Use-Cases · Praxis · Lessons learned
Wo KI heute wirklich hilft — und wo es klemmt.
Drei typische Szenarien aus Stadtwerk, Versicherung und Mittelstand — was wirklich funktioniert, wo die ersten Stolpersteine liegen, was wir aus der Begleitung gelernt haben.
Drei Szenarien, drei Branchen.
Wir teilen hier konkrete Use-Cases — teils anonymisiert, teils typisiert — aus unserer Begleitung. Sie zeigen, wo KI in welchem Kontext realistisch greift, wie eine sinnvolle Vorbereitung aussieht und welche Annahmen sich häufig als Stolperstein entpuppen.
Use-Case 1 · Stadtwerk
KI im Kundenservice — Anfragen klassifizieren, Antworten vorschlagen.
Situation
Ein kommunaler Versorger erhält täglich Hunderte Kundenanfragen per E-Mail und Service-Portal. Die Sachbearbeitung muss klassifizieren, weiterleiten, recherchieren — alles manuell, mit Wissen, das in Fächern und Köpfen verteilt ist.
Was passiert
Wir richten ein KI-System ein, das eingehende Anfragen automatisch klassifiziert (Vertragswesen, Technik, Forderungen, Sonstiges) und für jede Anfrage einen Antwortvorschlag auf Basis der internen Dokumentation generiert. Datenschutz: alles im Haus, keine US-Cloud, PiiLot als Gateway zur Anonymisierung sensibler Felder.
Ergebnis
Sachbearbeiter prüfen Antwortvorschläge statt sie zu verfassen. Durchlaufzeit pro Anfrage sinkt spürbar, Mitarbeiter sehen die Vorschläge als Werkzeug, nicht als Bedrohung.
Was wir daraus gelernt haben: Erfolgsfaktor war nicht das Modell — sondern wie sauber die internen Dokumente vorher aufgeräumt wurden. Ohne klare Wissensbasis halluziniert die KI.
Use-Case 2 · Versicherung
Microsoft Copilot Rollout — nicht einfach Lizenzen kaufen.
Situation
Ein mittelständischer Versicherer mit 280 Mitarbeitenden möchte Microsoft Copilot ausrollen. Erste Annäherung: 50 Pilot-Lizenzen kaufen, schauen, was passiert.
Was passiert
Vor dem Rollout ein 2-Tages-Audit: Datenklassifizierung, Berechtigungsanalyse in M365, KI-Richtlinie aufsetzen. Anschließend 4 Inhouse-Schulungen in 3 Monaten — nach Abteilung (Vertrieb, Schaden, IT, Verwaltung). Jede Gruppe lernt Use-Cases für ihre Arbeit.
Ergebnis
Der Rollout läuft kontrolliert. Mitarbeiter wissen, was sie tun dürfen und was nicht. Aufsichtsrat und Datenschutzbeauftragter haben Nachweise. Nach 6 Monaten: Copilot-Nutzung als Standardwerkzeug etabliert.
Was wir daraus gelernt haben: Wer Copilot ohne Datenklassifizierung ausrollt, baut sich ein Datenschutz-Problem — die KI sieht nämlich alles, was der Nutzer sieht. Inkl. der Personalakten, die er eigentlich nicht sehen sollte.
Use-Case 3 · Mittelständischer Handel
ChatGPT-Richtlinie auf einer Seite — statt 80 Seiten Compliance.
Situation
Ein mittelständisches Handelsunternehmen mit 60 Mitarbeitenden bemerkt: Mitarbeiter nutzen ChatGPT mit privaten Accounts — teils mit Kundendaten. Pauschales Verbot? Geht nicht, die Leute brauchen das wirklich. Aber so geht's auch nicht weiter.
Was passiert
Ein halbtags-Workshop mit Geschäftsführung und IT. Ergebnis: 1-seitige KI-Richtlinie — was erlaubt ist, was nicht, wer im Zweifel entscheidet. Plus: ChatGPT Team als zentral verwaltete Lizenz statt freier Privat-Accounts.
Ergebnis
Mitarbeiter können weiter mit KI arbeiten, nur jetzt mit klarer Spielregel und auf einer Lizenz, die Daten nicht zum Training verwendet. Datenschutzbeauftragter zufrieden, Mitarbeiter zufrieden, Geschäftsführung nicht mehr nervös.
Was wir daraus gelernt haben: Eine Seite Richtlinie ist oft besser als 80. Die Frage ist nicht 'wie regulieren wir alles', sondern 'was darf der Mitarbeiter heute Mittag tun, wenn er ChatGPT öffnet?'.
Was wir über alle Fälle gelernt haben
Drei Muster, die immer wieder auftauchen.
A
Datengrundlage zuerst.
KI ist nur so gut wie die Daten, auf denen sie arbeitet. Ein Aufräumen vorher spart Wochen später.
B
Mitarbeiter mitnehmen.
KI als „Werkzeug für mich“, nicht als „Gegner“. Schulung ist nicht Pflichterfüllung — sie ist die Grundlage für Akzeptanz.
C
Klein anfangen, ehrlich messen.
Ein konkreter Use-Case mit ehrlicher Erfolgsmessung schlägt jedes „wir machen jetzt KI“-Programm.
Wo es typischerweise schief geht.
- × „Wir kaufen mal Lizenzen.“ Tools beschaffen ohne Plan, ohne Schulung, ohne Datenschutz-Prüfung — Geld verbrannt, Risiko erhöht.
- × „Ein großes KI-Projekt“ mit Lenkungsausschuss und Masterplan. Kommt nie zur Umsetzung, lähmt das Haus.
- × „Verbieten reicht.“ Wird unterlaufen. Mitarbeiter nutzen private Accounts, Daten fließen trotzdem ab — nur unkontrolliert.
- × „Die Doku stimmt schon irgendwie“ als Grundlage für interne KI. Nein, tut sie meist nicht. Aufräumen ist Pflicht.
Vor dem Pilot
Mit dem Audit starten
Bevor ein Use-Case aufgesetzt wird: wissen, was im Haus schon läuft. Ein 2-tägiges KI-Audit gibt Klarheit.
KI-Audit ansehen →Tool-Empfehlung
PiiLot — das Gateway dazwischen
Wenn ChatGPT & Co. im Haus erlaubt sein sollen, ohne dass Kundendaten abfließen — PiiLot als technisches Rückgrat.
PiiLot ansehen →Welcher Use-Case wäre bei Ihnen der erste?
Erzählen Sie uns von Ihrem Haus — was sich wiederholt, wo Mitarbeiter Zeit verlieren, wo das System Sand im Getriebe hat. Wir hören zu, sortieren mit, und sagen, ob KI hier sinnvoll wäre.