Mehr als drei KI-Use-Cases gleichzeitig sind organisatorischer Selbstbetrug

Fokus ist keine Priorisierung. Fokus ist Ausschluss.

Organisationen mit mehr als 20 Use Cases auf der KI-Roadmap verfolgen keine Strategie, sie vermeiden Entscheidungen. Mehr als drei parallele Initiativen erzeugen konkurrierende Erwartungen, fragmentierte Verantwortung und keine sauberen Lerneffekte.

Reduktion erzwingt Priorisierung, das Nein-Sagen und Klarheit. Die politische Unbequemlichkeit echter Fokussierung ist kein Fehler, sondern der Mechanismus, der Wirkung erzeugt.

Breite ist kein Zeichen von Reife. Sie ist ein Zeichen von Ausweichbewegung.

Der Unterschied zwischen Priorisierung und Fokus

Priorisierung bedeutet: alle Vorhaben in eine Reihenfolge bringen. Vorhaben Nummer eins bekommt die meiste Aufmerksamkeit, aber Vorhaben Nummer zwanzig ist noch auf der Liste. Es wird irgendwann angegangen. Vielleicht.

Fokus bedeutet: Vorhaben, die jetzt nicht verfolgt werden, werden nicht verfolgt. Sie sind nicht auf der Liste. Es gibt keine Erwartung, kein Budget-Commitments, keine Aufmerksamkeit. Sie existieren als Ideen — nicht als Vorhaben. Der Unterschied ist fundamental, weil eine priorisierte Liste von zwanzig Use Cases noch immer zwanzig Erwartungen erzeugt, die Ressourcen binden und Aufmerksamkeit verteilen.

Die Fähigkeit, echten Fokus herzustellen, ist damit keine Planungskompetenz. Sie ist eine Führungskompetenz: die Bereitschaft, Erwartungen zu enttäuschen, um Wirkung zu ermöglichen.

Warum 20 Use Cases keine Strategie sind

Eine KI-Roadmap mit 20 Use Cases erscheint strategisch, weil sie Vollständigkeit suggeriert. Sie zeigt, dass die Organisation die KI-Möglichkeiten kennt, dass sie systematisch vorgegangen ist bei der Ideensammlung, dass sie die relevanten Bereiche adressiert. Das Problem ist: eine Liste ist keine Strategie. Eine Liste ist ein Inventar.

Strategie bedeutet Auswahl unter Verzicht. Eine Strategie, die keine Entscheidung darüber trifft, was nicht verfolgt wird, ist keine Strategie, sondern ein Wunschzettel. Der Unterschied zeigt sich in der Ressourcenallokation: Eine Strategie weist Ressourcen zu. Ein Wunschzettel hofft auf Ressourcen.

Das MIT-Projekt NANDA beschreibt den Unterschied empirisch: Organisationen, die einen Schmerzpunkt auswählen und ihn sauber ausführen, erzielen messbaren Wert. Organisationen, die breit testen, erzielen keinen. Die Zahl der verfolgten Use Cases ist damit eine valide Messgröße für die Qualität der Strategie.

Konkurrierendeerwartungen: wie parallele Use Cases sich gegenseitig lähmen

Wenn zehn Use Cases gleichzeitig auf der Roadmap aktiv sind, entstehen zehn Erwartungshaltungen im Team. Jeder Use Case hat einen internen Sponsor, der regelmäßige Updates möchte, Ressourcen beansprucht und Priorisierung einfordert. Wenn Ressourcen knapp werden — was immer der Fall ist — kollidieren diese Erwartungen.

Die Folge sind endlose Priorisierungsdiskussionen, die selbst Ressourcen verbrauchen, ohne Wert zu erzeugen. Teams werden zwischen Projekten hin- und hergezogen. Entscheidungsträger können keine Entscheidungen treffen, weil jede Entscheidung für ein Projekt eine Entscheidung gegen zehn andere ist. Das Ergebnis ist Lähmung — nicht durch zu wenig Ambition, sondern durch zu viel.

Drei Use Cases erzeugen drei Erwartungshaltungen. Konflikte zwischen ihnen sind handhabbar. Ressourcenallokation ist überschaubar. Entscheidungen können getroffen werden, weil die Komplexität begrenzt ist.

Fragmentierte Verantwortung als Projektscheitern

Jeder Use Case braucht einen Owner: eine einzelne Person, die für das Ergebnis einsteht. Bei zehn parallelen Use Cases entstehen zehn Ownership-Situationen. In der Praxis bedeutet das, dass Ownership häufig geteilt wird — zwischen Abteilungen, zwischen IT und Fachbereich, zwischen internen und externen Ressourcen.

