nach Priorität und Kategorie.

Fehler 2 — Kein klares Problem: „Wäre schön, wenn wir KI nutzen würden.” Das Canvas zwingt zur Problemzentrierung: Ohne beschreibbaren Schmerz (Zeit, Geld, Qualität) gibt es keine überzeugungsfähige Begründung.

Fehler 3 — Lösung vor Problem: „Ich möchte unbedingt n8n einsetzen — jetzt suche ich einen passenden Use-Case.” Problem zuerst identifizieren, dann die passende Methode wählen.

Fehler 4 — Keine Metriken: „Besser als vorher” ist keine Erfolgsmessung. Konkrete, vorher definierte KPIs sind die Grundlage dafür, dass die Lösung später tatsächlich bewertet werden kann.

Fehler 5 — Compliance vergessen: Das Canvas-Feld 8 wird oft als letztes ausgefüllt und kurz behandelt. Dabei ist die rechtliche Betrachtung für die Projektarbeit ein eigenständiges Kapitel mit 4 Bewertungspunkten.

Vertiefung — Das Interest-Power-Grid für komplexe Use-Cases

Für komplexere Use-Cases reicht die einfache 5-Rollen-Analyse manchmal nicht aus. Das Interest-Power-Grid (Power-Interest-Matrix) hilft, Stakeholder nach zwei Dimensionen einzuordnen:

Macht/Einfluss (Power): Kann die Person Ihren Use-Case stoppen oder fördern?

Interesse (Interest): Ist die Person direkt von Ihrem Use-Case betroffen?

Zusätzlich empfiehlt sich die Pre-Mortem-Technik: „Stellen Sie sich vor, das Projekt ist nach 6 Monaten gescheitert. Was war der wahrscheinlichste Grund?” Diese Frage zwingt dazu, Risiken zu antizipieren, bevor man emotional in eine Idee investiert ist. Die Methodik ist beschrieben von Gary Klein im Harvard Business Review.

Stakeholder-Analyse — warum sie über Projekterfolg entscheidet: Die technisch beste KI-Lösung scheitert, wenn Schlüssel-Stakeholder nicht eingebunden sind. In der Praxis zeigen sich drei Muster: (1) Der Sponsor ist überzeugt, aber die Anwendergruppe nicht informiert — Adoption bleibt aus. (2) Die IT-Abteilung ist nicht eingebunden — technische Hürden werden spät entdeckt. (3) Der Datenschutzbeauftragte wird übergangen — das Projekt wird nachträglich gestoppt. Das Canvas-Feld 4 (Stakeholder-Karte) ist kein bürokratisches Pflichtelement — es ist ein Frühwarnsystem.

Priorisierungsmethoden für Use-Cases: Wenn mehrere potenzielle KI-Use-Cases identifiziert wurden, braucht es ein systematisches Priorisierungsverfahren. Drei Kriterien haben sich bewährt: (a) Machbarkeit — ist der technische Ansatz mit vorhandenen Daten und Tools realistisch? (b) Nutzen — wie hoch ist der erwartete geschäftliche Mehrwert? (c) Risiko — wie groß sind die potenziellen Nachteile oder Compliance-Anforderungen? Eine einfache 3x3-Matrix (hoch/mittel/niedrig pro Kriterium) macht die Priorisierung transparent und nachvollziehbar.

Pre-Mortem als Qualitätssicherung: Bevor die Use-Case-Analyse abgeschlossen wird, lohnt sich eine Pre-Mortem-Übung: “Stellen Sie sich vor, das Projekt ist in sechs Monaten gescheitert. Welches war der wahrscheinlichste Grund?” Typische Antworten aus der Praxis: “Die Daten waren nicht verfügbar”, “Der Sponsor wechselte und das Projekt verlor seinen Champion”, “Die Anwender nutzten das System nicht, weil es ihren Workflow zu stark veränderte”, “Das Modell halluzinierte zu häufig bei spezialisierten Anfragen.” Diese Antworten sind keine Prophezeiungen — sie sind Hinweise auf Risiken, die adressiert werden müssen.

Vertiefung — KI-Use-Case-Canvas: Acht Felder und ihre Abhängigkeiten

Der KI-Use-Case-Canvas ist das zentrale Analysewerkzeug von UE 110. Die acht Felder sind nicht gleichwertig — einige sind Ausgangspunkt, andere sind Schlussfolgerungen. Das Verständnis der Abhängigkeiten macht den Canvas effektiver.

Feld 1 — Problemraum: Das einzige Feld, das Sie allein aus Ihrem eigenen Kontext befüllen können, ohne externe Analyse. Formulieren Sie das Problem so, dass jemand Außenstehender es versteht — ohne Insider-Jargon, mit quantitativen Angaben wenn möglich. “Ineffizienz im Prozess” ist kein Problemraum. “Manuelle Kategorisierung von 400 Support-Tickets täglich, 15 % Fehlkategorisierung, 2,5 Vollzeitstellen gebunden” ist ein Problemraum.

Feld 2 — KI-Lösung (Hypothese): Noch keine finale Entscheidung — eine Hypothese. “Wir glauben, dass ein klassifizierendes Sprachmodell die Support-Tickets automatisch kategorisieren kann mit einer Zielgenauigkeit von mehr als 90 %.” Diese Hypothese wird im weiteren Projektverlauf bestätigt oder verworfen. Wer dieses Feld zu früh als Entscheidung formuliert, verliert die Offenheit für alternative Lösungsansätze.

Feld 3 — Datengrundlage: Welche Daten sind vorhanden? In welchem Format? Wie zugänglich? Gibt es Datenschutzrestriktionen? Die häufige Überraschung: Daten, die vermeintlich vorhanden sind, sind fragmentiert, schlecht qualifiziert oder aus Datenschutzgründen nicht nutzbar. Wenn Feld 3 mehr als einen Satz an Einschränkungen enthält, ist eine Anpassung des Use-Cases in Feld 2 wahrscheinlich notwendig.

Feld 4 — Stakeholder-Karte: Nicht nur Entscheidungsträger — auch Betroffene, Unterstützende und potenzielle Blockierende. Ein häufig vergessener Stakeholder: der Datenschutzbeauftragte. Er ist bei jedem KI-Projekt mit Personenbezug relevant und kann Projekte verzögern oder stoppen.

Feld 5 — Technischer Ansatz: Welches KI-Paradigma passt? Classification, Generation, Summarization, Embedding, Retrieval? Welche Tools stehen zur Verfügung? Die Antwort auf Feld 5 bestimmt, welcher Prototyp-Ansatz in UE 111 sinnvoll ist.

