Nicht alles muss ein Prompt werden — die vier Use-Case-Klassen
Die meisten Unternehmen denken bei KI an einen Chat. Bitkom 2025 zeigt, wie früh das Feld noch steht: Nur 2 % der Unternehmen setzen KI in der IT-gestützten Produktion ein, nur 26 % stellen ihren Mitarbeitern überhaupt einen KI-Zugang bereit. Wer hier nur ein Chatfenster verteilt, lässt den größten Teil liegen. Aus über 100 KI-Rollouts sehen wir vier Use-Case-Klassen, die in erfolgreichen Einführungen immer wieder auftauchen.
Die vier Klassen — dein Portfolio
In der reinen Nutzung dominiert der Chat — bei einem von uns gemessenen Mittelständler waren das über 70 % aller Interaktionen. Der wirtschaftliche Wert pro Use-Case liegt jedoch in Workflows und KI-Apps. Ein einzelner Workflow liefert im Monat oft mehr als hunderte Chat-Anfragen.
Wer nur in einer Klasse baut, verliert einen Großteil des Potenzials.
Assistent oder Workflow — die wichtigste Entscheidung
Die beiden mittleren Klassen verwechseln Teams am häufigsten. Die Trennlinie ist einfach: Ein Assistent ist flexibel — das Modell entscheidet je nach Anfrage, ruft Tools selbst auf und liefert Markdown oder Artifacts. Ein Workflow hat feste Schritte, typisierte Variablen und pro Schritt ein eigenes Modell. Datei-Output in PowerPoint, Excel oder Word geht ausschließlich über einen Workflow.
- Gleicher Ablauf, strukturierte Eingaben → Workflow.
- Freie Frage, das Modell nutzt Tools eigenständig → Assistent.
Workflows bauen, die nicht driften
Schlecht gebaute Workflows liefern beim ersten Test ein gutes Ergebnis und scheitern still beim zehnten Lauf, wenn eine andere Person andere Eingaben macht. Zwei Regeln verhindern das.
Erst manuell, dann modellieren. Spiel den Prozess drei Mal im Chat durch — mit drei verschiedenen Eingaben — bevor du ihn als Workflow speicherst. Du merkst dabei, welche Variablen wirklich variieren und ob das Modell liefert, was du brauchst.
Drei Bestandteile pro Schritt. Jeder gute Schritt nennt mindestens eine Variable, eine Referenz und ein Output-Schema. Maximal drei bis vier Schritte — darüber verliert das Modell die ursprüngliche Aufgabe.
Anti-Pattern: Output ohne Schema
Der häufigste Fehler im Workflow-Builder: Der Prompt sagt, was erzeugt werden
soll, aber nicht in welcher Form. Modelle variieren dann von Lauf zu Lauf in
Länge, Reihenfolge und Bullet-Stil — und der Kollege bekommt eine Woche später
ein anderes Format. Schreib das Output-Schema explizit als Liste der
Abschnitte in den Prompt. Wo möglich, aktiviere die Dokumentausgabe — eine
.docx oder .xlsx erzwingt eine feste Struktur.
Connector oder Data-Pool — Wissen anbinden
Damit KI echte Arbeit übernimmt, muss sie an deine Systeme. Zwei Wege, bewusst nach Risiko getrennt:
- Connector: Live-API mit Aktionen — der Assistent liest aktuelle Daten und schreibt zurück (E-Mails senden, Tickets anlegen). Berechtigungen entsprechen denen des einzelnen Nutzers im Quellsystem.
- Data-Pool (RAG): read-only Wissens-Suche über große Dokumentenbestände, zentral von Admins gepflegt.
Vorsicht bei Data-Pool-Berechtigungen
Ein Data-Pool übernimmt die Berechtigungen der Quelle nicht automatisch. Anders als beim Connector greifen etwa SharePoint-Permissions nicht von selbst — der Admin konfiguriert den Zugriff manuell. Kläre das, bevor sensibles Wissen indexiert wird.
Was das in Stunden bedeutet
Die Zahlen aus realen Einführungen zeigen den Unterschied zwischen Spielerei und Produktivsystem — alle anonymisiert.
| Aufgabe | Vorher | Mit KI | |
|---|---|---|---|
| Stellenanzeige (Workflow) | 20 Min. | 2 Min. | |
| SHK-Angebot (Assistent) | 45 Min. | 5 Min. | |
| Sales-Dashboard (KI-App) | Wochen | 30 Min. | |
| Lastenheft, erste Version | 3–5 Tage | 60 % an 1 Nachmittag | |
| Ersparnis SHK-Angebot | 80–90 % | ||
Das Sales-Dashboard baute ein Mitarbeiter ohne Programmier-Kenntnisse — der klassische Weg hätte einen Business-Analysten und mehrere Wochen gebraucht. Genau hier kippt KI vom Hilfsmittel zum Prozess.
Wo du weiterliest
Beginne read-only: erst suchen und lesen, dann schreiben und handeln. Wie du Schreibrechte und Datenzugriff sauber regelst, steht in Governance & Sicherheit. Welche Aufgaben in deinem Team den größten Hebel haben, zeigt die Use-Case-Landkarte — und was die Breite über alle vier Klassen wirklich wert ist, rechnet Wirkung messen vor.