KI-Pilotprojekt starten: 9 Schritte vom Use-Case bis zum Rollout

Bevor du startest: 3 Klärungsfragen

Entwicklung beginnt erst, wenn das Geschäft geklärt ist. Bevor Entwickler eine Zeile Code schreiben, muss das Führungsteam drei Fragen beantworten. Ohne klare Antworten versandet das KI-Pilotprojekt in einer endlosen Testphase und liefert keine Entscheidung für den Rollout. Über 70 % der KI-Pilotprojekte im Mittelstand schaffen nie den Sprung in den produktiven Betrieb – nicht wegen technischer Mängel, sondern wegen fehlender Strategie für den Übergang.

1. Welches geschäftliche Problem löst der Use Case?

Beschreibe das Problem messbar. Ein Use Case ohne Business Case bleibt Spielerei. Notiere, welcher Prozess betroffen ist, wo heute Kosten oder Zeitverluste entstehen und welchen konkreten Nutzen die KI liefern soll. Ohne diese Klarheit fehlt später die Grundlage für jede Budgetentscheidung. Beispiel: Statt „Dokumente verstehen“ lautet das Ziel „Automatische Klassifizierung eingehender E-Mails reduziert manuelle Nachbearbeitung um 30 %“.

2. Wer trägt die Verantwortung für das Projektergebnis?

Benenne eine Person mit Entscheidungsmacht als Projektverantwortlichen. Diese koordiniert Fachabteilung, IT und externe Dienstleister. Sie trägt die Verantwortung für Meilensteine, Budget und die Abnahme des Ergebnisses. Bei Unklarheit drohen Verzögerungen durch abgestimmte Zuständigkeiten. Ein klarer Product Owner verhindert, dass sich Fachseite und IT gegenseitig blockieren.

3. Welche Erfolgskriterien entscheiden über Go, Pivot oder No-Go?

Lege KPIs vor dem Start fest. Nur mit definierten Schwellenwerten lässt sich nach acht bis zwölf Wochen objektiv bewerten, ob der Pilot in den Produktivbetrieb übergeht, angepasst oder eingestellt wird. Harte Kennzahlen (Kosten, Durchlaufzeit, Fehlerquote) machen die Entscheidung verteidigbar.

Gehe die Fragen systematisch mit den Stakeholdern durch und halte die Ergebnisse schriftlich fest. Ein kurzes Dokument verhindert Missverständnisse und schafft die Grundlage für den nächsten Schritt. Weitere Hinweise zur strategischen Planung bietet der Leitfaden zur Einführung von KI im Unternehmen. Für die konkrete Pilotplanung hilft der Leitfaden für KI-Pilotprojekte im Mittelstand.

Die 9 Schritte vom Use Case bis zum Rollout

1. Reifegrad-Check

Ermittle, wo die Organisation steht: Datenverfügbarkeit, IT-Infrastruktur, Kompetenzen und Governance. Ein ehrlicher Status quo verhindert Überraschungen später. Der Fraunhofer IAO empfiehlt, Reifegradmodelle als Baseline zu nutzen. Prüfe explizit, ob GPU-Zugang, CI/CD-Pipelines und Monitoring bereits stehen – improvisierte Infrastruktur verzögert den PoC um Wochen.

2. Use-Case-Priorisierung

Sammle Kandidaten, bewerte sie nach Business Value, Datenreife und Umsetzbarkeit. Der häufigste Scheitpunkt ist ein unscharf qualifizierter Use Case ohne klaren Business Case. Priorisiere einen einzelnen, messbaren Anwendungsfall. Bewerte jeden Kandidaten entlang dreier Dimensionen: Geschäftswert (messbare Einsparungen, Umsatzpotenzial), technische Machbarkeit (Modelle, Infrastruktur, Kompetenzen) und Datenverfügbarkeit (Qualität, Aktualität, rechtliche Sauberkeit). Nur Use Cases, die in allen drei Kategorien mindestens „mittel“ score, kommen in die engere Wahl.

3. Datencheck

Prüfe Qualität, Zugriffsrechte und DSGVO-Konformität der Trainings- und Testdaten. Realistische, aber anonymisierte Datensätze sind Voraussetzung für valide Ergebnisse. Compliance gehört vom ersten Tag ins Design. 52 % der befragten Konstrukteure hatten noch nie von KI in CAD gehört – fehlendes Domänenwissen über Datenstrukturen ist ein unterschätztes Risiko. Synthetische Daten oder pseudonymisierte Produktivdaten eignen sich für den Pilot.

4. Pilot-Design

Definiere Scope, Zeitrahmen (8–12 Wochen), Erfolgsmetriken (KPIs) und Abbruchkriterien. Lege fest, wer entscheidet und wie Ergebnisse dokumentiert werden. Ein Pilot ohne vorherige KPIs liefert keine Entscheidungsgrundlage. Das Kernteam besteht typischerweise aus Product Owner (Fachseite), Data Engineer (Datenbereitstellung), ML Engineer (Modellentwicklung) und Domain Expert (Prozesswissen), ergänzt durch einen Change Manager für Schulungen und Kommunikation.