Feld 6 — Risiken und Einschränkungen: Drei Kategorien: (a) technische Risiken — Halluzinationen, schlechte Datenqualität, hohe Latenz; (b) organisatorische Risiken — Widerstand der Nutzer, fehlende Ressourcen; (c) rechtliche Risiken — Datenschutzkonflikte, EU AI Act Einordnung. Feld 6 ohne Eintrag ist ein Warnsignal — jeder Use-Case hat Risiken.

Feld 7 — Erfolgskriterien: Was bedeutet Erfolg — in messbaren Größen? Drei bis fünf KPIs mit Zielwert und Zeithorizont. Beispiel: “Kategorisierungsgenauigkeit über 90 % nach vier Wochen Betrieb”, “Reduktion manueller Stunden von 20 auf 5 pro Woche nach drei Monaten.”

Feld 8 — Nächste Schritte: Was sind die drei konkretesten nächsten Maßnahmen mit Verantwortlichen und Zeitplan? Feld 8 transformiert den Canvas von einem Analyseformat in ein Aktionsdokument.

Canvas-Iteration als Lernprinzip: Der Canvas wird typischerweise zweimal durchlaufen: Ein erster Draft in 20–30 Minuten bringt die Hypothesen zu Papier. Die zweite Runde — nach einem Stakeholder-Gespräch oder einer Daten-Überprüfung — korrigiert und verfeinert. Wer den Canvas als statisches Dokument behandelt, verliert seinen wichtigsten Vorteil: die Früherkennung von Schwachstellen, bevor in die Entwicklung investiert wird.

Das Interest-Power-Grid in der Praxis: Das Grid ordnet Stakeholder in vier Quadranten: (1) Hohe Macht, hohes Interesse: Schlüsselakteure — intensiv einbinden, regelmäßig informieren. (2) Hohe Macht, niedriges Interesse: zufriedenstellen — im Status halten ohne zu überwältigen. (3) Niedrige Macht, hohes Interesse: informieren — als Botschafter nutzen, wenn positiv eingestellt. (4) Niedrige Macht, niedriges Interesse: beobachten — Aufwand minimal halten.

Ist/Soll-Vergleich als Argumentationsgrundlage: Der Ist/Soll-Vergleich ist ein Überzeugungsinstrument. Wenn Sie zeigen können, wie der Soll-Zustand mit KI-Unterstützung messbar besser als der Ist-Zustand ist, sprechen Sie die Sprache von Entscheidungsträgern. Drei Dimensionen: Zeit (Stunden/Monat), Fehlerrate (Prozent), Kapazität (Personen/Fälle/Volumen). Mindestens eine dieser Dimensionen sollte quantifiziert sein.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Ein IT-Beratungshaus mit Spezialisierung auf Infrastruktur und Systemintegration setzt das Canvas für einen Ticket-Triage-Assistenten ein. Das Problem ist klar: 40–60 Support-Tickets täglich, Erstklassifizierung dauert 3–5 Minuten je Ticket. Die Zielgruppe ist der IT-Support, die Betroffenen sind die Mitarbeitenden, die Anfragen stellen. Der KI-Lösungsansatz ist ein LLM-Klassifizierer mit Few-Shot-Prompting, der Priorität (P1–P4) und Kategorie (Netzwerk, Hardware, Software, Zugang) zuweist. Die Daten sind Ticket-Texte — Achtung: können Namen enthalten (DSGVO-relevant). Der Output ist eine strukturierte Zusammenfassung mit erstem Lösungsvorschlag, immer mit Human-Review. KPI: Klassifizierungszeit von 3 Minuten auf unter 1 Minute. Compliance: AI Act minimales Risiko (interne Klassifizierung), DSGVO: AVV mit KI-Anbieter erforderlich.

Industrie & Fertigung

In einem Produktionsunternehmen wird das Canvas für einen Wartungsprotokoll-Assistenten eingesetzt. Das Problem: Wartungstechniker verbringen 30–45 Minuten täglich mit dem Schreiben strukturierter Wartungsberichte nach vorgegebenen Templates. Die Zielgruppe ist die Wartungsabteilung, Betroffene sind die Qualitätssicherung und Anlagenbetreiber. Der KI-Ansatz: Ein LLM-Assistent nimmt strukturierte Sprachnotizen oder kurze Stichpunkte der Techniker entgegen und erstellt daraus vollständige Protokolle im Unternehmensformat. Daten: keine Personendaten, nur Maschinendaten und Prozessparameter. Output: fertig formatiertes Wartungsprotokoll als Word-Dokument. KPI: Zeitersparnis 20–30 Minuten täglich je Techniker. Compliance: AI Act minimales Risiko, DSGVO: keine personenbezogenen Daten.

Finanzdienstleistung & Versicherung

Eine Versicherung setzt das Canvas für einen Beschwerde-Klassifizierer ein. Das Problem: Täglich gehen 80–120 schriftliche Kundenbeschwerden ein, Erstsortierung nach Art (Prämie, Produkt, Beratung, Abwicklung) und Dringlichkeit (sofort, normal, kann warten) dauert durchschnittlich 4 Minuten je Beschwerde — fast 8 Stunden täglich allein für die Erstklassifizierung. Die Zielgruppe ist das Beschwerdemanagement-Team, Betroffene sind die Kunden. KI-Ansatz: LLM-Klassifizierer mit vordefinierten Kategorien und Eskalationsregeln. Compliance: Besondere Sorgfalt bei Canvas-Feld 8 erforderlich — Beschwerden können sehr sensible Daten enthalten (Gesundheit, Finanzen). AI Act: Klassifizierung intern und ohne Außenwirkung → voraussichtlich geringes Risiko, aber sorgfältige Prüfung notwendig.

Öffentliche Verwaltung

Eine Gemeindeverwaltung setzt das Canvas für einen internen Wissens-Assistenten ein. Das Problem: Sachbearbeiter verbringen täglich Zeit damit, die richtigen Paragraphen, Verfahrensanweisungen und Zuständigkeiten für Bürgeranfragen zu recherchieren. Neue Mitarbeitende benötigen Wochen, bis sie die relevanten Regelwerke ausreichend kennen. Der KI-Ansatz: RAG-System über eine Wissensdatenbank aus Verfahrenshandbüchern, Gesetzen und internen FAQs. Der Output ist ein Antwortvorschlag mit Quellenangabe — der Sachbearbeiter prüft und entscheidet. Compliance: Bürgeranfragen können Personendaten enthalten — AVV mit KI-Anbieter und On-Premises-Hosting oder EU-Rechenzentrum zwingend. AI Act: minimales Risiko (Entscheidung bleibt beim Menschen).

