Wenn der attraktivste KI-Use-Case der heikelste ist

Der margenträchtigste KI-Use-Case in einem Schweizer KMU ist meistens auch der datensensibelste.

Vertriebssteuerung mit historischen Kundendaten. Pricing-Optimierung mit Kalkulationslogik. Personalvorauswahl mit Bewerberprofilen. Kundendienst-Automation mit Service-Historie. Lieferanten-Vertragsprüfung im Einkauf.

Genau dort liegen die echten Hebel. Genau dort liegen auch die heikelsten Daten.

Das ist 2026 das eigentliche Skalierungsproblem. Porsche Consulting und Fraunhofer FIT zeigen in ihrer Studie vom März 2026: 95 Prozent der befragten Führungskräfte berichten aktive KI-Initiativen. Nur knapp jedes fünfte Unternehmen bringt KI-Anwendungen über die Pilotphase hinaus in den breiten Einsatz. Der Bericht nennt Datenqualität, Zuständigkeiten und Wertmessung als zentrale Bremsfaktoren.

In meiner Praxis sehe ich einen zusätzlichen Engpass. Die attraktivsten Use Cases brauchen oft genau jene Daten, die eine saubere Freigabe, klare Anbietergrenzen und interne Verantwortung verlangen. Dort entsteht der Pilot-Stau.

Datenqualität ist die Pflicht. Datenfreigabe ist die Kür.

Datenqualität und Datenfreigabe sind zwei verschiedene Fragen. Datenqualität beantwortet, ob ein Use Case technisch tragen kann. Datenfreigabe beantwortet, ob er produktiv eingesetzt werden darf und wirtschaftlich schnell genug skaliert.

Beide Fragen können den Pilot blockieren. Wer nur die erste löst, bleibt häufig stehen.

Wo Marge und Datenfreigabe zusammentreffen

Ein einfaches Muster aus der Praxis.

Ein Schweizer Industrie-KMU mit 180 Mitarbeitenden prüft drei Use Cases.

Use Case A: Recherche-Assistent für die Fachabteilungen. Margenhebel niedrig, Datenklasse öffentlich. Risiko gering, Wirkung gering.

Use Case B: Offerten-Generator mit Anbindung an die historischen Kundendaten. Margenhebel hoch (kürzere Durchlaufzeit, höhere Trefferquote bei Wiederkäufern). Datenklasse hoch (Preise, Marge, Verhandlungspositionen).

Use Case C: Wartungsprognose über Sensordaten. Margenhebel mittel. Datenklasse intern, ohne Personenbezug.

Die naheliegende CEO-Frage: Welchen Use Case starten wir zuerst?

Die schwierigere Frage: Welche Daten braucht jeder Use Case, und wie schnell sind diese Daten produktiv freigabefähig?

A startet morgen. Niedrige Risiken, niedriger Mehrwert. B hat den Marge-Hebel, braucht aber eine geklärte Datenfreigabe, einen Anbieter ohne Training auf den Eingabedaten und einen namentlichen Eigentümer in der Geschäftsleitung. C ist machbar, wenn die Sensordaten strukturiert vorliegen.

Die meisten KMU starten alle drei gleichzeitig. Nach sechs Monaten läuft A produktiv, B hängt in der Datenfreigabe, und C wartet auf saubere Sensorintegration.

Hier zeigt sich Priorisierungsversagen.

Drei Fragen vor jeder Priorisierung

Aus 20 Jahren Geschäftsleitung kenne ich das Muster. Wer KI-Use-Cases nur nach Margen-Potenzial sortiert, priorisiert genau die Use Cases nach oben, die am häufigsten in der Datenfrage hängenbleiben.

Drei Fragen, die vor jeder Priorisierung stehen sollten.

Erstens: Welche Margenwirkung erwarten wir konkret?

Konkret heisst: Durchlaufzeit minus X Tage, Trefferquote plus Y Prozent, Serviceaufwand minus Z Stunden, Marge plus N Basispunkte. Ohne diese Zahl ist die Priorisierung Geschmackssache.

Zweitens: Welche Daten braucht der Use Case wirklich, und wie schnell sind sie produktiv freigabefähig?

Jede Datenart braucht eine andere Vorlaufzeit, bevor sie im produktiven Betrieb läuft. Tage bei öffentlichen Daten. Wochen bei internen Geschäftsdaten ohne Personenbezug. Monate bei sensiblen Kundendaten mit vertraglichen Vertraulichkeitsklauseln. Diese Vorlaufzeit ist Bestandteil des Business Case.

Drittens: Welches Setup erlaubt Skalierung in sechs Monaten?

Welcher Anbieter, welcher Eigentümer in der Geschäftsleitung, welcher KPI im Monatsreporting, welche Mitarbeiter-Schulung. Ohne dieses Setup wird aus jedem Pilot eine Dauerschleife mit Quartalsbericht-Folklore.

Datenklasse als Priorisierungsfilter

Aus diesen drei Fragen entsteht ein einfacher Filter.

