Empfohlene Literatur nach Themenbereich
Prozessaufnahme und Lean:
Rother, M. & Shook, J. (2009). Learning to See: Value Stream Mapping to Create Value and Eliminate Muda. Lean Enterprise Institute. Das Standard-Werk für VSM-Methodik, mit klaren Anleitungen und Beispielen.
George, M. L. (2003). Lean Six Sigma. McGraw-Hill. Kombiniert Lean-Prinzipien (inklusive SIPOC) mit statistischen Qualitätsmethoden.
KI-Strategie und Use-Case-Management:
Ng, A. (2022). AI for Everyone (Coursera). Einstiegs-Kurs, der die Grundbegriffe der KI-Strategie ohne tiefe Mathematik erläutert — ideal als Vorbereitung für dieses Modul.
Davenport, T. H. & Mittal, N. (2023). All-In on AI: How Smart Companies Win Big with Artificial Intelligence. Harvard Business Review Press. Praxisnahe Fallstudien aus Enterprise-Unternehmen zu KI-Strategie und Use-Case-Management.
Agrawal, A., Gans, J. & Goldfarb, A. (2018). Prediction Machines: The Simple Economics of Artificial Intelligence. Harvard Business Review Press. Konzeptuell grundlegendes Werk: KI als Vorhersage-Technologie, wirtschaftliche Implikationen.
Change Management:
Kotter, J. P. (2012). Leading Change. Harvard Business Review Press. Das Standardwerk für das 8-Stufen-Change-Modell.
Prosci (2023). ADKAR: A Model for Change in Business, Government and our Community. Prosci Learning Center. Das individuumszentrierte ADKAR-Modell in vollständiger Darstellung.
Heath, C. & Heath, D. (2010). Switch: How to Change Things When Change Is Hard. Crown Publishing. Leicht lesbar, tiefe Einsichten über Widerstände gegen Veränderung — ideal für Change-Practitioners.
KI-Governance und Recht:
Europäische Kommission (2024). EU AI Act — Volltext und Erläuterungen. Verfügbar unter: https://eur-lex.europa.eu/. Der Gesetzestext mit offiziellen Erwägungsgründen.
Europäische KI-Agentur (2025). Guidelines for AI Deployers. Die offiziellen Leitlinien für Unternehmen, die KI einsetzen (Deployer-Perspektive).
Bitkom (2024). KI und Datenschutz: Leitfaden für Unternehmen. Bitkom e.V., Berlin. Praxisnaher Leitfaden für DSGVO-konforme KI-Implementierung in deutschen Unternehmen.
Business Case und Investment:
Mayer-Haas, R. & Schmidt, P. (2023). KI-Investitionen: Bewertungsrahmen für Unternehmensführungen. Haufe Verlag. Branchenspezifische Business-Case-Methodik für KI-Investitionen im deutschsprachigen Raum.
Harvard Business Review Analytic Services (2023). The State of AI Investment 2023. Benchmark-Daten für KI-ROI und Break-Even-Zeiten nach Branche und Use-Case-Typ.
Digitale Ressourcen und Tools
Use-Case-Management: - Miro / FigJam: Digitale Whiteboard-Tools für kollaborative Canvas-Workshops und VSM-Zeichnung. - Notion / Confluence: Knowledge-Base-Tools für Use-Case-Steckbrief-Dokumentation und Governance-Handbuch. - Airtable / Microsoft Lists: Tabellarische Verwaltung von Use-Case-Portfolios mit Status-Tracking.
KI-Plattformen für Einstieg (Piloten):
| Plattform | Typ | Stärken | DSGVO-Hinweis |
| Microsoft Copilot for M365 | LLM-Integration in Office-Umgebung | Nahtlose Integration, hohe Adoption bei Office-Nutzern | Datenverarbeitungsvertrag mit Microsoft erforderlich |
| Google Gemini for Workspace | LLM-Integration in Google-Umgebung | Stärken in Dokumenten-Analyse, Sheets-Integration | Datenverarbeitungsvertrag mit Google erforderlich |
| Anthropic Claude (API) | LLM via API | Sehr starke Analyse- und Schreibfähigkeiten, lange Kontextfenster | API-Datenschutz prüfen |
| OpenAI API / GPT-4 | LLM via API | Breite Verfügbarkeit, Ecosystem, Fine-tuning möglich | EU-Datenspeicherung prüfen |
| Mistral / Llama (lokal/On-Prem) | Open-Source-LLM | Datensouveränität, keine Drittanbieter-Abhängigkeit | Eigene Infrastruktur, volle Datenkontrolle |
Daten-Governance-Tools: - Alation / Collibra: Enterprise-Datenkataloge für große Organisationen - Microsoft Purview: Datenverwaltung im Microsoft-Ecosystem - OpenMetadata (Open Source): Kostengünstige Alternative für kleinere Organisationen
Häufig gestellte Fragen (FAQ): KI-Strategie und Use-Case-Management
F: Wie viele Use Cases sollte ein Unternehmen gleichzeitig pilotieren?
A: Die empfohlene Bandbreite liegt bei 2–4 gleichzeitigen Piloten. Weniger als 2 Piloten erzeugen zu langsame Lernkurven; mehr als 4 überlasten typischerweise die IT-Kapazität und Change-Management-Ressourcen. Die optimale Anzahl hängt stark von der Organisationsgröße ab: Kleine Unternehmen (<100 MA) starten mit 1–2 Piloten; mittelgroße Unternehmen (100–1000 MA) mit 2–3; große Organisationen (>1000 MA) können mit 3–5 Piloten arbeiten, wenn eine dedizierte KI-Programmsteuerung vorhanden ist.