Warnung — Canvas-Feld 8 nicht unterschätzen

Canvas-Feld 8 (Risiken & Compliance) wird in Projektarbeiten systematisch unterschätzt und zu knapp behandelt — obwohl es 4 von 20 Prüfungspunkten ausmacht. Folgende Punkte müssen begründet werden: AI-Act-Risikokategorie (mit Verweis auf EU AI Act Anhang III), Rechtsgrundlage für die Datenverarbeitung (DSGVO Art. 6 Abs. 1), Hosting-Entscheidung (EU-basiert, AVV vorhanden?), Human-in-the-Loop-Mechanismus (wo prüft der Mensch vor irreversiblen Aktionen?). Rechtsquelle: EU AI Act Art. 26 (Deployer-Pflichten) — EUR-Lex.

Übung 1 — Canvas vollständig ausfüllen

Übung 1 — Canvas vollständig ausfüllen

Aufgabe: Füllen Sie das KI-Use-Case-Canvas für Ihren Projektarbeit-Use-Case vollständig aus. Alle acht Felder müssen mindestens 2–3 konkrete Stichpunkte enthalten.

Material: Canvas-Vorlage (A3-Format im Schulungsbegleitmaterial oder ausgedruckt); Themenblatt aus UE 109

Schritt-für-Schritt: 1. Beginnen Sie mit Feld 1 (Problem): Schreiben Sie das Problem als konkrete, messbare Aussage (5 Minuten). 2. Weiter mit Feld 2 (Zielgruppe): Nennen Sie 2–3 konkrete Personengruppen und je eine Haupterwartung und ein Hauptbedenken (3 Minuten). 3. Feld 3 (KI-Methode): Entscheiden Sie sich für eine Methode und notieren Sie die Begründung in 1–2 Sätzen (3 Minuten). 4. Felder 4–6 (Daten, Output, Integration): Parallel ausfüllen, da eng zusammenhängend (5 Minuten). 5. Feld 7 (KPIs): Mindestens zwei messbare KPIs formulieren — ein quantitativer (Zeit/Kosten) und ein qualitativer (Zufriedenheit) (3 Minuten). 6. Feld 8 (Risiken/Compliance): AI-Act-Risikokategorie benennen und begründen, DSGVO-Relevanz skizzieren, Hosting-Präferenz nennen (3 Minuten). 7. Betrachten Sie das Canvas als Ganzes: Sind alle Felder konsistent? 8. Signalisieren Sie dem Trainer, dass Sie bereit für Coaching-Feedback sind.

Erwartetes Ergebnis: Ein vollständig ausgefülltes Canvas als Ausgangspunkt für Kapitel 3 der Projektarbeit.

Musterlösung:

Use-Case: Ticket-Triage-Assistent IT-Support

Übung 2 — Coaching-Feedback einarbeiten

Übung 2 — Coaching-Feedback einarbeiten

Aufgabe: Überarbeiten Sie nach dem Trainer-Feedback das schwächste Canvas-Feld und entwickeln Sie das Canvas in einem kritischen Aspekt weiter. Ergänzen Sie einen Ist-/Soll-Prozessvergleich.

Material: Überarbeitetes Canvas; Feedback-Notizen vom Trainer

Schritt-für-Schritt: 1. Notieren Sie das Trainer-Feedback zu Ihrem Canvas in Stichpunkten (2 Minuten). 2. Identifizieren Sie das Canvas-Feld, das das schwächste Feedback erhalten hat. 3. Recherchieren Sie gezielt für dieses Feld: Bei Compliance → EU AI Act Anhang III; bei KPIs → Branchenvergleichsdaten. 4. Überarbeiten Sie das Feld so, dass es für eine externe Person ohne Ihr Spezialwissen verständlich ist. 5. Ergänzen Sie einen Ist-/Soll-Prozessvergleich (2 Spalten: Prozess heute / Prozess mit KI). 6. Tauschen Sie das Canvas mit einer Partnerperson: Versteht diese den Use-Case ohne weitere Erklärung? 7. Nehmen Sie eine letzte Überarbeitung vor und speichern Sie das Canvas als PDF. 8. Übermitteln Sie das Canvas als Meilenstein-Abgabe an den Trainer.

Erwartetes Ergebnis: Ein überarbeitetes, vollständiges Canvas, das ohne mündliche Erläuterung verständlich ist.

Musterlösung:

Das überarbeitete Feld 8 (Risiken & Compliance) für den Ticket-Triage-Assistenten: „AI Act Risikokategorie: minimal (kein Hochrisiko nach Anhang III, da keine automatisierten Entscheidungen über Personen; Klassifizierung unterstützt nur interne Arbeitsverteilung). DSGVO: Verarbeitung personenbezogener Daten (Namen in Tickets) auf Basis des berechtigten Interesses (Art. 6 Abs. 1 lit. f) oder Auftragsverarbeitungsvertrag (Art. 28). Hosting: EU-basierter Anbieter erforderlich; bevorzugt Anbieter mit ISO 27001 und DSGVO-AVV. Risiko Halluzination: Lösungsvorschläge immer als Entwurf kennzeichnen, Human-Review vor Versendung.”

Cheatsheet — Die wichtigsten Punkte

Das Canvas ist ein Kommunikationswerkzeug — muss ohne mündliche Erklärung verständlich sein

Feld 1 (Problem) ohne Zahl ist kein vollständiges Problem

Feld 7 (KPIs) braucht mindestens einen quantitativen und einen qualitativen Messwert

Feld 8 (Compliance) ist für die Projektarbeit ein eigenständiges Kapitel

Stakeholder-Analyse: 5 Rollen — Auftraggeber, Nutzer, Betroffene, Kritiker, Enabler

Fehler vermeiden: Nicht Technologie zuerst wählen, dann Use-Case suchen

Canvas vollständig = Bereit für Prototyping (UE 111)

Ist-/Soll-Vergleich macht den Mehrwert sofort sichtbar

Coaching-Feedback direkt einarbeiten — nicht für später aufheben

Das fertige Canvas ist Kapitel 3 der Projektarbeit in komprimierter Form

Reflexionsfragen

Welches Canvas-Feld war am schwersten auszufüllen — und was sagt das über Ihren Use-Case aus?

Wer in Ihrer Organisation ist der stärkste „Kritiker” Ihres Use-Cases — und wie würden Sie ihn oder sie überzeugen?