Geteilte Ownership ist keine Ownership. Wenn zwei oder drei Menschen für denselben Use Case verantwortlich sind, ist unklar, wer entscheidet, wenn Konflikte entstehen. Wer trägt die Konsequenzen, wenn das Ziel nicht erreicht wird? Wer entscheidet über die Priorisierung, wenn Ressourcen knapp werden?

McKinsey benennt im State of AI 2025 klare Verantwortung als eines der zentralen Merkmale der High Performer. Klare Verantwortung entsteht nicht durch bessere RACI-Matrizen, sondern durch Reduktion der Komplexität: weniger parallele Initiativen, klarere Ownership, eindeutigere Entscheidungspunkte.

Das Lernproblem bei breiten Portfolios

Lerneffekte entstehen durch Abschluss. Wenn ein Use Case vollständig in den Betrieb integriert ist, kann die Organisation auswerten: Was hat funktioniert? Was nicht? Was hätte früher erkannt werden müssen? Diese Erkenntnisse sind die Grundlage der nächsten Initiative.

Wenn zehn Use Cases parallel laufen und keiner vollständig abgeschlossen wird, entstehen keine sauberen Lerneffekte. Erkenntnisse aus einem Use Case vermischen sich mit denen aus anderen. Kausalitäten sind unklar. Was hat den Unterschied gemacht — die Technologie, der Prozess, die Daten, das Team? Ohne Abschluss lässt sich das nicht trennen.

Organisationen mit breiten KI-Portfolios entwickeln eine charakteristische Pathologie: Sie wissen viel über viele Dinge und wenig über irgendetwas wirklich gut. Sie haben Erfahrung mit vielen Piloten und keine Erfahrung damit, KI tatsächlich in den Betrieb zu bringen.

Die Unbequemlichkeit des Nein-Sagens

Die politische Unbequemlichkeit echter Fokussierung ist real. Wenn eine Organisation entscheidet, dass von zwanzig Use Cases nur drei gleichzeitig verfolgt werden, enttäuscht sie siebzehn interne Champions. Das erzeugt Widerstand, Frust und Skepsis gegenüber dem Entscheidungsprozess.

Diese Unbequemlichkeit ist kein Problem — sie ist das Signal, dass echte Entscheidungen getroffen werden. Organisationen, in denen keine Unbequemlichkeit entsteht, haben keine echten Entscheidungen getroffen. Sie haben priorisiert, nicht fokussiert.

Der Mechanismus ist einfach: Wenn alle Initiativen gleichzeitig auf der Liste stehen, muss niemand für eine bestimmte Initiative kämpfen. Wenn nur drei auf der aktiven Liste stehen, ist die Selektion eine echte Entscheidung mit realen Konsequenzen. Diese Entscheidungsqualität ist das, was Wirkung erzeugt.

Ausweichbewegung als Organisationsversagen

Breite auf der KI-Roadmap ist oft eine Ausweichbewegung — nicht vor der Arbeit, sondern vor der Entscheidung. Wer keine Entscheidung über Prioritäten treffen will, sammelt alle Ideen auf einer Liste. Wer keine Verantwortung für ein spezifisches Ergebnis übernehmen will, startet viele Initiativen gleichzeitig. Wer keinen Misserfolg riskieren will, definiert keinen Erfolg.

Diese Ausweichbewegungen sind menschlich und verständlich. In einer Umgebung, in der KI-Aktivität als Qualitätssignal gilt, ist breite Aktivität eine sichere Strategie: Es kann nicht scheitern, was nicht abgeschlossen wird. Der Preis ist die Wirkung.

Echter Fokus erfordert, diesen Preis zu zahlen: die Bereitschaft, zu scheitern — und damit auch die Möglichkeit, zu gewinnen. Eine Organisation, die maximal drei Use Cases gleichzeitig verfolgt, setzt sich dem Risiko aus, dass einer dieser drei nicht funktioniert. Sie akzeptiert dieses Risiko, weil die Alternative — keine abgeschlossenen Use Cases — kein Lernen und keinen Wert produziert.

