Werkzeugblatt 1: SIPOC-Vorlage (ausgefülltes Beispiel)
Beispiel: Prozess „Lieferantenanfragen bearbeiten” (Industrie & Fertigung)
| Suppliers | Inputs | Process | Outputs | Customers |
| Lieferanten (externe) | Angebote (PDF/E-Mail) | Eingang prüfen → Vollständigkeit checken → ERP erfassen → Kalkulation abgleichen → Freigabe einholen → Rückmeldung senden | Freigabe-Entscheidung, Lieferanten-Rückmeldung, ERP-Eintrag | Einkaufsleitung, Lieferant, Buchhaltung |
| ERP-System | Bestellanforderung (interner Antrag) | |||
| Einkaufsleitung | Budgetvorgaben | |||
| Preisdatenbank | Benchmark-Werte |
Prozess-Kennzahlen: - Häufigkeit: ca. 120 Anfragen/Monat - Durchlaufzeit: 2–5 Arbeitstage - Manuelle Schritte: 7 von 8 Prozessschritten - Fehlerquote: 8 % (Datenerfassungsfehler im ERP) - Gebundene Personalzeit: 1,8 VZÄ
KI-Potenzial-Voreinschätzung: - Vollständigkeitsprüfung (Schritt 2): Hoch (regelbasiert, hohe Frequenz) → Kandidat für Dokumenten-KI - ERP-Erfassung (Schritt 3): Sehr hoch (repetitiv, strukturiert) → Kandidat für RPA + KI-Extraktion - Kalkulations-Abgleich (Schritt 4): Mittel (partiell regelbasiert, partiell Urteilsvermögen) → Kandidat für KI-Augmentation
Werkzeugblatt 2: Datenqualitäts-Audit-Vorlage
Schnell-Audit: 15-Minuten-Datenqualitätsbewertung
Für jede Datenquelle, die für einen KI-Use-Case benötigt wird, das folgende Formular ausfüllen:
Datenquelle: _______________________
System/Ablageort: _______________________
Verantwortlicher (Data Owner): _______________________
| Qualitätsdimension | Bewertung (1–5) | Kommentar / Befund |
| Vollständigkeit | ||
| Genauigkeit | ||
| Konsistenz (systemübergreifend) | ||
| Aktualität | ||
| Eindeutigkeit (Duplikatfreiheit) | ||
| Referentielle Integrität | ||
| Gesamt-Score (Ø) |
Datenzugänglichkeit: - [ ] API verfügbar - [ ] CSV/Excel-Export möglich - [ ] Direkter Datenbankzugang (mit IT-Freigabe) - [ ] Nur manuelle Extraktion möglich
Datenschutz-Einschätzung: - [ ] Keine personenbezogenen Daten - [ ] Personenbezogene Daten (DSGVO-Prüfung erforderlich) - [ ] Besondere Kategorien personenbezogener Daten (Art. 9 DSGVO, erhöhte Prüfpflicht)
Schätzung Bereinigungsaufwand: _______ Tage (Annahme)
KI-Bereitschaft-Fazit: - [ ] Bereit (Score ≥4,0) - [ ] Bedingt bereit (Score 2,5–3,9, Bereinigung nötig) - [ ] Nicht bereit (Score <2,5, fundamentale Aufbereitung erforderlich)
Werkzeugblatt 3: Pilot-Design-Canvas (Vorlage)
Pilot-Design für KI-Use-Case: [Titel]
Hypothese: > Wenn [KI-Intervention] auf [Zielgruppe] in [Kontext] angewendet wird, dann verbessert sich [KPI] von [Baseline] auf [Ziel] innerhalb von [Zeitraum], gemessen durch [Methode].
