AI-Beratung für KMU: den ersten Anwendungsfall selbst finden

Stand: 6. August 2026. Dieser Beitrag beschreibt eine Auswahlfrage, die Sie selbst durchgehen können, bevor Sie externe Hilfe einkaufen. Er ist kein Beratungsangebot. Quellen am Ende des Artikels.

Was Sie einkaufen sollen, bevor Sie wissen wofür

Als ich am 5. August 2026 in Zürich nach AI-Hilfe für ein KMU gesucht habe, standen auf Seite 1 fast nur Beratungsanbieter. Einer der obersten Treffer verspricht ein kostenloses KI-Audit: 30 bis 60 Minuten Videocall, Bericht innert 48 Stunden. Darin eine Prozesskartierung, fünf Quick Wins, ein Reifegrad-Score und eine 90-Tage-Roadmap. Andere führen die Findung als eigenes Format - “KI-Potenzialanalyse für Unternehmen” beim einen, “KI Strategie & Roadmap” beim anderen, der seine übrigen Ansätze offen ausweist: CHF 1’800 pauschal für den Einsteiger-Workshop, CHF 280 pro Stunde für individuelle Beratung.

An den Preisen liegt es also nicht, und die erste Runde ist überall gratis. Auffällig ist etwas anderes: Alle behandeln die Frage, wofür Sie KI überhaupt einsetzen sollen, als eigene Leistung vor der eigentlichen Arbeit. Ein Reifegrad-Score aus einem Videocall setzt voraus, dass sich Reife in dieser Zeit feststellen lässt.

Ein grosser Teil dieser Vorarbeit lässt sich im eigenen Haus erledigen, und zwar von einer einzelnen Person. Die Frage ist kleiner, als ihr Preisschild vermuten lässt.

Die Auswahleinheit, an der alles hängt

Die meisten Betriebe steigen bei der Werkzeugfrage ein: ChatGPT oder Claude, Copilot oder Gemini. Andere beginnen bei der Abteilung - “wir fangen im Marketing an”. Beides ist zu grob. Ein Werkzeug ist für die eine Aufgabe brillant und für die nächste unbrauchbar, und eine Abteilung erledigt Dutzende verschiedener Aufgaben.

Die Einheit, an der sich KI-Eignung entscheidet, ist die einzelne wiederkehrende Aufgabe: “aus dem Sitzungsprotokoll die Pendenzenliste ziehen”, “eingehende Anfragen der richtigen Person zuweisen”. Auf der Ebene “Buchhaltung” oder “Kundendienst” lässt sich die Frage gar nicht beantworten.

Genau dort setzt auch die Arbeitsmarktforschung an. Welches Werkzeug am Ende passt, ist eine Folgefrage - die Entscheidungsmatrix für AI-Tools im Schweizer KMU geht sie durch, und dieser Beitrag lässt sie bewusst offen.

Die Frage, mit der die Forschung misst

Die KOF-Konjunkturforschungsstelle der ETH hat im Oktober 2025 untersucht, wie stark einzelne Berufe in der Schweiz von Sprachmodellen betroffen sind. Sie verwendet dafür ein Mass, das Berufe in einzelne Aufgaben zerlegt und jede davon einzeln einstuft. Die entscheidende Stufe heisst E1 und ist im Bericht so definiert: Aufgaben, “bei denen das LLM allein die Erledigungszeit um mindestens 50 Prozent reduzieren kann”. Eine Stufe darunter liegen Aufgaben, die diese Halbierung erst mit ergänzender Software erreichen.

Auf dieser Skala von 0 bis 1 - dem Anteil betroffener Aufgaben an allen Aufgaben eines Berufs - liegen Kodierer und Korrekturlesende bei 0.96, Anwendungsprogrammierende bei 0.94, Reinigungspersonal und Hauswarte bei rund 0.00.

Interessant für Sie ist die Frage selbst:

Halbiert ein Sprachmodell allein die Zeit für diese eine Aufgabe?

So stuft die Studie jede einzelne Tätigkeit ein. In der Originalarbeit, auf der das Mass beruht, ist die Frage aus der Ich-Perspektive formuliert: “Assume you are a worker with an average level of expertise in your role trying to complete the given task.” Also aus der Sicht einer Person mit durchschnittlicher Erfahrung in ihrer eigenen Rolle, an einer einzelnen Aufgabe. Wer die eigene Arbeit kennt, kann das beantworten.

Die Autoren der KOF-Studie schreiben allerdings selbst dazu, dass hier “potenzielle Exposition und nicht tatsächliche Nutzung” gemessen wird. Das Mass läuft über amerikanische Berufsinventare und ist ein Forschungsinstrument, kein Selbstdiagnose-Werkzeug. Sie übernehmen die Frage, nicht die Berechnung - einen eigenen Zahlenwert können Sie damit nicht ausrechnen.

Vier Filter für eine Woche Ihrer eigenen Arbeit

Der Durchgang braucht keine Vorbereitung und keine Software. Sie führen eine Woche lang mit, was Sie tatsächlich tun, und legen danach vier Filter darüber. Was alle vier übersteht, ist Ihr Kandidat.

