Warum maximal drei KI-Use-Cases sinnvoll sind

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

Der Irrtum der Breite

Typische KI-Roadmaps umfassen 20 Use Cases, mehrere Abteilungen und ambitionierte Zeitpläne, aber keinen Fokus, keine klare Verantwortung und keinen Abschluss.

Warum Organisationen Reduktion vermeiden

Priorisierung verlangt das Nein-Sagen und schafft politische Unbequemlichkeit. Stattdessen wird Aufmerksamkeit fragmentiert und Wirkung verhindert.

Die organisatorische Realität

Mehr als drei parallele Use Cases führen zu konkurrierenden Erwartungen, fragmentierter Verantwortung und fehlenden Lerneffekten.

Warum drei funktionieren

Drei Use Cases sind überschaubar, erklärbar und steuerbar. Sie ermöglichen klare Aufmerksamkeit, messbare Wirkung und echte Standards als Basis für Skalierung.

KI skaliert nicht durch mehr Initiativen. Sie skaliert durch klare, abgeschlossene Interventionen.

Die kognitive Grundlage der Dreier-Regel

Die Begrenzung auf drei parallele KI-Use-Cases ist keine willkürliche Zahl. Sie hat eine kognitions- und organisationswissenschaftliche Grundlage, die erklärt, warum Organisationen bei mehr als drei Initiativen systematisch scheitern.

George A. Millers Forschung zur kognitiven Last, heute bekannt als Miller's Law, zeigte, dass das Arbeitsgedächtnis des Menschen sieben Einheiten plus minus zwei zuverlässig verarbeiten kann. Spätere Forschung revidierte diese Zahl nach unten: Für komplexe, interdependente Aufgaben — also genau das, was KI-Use-Cases in der Einführungsphase sind — reduziert sich die zuverlässige Kapazität auf drei bis vier Einheiten gleichzeitig.

Was für einzelne Personen gilt, potenziert sich für Teams und Organisationen. Jede parallele KI-Initiative erfordert Aufmerksamkeit von Führungskräften, Kapazität aus IT und Fachbereichen, Datenressourcen, externe Expertise und organisatorische Bandbreite für Change Management. Drei Initiativen verteilen diese Ressourcen auf drei Fronten. Zehn Initiativen auf zehn. Das Ergebnis ist nicht mehr Wirkung — es ist weniger, weil keine Initiative die Ressourcen erhält, die sie braucht, um abgeschlossen zu werden.

Ressourcenallokation und das Aufmerksamkeitsparadox

Das Aufmerksamkeitsparadox im KI-Portfolio funktioniert so: Organisationen starten viele Initiativen, weil sie zeigen wollen, dass sie KI ernst nehmen. Dieser Impuls ist verständlich — in einem Umfeld, in dem KI-Aktivität als Qualitätssignal gilt, wird Breite mit Reife gleichgesetzt. Das Paradox ist: Je mehr Initiativen parallel laufen, desto weniger Aufmerksamkeit bekommt jede einzelne, und desto geringer ist die Wahrscheinlichkeit, dass auch nur eine davon erfolgreich abgeschlossen wird.

McKinsey quantifiziert das im State of AI 2025: Die rund 6 Prozent der Organisationen, die McKinsey als High Performer einstuft, unterscheiden sich von den übrigen nicht durch mehr Initiativen, sondern durch tiefere Integration: Sie gestalten Arbeitsabläufe fundamental neu statt KI auf bestehende Prozesse zu legen. Diese Neugestaltung erfordert intensive Aufmerksamkeit — was nur möglich ist, wenn die Zahl der gleichzeitigen Initiativen begrenzt ist.

Gartner zeigt in seiner Forschung zu Technologieadoption, dass Projekte mit klar definierten Budgets, Verantwortlichkeiten und Zeitrahmen eine signifikant höhere Erfolgsquote haben. Mehr als drei parallele KI-Projekte führen dazu, dass keine dieser drei Bedingungen für alle Projekte gleichzeitig erfüllbar ist.

Das Problem der fragmentierten Verantwortung

Ein spezifisches Organisationsversagen bei zu vielen parallelen KI-Use-Cases ist die Fragmentierung von Verantwortung. Wenn zehn Initiativen gleichzeitig laufen, entstehen zehn Ownership-Situationen. In der Praxis bedeutet das: Kein einzelner Mensch hat den vollständigen Überblick über alle Initiativen, und niemand hat ausreichende Kapazität, eine Initiative wirklich zu treiben.