Von der These zur Praxis: Fokus herstellen

Die praktische Umsetzung dieser These beginnt mit einer Bestandsaufnahme. Wie viele KI-Initiativen laufen aktuell in der Organisation? Wie viele davon haben ein definiertes Enddatum, ein messbares Erfolgskriterium und einen benannten Owner? Initiativen ohne diese drei Merkmale sind keine Projekte — sie sind offene Fragen, die Ressourcen verbrauchen.

• Alle aktiven KI-Initiativen inventarisieren — inklusive der informellen in einzelnen Abteilungen.
• Jede Initiative gegen drei Kriterien prüfen: Enddatum vorhanden? Erfolgskriterium definiert? Owner benannt?
• Die drei Initiativen mit dem stärksten Geschäftswert und der höchsten Abschlusswahrscheinlichkeit auswählen.
• Alle anderen formell pausieren und aus der aktiven Planung entfernen.
• Die drei aktiven Initiativen mit der vollen verfügbaren Ressource und Aufmerksamkeit verfolgen.
• Nach Abschluss: Lerneffekte dokumentieren und die nächsten drei aus dem pausierten Inventar auswählen.

Das ist kein komplexes Veränderungsprogramm. Es ist eine Führungsentscheidung, die in einem einzigen Meeting getroffen werden kann — wenn die Bereitschaft vorhanden ist, die politische Unbequemlichkeit zu akzeptieren, die echte Fokussierung erzeugt.

Die Opportunitätskosten des breiten Portfolios

Der wirtschaftliche Schaden eines breiten KI-Portfolios ist selten explizit sichtbar, weil er sich nicht in einer Fehlbuchung niederschlägt. Er zeigt sich als gebundene Managementkapazität, als nie abgeschlossene Lernkurven und als wachsende Skepsis gegenüber zukünftigen KI-Initiativen. Die MIT-NANDA-Studie über 300 Implementierungen benennt diesen Mechanismus direkt: Organisationen, die viele Piloten gleichzeitig betreiben, bauen keine organisatorische Lernfähigkeit auf — sie wiederholen denselben Pilot mit anderem Namen.

Gartner schätzt, dass bis 2026 etwa 60 Prozent der KI-Projekte ohne messbare Ergebnisse aufgegeben werden. Ein erheblicher Anteil davon sind nicht technische Misserfolge, sondern Portfolio-Misserfolge: Vorhaben, die nie die Ressourcen bekommen haben, die sie für einen echten Abschluss gebraucht hätten. Die Diagnose lautet nicht Technologieversagen, sondern Aufmerksamkeitsmangel — der direkte Effekt eines zu breiten Portfolios.

Fokus und Organisationskultur: warum Ausschluss kulturelle Reife signalisiert

In vielen Organisationen gilt Breite als Qualitätssignal. Wer viele Initiativen zeigt, demonstriert Aktivität und Fortschritt. Wer wenige zeigt, wirkt zurückhaltend oder rückständig. Dieser Kulturmechanismus ist eine der wichtigsten Ursachen für Portfolio-Inflation: Nicht strategische Überzeugung, sondern Sichtbarkeitsdruck treibt die Anzahl der Initiativen nach oben.

Echter organisatorischer Fortschritt zeigt sich nicht in der Zahl gestarteter Initiativen, sondern in der Zahl abgeschlossener. Eine Führungskraft, die drei Use Cases konsequent in den Betrieb bringt und drei weitere explizit ablehnt, demonstriert mehr strategische Reife als eine, die zwanzig Initiativen begleitet und keine zu Ende führt. McKinsey nennt diese Eigenschaft der High Performer explizit: Sie schließen ab. Nicht weil sie langsamer wären, sondern weil sie wissen, dass Abschluss die Bedingung für Wirkung ist.

Wie die Dreier-Grenze organisatorisch durchgesetzt wird

Die größte Hürde bei der Einführung einer Dreier-Grenze ist nicht technisch, sondern politisch. Initiativen, die pausiert werden, haben Champions, die enttäuscht werden. Diese Enttäuschung ist der eigentliche Test der Führungsbereitschaft: Wer sie akzeptiert, setzt Prioritäten. Wer sie vermeidet, behält alle Initiativen auf der Liste — und reduziert jede einzelne auf ein Dasein als Hintergrundrauschen.