Pilotscope:
| Dimension | Definition |
| Zielgruppe | Wer nimmt teil? (Rolle, Bereich, Anzahl Personen) |
| Pilot-Standort / -Bereich | Wo findet der Pilot statt? |
| Ausgeschlossene Bereiche | Was ist explizit nicht Teil des Piloten? |
| Zeitraum | Start: ___ / Ende: ___ / Dauer: ___ Wochen |
| Datenzeitraum | Welcher historische Zeitraum wird für Baseline genutzt? |
KPI-Framework:
| Schicht | KPI | Messmethode | Baseline | Zielwert |
| Aktivität | Nutzungsrate | Systemlog | — | >60 % |
| Output | [Haupt-KPI aus Hypothese] | [Methode] | [Istwert] | [Zielwert] |
| Outcome | Mitarbeiterzufriedenheit | Pulse-Survey (3 Fragen) | — | >70 % positiv |
Abbruchkriterien (vorab definiert):
Nutzungsrate <25 % nach Woche 4 → sofortiger Stopp + Ursachenanalyse
[KPI-Name] verschlechtert sich im Vergleich zur Baseline → sofortiger Stopp
Kritischer Datenschutzvorfall → sofortiger Stopp + Incident-Protokoll
Ressourcen:
| Ressource | Bedarf | Quelle / Verantwortlicher |
| IT-Infrastruktur | [z.B. API-Anbindung, 2 Tage] | IT-Abteilung |
| Schulungszeit | [z.B. 4h pro Teilnehmer] | Trainer / L&D |
| Pilotgruppen-Zeit | [z.B. 30 min/Woche Feedback] | Fachbereich |
| Budget (Lizenzen/API) | [z.B. 500 €/Monat] | Kostenstellenverantwortlicher |
Lernziele des Piloten (neben dem Primär-KPI):
Welche Datenqualitätsprobleme werden sichtbar?
Wie hoch ist tatsächliche Adoption, wenn Nutzung freiwillig ist?
Welche Folgefragen entstehen (Datenschutz, IT-Integration, Change)?
Welche technischen Anpassungen wären für Roll-out nötig?
Werkzeugblatt 4: Business-Case-Rechenblatt (Vorlage)
Schritt-für-Schritt-Business-Case für KI-Use-Case
Schritt 1 — Nutzen-Quantifizierung (Zeitersparnis-Methode)
| Parameter | Wert | Quelle |
| Prozessschritte mit KI-Unterstützung | ___ | Prozessaufnahme |
| Zeitersparnis pro Vorgang | ___ Minuten | Pilot-Messung / Schätzung |
| Vorgänge pro Monat | ___ | Systemlog / Schätzung |
| Anteil der Zeitersparnis, produktiv genutzt | ___ % (Konversionsrate) | Annahme / Benchmark |
| Vollkosten-Stundensatz der Zielgruppe | ___ €/Stunde | HR-Daten / Schätzung |
Berechnung monatliche Nutzeneinsparung:
Monatlicher Nutzen [€] = (Zeitersparnis [min] ÷ 60) × Vorgänge/Monat × Konversionsrate × Stundensatz [€/h]
Schritt 2 — Kostenstruktur (TCO über 36 Monate)
| Kostenblock | Einmalig [€] | Monatlich [€] | 36-Monats-Gesamt [€] |
| Lizenz / SaaS-Abo | — | ___ | ___ |
| API-Kosten (tokens/calls) | — | ___ | ___ |
| Implementierung / Integration | ___ | — | ___ |
| Schulung | ___ | — | ___ |
| IT-Wartung | — | ___ | ___ |
| Change Management | ___ | — | ___ |
| Gesamt-TCO | ___ |
Schritt 3 — Break-Even-Berechnung
Break-Even [Monate] = Einmalige Kosten [€] ÷ Monatlicher Nettonutzen [€]
| Szenario | Annahmen | Monatlicher Nettonutzen | Break-Even |
| Pessimistisch | Adoption 40 %, Konversion 50 % | ___ € | ___ Monate |
| Realistisch | Adoption 65 %, Konversion 75 % | ___ € | ___ Monate |
| Optimistisch | Adoption 85 %, Konversion 90 % | ___ € | ___ Monate |
Schritt 4 — NPV-Berechnung (3 Jahre, Diskontierungsrate 8 %)
| Jahr | Nutzen [€] | Kosten [€] | Netto-Cashflow [€] | Diskontfaktor (8 %) | Barwert [€] |
| 0 | 0 | Einmalkosten | negativ | 1,000 | negativ |
| 1 | Jahresnutzen | laufende Kosten | ___ | 0,926 | ___ |
| 2 | Jahresnutzen | laufende Kosten | ___ | 0,857 | ___ |
| 3 | Jahresnutzen | laufende Kosten | ___ | 0,794 | ___ |
| NPV | Summe |
Entscheidungsregel: NPV > 0 = Investitionswürdig; NPV > 20 % der Investitionssumme = Attraktiv; NPV > 50 % = Sehr attraktiv.