Das führt zu einer charakteristischen Dynamik: Initiativen werden gestartet, aber nicht abgeschlossen. Teams wechseln zwischen Projekten, weil überall Dringlichkeit entsteht. Entscheidungen werden vertagt, weil die Entscheidungsträger in mehreren Initiativen gleichzeitig involviert sind. Probleme eskalieren langsam, weil niemand die Kapazität hat, sich ihnen vollständig zu widmen.

Drei Use Cases ermöglichen drei klare Ownerships. Jeder Owner hat die Kapazität, seine Initiative wirklich zu steuern. Jede Initiative hat die Aufmerksamkeit, die sie braucht. Jedes Problem kann innerhalb des zuständigen Teams adressiert werden, bevor es eskaliert.

Fehlende Lerneffekte: das unsichtbare Scheitern

Das MIT-Projekt NANDA benennt einen weiteren Faktor: Erfolgreiche Organisationen wählen einen Schmerzpunkt, führen ihn sauber aus und integrieren ihn tief in den Arbeitsablauf. Gescheiterte Organisationen testen breit und integrieren flach. Das Muster wiederholt sich unabhängig von Branche und Unternehmensgröße.

Breites Testen ohne Tiefe verhindert Lerneffekte. Wenn eine Initiative abgebrochen wird, bevor sie vollständig in den Betrieb integriert ist, hat die Organisation zwar Erkenntnisse gewonnen, aber keinen Standard. Der nächste Versuch beginnt von vorne. Über viele Initiativen hinweg entsteht eine Organisation, die gut darin ist, Piloten zu starten, aber schlecht darin, Standards zu etablieren.

Drei abgeschlossene Use Cases erzeugen drei dokumentierte Standards: Was hat funktioniert? Unter welchen Bedingungen? Welche Hürden mussten überwunden werden? Diese Muster übertragen sich auf die nächste Runde — und auf die danach. Skalierung entsteht nicht durch mehr Initiativen, sondern durch das Replizieren bewährter Standards.

Organisatorische Beispiele

Ein mittelständisches Fertigungsunternehmen mit 800 Mitarbeitern startete im Jahr 2024 zwölf KI-Initiativen parallel: Predictive Maintenance, automatisierte Qualitätskontrolle, KI-gestützte Einkaufsoptimierung, Chatbot für den Kundendienst, KI-unterstützte Personalplanung, automatisierte Rechnungsverarbeitung und weitere. Zwölf Monate später waren drei dieser Initiativen noch aktiv, keine war vollständig in den Betrieb integriert. Das Ergebnis: zwölf unfertige Vorhaben, ein desillusioniertes Team und ein erhebliches investiertes Budget ohne messbaren Return.

Ein vergleichbares Unternehmen im selben Sektor startete drei Initiativen: automatisierte Rechnungsverarbeitung, Predictive Maintenance für die kritischste Produktionslinie, KI-gestützte Einkaufsoptimierung. Alle drei wurden innerhalb von sechs Monaten vollständig in den Betrieb integriert und generieren seither messbaren Wert. Danach folgten drei neue Initiativen — aufbauend auf den etablierten Standards und der gewonnenen internen Kompetenz.

Das Muster ist nicht anekdotisch — es ist strukturell. Die Frage ist nicht, welche Zahl die richtige ist. Die Frage ist, wie viele Initiativen eine Organisation gleichzeitig mit ausreichender Tiefe und Ressourcen abschließen kann. Für die meisten Mittelständler liegt diese Zahl bei zwei bis drei.

Das Gegenargument: Wettbewerb erfordert Tempo

Das häufigste Gegenargument zur Begrenzung auf drei Use Cases lautet: Der Wettbewerb bewegt sich schnell. Wer langsam startet, verliert. Diese Intuition ist verständlich und falsch.

Wettbewerbsvorteil entsteht nicht durch die Anzahl der gestarteten Initiativen, sondern durch die Zahl der abgeschlossenen und skalierten. Eine Organisation, die zehn Initiativen startet und keine abschließt, hat keinen Wettbewerbsvorteil gegenüber einer, die drei startet und alle drei abschließt — sie hat einen Nachteil, weil sie mehr Ressourcen verbraucht hat ohne Ergebnis.