Haben Sie beim Ausfüllen des Canvas einen Aspekt entdeckt, den Sie vorher nicht bedacht hatten?

Wie unterscheidet sich Ihr Use-Case heute vom Stand nach Modul 8 — was hat sich konkretisiert?

Wäre Ihr Use-Case ohne KI lösbar? Was würde es kosten — und warum ist KI trotzdem die bessere Wahl?

Quellen & Weiterlesen

Vertiefung — Priorisierungsmatrix für mehrere Use-Case-Ideen

Viele Teilnehmende kommen mit mehreren Use-Case-Ideen in UE 110. Die Priorisierungsmatrix gibt ein strukturiertes Instrument, um schnell und nachvollziehbar zu einer Entscheidung zu kommen.

Die Matrix bewertet jeden Use-Case auf drei Dimensionen mit je drei Ausprägungen (hoch/mittel/niedrig):

Bei Risiko gilt: Höheres Risiko = niedrigere Punktzahl (weil höheres Risiko für die Projektarbeit nachteilig ist). Der Use-Case mit der höchsten Gesamtpunktzahl ist der empfohlene Ausgangspunkt.

Beispiel-Bewertung:

Der Angebots-Assistent hat maximalen Score — er ist spezifisch, machbar und datenschutzrechtlich unkompliziert. Der HR-Selektions-Assistent hat hohes Nutzenpotenzial, aber ein problematisches Risikoprofil (Arbeitsrechtliche Implikationen, möglicher Hochrisiko-Status nach AI Act Anhang III für Beschäftigungsentscheidungen).

Merksatz

Ein Use-Case mit hohem Nutzen und hohem Risiko ist kein schlechtes Thema für eine Projektarbeit — er erfordert nur besonders sorgfältige Kapitel 4 (rechtliche Betrachtung). Wählen Sie ihn bewusst, nicht aus Naivität.

Branchen-Vignette — Bildungswesen & Weiterbildung

In einer Berufsschule oder einem Weiterbildungsanbieter fällt täglich erheblicher administrativer Aufwand an: Kursplanbeschreibungen müssen für unterschiedliche Zielgruppen angepasst werden, Kursberichte müssen nach einheitlichem Format erstellt werden, und Teilnehmendenkorrespondenz folgt Standardmustern. Das Canvas für einen Dokumentations- und Kommunikations-Assistenten in diesem Kontext würde zeigen: Feld 3 (KI-Methode): LLM-Assistent mit Tonalitäts-Anpassung je Zielgruppe (formell für Betriebe, informeller für Lernende). Feld 4 (Daten): Kursbeschreibungsvorlagen und frühere Kursberichte (keine Personendaten, solange keine Teilnehmendennamen enthalten). Feld 8 (Compliance): Wenn Teilnehmendendaten in Berichten enthalten sind → DSGVO Art. 6 Abs. 1 lit. c (gesetzliche Verpflichtung zur Dokumentation); AVV mit KI-Anbieter erforderlich. AI Act: minimales Risiko. Besonderheit für die Projektarbeit: Die Stakeholder-Analyse hat hier einen interessanten Aspekt — Lehrkräfte können die KI als Bedrohung ihrer Fachkompetenz wahrnehmen. Die Präventionsstrategie (Human-in-the-Loop, KI als Entwurfshilfe, nicht als Ersatz) muss im Canvas explizit adressiert sein.

Lerntext-Erweiterung — Stakeholder-Analyse in der Praxis: Vom Grid zur Gesprächsstrategie

Das Interest-Power-Grid aus dem Hauptlerntext ist ein analytisches Werkzeug. In der Praxis folgt auf die Analyse die Gesprächsstrategie: Was sage ich wem, wann und wie?

Gesprächsstrategie für Schlüsselakteure (hohe Macht, hohes Interesse): Diese Personen wollen vollständige Information und aktive Einbindung. Ideal: Ein strukturiertes Gespräch mit Canvas-Überblick, bevor der Prototyp gebaut wird. Nicht: Eine fertige Lösung präsentieren, die ohne ihre Beteiligung entstanden ist. Diese Personen können Ihren Use-Case fördern — oder stoppen.

Gesprächsstrategie für mächtige Stakeholder mit geringem Interesse (hohe Macht, niedriges Interesse): Diese Personen wollen keine Details — sie wollen wissen, ob Ihr Projekt Risiken oder Ressourcen beansprucht. Ein Einseiter (Use-Case-Steckbrief) mit klarer Risikoeinordnung (minimales Risiko, geringe Kosten) reicht. Fragen Sie nicht um Erlaubnis — erbitten Sie eine Einschätzung: „Sehen Sie Gründe, die dagegen sprechen?”

Gesprächsstrategie für betroffene Stakeholder mit geringem Einfluss (niedrige Macht, hohes Interesse): Endanwenderinnen und Endanwender, die täglich mit der Lösung arbeiten werden. Diese Gruppe ist entscheidend für Adoption — ohne ihre Akzeptanz scheitern KI-Systeme regelmäßig, auch wenn Technik und Governance stimmen. Beziehen Sie sie früh ein: Zeigen Sie den Prototyp, fragen Sie nach Usability, und erklären Sie die Human-in-the-Loop-Mechanismen.

Der Datenschutzbeauftragte als Pflicht-Stakeholder: In jedem Use-Case, der personenbezogene Daten verarbeitet, ist der Datenschutzbeauftragte (DSB) ein Pflicht-Stakeholder — auch wenn er im Power-Grid-Quadrant „niedrige Macht, niedriges Interesse” erscheint. In der Praxis hat der DSB Vetomacht: Ein nicht abgestimmtes KI-Projekt kann vom DSB gestoppt werden. Frühzeitige, transparente Einbindung ist immer besser als spätere Rechtfertigung.

Merksatz

Die Stakeholder-Analyse ist keine einmalige Übung — sie ist ein lebendes Dokument. Nach dem ersten Stakeholder-Gespräch aktualisieren Sie den Canvas-Eintrag. Nach dem Piloten überprüfen Sie, ob neue Stakeholder auftauchen. Wer den Canvas als statisch behandelt, verliert Frühwarnsignale.

Trainer-Hinweise

Vertiefung: Use-Case-Definition — Methoden und Stolperfallen

Die Definition eines KI-Use-Cases ist eine strategische Entscheidung, keine technische. Viele Projektarbeiten scheitern nicht an der KI, sondern an einem unpräzise definierten Problem. Diese Vertiefung zeigt, wie Sie von einer vagen Idee zu einem belastbaren Use-Case-Statement kommen.