5. Durchführung

Setze das Pilotprojekt mit einem kleinen, cross-funktionalem Team um. Halte den Scope eng, vermeide Feature-Creep. Dokumentiere Abweichungen und Lerneffekte strukturiert – sie werden im Rollout entscheidend. Der operative Kern folgt einem dreistufigen Rhythmus: Planen, Umsetzen, Prüfen. In kurzen Sprints (ein bis zwei Wochen) mit täglichen Stand-ups und wöchentlichen Reviews gegenüber dem Steuerungskreis bleibt der Fokus scharf.

6. KPI-Auswertung

Vergleiche Ist-Werte mit den Zielgrößen aus Schritt 4. Bewerte harte Kennzahlen (Kosten, Durchlaufzeit, Fehlerquote) ebenso wie Akzeptanz im Fachbereich. Nur messbare Ergebnisse ermöglichen eine fundierte Go/No-Go-Entscheidung. Führe parallel einen ersten Compliance-Check (DSGVO, EU AI Act) durch – nachträgliches Nachrüsten kostet Zeit und Vertrauen.

7. Go / Pivot / No-Go

Triff die Entscheidung auf Basis der KPIs: Skalieren (Go), Anpassen (Pivot) oder Stoppen (No-Go). Dokumentiere die Begründung nachvollziehbar für das Management. Diese Disziplin verhindert Zombie-Projekte. Nutze ein Ampelschema: Grün (alle Primär-KPIs erreicht, Compliance bestanden, Fachbereich signalisiert Bedarf), Gelb (Teilziele erreicht, Nachbesserung nötig – zweiter Pilotzyklus 4–6 Wochen), Rot (Primär-KPIs verfehlt, keine wirtschaftliche Perspektive – Lessons Learned dokumentieren, Use Case archivieren).

8. Rollout-Plan

Übertrage den Pilot in den produktiven Betrieb (typisch 3–6 Monate). Plane Architektur, Monitoring, Schulungen und Change Management. Strukturierte Programme ersetzen Insellösungen durch Governance und Rollenmodelle. Ein stufenweiser Rollout nach Fachbereichen oder Standorten reduziert das Risiko gegenüber einem Big Bang. Parallel läuft die Dokumentation für Audits – Modellkarten, Datenschutz-Folgenabschätzung, Risikoklassifizierung nach EU AI Act.

9. Skalierung

Etabliere eine Use-Case-Pipeline und wiederverwendbare Bausteine (Datenplattform, MLOps, Compliance-Checklisten). So wird aus dem Einzelprojekt eine organisationale Fähigkeit – der eigentliche ROI von KI. 42 % der Fertigungsunternehmen in Deutschland setzen KI bereits in der Produktion ein (2026) – der Trend geht zu souveränen, air-gapped Lösungen für sensible Domänen (z. B. Siemens NX AI, ITZBund/Materna/NVIDIA).

Use-Case-Auswahl: Der häufigste Scheitpunkt

Die meisten KI-Pilotprojekte scheitern nicht an der Technologie, sondern an unscharf definierten Anwendungsfällen. Fehlender Datenzugriff, ein vager Business Case oder unrealistische Erwartungen treiben den Aufwand in die Höhe, bevor überhaupt ein Modell trainiert wird. Wer Use Cases systematisch nach Geschäftswert, technischer Machbarkeit und Datenverfügbarkeit priorisiert, vermeidet teure Sackgassen.

Ein bewährter Ansatz: Bewerte jeden Kandidaten entlang dreier Dimensionen. Der Geschäftswert misst messbare Einsparungen, Umsatzpotenzial oder Qualitätszuwachs. Die technische Machbarkeit prüft, ob passende Modelle, Infrastruktur und Kompetenzen vorhanden sind. Die Datenverfügbarkeit klärt, ob relevante Daten in ausreichender Qualität, Aktualität und rechtlich sauber zugänglich sind. Nur Use Cases, die in allen drei Kategorien mindestens „mittel“ score, kommen in die engere Wahl.

Typische Fehler bei der Definition: zu breite Problemstellungen („Dokumente verstehen“), fehlende Basislinie für den Vorher-Nachher-Vergleich, ignorierte Compliance-Randbedingungen (DSGVO, EU AI Act) sowie fehlende Einbindung der Fachbereiche, die später mit dem System arbeiten sollen. Ein kleiner, klar umgrenzter Pilot mit schnellem Erfolg – etwa die automatische Klassifizierung eingehender E-Mails – liefert schneller belastbare KPIs als ein Großvorhaben mit ungewissem Ausgang. Detaillierte Kriterienkataloge und eine Entscheidungsmatrix finden sich bei mindtwo und LT AI Solutions.