Die McKinsey-Daten stützen diese Sicht: Der Unterschied zwischen High Performern und anderen liegt nicht in der Zahl der Initiativen, sondern in der Tiefe der Integration. Tiefe Integration erfordert Zeit und Aufmerksamkeit — Ressourcen, die bei zwanzig parallelen Initiativen für keine einzelne verfügbar sind.

Die politische Dimension der Reduktion

Warum fällt es Organisationen so schwer, die Zahl der parallelen Initiativen zu begrenzen? Die Antwort liegt nicht in der Sachlogik, sondern in der politischen Dynamik. Jede Initiative hat einen internen Champion, der sie verteidigt. Eine Initiative zu streichen bedeutet, einen internen Champion zu enttäuschen. Das ist politisch unbequem und wird deshalb vermieden.

Die Folge ist eine schleichende Expansion des KI-Portfolios, die nicht durch strategischen Wert getrieben wird, sondern durch interne Interessenvertretung. Jede Abteilung möchte ihre Initiative auf der Roadmap sehen. Jeder Bereich möchte zeigen, dass er KI aktiv vorantreibt. Das Ergebnis ist ein Portfolio, das politische Interessen abbildet statt strategischer Prioritäten.

Die Entscheidung für maximal drei Use Cases ist deshalb keine methodische Entscheidung — sie ist eine Führungsentscheidung. Sie erfordert, Prioritäten explizit zu machen, Initiativen zu streichen und Champions zu enttäuschen. Diese Unbequemlichkeit ist der Mechanismus, der Wirkung erzeugt.

Wie die Auswahl der drei Use Cases funktioniert

Die Auswahl der drei Use Cases, die gleichzeitig verfolgt werden, folgt drei Kriterien.

• Geschäftswert: Welche Initiative hat den klarsten und messbaren Nutzen? Eine Initiative ohne quantifizierbares Erfolgskriterium ist keine Kandidatin für die Dreier-Liste.
• Organisationsreife: Welche Initiative kann mit den vorhandenen Daten, Kompetenzen und Prozessen tatsächlich abgeschlossen werden? Eine Initiative, die Fähigkeiten voraussetzt, die noch nicht vorhanden sind, scheitert nicht an der Technologie, sondern an der Vorbereitung.
• Ressourcenverfügbarkeit: Welche drei Initiativen kann die Organisation gleichzeitig mit der notwendigen Tiefe und Aufmerksamkeit führen? Nicht die ambitioniertesten, sondern die, für die die Ressourcen wirklich vorhanden sind.

Alle anderen Initiativen werden aus dem aktiven Portfolio entfernt. Sie verschwinden nicht — sie werden für die nächste Runde aufbewahrt. Aber sie konkurrieren nicht mit den aktiven drei um Aufmerksamkeit, Ressourcen und Entscheidungskapazität.

Skalierung durch Iteration, nicht durch Breite

Das Ziel der Begrenzung auf drei Use Cases ist nicht, wenig zu tun. Das Ziel ist, durch Iteration zu skalieren. Eine Organisation, die quartalsweise drei Use Cases abschließt, hat nach einem Jahr zwölf abgeschlossene, in den Betrieb integrierte Standards. Eine Organisation, die zwanzig Use Cases parallel verfolgt, hat nach einem Jahr zwanzig unfertige Vorhaben.

Die Skalierungslogik ist damit keine lineare Ausweitung, sondern eine iterative Vertiefung: abschließen, lernen, standardisieren, wiederholen. Jede Iteration baut auf dem Fundament der vorherigen auf und erhöht die Fähigkeit der Organisation, weitere Initiativen effizienter abzuschließen.

Das ist der Grund, warum KI nicht durch mehr Initiativen skaliert. Sie skaliert durch klare, abgeschlossene Interventionen — und durch die internen Standards, die diese Interventionen hinterlassen.

Praktische Konsequenzen für das KI-Portfolio

Für Organisationen, die heute mehr als drei aktive KI-Initiativen verfolgen, empfehlen sich konkrete Schritte.