Das Use-Case-Statement-Modell (4 Sätze)

Ein vollständiges Use-Case-Statement besteht aus exakt vier Sätzen:

Problem-Satz: „[Zielgruppe] hat das Problem, dass [Problembeschreibung], was dazu führt, dass [Konsequenz].”

Lösung-Satz: „Mittels [KI-Ansatz] soll [spezifisches Ergebnis] erreicht werden.”

Messung-Satz: „Erfolg wird gemessen an [Metrik 1], [Metrik 2] und [Metrik 3].”

Abgrenzungs-Satz: „Nicht Teil dieses Use-Cases ist [Ausschluss 1] und [Ausschluss 2].”

Beispiel (Einzelhandel):

„Filialleiterinnen und -leiter einer Supermarktkette haben das Problem, dass wöchentliche Bestellmengen für verderbliche Waren zu oft zu hoch oder zu niedrig angesetzt werden, was zu Lebensmittelverschwendung (∅ 180 kg/Woche/Filiale) oder Out-of-Stock-Situationen führt. Mittels eines KI-gestützten Prognosemodells auf Basis historischer Abverkaufsdaten und Wetterprognosen soll die Bestellgenauigkeit um mindestens 20 % verbessert werden. Erfolg wird gemessen an der Reduktion des Lebensmittelabfalls in kg/Woche, der Out-of-Stock-Rate in %, und dem Zeitaufwand der Filialleitung für die Bestellung in Minuten/Woche. Nicht Teil dieses Use-Cases ist die automatisierte Bestellauslösung (Schnittstelle zum ERP) und die Optimierung des Gesamtsortiments.”

Übung 2: Stakeholder-Karte für Ihren Use-Case

Aufgabe (15 Minuten Einzel- oder Partnerarbeit):

Zeichnen Sie eine einfache Stakeholder-Karte für Ihren geplanten Use-Case mit vier Kategorien:

Auswertung im Plenum: Teilen Sie eine Erkenntnis, die Sie überrascht hat.

Branchen-Vignette: Versicherungswesen — Use-Case-Definition für Schadensbearbeitung

Unternehmen: Regionalversicherer (Kfz und Hausrat, ~200.000 Verträge)

Ausgangssituation: Die Schadensabteilung bearbeitet täglich ~150 Erstmeldungen per E-Mail und Telefon. Die Sachbearbeiterinnen und Sachbearbeiter verbringen im Schnitt 8 Minuten pro Meldung damit, relevante Informationen zu extrahieren und in das CRM-System einzutragen.

Use-Case-Statement des Teilnehmers:

„Sachbearbeiterinnen und Sachbearbeiter in der Schadensabteilung haben das Problem, dass das manuelle Extrahieren von Schadensdaten aus unstrukturierten E-Mails und Anrufs-Notizen 8 Minuten pro Vorgang kostet, was bei 150 Vorgängen täglich rund 1.200 Minuten (20 Personenstunden) bindet. Mittels eines LLM-basierten Extraktions-Prompts soll eine strukturierte JSON-Ausgabe mit den Feldern Schadensart, Schadenshöhe, Datum, Vertragsname und Zeugen erzeugt werden, die direkt ins CRM importiert werden kann. Erfolg wird gemessen an der durchschnittlichen Bearbeitungszeit pro Vorgang (Ziel: unter 2 Minuten), der Extraktionsgenauigkeit (Ziel: über 90 %) und der Mitarbeiterzufriedenheit (NPS-Abfrage nach Pilotphase). Nicht Teil dieses Use-Cases ist die automatische Schadensbewertung oder die Kommunikation mit Kundinnen und Kunden.”

Lernergebnis: Das klare Ausklammern von Schadensbewertung und Kundenkommunikation verhinderte Scope-Creep und ermöglichte eine Pilotimplementierung innerhalb von drei Wochen.

Prompt-Box — UE 110: Use-Case-Statement Generator

Prompt:

Ich möchte einen KI-Use-Case für mein Unternehmen definieren.



Hier sind meine Rohinformationen:

- Branche / Abteilung: [BRANCHE/ABTEILUNG]

- Beschriebenes Problem: [PROBLEMBESCHREIBUNG]

- Bisher genutzter Prozess: [AKTUELLER PROZESS]

- Grobe Idee für KI-Einsatz: [KI-IDEE]



Bitte erstelle daraus:

1. Ein vollständiges Use-Case-Statement in 4 Sätzen (Problem, Lösung, Messung, Abgrenzung)

2. Drei SMART-Erfolgskennzahlen mit realistischen Zielwerten

3. Die zwei größten Risiken für diesen Use-Case

4. Eine Empfehlung, wie eng oder weit der Scope sein sollte



Halte die Sprache klar und vermeide technisches Fachjargon.

Einsatz: Teilnehmende verwenden diesen Prompt in der Coaching-Session, um ihr Use-Case-Statement zu schärfen. Das Ergebnis wird als Arbeitsdokument für UE 111 mitgenommen.

Reflexionsfragen

Welche zwei Stakeholder-Gruppen könnten Ihren Use-Case am stärksten bremsen, und wie würden Sie proaktiv mit deren Bedenken umgehen?

Angenommen, Sie dürften Ihren Use-Case auf eine einzige Kennzahl reduzieren — welche wäre das, und warum?

Was würde es bedeuten, wenn Ihr Use-Case nach dem Piloten tatsächlich funktioniert? Welche organisatorischen Konsequenzen würden sich ergeben?

Checkliste: Ist Ihr Use-Case bereit für den Prototyp?

Bevor Sie in UE 111 mit dem Prototyping beginnen, prüfen Sie die folgenden fünf Bereitschaftskriterien:

Auswertung: Alle 5 Ja → sofort mit Prototyping starten. 3–4 Ja → mit Anpassungen starten. Unter 3 → Coaching-Gespräch priorisieren.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 110

Timing (45 Min): 5 Min Einstieg (Canvas-Methodik in 2 Minuten erklären), 8 Min Lerntext (acht Felder im Detail, Stakeholder-Rollen), 20 Min Übung 1 (Canvas ausfüllen mit Coaching-Runden), 7 Min Übung 2 (Feedback einarbeiten), 5 Min Plenums-Sicherung.

Methodische Empfehlung: Coaching-Runden-Format: Trainer geht durch die Gruppe und gibt zu jedem Canvas gezielt 2–3 Minuten Feedback. Typische Coaching-Fragen aus dem Lerntext als Leitfaden verwenden. Teilnehmende sollen während des Coachings das Canvas direkt überarbeiten.