Werkzeugblatt 5: Change-Readiness-Assessment (Team-Ebene)
Schnell-Assessment: KI-Akzeptanz im Team messen
Das folgende Assessment wird zu Beginn des Piloten (Baseline) und nach 4 Wochen (Verlaufscheck) durchgeführt. Alle Teilnehmenden beantworten die Fragen anonym (1 = Stimme gar nicht zu, 5 = Stimme vollständig zu).
ADKAR-Dimensionen:
| Frage | Dimension |
| Ich verstehe, warum KI-Unterstützung in Ihrem Prozess eingeführt wird. | Awareness |
| Ich sehe persönlichen Nutzen darin, KI-Tools in meiner Arbeit zu nutzen. | Desire |
| Ich weiß, wie ich die neuen KI-Tools bediene. | Knowledge |
| Ich fühle mich sicher genug, die Tools selbstständig zu nutzen. | Ability |
| Ich nutze die Tools regelmäßig und empfehle sie Kollegen. | Reinforcement |
Auswertung: - Score 1–2: Kritische Lücke → sofortige Intervention nötig - Score 3: Entwicklungsbedarf → gezielte Unterstützung - Score 4–5: Gut entwickelt → Enabler für weitere Ausrollung
Interventionen nach ADKAR-Lücken:
| Schwache Dimension | Empfohlene Intervention |
| Awareness | Kommunikationskampagne, Führungskräfte-Botschaft, Fallbeispiele |
| Desire | Individueller Nutzen kommunizieren, Erfolgsgeschichten teilen, Einwände adressieren |
| Knowledge | Schulung, Tutorial, FAQ-Dokument, Peer-Coaching |
| Ability | Übungsszenarien, Sandbox-Umgebung, Coaching, Begleitung in ersten Wochen |
| Reinforcement | Erfolge feiern, Best-Practice-Sharing, KPI-Reporting, Führungskräfte-Lob |
Werkzeugblatt 6: Governance-Prüf-Checkliste für neue KI-Use-Cases
Vor-Go-Live-Prüfung: Governance-Readiness-Check
Für jeden neuen KI-Use-Case vor dem Go-Live durch den KI-Beauftragten auszufüllen:
Identifikation: - Use-Case-Name: _______________________ - Verantwortlicher Fachbereich: _______________________ - KI-Beauftragter: _______________________ - Datum der Prüfung: _______________________
EU AI Act-Klassifizierung: - [ ] Verbotene KI (→ Projekt sofort stoppen) - [ ] Hochrisiko-KI (→ vollständige Compliance-Dokumentation erforderlich, vor Go-Live) - [ ] Transparenzpflichtige KI (→ Nutzer-Information implementiert?) - [ ] Minimales Risiko (→ Standard-Freigabe möglich)
DSGVO-Prüfung: - [ ] Keine personenbezogenen Daten verarbeitet → DSGVO-Prüfung abgeschlossen (kein Handlungsbedarf) - [ ] Personenbezogene Daten verarbeitet → Datenschutzfolgenabschätzung (Art. 35 DSGVO) durchgeführt? [ ] Ja [ ] Nein - [ ] Auftragsverarbeitungsvertrag mit KI-Anbieter abgeschlossen? [ ] Ja [ ] Nein [ ] N/A
Drei-Stufen-Freigabemodell: - [ ] Grün — interne Produktivitätshilfe, kein personenbezogener Output, kein Entscheidungseinfluss → Freigabe durch Fachbereichsleitung - [ ] Gelb — KI mit Empfehlungscharakter, Human-in-the-Loop-Design dokumentiert → Freigabe durch KI-Beauftragten + IT-Sicherheit - [ ] Rot — KI mit entscheidungsähnlicher Wirkung oder Hochrisiko → Freigabe durch Geschäftsführung + Rechtsabteilung + KI-Beauftragten
Technische Sicherheitsprüfung: - [ ] IT-Sicherheits-Assessment durchgeführt - [ ] Datenverschlüsselung (Transport + Speicherung) bestätigt - [ ] Zugriffsberechtigungen dokumentiert und auf Minimum begrenzt - [ ] Audit-Trail implementiert (wer hat wann was mit der KI gemacht?) - [ ] Exit-Strategie dokumentiert (wie wird das System abgeschaltet, wenn nötig?)