• Portfolio-Inventar: alle laufenden KI-Initiativen auflisten — inklusive der informellen, die in einzelnen Abteilungen ohne zentrale Kenntnis laufen.
• Status-Prüfung: für jede Initiative: Gibt es ein klares Enddatum? Ein messbares Erfolgskriterium? Einen benannten Owner? Initiativen ohne diese drei Merkmale sind keine Projekte.
• Dreier-Auswahl: die drei Initiativen identifizieren, die nach den Kriterien Geschäftswert, Organisationsreife und Ressourcenverfügbarkeit am ehesten abschließbar sind.
• Formales Pausieren: alle anderen Initiativen formell pausieren — nicht streichen, aber auch nicht weiterführen. Ressourcen werden auf die drei aktiven umgeleitet.
• Abschluss und Rotation: nach Abschluss der ersten drei Initiativen: Auswertung, Standardisierung, Aufnahme der nächsten drei aus dem pausierten Portfolio.

Warum Fokus keine Bescheidenheit ist, sondern Risikosteuerung

Die Begrenzung auf drei parallele KI-Use-Cases wird in Organisationsdiskussionen häufig als mangelnde Ambition missverstanden. Das Gegenteil ist richtig: Sie ist ein Risikomanagementinstrument. Jede parallele Initiative erhöht das organisatorische Risiko durch verteilte Aufmerksamkeit, fragmentierte Ressourcen und unklare Eskalationspfade. Wer drei Initiativen führt, kann bei Problemen entscheiden und korrigieren. Wer zwanzig führt, kämpft an zwanzig Fronten gleichzeitig — und verliert überall ein wenig.

Der McKinsey State of AI 2025 zeigt, dass High Performer KI-Risiken über drei Hebel steuern: menschliche Kontrolle an kritischen Entscheidungspunkten, zentrale Aufsicht über das gesamte Portfolio und klare, benannte Verantwortung je Use Case. Diese drei Hebel sind nur bei einem überschaubaren Portfolio wirklich betreibbar. Bei zwanzig parallelen Initiativen ist zentrale Aufsicht nominal, nicht real — die Kapazität für echte Kontrolle endet weit vor der zwanzigsten Initiative.

EU AI Act: Compliance als Argument für Portfoliodisziplin

Der EU AI Act verpflichtet Organisationen seit dem 2. August 2025 zur KI-Kompetenz bei allen Beteiligten, die KI-Systeme einsetzen oder überwachen. Für Hochrisiko-Systeme gelten ab dem 2. August 2026 vollständige Governance-Anforderungen: Risikomanagementsystem, Datengovernance, technische Dokumentation und benannte menschliche Aufsicht. Jeder Use Case, der in Betrieb ist, zieht diese Anforderungen nach sich. Eine Organisation mit zwanzig Use Cases in Betrieb muss zwanzig Compliance-Pfade pflegen. Eine Organisation mit drei Use Cases pflegt drei.

Bitkom schätzt, dass deutsche Unternehmen im Durchschnitt 14 Stunden interner Aufwand pro Use Case für die initiale Klassifikation nach EU-AI-Act-Kategorien benötigen, plus laufenden Monitoring-Aufwand. Bei drei Use Cases ist dieser Aufwand handhabbar und planbar. Bei zwanzig Use Cases konkurriert er mit dem operativen Betrieb um dieselben Ressourcen — und verliert in der Praxis regelmäßig. Portfoliodisziplin ist damit auch regulatorische Vorsorge.

Das richtige Tempo: Sequenz schlägt Parallelität

Die überzeugendste Antwort auf den Einwand, Fokus koste Wettbewerbstempo, ist die Zeitrechnung. Eine Organisation, die drei Use Cases in sechs Monaten abschließt und danach drei weitere startet, hat nach zwölf Monaten sechs vollständig integrierte, produktive Use Cases. Eine Organisation, die zwanzig Use Cases parallel startet, hat nach zwölf Monaten zwanzig Vorhaben in unterschiedlichen Stadien — keinen einzigen vollständig in den Betrieb integrierten Standard. Die sequentielle Organisation hat einen Vorsprung, den die parallele mit mehr Ressourcen nicht aufholen kann, weil das Problem kein Ressourcenproblem ist.

• Sequenzielle Organisation: 3 Use Cases pro Halbjahr × 2 Durchläufe = 6 produktive Standards nach 12 Monaten, je mit dokumentiertem Lerneffekt.
• Parallele Organisation: 20 Use Cases gestartet, 0 bis 2 vollständig abgeschlossen nach 12 Monaten — der Rest verbleibt im Pilotmodus.
• Der entscheidende Unterschied liegt nicht im Budget, sondern in der Abschlusskultur: Wer abschließt, lernt. Wer nicht abschließt, wiederholt.