Ein pragmatisches Vorgehen für Organisationen, die zur Dreier-Grenze wechseln wollen: Im ersten Schritt werden alle aktiven Initiativen inventarisiert und gegen drei Kriterien geprüft — klares Enddatum, messbares Erfolgskriterium, benannter Owner. Initiativen ohne alle drei Merkmale sind keine Projekte. Im zweiten Schritt werden die drei Initiativen mit dem stärksten Geschäftswert und der höchsten Abschlusswahrscheinlichkeit ausgewählt. Alle anderen gehen in ein formell dokumentiertes Backlog. Im dritten Schritt wird der nächste Review-Termin für das Backlog festgelegt — nicht als Hoffnungsanker, sondern als explizite Entscheidung über Reihenfolge.

Was der EU AI Act zur Portfoliodisziplin beiträgt

Der EU AI Act wirkt als externer Disziplinierungsmechanismus für KI-Portfolios, auch wenn das selten so formuliert wird. Jedes KI-System in produktivem Betrieb löst Pflichten aus: Kompetenznachweis der Beteiligten seit dem 2. Februar 2025, und für Hochrisiko-Systeme ab dem 2. August 2026 vollständige Governance-Anforderungen. Diese Pflichten sind pro System, nicht pro Organisation. Ein breites Portfolio multipliziert den Compliance-Aufwand linear.

Bitkom 2025 zeigt, dass nur 23 Prozent der deutschen Mittelstandsunternehmen, die KI einsetzen, ihre Systeme bereits gegen die EU-AI-Act-Kategorien klassifiziert haben. Für Organisationen mit vielen parallelen Initiativen ist diese Klassifikation ein erheblicher Aufwand, der in Konkurrenz zum operativen Betrieb steht. Für Organisationen mit drei gut dokumentierten Use Cases ist sie in wenigen Tagen leistbar. Portfoliodisziplin ist damit auch eine regulatorische Strategie.

Der Lernzyklus als strategischer Vorteil

Organisationen, die Use Cases sequenziell in Dreiergruppen abschließen, entwickeln etwas, das parallele Portfolios strukturell nicht erzeugen können: institutionelles Wissen über den eigenen KI-Einführungsprozess. Sie wissen, welche Schritte bei ihnen regelmäßig zu Problemen führen, welche Vorbereitungsarbeiten unverzichtbar sind und welche Fehler sich wiederholen. Dieses Wissen beschleunigt jeden Folge-Use-Case erheblich.

Das MIT-Projekt NANDA beschreibt diesen Akkumulationseffekt in den 5 Prozent der erfolgreichen Implementierungen: Sie beginnen mit einem klar definierten, eng begrenzten Anwendungsfall, führen ihn vollständig aus und replizieren das Muster. Die Replikation eines bewährten Musters ist deutlich schneller und günstiger als das Neuentwickeln eines Musters. Organisationen mit breiten Portfolios haben keine Muster zu replizieren — sie haben nur Piloten zu erklären.

Quellen

• MIT Project NANDA: The GenAI Divide — State of AI in Business 2025 (Juli 2025), https://nanda.media.mit.edu
• McKinsey & Company: The State of AI in 2025 (November 2025), https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• Gartner: Technologieadoption und Projektmanagement-Forschung, https://www.gartner.com
• Europäische Kommission: AI Act — Verantwortlichkeit und Governance, https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
• Bitkom: KI-Einsatz im deutschen Mittelstand 2025, https://www.bitkom.org

Die Opportunitätskosten des breiten Portfolios

Der wirtschaftliche Schaden eines breiten KI-Portfolios ist selten explizit sichtbar, weil er sich nicht in einer Fehlbuchung niederschlägt. Er zeigt sich als gebundene Managementkapazität, als nie abgeschlossene Lernkurven und als wachsende Skepsis gegenüber zukünftigen KI-Initiativen. Die MIT-NANDA-Studie über 300 Implementierungen benennt diesen Mechanismus direkt: Organisationen, die viele Piloten gleichzeitig betreiben, bauen keine organisatorische Lernfähigkeit auf — sie wiederholen denselben Pilot mit anderem Namen.

Gartner schätzt, dass bis 2026 etwa 60 Prozent der KI-Projekte ohne messbare Ergebnisse aufgegeben werden. Ein erheblicher Anteil davon sind nicht technische Misserfolge, sondern Portfolio-Misserfolge: Vorhaben, die nie die Ressourcen bekommen haben, die sie für einen echten Abschluss gebraucht hätten. Die Diagnose lautet nicht Technologieversagen, sondern Aufmerksamkeitsmangel — der direkte Effekt eines zu breiten Portfolios.

