Kompendium: Schlüsselentscheidungen und Entscheidungsrahmen in Modul 8

Entscheidungsrahmen 1: Welche Prozesse zuerst automatisieren?

Die Frage nach der Reihenfolge der KI-Automatisierung ist eine der häufigsten, die Teilnehmende stellen. Folgende Entscheidungslogik kombiniert die Methoden aus UE 85–88 zu einer handhabbaren Antwort:

Schritt 1 — Grobselektion mit H×R×W: Alle identifizierten Prozesse werden auf der KI-Potenzialmatrix verortet. Prozesse mit H×R×W-Score ≥ 48 (entspricht z.B. H=4, R=4, W=3) gelangen in die engere Auswahl.

Schritt 2 — Datenverfügbarkeit prüfen: Von den Hochpotenzial-Prozessen werden nur jene weiterverfolgt, bei denen die nötigen Daten innerhalb von 3 Monaten in ausreichender Qualität verfügbar gemacht werden können. Prozesse mit langen Datenbeschaffungszeiten werden in die Roadmap-Schicht Q2/Q3 verschoben.

Schritt 3 — Organisationale Bereitschaft berücksichtigen: Selbst ein technisch hervorragender Use Case scheitert, wenn der Fachbereich nicht bereit oder willens ist. Ein mittelmäßiger Use Case mit einem engagierten Fachbereich-Champion ist einem exzellenten Use Case mit passivem Fachbereich vorzuziehen. Der Human-Factor in der Reihenfolge-Entscheidung wird systematisch unterschätzt.

Schritt 4 — Strategische Signalwirkung einrechnen: Der erste Pilot hat eine besondere Bedeutung: Er sendet ein Signal darüber, was KI in dieser Organisation leisten kann. Wählen Sie den ersten Pilot bewusst so, dass er (a) messbar erfolgreich sein wird und (b) in einem Bereich stattfindet, der für die Führungsebene sichtbar und relevant ist.

Entscheidungsmatrix First-Pilot-Selektion:

Entscheidungsrahmen 2: Wann ist ein LLM die richtige KI — und wann nicht?

Die meisten Teilnehmenden denken bei KI reflexartig an Large Language Models (ChatGPT, Copilot, Claude). LLMs sind mächtig — aber sie sind nicht immer die beste KI-Technologie für einen gegebenen Use Case.

Entscheidungsbaum KI-Technologie-Auswahl:

Schritt 1 — Was ist der primäre Input? - Strukturierte tabellarische Daten (Zahlen, Kategorien) → klassisches ML geeigneter - Unstrukturierter Text (Dokumente, E-Mails, Freitext-Formulare) → LLM geeignet - Bilder/Video → Computer Vision (ggf. multimodales LLM) - Zeitreihendaten (Sensoren, Transaktionen) → Zeitreihen-ML / Anomalie-Erkennung - Kombination → multimodale Ansätze

Schritt 2 — Was ist der primäre Output? - Text generieren / zusammenfassen / übersetzen → LLM - Klassifizieren (in vordefinierte Kategorien einordnen) → klassischer Klassifikator oder Fine-tuned LLM - Numerische Prognose (Umsatz, Auslastung) → Regression / Zeitreihen-ML - Empfehlungen → Recommender-System oder LLM - Erkennung in Bildern → Computer Vision

Schritt 3 — Wie viele Trainingsdaten sind verfügbar? - <500 Beispiele → Few-Shot-Learning mit LLM, keine eigenen Modelle trainieren - 500–10.000 Beispiele → Fine-tuning von kleinen Modellen möglich - >10.000 Beispiele → eigene Modelle trainierbar, wenn Budget vorhanden

Schritt 4 — Wie wichtig ist Erklärbarkeit? - Vollständige Erklärbarkeit nötig (regulatorisch oder Vertrauen) → Interpretierbare Modelle (Entscheidungsbäume, logistische Regression) oder Erklärbarkeits-Layer (SHAP, LIME) - Erklärbarkeit wünschenswert → LLMs mit Quellenangabe (RAG), Modelle mit Confide nce-Scores - Erklärbarkeit nicht kritisch → neuronale Netze, LLMs ohne Erklärungspflicht

Merksatz

LLMs sind das Schweizer Taschenmesser der KI — vielseitig, aber nicht immer das beste Werkzeug. Für Zeitreihendaten, strukturierte Klassifikation und numerische Prognosen sind spezialisierte ML-Modelle oft effizienter, kostengünstiger und erklärbarer. Die Technologie-Auswahl sollte dem Use Case folgen — nicht umgekehrt.

Entscheidungsrahmen 3: Interne vs. externe KI-Kompetenz aufbauen

Jede Organisation muss entscheiden, welche KI-Kompetenz sie intern aufbaut und welche sie extern einkauft. Diese Entscheidung ist strategisch und hat langfristige Konsequenzen.

Make-or-Buy-Matrix für KI-Kompetenz:

Kritische interne Kompetenzen (niemals vollständig auslagern):

KI-Strategie und Use-Case-Priorisierung: Wer das Potenzial der Organisation nicht von innen kennt, kann KI nicht zielgerichtet einsetzen.

KI-Governance: Verantwortung für den verantwortungsvollen KI-Einsatz kann nicht an Externe delegiert werden — nur die methodische Unterstützung.

Change Management für KI: Kulturveränderung kann nur von innen gelebt werden.

Daten-Ownership: Die Entscheidung, welche Daten für welche KI-Zwecke genutzt werden, muss intern getroffen werden.