Human-Oversight-Design: - [ ] Klare Beschreibung, welche Entscheidungen der Mensch trifft (nicht die KI) - [ ] Eskalationspfad für KI-Outputs, denen nicht vertraut wird, dokumentiert - [ ] Rückmeldungsmechanismus für falsche KI-Outputs implementiert
Freigabe: - [ ] Freigabe erteilt (alle Checkpunkte erfüllt) - [ ] Freigabe unter Auflagen (offene Punkte bis [Datum]) - [ ] Freigabe verweigert (Begründung: _______)
Werkzeugblatt 7: 12-Monats-Roadmap-Vorlage
KI-Programm-Roadmap: Quartalsgliederung
Monat 1–3 (Q1): Foundation und erste Piloten
| Woche | Aktivität | Verantwortlicher | Status |
| 1–2 | KI-Inventar (alle bestehenden KI-Tools erfassen) | KI-Beauftragter | |
| 1–4 | Governance-Handbuch erstellen (Erstentwurf) | KI-Beauftragter + Recht | |
| 2–4 | Use-Case-Canvas für alle priorisierten Use Cases finalisieren | Fachbereiche | |
| 3–12 | Pilot 1 starten (Quick-Win-Use-Case) | Pilot-Team | |
| 8–12 | Basis-KI-Schulung für alle Mitarbeitenden (Gruppe 1) | L&D / Trainer | |
| 12 | Q1-Review: KPIs auswerten, Roadmap anpassen | KI-Ausschuss |
Monat 4–6 (Q2): Skalierung und zweite Welle
| Monat | Aktivität | Verantwortlicher | Status |
| 4 | Pilot 1 auswerten, Roll-out-Entscheidung treffen | KI-Ausschuss | |
| 4–6 | Pilot 2 starten (strategischer Use Case) | Pilot-Team 2 | |
| 5 | Basis-KI-Schulung für alle Mitarbeitenden (Gruppe 2) | L&D / Trainer | |
| 6 | Governance-Handbuch v1.0 fertigstellen und kommunizieren | KI-Beauftragter | |
| 6 | Q2-Review und Roadmap-Aktualisierung | KI-Ausschuss |
Monat 7–9 (Q3): Roll-out und Kompetenzaufbau
| Monat | Aktivität | Verantwortlicher |
| 7 | Roll-out Pilot 1 auf alle berechtigten Bereiche | IT + Fachbereich |
| 7–9 | Fortgeschrittene KI-Schulung für Power-User | L&D / Trainer |
| 8 | Pilot 3 starten (dritter priorisierter Use Case) | Pilot-Team 3 |
| 9 | Halbjahres-Review: Gesamtnutzen messen | KI-Beauftragter |
Monat 10–12 (Q4): Konsolidierung und Jahresplanung
| Monat | Aktivität | Verantwortlicher |
| 10 | Pilot 2 und 3 auswerten | KI-Ausschuss |
| 10–11 | Planung KI-Programm Jahr 2 | KI-Beauftragter + Management |
| 11 | EU-AI-Act-Compliance-Check (Jahresabschluss) | KI-Beauftragter + Recht |
| 12 | Jahres-Review und Kommunikation der Ergebnisse | Geschäftsführung |
Werkzeugblatt 8: Reflexions-Protokoll Modul 8 (Teilnehmende)
Persönliches Transferprotokoll nach Modul 8
Name: _______________________ Datum: _______________________
Organisation / Bereich: _______________________
Teil A — Methodenreflexion:
| Methode | Stärken (was war hilfreich?) | Herausforderungen (was war schwierig?) | Meine wichtigste Erkenntnis |
| SIPOC / VSM | |||
| KI-Potenzialmatrix H×R×W | |||
| Use-Case-Canvas | |||
| ICE-Score | |||
| Pilot-Design | |||
| Business-Case-Rechnung |
Teil B — Transfer-Commitments:
| Commitment | Zeitraum | Erfolgskriterium |
| Ich werde [Methode/Aktivität] in meiner Organisation anwenden | Innerhalb von [Zeitraum] | [Messbares Ergebnis] |
Teil C — Use Cases, die ich in meiner Organisation identifiziert habe:
| # | Prozess-Beschreibung | Vorläufiger H×R×W-Score | Nächster Schritt |
| 1 | |||
| 2 | |||
| 3 |
Teil D — Unterstützung, die ich benötige:
☐ Coaching beim Canvas-Ausfüllen für meinen spezifischen Use Case
☐ Technische Unterstützung bei der Datenqualitätsbewertung
☐ Governance-Beratung (Drei-Stufen-Modell, EU AI Act)
☐ Netzwerkzugang zu anderen KI-Verantwortlichen in ähnlichen Branchen
☐ Weiteres Literatur- / Lernmaterial zu [Thema: _____________]
Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung als PDF anfordern.