Fokus und Organisationskultur: warum Ausschluss kulturelle Reife signalisiert

In vielen Organisationen gilt Breite als Qualitätssignal. Wer viele Initiativen zeigt, demonstriert Aktivität und Fortschritt. Wer wenige zeigt, wirkt zurückhaltend oder rückständig. Dieser Kulturmechanismus ist eine der wichtigsten Ursachen für Portfolio-Inflation: Nicht strategische Überzeugung, sondern Sichtbarkeitsdruck treibt die Anzahl der Initiativen nach oben.

Echter organisatorischer Fortschritt zeigt sich nicht in der Zahl gestarteter Initiativen, sondern in der Zahl abgeschlossener. Eine Führungskraft, die drei Use Cases konsequent in den Betrieb bringt und drei weitere explizit ablehnt, demonstriert mehr strategische Reife als eine, die zwanzig Initiativen begleitet und keine zu Ende führt. McKinsey nennt diese Eigenschaft der High Performer explizit: Sie schließen ab. Nicht weil sie langsamer wären, sondern weil sie wissen, dass Abschluss die Bedingung für Wirkung ist.

Wie die Dreier-Grenze organisatorisch durchgesetzt wird

Die größte Hürde bei der Einführung einer Dreier-Grenze ist nicht technisch, sondern politisch. Initiativen, die pausiert werden, haben Champions, die enttäuscht werden. Diese Enttäuschung ist der eigentliche Test der Führungsbereitschaft: Wer sie akzeptiert, setzt Prioritäten. Wer sie vermeidet, behält alle Initiativen auf der Liste — und reduziert jede einzelne auf ein Dasein als Hintergrundrauschen.

Ein pragmatisches Vorgehen für Organisationen, die zur Dreier-Grenze wechseln wollen: Im ersten Schritt werden alle aktiven Initiativen inventarisiert und gegen drei Kriterien geprüft — klares Enddatum, messbares Erfolgskriterium, benannter Owner. Initiativen ohne alle drei Merkmale sind keine Projekte. Im zweiten Schritt werden die drei Initiativen mit dem stärksten Geschäftswert und der höchsten Abschlusswahrscheinlichkeit ausgewählt. Alle anderen gehen in ein formell dokumentiertes Backlog. Im dritten Schritt wird der nächste Review-Termin für das Backlog festgelegt — nicht als Hoffnungsanker, sondern als explizite Entscheidung über Reihenfolge.

Was der EU AI Act zur Portfoliodisziplin beiträgt

Der EU AI Act wirkt als externer Disziplinierungsmechanismus für KI-Portfolios, auch wenn das selten so formuliert wird. Jedes KI-System in produktivem Betrieb löst Pflichten aus: Kompetenznachweis der Beteiligten seit dem 2. Februar 2025, und für Hochrisiko-Systeme ab dem 2. August 2026 vollständige Governance-Anforderungen. Diese Pflichten sind pro System, nicht pro Organisation. Ein breites Portfolio multipliziert den Compliance-Aufwand linear.

Bitkom 2025 zeigt, dass nur 23 Prozent der deutschen Mittelstandsunternehmen, die KI einsetzen, ihre Systeme bereits gegen die EU-AI-Act-Kategorien klassifiziert haben. Für Organisationen mit vielen parallelen Initiativen ist diese Klassifikation ein erheblicher Aufwand, der in Konkurrenz zum operativen Betrieb steht. Für Organisationen mit drei gut dokumentierten Use Cases ist sie in wenigen Tagen leistbar. Portfoliodisziplin ist damit auch eine regulatorische Strategie.

Der Lernzyklus als strategischer Vorteil

Organisationen, die Use Cases sequenziell in Dreiergruppen abschließen, entwickeln etwas, das parallele Portfolios strukturell nicht erzeugen können: institutionelles Wissen über den eigenen KI-Einführungsprozess. Sie wissen, welche Schritte bei ihnen regelmäßig zu Problemen führen, welche Vorbereitungsarbeiten unverzichtbar sind und welche Fehler sich wiederholen. Dieses Wissen beschleunigt jeden Folge-Use-Case erheblich.

Das MIT-Projekt NANDA beschreibt diesen Akkumulationseffekt in den 5 Prozent der erfolgreichen Implementierungen: Sie beginnen mit einem klar definierten, eng begrenzten Anwendungsfall, führen ihn vollständig aus und replizieren das Muster. Die Replikation eines bewährten Musters ist deutlich schneller und günstiger als das Neuentwickeln eines Musters. Organisationen mit breiten Portfolios haben keine Muster zu replizieren — sie haben nur Piloten zu erklären.