Grün. Hohe Margenwirkung, Datenfreigabe in Tagen lösbar. Sofort starten.

Gelb. Hohe Margenwirkung, Freigabeaufwand vier bis zwölf Wochen, Business Case bleibt positiv. Mit sauberem Setup skalieren: definierter Anbieter, namentlicher Eigentümer in der Geschäftsleitung, KPI im Monatsreporting, Datenfreigabe vor Kick-off.

Rot. Hoher Hebel, aber die Freigabe blockiert die Time-to-Value über zwölf Wochen hinaus. Parkieren, bis Eigentümer, Anbietergrenzen und Datenbasis stehen.

Die Ampel schützt die knappe Führungszeit und verhindert falsche Starts.

Der Einwand, der jedem CEO durch den Kopf geht

Die Gegenposition lautet: Jede Datenklärung kostet Tempo, das die Konkurrenz nicht aufwendet. Wer wartet, verliert Marktanteil.

Das stimmt für Use Cases mit niedriger Datenklasse. Dort gehört Tempo vor Sorgfalt.

Für die margenträchtigsten Cases ist die Klärung selbst der Hebel. Wer Vertriebssysteme mit historischen Kundendaten füttert, ohne Anbietergrenzen und Datenfreigabe zu klären, verliert spätestens beim ersten Kunden-Audit den Folgeauftrag. Die Klärung ist Bestandteil des Business Case, kein Anhang.

Delegation an die IT oder die Rechtsabteilung löst das Problem nicht. Im Zweifel entscheidet eine Stabsstelle für maximale Sicherheit und stoppt den Use Case. Die Abwägung zwischen Margen-Hebel und Restrisiko ist eine originäre CEO-Aufgabe.

Fallbeispiel: Vom 6-monatigen Pilot zum skalierten Hebel

Illustratives Beispiel, zusammengesetzt aus mehreren realen Mandatskonstellationen.

Ein Schweizer Maschinenbau-KMU mit 240 Mitarbeitenden startete im Herbst 2025 einen Offerten-Generator. Margenhebel klar identifiziert: rund 30 Prozent kürzere Durchlaufzeit, höhere Trefferquote bei Wiederkäufern.

Nach drei Monaten Pilot kam der Reality-Check. Der Anbieter wollte Eingaben für Modelltraining nutzen. Im Bestand lagen Preislisten, Rabattmatrix und Kalkulationen für die fünf grössten Kunden. Der Vertrieb meldete, dass eine grosse Bestandskundin in ihren Auditvereinbarungen die Nutzung ihrer Daten in externen KI-Modellen untersagt.

Die Geschäftsleitung stoppte den Pilot für sechs Wochen. Sie verhandelte den Anbietervertrag nach, schaltete das Training auf den Eingabedaten ab und definierte eine Datenfreigabe-Regel für die Top-Kunden. Der Aufwand: rund 80 Arbeitsstunden, verteilt auf drei Personen.

Sechs Monate später lief der Use Case produktiv. Die Durchlaufzeit war um 28 Prozent gesunken. Bei rund 1'200 Offerten pro Jahr und einer Trefferquoten-Steigerung von 14 auf 17 Prozent entstand ein zusätzlicher Auftragseingang in der Grössenordnung von CHF 2 bis 3 Mio. pro Jahr bei vergleichbarer Marge.

Die zentrale Lektion für die Geschäftsleitung kam aus dem Vergleich. Ein parallel laufender Wettbewerber hatte den gleichen Use Case ohne saubere Freigabe ausgerollt. Sechs Monate später musste er den Roll-out nach einem Kunden-Audit stoppen, die Kundendaten aus dem Trainingssatz löschen lassen und ein zweites Mal beginnen. Die 80 Arbeitsstunden waren der Eintrittspreis. Die Alternative kostete den Wettbewerber drei Quartale plus Vertrauensverlust bei zwei Schlüsselkunden.

Fazit

Die margenträchtigsten KI-Use-Cases sind selten die einfachsten. Sie liegen am Kundenkontakt, an der Preisfindung, an der Personalsteuerung. Genau dort treffen Marge und Datenfreigabe zusammen.

Wer das Spannungsfeld früh löst, gewinnt Tempo und Kontrolle. Wer es ignoriert, verliert eine der beiden Grössen. Entweder Marge, weil der Use Case pausiert wird. Oder Kundenvertrauen, weil das Setup nach einem Audit-Vorfall nachgezogen wird.

Drei Fragen reichen, um diese Steuerung zu eröffnen. Erwartete Margenwirkung. Berührte Datenfreigabe. Setup für sechs Monate. Eine Stunde Priorisierung erspart sechs Monate Pilot-Folklore.

Die Datenfrage entscheidet über das Tempo, mit dem aus einem Pilot ein produktiver Marge-Hebel wird.

Handlungsfrage für die Geschäftsleitung: Welcher Ihrer drei attraktivsten KI-Use-Cases hat heute den höchsten Margenhebel, aber die unklarste Datenfreigabe?