Wiederholung und Festigung: 50 Kernfragen zur Lernstandsprüfung

Diese Fragen können als Lernstandsüberprüfung am Ende von Modul 8 oder als Reflexions-Tool für Teilnehmende genutzt werden:

UE 85 — Prozessaufnahme: 1. Was sind die fünf Elemente des SIPOC-Modells? 2. Wozu dient das Value Stream Mapping (VSM) und was zeigt es besser als SIPOC? 3. Welche drei Schichten der Prozessaufnahme gibt es, und welche ist für KI-Projekte am relevantesten? 4. Was ist der Unterschied zwischen dokumentiertem und gelebtem Prozess?

UE 86 — KI-Potenzialmatrix: 5. Was bedeuten H, R und W in der H×R×W-Matrix? 6. Wie wird ein H×R×W-Score berechnet? 7. Ab welchem Score gilt ein Prozess als hochpriorisierter KI-Kandidat? 8. Was ist der KI-Bereitschaft-Score (R2) und welche vier Kriterien umfasst er?

UE 87 — Use-Case-Canvas: 9. Welche sieben Felder enthält der Use-Case-Canvas? 10. Was ist der Unterschied zwischen einem Use-Case-Canvas und einem Pilot-Design? 11. Was ist die häufigste Qualitätsschwäche bei Canvas-Problem-Statements? 12. Für welche drei Kommunikationsfunktionen wird ein Canvas genutzt?

UE 88 — Priorisierung: 13. Was sind die drei Faktoren des ICE-Scores? 14. Wie unterscheidet sich RICE von ICE? 15. Wann ist eine Nutzwertanalyse der ICE-Score-Methode vorzuziehen? 16. Welche sequenzielle Entscheidungsarchitektur kombiniert ICE, RICE und Nutzwertanalyse?

UE 89 — Build vs. Buy vs. Configure: 17. Welche drei Optionen werden in Build vs. Buy vs. Configure verglichen? 18. Was ist Total Cost of Ownership (TCO) und warum ist es wichtiger als der Kaufpreis? 19. Was ist Vendor Lock-in und welche zwei Hauptrisiken entstehen dadurch? 20. Welche fünf strategischen Kriterien jenseits von TCO sind für die Entscheidung relevant?

UE 90 — Datenqualität: 21. Welche sechs Dimensionen der Datenqualität definiert der DAMA-Standard? 22. Ab welchem Data-Quality-Score gilt eine Datenquelle als KI-bereit? 23. Was sind die drei Säulen einer KI-enabling Daten-Governance? 24. Was ist ein Daten-Catalog und wozu dient er?

UE 91 — Pilot-Design: 25. Welche sechs Bestandteile enthält ein vollständiges Pilot-Design? 26. Wie ist eine gute Pilot-Hypothese strukturiert? 27. Was sind die drei Schichten in einem KPI-Framework für KI-Piloten? 28. Welche drei Standard-Abbruchkriterien für KI-Piloten gibt es?

UE 92 — Change Management: 29. Was bedeutet das ADKAR-Akronym? 30. Welche vier Typen von KI-Einwänden unterscheidet das Widerstandskreis-Modell? 31. Wann ist Kotter’s 8-Stufen-Modell besonders geeignet? 32. Welche Intervention hilft bei Kompetenzangst-Einwänden?

UE 93 — KI-Governance: 33. Welche vier Risikoklassen definiert der EU AI Act? 34. Was sind Hochrisiko-KI-Anwendungen (drei Beispiele aus Anhang III)? 35. Was unterscheidet einen Provider von einem Deployer im EU AI Act? 36. Was sind die drei Stufen im Drei-Stufen-Freigabemodell (Grün/Gelb/Rot)?

UE 94 — KI-Roadmap: 37. Was ist Rolling-Wave-Planung und warum ist sie für KI-Programme besser geeignet als klassische Jahresplanung? 38. Was bedeutet OKR (Objectives and Key Results)? 39. Welche vier Phasen umfasst eine typische 12-Monats-KI-Roadmap? 40. Welche vier Punkte stehen auf einer monatlichen OKR-Review-Agenda?

UE 95 — Business Case: 41. Was ist NPV (Net Present Value) und wie berechnet man ihn? 42. Was ist der Break-Even-Punkt einer KI-Investition? 43. Warum ist die Drei-Szenarien-Methodik (pessimistisch/realistisch/optimistisch) besser als ein einzelnes Szenario? 44. Was ist ein Tornado-Diagramm und wofür wird es im Business Case genutzt?

UE 96 — Workshop: 45. Welche sechs Phasen hat ein gut facilitierter 3-Use-Case-Workshop? 46. Was ist die 48-Stunden-Regel für den Transfer? 47. Welche sieben Qualitätsschwellen müssen Use-Case-Steckbriefe erfüllen? 48. Was sind die drei notwendigen Nacharbeitsschritte nach dem Workshop? 49. Wie können Teilnehmende die Canvas-Felder direkt für ihre Projektarbeit nutzen? 50. Was ist das übergeordnete Ziel von Modul 8 in einem Satz?

Merksatz

Die 50 Fragen zeigen, wie viel in 12 UEs vermittelt wird. Wer alle 50 Fragen beantworten kann, hat nicht nur Wissen angesammelt — er hat ein kohärentes Methodenrepertoire aufgebaut, das sofort in der eigenen Organisation anwendbar ist. Das ist der Unterschied zwischen Schulung und Befähigung.

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