F: Wann ist der richtige Zeitpunkt, von Pilot zu Roll-out zu wechseln?
A: Die drei Voraussetzungen für eine Roll-out-Entscheidung sind: (1) Die Primär-Hypothese des Piloten wurde bestätigt (KPI-Zielwert erreicht oder übertroffen). (2) Die Nutzungsrate ist nach 4+ Wochen stabil bei >50 % der Pilotgruppe. (3) Governance-Prüfung (Drei-Stufen-Freigabemodell) für den Roll-out-Kontext ist abgeschlossen. Wenn alle drei Bedingungen erfüllt sind, ist der Roll-out vorzubereiten. Wenn eine oder mehrere Bedingungen fehlen, sollte der Pilot entweder verlängert oder angepasst werden.
F: Was tun, wenn der Pilot die Hypothese widerlegt?
A: Ein widerlegter Pilot ist kein Misserfolg — er ist eine Lernleistung. Die nächsten Schritte: (1) Ursachenanalyse: Warum hat der KPI das Ziel verfehlt? Datenqualität? Adoption? Prozessdesign? Modellqualität? (2) Entscheidung: Kann die Ursache behoben werden (→ angepasster Pilot)? Oder ist der Use Case grundsätzlich falsch eingeschätzt worden (→ Use Case zurückstellen oder verwerfen)? (3) Lerntransfer: Was wurde über Daten, Organisation und Technologie gelernt? Dieses Wissen fließt in die Bewertung anderer Use Cases.
F: Wie überzeuge ich das Management von einer KI-Investition?
A: Die wirksamste Überzeugungsstrategie folgt dieser Sequenz: (1) Problem quantifizieren (nicht „wir haben Effizienzprobleme”, sondern „die manuelle Rechnungsprüfung kostet uns 340.000 € p.a. bei 8 % Fehlerquote”). (2) Pilot als risikoarme Optionsstrategie framen: „Wir bitten nicht um 500.000 € Investition — wir bitten um 15.000 € Pilot-Budget, um die Entscheidungsgrundlage für die große Investition zu schaffen.” (3) Business Case mit pessimistischem Szenario präsentieren: „Selbst wenn nur 40 % der Mitarbeitenden das Tool nutzen und die Zeitersparnis halbiert ist, amortisiert sich die Investition in 22 Monaten.” (4) Referenzen aus ähnlichen Branchen oder Wettbewerbern einbinden, wo möglich.
F: Wie gehe ich mit Datenschutzbedenken bei KI-Tools um?
A: Datenschutzbedenken sind berechtigt und müssen ernst genommen werden. Handlungsrahmen: (1) Datenkategorisierung: Welche Daten werden verarbeitet (öffentlich, intern, vertraulich, personenbezogen, besonders sensitiv)? (2) Für öffentliche und interne Daten ohne Personenbezug: Standardmäßige KI-Tools mit Datenverarbeitungsvertrag sind in der Regel DSGVO-konform. (3) Für personenbezogene Daten: Datenschutzfolgenabschätzung (Art. 35 DSGVO) und gegebenenfalls Betriebsrat-Konsultation (§87 BetrVG). (4) Für hochsensitive Daten: Lokale Modelle (On-Prem oder Private Cloud) als Alternative zu Cloud-APIs prüfen. (5) Immer: Auftragsverarbeitungsvertrag (AVV) mit dem KI-Anbieter abschließen.
F: Wie messe ich den Gesamtnutzen des KI-Programms (nicht nur einzelner Use Cases)?
A: Das Programm-Level-Reporting kombiniert drei Kennzahlen-Typen: (1) Aggregierter Use-Case-Nutzen (Summe der verifizierten Einsparungen aller live Use Cases). (2) Kompetenz-KPIs (Anteil der Mitarbeitenden mit abgeschlossener KI-Basisschulung; Anteil mit aktiver Tool-Nutzung). (3) Strategische KPIs (Anzahl neuer Use Cases, die pro Quartal von Mitarbeitenden selbst identifiziert werden — ein Zeichen wachsender KI-Kultur). Diese drei Kennzahlen-Typen werden im Quartals-Review an die Geschäftsführung berichtet.
Merksatz
Das Ziel von Modul 8 ist nicht, KI-Experten zu schaffen — das Ziel ist, KI-befähigte Fachkräfte zu schaffen. Der Unterschied: KI-Experten entwickeln Modelle. KI-befähigte Fachkräfte identifizieren Probleme, die KI lösen kann, evaluieren Lösungen kritisch, pilotieren verantwortungsvoll und skalieren nachhaltig. Diese Kompetenz ist seltener und wertvoller als technisches Modell-Wissen.
Abschluss des Handout-Dokuments — Modul 8 (UE 85–96)
Version 2.0 — Kundenneutrale Trainer-Wissensbasis
Alle in diesem Dokument enthaltenen Branchen-Vignetten (IT-Dienstleistung & Beratung, Industrie & Fertigung, Finanzdienstleistung & Versicherung, Öffentliche Verwaltung) sind generische Beispielrahmen für didaktische Zwecke. Sie repräsentieren keine spezifischen Unternehmen, Institutionen oder Fallstudien. Trainer passen Beispiele bei Bedarf an den spezifischen Kontext ihrer Schulungsgruppe an.
Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung als PDF anfordern.