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: Forschung zu Technologieadoption und Projekterfolgsfaktoren, https://www.gartner.com
• Miller, G. A.: The Magical Number Seven, Plus or Minus Two (1956), Psychological Review
• Bitkom: Digital Office Index 2024/2025, https://www.bitkom.org

Warum Fokus keine Bescheidenheit ist, sondern Risikosteuerung

Die Begrenzung auf drei parallele KI-Use-Cases wird in Organisationsdiskussionen häufig als mangelnde Ambition missverstanden. Das Gegenteil ist richtig: Sie ist ein Risikomanagementinstrument. Jede parallele Initiative erhöht das organisatorische Risiko durch verteilte Aufmerksamkeit, fragmentierte Ressourcen und unklare Eskalationspfade. Wer drei Initiativen führt, kann bei Problemen entscheiden und korrigieren. Wer zwanzig führt, kämpft an zwanzig Fronten gleichzeitig — und verliert überall ein wenig.

Der McKinsey State of AI 2025 zeigt, dass High Performer KI-Risiken über drei Hebel steuern: menschliche Kontrolle an kritischen Entscheidungspunkten, zentrale Aufsicht über das gesamte Portfolio und klare, benannte Verantwortung je Use Case. Diese drei Hebel sind nur bei einem überschaubaren Portfolio wirklich betreibbar. Bei zwanzig parallelen Initiativen ist zentrale Aufsicht nominal, nicht real — die Kapazität für echte Kontrolle endet weit vor der zwanzigsten Initiative.

EU AI Act: Compliance als Argument für Portfoliodisziplin

Der EU AI Act verpflichtet Organisationen seit dem 2. August 2025 zur KI-Kompetenz bei allen Beteiligten, die KI-Systeme einsetzen oder überwachen. Für Hochrisiko-Systeme gelten ab dem 2. August 2026 vollständige Governance-Anforderungen: Risikomanagementsystem, Datengovernance, technische Dokumentation und benannte menschliche Aufsicht. Jeder Use Case, der in Betrieb ist, zieht diese Anforderungen nach sich. Eine Organisation mit zwanzig Use Cases in Betrieb muss zwanzig Compliance-Pfade pflegen. Eine Organisation mit drei Use Cases pflegt drei.

Bitkom schätzt, dass deutsche Unternehmen im Durchschnitt 14 Stunden interner Aufwand pro Use Case für die initiale Klassifikation nach EU-AI-Act-Kategorien benötigen, plus laufenden Monitoring-Aufwand. Bei drei Use Cases ist dieser Aufwand handhabbar und planbar. Bei zwanzig Use Cases konkurriert er mit dem operativen Betrieb um dieselben Ressourcen — und verliert in der Praxis regelmäßig. Portfoliodisziplin ist damit auch regulatorische Vorsorge.

Das richtige Tempo: Sequenz schlägt Parallelität

Die überzeugendste Antwort auf den Einwand, Fokus koste Wettbewerbstempo, ist die Zeitrechnung. Eine Organisation, die drei Use Cases in sechs Monaten abschließt und danach drei weitere startet, hat nach zwölf Monaten sechs vollständig integrierte, produktive Use Cases. Eine Organisation, die zwanzig Use Cases parallel startet, hat nach zwölf Monaten zwanzig Vorhaben in unterschiedlichen Stadien — keinen einzigen vollständig in den Betrieb integrierten Standard. Die sequentielle Organisation hat einen Vorsprung, den die parallele mit mehr Ressourcen nicht aufholen kann, weil das Problem kein Ressourcenproblem ist.

• Sequenzielle Organisation: 3 Use Cases pro Halbjahr × 2 Durchläufe = 6 produktive Standards nach 12 Monaten, je mit dokumentiertem Lerneffekt.
• Parallele Organisation: 20 Use Cases gestartet, 0 bis 2 vollständig abgeschlossen nach 12 Monaten — der Rest verbleibt im Pilotmodus.
• Der entscheidende Unterschied liegt nicht im Budget, sondern in der Abschlusskultur: Wer abschließt, lernt. Wer nicht abschließt, wiederholt.