Häufige Stolpersteine: (a) Feld 8 wird zuletzt und zu kurz ausgefüllt — erinnern Sie bei jedem Coaching-Gespräch explizit daran. (b) Teilnehmende nennen KPIs ohne Messmethode — „gut” ist kein KPI, „Klassifizierungszeit unter 1 Minute” schon. (c) Ist-/Soll-Vergleich zeigt nur Vorteile — auf realistische Darstellung (auch Mehraufwand durch Review) drängen.

Diskussionsfragen für Plenum: (1) Welcher Use-Case in der Gruppe hat das interessanteste Datenschutz-Thema? (2) Wer hat beim Ausfüllen des Canvas ein überraschendes Risiko entdeckt?

Tafelbild-Vorschlag: Canvas-Felder als Mindmap an der Wand — mit Beziehungspfeilen zwischen Problem → KI-Methode → Output → KPIs. Zeigt Konsistenz-Anforderung visuell.

Differenzierung: Power-User können das Canvas direkt in Markdown erstellen und für die Projektarbeit nutzen. Einsteiger nutzen die ausgedruckte A3-Vorlage und ergänzen handschriftlich.

Tipp zur Branchenauswahl: Für IT-Gruppen eignet sich die IT-Dienstleistungs-Vignette als konkretes Coaching-Beispiel (Ticket-Triage ist fast universal verständlich). Für gemischte Gruppen empfiehlt sich die Industrie-Vignette als neutrales Beispiel ohne Branchen-Bias.

Übergang zur nächsten UE: „Das Canvas ist fertig — jetzt kommt der aufregendste Teil: Wir bauen den Prototyp. In UE 111 haben Sie 45 Minuten, um Ihre Idee zum ersten Mal zum Leben zu erwecken.”

Ergänzung — Praxisbeispiele Canvas-Anwendung

Beispiel-Canvas: Automatisierter Reporting-Assistent (IT-Kontext)

Ein Beispiel-Canvas für einen Reporting-Assistenten in einem IT-Unternehmen zeigt, wie alle acht Felder in der Praxis zusammenwirken:

Feld 1 (Problemraum): Das Erstellen wöchentlicher Projektstatusberichte bindet jede Projektmanagerin drei Stunden pro Woche. Die Berichte folgen einem festen Format, basieren aber auf Daten aus vier verschiedenen Systemen (Jira, Confluence, Zeiterfassung, E-Mail). Fehlerquote bei manueller Zusammenführung: ca. 12 %.

Feld 2 (KI-Lösung): Ein KI-Assistent soll auf Basis strukturierter Dateneingaben (Status pro Aufgabe, Zeitbuchungen, offene Risiken) automatisch einen Statusbericht im vorgegebenen Markdown-Format generieren. Hypothese: 70–80 % Zeitersparnis bei gleichem oder besserem Ausgabe-Qualitätsniveau.

Feld 3 (Datengrundlage): Strukturierte Status-Updates werden bereits in Jira gepflegt. Zeiterfassungsdaten liegen im CSV-Format vor. Datenschutz: Berichte enthalten keine personenbezogenen Leistungsdaten — Einordnung als geringes Risiko.

Feld 4 (Stakeholder-Karte): Direkte Anwendergruppe: Projektmanagerinnen (6 Personen). Entscheidungsträger: Abteilungsleitung IT. Indirekt betroffene: Empfänger der Berichte (Geschäftsführung, Kundenseite). Datenschutzbeauftragter: informiert, kein AVV notwendig bei interner Verarbeitung ohne externe API.

Feld 5 (Technischer Ansatz): Custom GPT mit einem Systemprompt, der das Berichtsformat definiert. Nutzereingabe: strukturiertes Template mit kopierten Daten aus den Quellsystemen. Ausgabe: vollständig formatierter Statusbericht als Markdown/Word.

Feld 6 (Risiken): Halluzinationsrisiko bei unklaren Eingaben — Gegenmaßnahme: Template mit Pflichtfeldern. Qualitätsschwankungen bei unterschiedlichen Formulierungen — Gegenmaßnahme: Few-Shot-Beispiele im Systemprompt.

Feld 7 (Erfolgskriterien): Zeitersparnis von 3 Stunden auf 45 Minuten/Woche, Nutzerzufriedenheit größer 4/5 nach vier Wochen, weniger als 5 % Nachkorrekturen.

Feld 8 (Nächste Schritte): Systemprompt entwickeln (Woche 1), Pilot mit zwei Projektmanagerinnen (Woche 2–3), Evaluation und Anpassung (Woche 4), Roll-out auf alle sechs Personen (Woche 5–6).

Merksatz

Ein vollständig ausgefüllter Canvas in 30 Minuten ist wertvoller als ein halbfertiger Canvas in 10 Minuten. Lassen Sie kein Feld leer — auch eine begründete “weiß ich noch nicht”-Antwort ist besser als ein leeres Feld.

Lerntext-Vertiefung — Stakeholder-Analyse und Use-Case-Auswahl im Projektalltag

Warum Use-Case-Auswahl oft schwieriger ist als Use-Case-Umsetzung: In der Praxis berichten Projektteams häufig, dass das schwierigste an einem KI-Projekt nicht die technische Umsetzung war, sondern die Entscheidung, welchen Use-Case man überhaupt angehen soll. Zu viele Ideen, unklare Prioritäten, konkurrierende Stakeholder-Interessen — das führt zu Projekten, die technisch einwandfrei sind, aber das falsche Problem lösen. Das Canvas ist das Werkzeug, mit dem diese Entscheidung strukturiert, nicht intuitiv getroffen wird.

Vier-Stufen-Trichter für die Use-Case-Auswahl:

Stufe 1 — Ideen sammeln: Brainstorming ohne Filter. Welche KI-Anwendungen wurden in anderen Unternehmen, anderen Branchen, im Internet beobachtet? Ziel: 10–20 Ideen.

Stufe 2 — Machbarkeitsfilter: Welche Ideen sind mit vorhandenen Daten, Tools und Kompetenzen überhaupt umsetzbar? Strenger Filter — nicht mehr als fünf Ideen sollten übrig bleiben.

Stufe 3 — Relevanzfilter: Welche der verbleibenden Ideen adressieren ein echtes, messbares Problem? Nicht “nice-to-have”, sondern “must-have” oder “pain-point”. Ziel: zwei bis drei Ideen.