Der naheliegende Fehler in diesem Durchgang ist die Auswahl nach Sichtbarkeit. Der spektakulärste Anwendungsfall ist selten der beste erste, weil er meist selten vorkommt, viele Beteiligte hat und schwer zu beurteilen ist. Nehmen Sie ein Treuhandbüro: Wer bei der automatischen Jahresabschluss-Analyse einsteigt, wartet lange auf einen Beleg - der Fall kommt einmal im Jahr vor. Wer die Aufbereitung eingehender Belegtexte anfängt, hat die Antwort nach wenigen Wochen.

Filter 3 verdient dabei mehr Aufmerksamkeit, als er zunächst bekommt. Er entscheidet, ob Sie das Ergebnis überhaupt bewerten können. Solange jemand im Haus mit einem Blick erkennt, ob eine Ausgabe brauchbar ist, ist der Fall risikoarm - der Fehler fällt auf, bevor er wirkt. Fehlt diese Person, brauchen Sie eine eigene Prüfschleife, und die kann mehr kosten als die Aufgabe selbst.

Was am Ende dasteht

Nach dieser Woche haben Sie drei Dinge: eine benannte Aufgabe in einem Satz, eine Person, die sie ohnehin erledigt, und ein Zeitbudget - setzen Sie einen halben Tag für den ersten Versuch an. Mehr braucht es nicht, um anzufangen.

Woran Sie nach zwei Wochen merken, ob es getragen hat: Die Person macht es weiter, ohne dass jemand nachfragt. Das ist ein härteres Signal als jede Zeitmessung, und es ist ohne Aufwand zu beobachten. Wird die Aufgabe wieder von Hand erledigt, sobald die Aufmerksamkeit weg ist, war entweder der Fall falsch gewählt oder das Ergebnis zu unzuverlässig - beides erfahren Sie so früh und billig.

Dieselbe Frage steht auch im Halbtag für die Geschäftsleitung auf dem Programm, dort in rund einer Stunde und mit der Leitungsrunde im Raum. Der Unterschied liegt in der Woche davor: Wer allein durchgeht, braucht die Beobachtung, die eine Runde aus dem Stegreif zusammenträgt.

Mit dieser einen Zeile - Aufgabe, Person, Zeitbudget - ändert sich auch jedes Gespräch mit einem Anbieter. Sie bringen einen Fall mit. Wenn Sie an dieser Stelle Unterstützung holen, geht es um die Umsetzung, und die lässt sich in Aufwand und Preis beziffern. Ein Inhouse-Training vor Ort richtet sich dann an einer Aufgabe aus, die Ihr Team bereits kennt. Was ein Workshop dafür kostet und wie lange er dauert, steht in der Übersicht zu Inhouse-KI-Schulungen.

”Aber 95 Prozent der KI-Projekte scheitern doch”

Gegen diesen Durchgang steht ein Einwand, der sich meist auf eine Zahl aus dem MIT-nahen NANDA-Bericht zum Stand von KI in Unternehmen stützt. Drei Dinge daran sind wissenswert, bevor man sie gegen den eigenen Betrieb wendet.

Erstens sagt der Bericht selbst nicht eindeutig, wovon die 95 Prozent ein Anteil sind. Im selben Absatz der Zusammenfassung stehen zwei verschiedene Bezugsgrössen: einmal “95% of organizations are getting zero return”, zwei Sätze später “Just 5% of integrated AI pilots are extracting millions in value”. Organisationen und Piloten sind nicht dasselbe.

Zweitens vergleicht der Bericht Konzerne mit kleineren Häusern, und zwar zum Nachteil der Konzerne. “Enterprises, defined here as firms with over $100 million in annual revenue, lead in pilot count”, heisst es dort - doch “these organizations report the lowest rates of pilot-to-scale conversion”. Der Mittelstand kam in den besten Fällen in 90 Tagen vom Pilot in den Betrieb, die Konzerne brauchten neun Monate und länger. Die Studie insgesamt beruht auf Interviews mit Vertretern von 52 Organisationen, Befragungen von 153 Führungspersonen und gut 300 öffentlich dokumentierten Initiativen; aus welcher dieser Quellen die 95 Prozent stammen, sagt sie nicht. Sie hält aber in eigener Sache fest, die Angaben seien “directionally accurate based on individual interviews rather than official company reporting” - also aus Interviews geschätzt, nicht aus Geschäftszahlen erhoben.

Drittens hält die zweite meistzitierte Zahl der Nachprüfung nicht stand. Der RAND-Bericht führt sie mit “By some estimates, more than 80 percent of AI projects fail” ein. Die Fussnote löst auf einen einzigen Wirtschaftsartikel von 2022 auf, der seinerseits “a slew of recent surveys” anführt, ohne eine davon zu benennen - Selbsteinschätzungen von Führungskräften, keine Messung. Die Spur endet dort, in einem Porträt eines Firmenchefs.