Stufe 4 — Priorisierungsmatrix: Bewertung nach Nutzen (hoch/mittel/niedrig), Machbarkeit (hoch/mittel/niedrig) und Risiko (niedrig/mittel/hoch). Der Use-Case mit hohem Nutzen, hoher Machbarkeit und niedrigem Risiko ist der optimale Ausgangspunkt.

Häufige Verzerrungen bei der Use-Case-Auswahl: Drei kognitive Verzerrungen führen zu schlechten Use-Case-Entscheidungen: (a) Technologie-Bias: Man wählt den Use-Case, der technisch am interessantesten ist, nicht den, der den größten Nutzen erzeugt. (b) Bekanntheitsbias: Man wählt den Use-Case, den man schon kennt (oft ChatGPT-basiert), statt den, der optimal für das Problem wäre. (c) Solutionismus: Man hat die Lösung (z. B. einen bestimmten KI-Anbieter) und sucht dann ein Problem — anstatt umgekehrt. Das Canvas-Feld 1 (Problemraum) zuerst zu füllen ist die wichtigste Gegenmaßnahme gegen Solutionismus.

Coaching-Gespräch in UE 110 — worauf Trainer achten: Das Coaching in UE 110 ist das erste strukturierte Feedback auf die Projektarbeit. Die häufigsten Coaching-Schwerpunkte: (a) Scope-Überarbeitung — wenn der ursprüngliche Scope zu groß oder zu vage ist. (b) Daten-Realitätscheck — wenn die Datenverfügbarkeit unrealistisch eingeschätzt wurde. (c) Stakeholder-Ergänzung — wenn der Datenschutzbeauftragte oder andere relevante Akteure fehlen. (d) KPI-Konkretisierung — wenn Erfolgskriterien zu allgemein formuliert sind.

Merksatz

Der beste Use-Case ist nicht der technisch aufregendste — sondern der, der ein echtes Problem mit realistischen Mitteln löst und dessen Erfolg messbar ist. Nutzen Sie das Canvas als Entscheidungsfilter, nicht als Dokumentationsformular.

Verbindung zwischen UE 110 und UE 111: Der Canvas aus UE 110 ist die Grundlage für den Prototyp in UE 111. Feld 5 (Technischer Ansatz) des Canvas bestimmt direkt, welcher der vier Prototyp-Wege (Custom GPT, Copilot Studio, n8n, PoC) in UE 111 sinnvoll ist. Wer in UE 110 einen sorgfältig ausgefüllten Canvas vorliegen hat, startet UE 111 mit einer klaren technischen Richtung — und spart wertvolle Zeit.

Praxis-Handlungsfeld — Use-Case-Canvas im Team entwickeln

Gemeinsam statt allein: Ein KI-Use-Case-Canvas, der in 20 Minuten allein ausgefüllt wird, hat seinen Wert — aber ein Canvas, der in einer 60-minütigen Gruppenarbeit mit relevanten Stakeholdern entstanden ist, hat deutlich höheren Wert. Gruppenarbeit bringt: (a) Perspektiven, die man selbst nicht hätte (z. B. IT auf Machbarkeit, Datenschutzbeauftragter auf Risiken, Endanwender auf Nutzbarkeit), (b) Commitment — wer an der Analyse beteiligt war, ist stärker in der Lösung involviert, (c) Schnellere Identifikation von Blind Spots — vier Augen sehen mehr als zwei.

Wann ist der Canvas “fertig”? Ein Canvas ist fertig, wenn folgende Kriterien erfüllt sind: Alle acht Felder ausgefüllt (keine leeren Felder). Feld 7 (KPIs) enthält mindestens zwei messbare Erfolgskriterien mit Zielwerten. Feld 4 (Stakeholder) enthält mindestens den Datenschutzbeauftragten, sofern Personendaten im Spiel sind. Feld 6 (Risiken) enthält mindestens ein technisches und ein organisatorisches Risiko. Feld 8 (Nächste Schritte) enthält mindestens drei konkrete Maßnahmen mit Zeitangaben.

Canvas als lebendes Dokument: Viele Projektteams machen den Fehler, den Canvas nach der ersten Erstellung als abgeschlossen zu betrachten. In der Praxis sollte der Canvas mindestens dreimal aktualisiert werden: (a) Nach dem ersten Stakeholder-Gespräch — wenn Feld 4 durch reale Gespräche validiert wurde. (b) Nach dem Daten-Check — wenn Feld 3 durch tatsächliche Verfügbarkeitsprüfung konkretisiert wurde. (c) Nach dem Prototyp-Test — wenn Feld 7 durch erste Ergebnisse kalibriert werden kann.

Prompt-Beispiel

Prompt: Canvas-Feld 6 (Risiken) schärfen

Persona: Du bist ein erfahrener KI-Projektberater mit Fokus auf Risikomanagement. Aufgabe: Analysiere den folgenden KI-Use-Case und identifiziere die drei wahrscheinlichsten Risiken — je eines aus den Kategorien Technik, Organisation und Recht. Kontext: Use-Case: [Beschreibung einfügen]. Branche: [Branche]. Geplante Tools: [Tools]. Format: Tabelle mit Spalten: Risiko | Kategorie | Wahrscheinlichkeit | Gegenmaßnahme. Einschränkung: Keine allgemeinen Risiken — nur use-case-spezifische.

Weiteres Praxis-Insight — Iterative Verbesserung als KI-Prinzip

Kein Prototyp ist beim ersten Versuch perfekt — und das ist kein Misserfolg, sondern ein Merkmal des iterativen KI-Entwicklungsprozesses. Das Konzept des iterativen Verbesserns ist tief in der KI-Entwicklungskultur verankert: Trainieren, evaluieren, verbessern, erneut trainieren.

Für Lernende und Praktiker bedeutet dies, dass die erste Version eines KI-Werkzeugs oder eines Prompts nie die beste sein sollte. Verbesserung entsteht durch systematische Reflexion: Was funktioniert gut? Was nicht? Warum nicht? Welche Anpassung würde das Ergebnis verbessern?

Merksatz

Iteratives Verbessern ist kein Zeichen von Schwäche, sondern von methodischer Reife. Wer bei der ersten Version bleibt, weil sie „gut genug” ist, verschenkt das Verbesserungspotenzial, das im Prozess selbst liegt.

Diese Haltung ist transferierbar: Auch Präsentationen, Dokumentationen und Prompts werden durch systematische Iteration besser. Der einzige Feind der Iteration ist der Zeitdruck — was ein weiteres Argument für gutes Projektmanagement ist.