Was die Forschung tatsächlich beschreibt, sind Ursachen, und die betreffen einen anderen Vorgang als Ihren. RAND nennt als häufigste Ursache, dass Auftraggeber “misunderstand - or miscommunicate - what problem needs to be solved using AI”; in vielen Fällen liege das an “a communication breakdown between the data science team and the leaders of the organization”. Diese Übergabe existiert nicht, wenn eine Person am eigenen Schreibtisch eine eigene wiederkehrende Aufgabe auswählt. RAND schränkt allerdings selbst ein, die Befragten seien mehrheitlich nicht-leitende Fachleute gewesen, weshalb die Ergebnisse “may be skewed toward identifying leadership failures”.

Derselbe NANDA-Bericht beschreibt zudem, was bei den erfolgreichen Einführungen anders lief: “Rather than relying on a centralized AI function to identify use cases, successful organizations allowed budget holders and domain managers to surface problems, vet tools, and lead rollouts.”

Was daraus nicht folgt: dass der Durchgang in Eigenregie besser abschneidet. Eine Erhebung, die externe Moderation gegen Eigenregie bei der Use-Case-Findung testet, habe ich nicht gefunden. Die Zahlen entkräften den Einwand, sie belegen die Gegenrichtung nicht.

Wo die Eigenregie endet

Eine Grösse bleibt bei diesem Durchgang aussen vor: die eigene Datenlage. Wie es darum steht, deutet die AI-Momentum-Umfrage von Dun & Bradstreet an, publiziert am 19. Mai 2026. 97 Prozent der Schweizer Organisationen berichten von laufenden KI-Initiativen, 5 Prozent halten ihre Datenbasis für ausreichend darauf vorbereitet. Dass Dun & Bradstreet als Anbieter von Unternehmensdaten ein Interesse an genau dieser Lesart hat, gehört zur Einordnung dazu.

Diese 5 Prozent sind der Grund, warum ein Reifegrad-Score aus einem Videocall wenig aussagt. Sobald es um Personendaten, Aufbewahrungsfristen, Berufsgeheimnisse oder die Anbindung an bestehende Systeme geht, ist das eine eigene Arbeit mit eigenem Aufwand. Welche Kriterien dabei gelten, steht im Leitfaden zum DSG-konformen KI-Einsatz. Der Durchgang oben ersetzt diese Arbeit nicht - er sorgt dafür, dass Sie sie für einen Fall bestellen, von dem Sie bereits wissen, dass er sich lohnt.

Praxis-Fazit

Die Auswahl des ersten Anwendungsfalls ist keine Disziplin, für die es Zukauf braucht. Sie verlangt Kenntnis der eigenen Abläufe, und die haben Sie. Was Zukauf verlangt, kommt danach: die Umsetzung, die rechtliche Prüfung, das Handwerk am Werkzeug.

Der nächste Schritt ist klein genug für diese Woche: Führen Sie fünf Arbeitstage lang eine Liste der Aufgaben, die Sie mehr als einmal erledigt haben. Legen Sie am Freitag die vier Filter darüber. Was übrig bleibt, ist Ihr Kandidat - und mit diesem Kandidaten im Rücken ist ein Team-Workshop eine Übung an Ihrem eigenen Fall statt eine Vorführung an einem fremden. Was danach Zukauf lohnt, ist die Arbeit am Fall selbst: der Workshop, die Claude Code 1:1 Schulung oder die Begleitung in den Wochen nach der Schulung. Den Prozessteil der Standortbestimmung, mit der jenes Programm beginnt, haben Sie mit dem Durchgang oben selbst erledigt - die Werkzeug- und die Freigabefrage bleiben offen.

Quellen (geprüft 6. August 2026):

• KI und der Schweizer Arbeitsmarkt: Erste Evidenz zu Auswirkungen auf Arbeitslosigkeit und Stellenausschreibungen - Jeremias Kläui und Michael Siegenthaler, KOF Studien Nr. 186 (Oktober 2025)
• GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models - Eloundou, Manning, Mishkin, Rock (17. März 2023, Fassung v5 vom 21. August 2023)
• The GenAI Divide: State of AI in Business 2025 - MIT NANDA (Juli 2025)
• The Root Causes of Failure for Artificial Intelligence Projects - RAND Corporation (2024)
• Jeremy Kahn, “Want Your Company’s A.I. Project to Succeed? Don’t Hand It to the Data Scientists, Says This CEO”, Fortune, 26. Juli 2022 - die einzige Quelle, auf die RANDs Fussnote 13 auflöst. Ohne Link, weil ich den Artikel nicht selbst abrufen konnte; die Angaben stammen aus RANDs Literaturverzeichnis.
• AI Momentum Index Q2 2026, Schweiz - Dun & Bradstreet (19. Mai 2026)
• Kostenloses KI-Audit, Kanton Zürich - IAPME Suisse (abgerufen 5. August 2026)
• KI-Potenzialanalyse für Unternehmen - Akademie KI (abgerufen 5. August 2026)
• KI Strategie & Roadmap, Preise - aiconsult.ch (abgerufen 5. August 2026)