Übung 3 — Ist-/Soll-Vergleich tabellarisch ausarbeiten

Übung 3 — Ist-/Soll-Vergleich strukturieren

Aufgabe: Erstellen Sie für Ihren Use-Case einen vollständigen Ist-/Soll-Vergleich in Tabellenform — als direkten Beitrag zu Kapitel 2 (Ist-Zustand) und Kapitel 3 (Use-Case-Konzeption) der Projektarbeit.

Material: Ausgefülltes Canvas aus Übung 1, Ist-/Soll-Vorlage

Schritt-für-Schritt: 1. Wählen Sie drei bis fünf Dimensionen, die für Ihren Prozess relevant sind (z. B. Zeit, Fehlerrate, Kapazität, Nutzerzufriedenheit, Kosten). 2. Beschreiben Sie den heutigen Ist-Zustand je Dimension in einer konkreten Zahl oder qualitativen Aussage. 3. Beschreiben Sie den angestrebten Soll-Zustand mit KI-Unterstützung — realistisch, nicht utopisch. 4. Begründen Sie in einer dritten Spalte, warum dieser Soll-Zustand erreichbar ist (Mechanismus). 5. Markieren Sie die Dimension mit dem höchsten Verbesserungspotenzial — das ist Ihr primärer KPI. 6. Tauschen Sie den Ist-/Soll-Vergleich mit einer Partnerperson: Sind die Angaben im Soll-Zustand realistisch und nachvollziehbar?

Erwartetes Ergebnis: Ein vollständiger Ist-/Soll-Vergleich als Tabellenformat, direkt verwendbar für Kapitel 2 und 3 der Projektarbeit.

Musterlösung:

Vertiefung — Häufige Canvas-Fehler und wie man sie behebt

Das Canvas ist ein mächtiges Werkzeug — aber nur, wenn es konsequent und präzise ausgefüllt wird. Die folgenden Fehler treten in Projektarbeiten regelmäßig auf.

Canvas-Fehler 1 — Feld 1 ohne Zahl: „Der Prozess ist zeitaufwendig” ist kein vollständiges Feld 1. Vollständig ist: „Der Prozess dauert 4 Minuten pro Vorgang, tritt 60-mal täglich auf, bindet also 4 Stunden täglich.” Jeder Canvas, der in Feld 1 keine Zahl enthält, wird bei der Prüfungsbeurteilung als unvollständig eingestuft — weil er die Wirtschaftlichkeitsbetrachtung (Kapitel 7) nicht unterstützt.

Canvas-Fehler 2 — Feld 7 ohne Messmethode: KPIs ohne Messmethode sind Wunschdenken. „Zeitersparnis von 80 %” ist ein Zielwert — aber wie wird er gemessen? Stoppuhr-Test vor und nach Einführung? Logfile-Auswertung? Selbstauskunft der Nutzenden? Eine Messmethode, auch wenn sie einfach ist, gibt dem KPI erst Substanz.

Canvas-Fehler 3 — Feld 8 als Formalpflicht: Teilnehmende, die Feld 8 mit „DSGVO beachten” ausfüllen, haben die Anforderung missverstanden. Feld 8 muss: (1) die AI-Act-Risikoklasse benennen und begründen, (2) die DSGVO-Rechtsgrundlage für die Datenverarbeitung angeben, (3) das Hosting klären (EU-basiert? AVV vorhanden?), (4) den Human-in-the-Loop-Mechanismus beschreiben. Erst dann ist Feld 8 vollständig.

Canvas-Fehler 4 — Feld 6 leer: Kein Use-Case ist risikofrei. Ein leeres Risiko-Feld signalisiert, dass keine kritische Auseinandersetzung stattgefunden hat. Drei Kategorien helfen: technische Risiken (Halluzinationen, schlechte Datenqualität), organisatorische Risiken (Widerstand der Nutzenden, fehlende Ressourcen), rechtliche Risiken (Datenschutzkonflikte, ungeklärte Verantwortlichkeiten).

Merksatz

Ein vollständig ausgefüllter Canvas — alle acht Felder, jedes mit mindestens zwei konkreten Stichpunkten und wo relevant mit Zahlen — ist der beste Indikator dafür, dass ein Use-Case wirklich durchdacht ist. Lassen Sie kein Feld leer und kein Feld ohne Substanz.

Branchen-Vignette — Gesundheitswesen & Sozialeinrichtungen

In einer sozialen Einrichtung mit ambulanten Pflegediensten werden täglich Pflegeprotokolle und Übergabedokumente erstellt. Pflegekräfte verbringen im Schnitt 45 Minuten pro Schicht mit Dokumentationsaufgaben — Zeit, die unmittelbar für die Pflege fehlt. Das Canvas für einen Dokumentations-Assistenten würde hier folgendes zeigen: Feld 1 (Problem): 45 Min/Schicht × 20 Pflegekräfte × 5 Schichten/Woche = 4.500 Min (75 Stunden) Dokumentationsaufwand wöchentlich. Feld 3 (KI-Methode): Sprachnotiz-zu-Text-zu-Protokoll (Transkription + strukturiertes LLM-Templating). Feld 8 (Compliance): Pflegeprotokolle sind besondere Kategorien personenbezogener Daten nach DSGVO Art. 9 — On-Premises-Hosting oder zertifizierter EU-Anbieter zwingend. Diese Einordnung macht das Canvas zum direkten Ausgangspunkt für Kapitel 4 der Projektarbeit (rechtliche Betrachtung).

Abschlussbemerkung — Iterative Exzellenz als Haltung

Die iterative Verbesserungslogik, die KI-Entwicklung prägt, ist eine Haltung, die weit über technische Projekte hinaus anwendbar ist. In jedem professionellen Kontext — beim Verfassen von Berichten, beim Entwickeln von Prozessen, beim Vorbereiten von Präsentationen — gilt: Eine erste Version öffnet das Gespräch, jede weitere Version verbessert das Ergebnis.

Diese Haltung erfordert eine besondere Form von Gelassenheit gegenüber Unvollkommenheit: Die erste Version muss nicht perfekt sein, sie muss nur gut genug sein, um nützliches Feedback zu erzeugen. Perfektionismus, der eine erste Version verhindert, ist der größte Feind der Iteration.

Im KI-Kontext konkret: Entwickeln Sie einen Prototyp, auch wenn Sie wissen, dass er Lücken hat. Zeigen Sie ihn früh relevanten Stakeholdern. Das Feedback, das Sie erhalten, ist wertvoller als die Zeit, die Sie in einen Prototyp investiert hätten, der keine Lücken hat.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.