Datenschutz, DSGVO und EU AI Act von Beginn an

Compliance nachzurüsten, kostet Zeit und untergräbt das Vertrauen in das Pilotprojekt. Daher gehören Datenschutz und Governance von Tag eins ins Design. Testdaten müssen realistisch sein, dürfen aber keine ungeschützten personenbezogenen Informationen enthalten. Teams pseudonymisieren oder anonymisieren Datensätze vor der ersten Schulung des Modells.

Der EU AI Act unterscheidet Risikoklassen. Unternehmen prüfen bereits im Pilot, ob ihr Use Case als hochriskant gilt. Das betrifft insbesondere Systeme im Personalwesen, in der Bildung oder bei der Kreditvergabe. Höhere Risikoklassen fordern lückenlose Dokumentation der Trainingsdaten, der Modellentscheidungen und der Eingriffsmöglichkeiten durch Menschen.

Human-in-the-Loop ist keine Option, sondern Pflicht. Verantwortliche legen fest, wer automatisierte Vorschläge prüft und freigibt. Diese Rolle gehört ins Pilotteam, nicht erst in den Rollout. Gleichzeitig klären sie, ob ein Datenschutzbeauftragter nötig ist. Nach § 38 BDSG gilt dies bei 20 ständig mit der automatisierten Verarbeitung beschäftigten Personen.

Experten von Compliance-Ratgeber von BookiBrain und Entrecode-Guide zum KI-Pilot empfehlen, Compliance-Checks direkt in den Projektplan aufzunehmen. So vermeiden Teams rechtliche Rückschläge, wenn der Pilot in den Produktivbetrieb übergeht. Branchenspezifische Pilotformate zeigen die Bandbreite: Kanzleien nutzen standardisierte Pilotformate für Dokumentenanalyse, Versicherer wie die Bayerische mit Muffintech automatisieren Schadenprozesse, Schulen in NRW testen KI-gestütztes Lernen, Banken (Visa, Commerzbank, DZ Bank) pilotiere KI-Zahlungen.

Pilot-Design: Zeitrahmen, Team und KPIs

Ein KI-Pilotprojekt lässt sich in 8 bis 12 Wochen bis zum Proof of Concept umsetzen; der Übergang in den stabilen Produktivbetrieb dauert weitere drei bis sechs Monate. Diese Zeitrahmen nennt Comito als Orientierung für mittelständische Unternehmen. Der bauklär-Pilotprozess benötigt rund 2 Monate (Plan → Umsetzen → Prüfen).

Das Kernteam besteht typischerweise aus einem Product Owner (Fachseite), einem Data Engineer (Datenbereitstellung), einem ML Engineer (Modellentwicklung) und einem Domain Expert (Prozesswissen). Ergänzt wird es durch einen Change Manager, der Schulungen und Kommunikation steuert. Klare Rollen vermeiden Reibungsverluste.

Harte KPIs definierst du vor dem Start: Laufzeit (Wochen bis PoC), Kosten (Budgetkorridor in Euro), Qualität (Precision/Recall oder F1-Score je Use Case). Ein ROI-Mindestziel ab Tag eins schafft Transparenz gegenüber der Geschäftsleitung und erleichtert die Budgetfreigabe. Manuel Hecht betont, dass Experimente ohne Business Case heute nicht mehr finanziert werden.

Testdaten müssen realistisch, aber datenschutzkonform aufbereitet sein – synthetische Daten oder pseudonymisierte Produktivdaten eignen sich. Die Infrastruktur (GPU-Zugang, CI/CD-Pipeline, Monitoring) steht vor dem ersten Training bereit. Wer hier improvisiert, verzögert den PoC um Wochen. Ein strukturierter 10-Schritte-Rahmen des Fraunhofer IAO empfiehlt, bereits im Pilot ein „Minimum Viable Governance“ zu etablieren: Verantwortlichkeiten für Datenqualität, Modellversionierung und Incident-Response festzulegen.

Durchführung und Change Management

Das Pilotprojekt läuft in einem engen Zeitkorridor: 8 bis 12 Wochen sind für den Proof of Concept realistisch, bevor die Go/No-Go-Entscheidung ansteht. Wer diesen Rahmen sprengt, verliert Fokus und Akzeptanz. Entscheidend ist, dass die im Vorfeld definierten KPIs – etwa Durchlaufzeit, Fehlerquote oder Nutzerzufriedenheit – ab Tag 1 gemessen werden. Ein Pilot ohne harte Messgrößen bleibt ein Experiment ohne Aussagekraft.

Operativer Ablauf im Pilot

Der operative Kern folgt einem dreistufigen Rhythmus: Planen, Umsetzen, Prüfen. In der Planungsphase werden Testdaten datenschutzkonform aufbereitet, Rollen (Product Owner, Data Engineer, Domain Expert) zugewiesen und die technische Umgebung – idealerweise eine isolierte Sandbox – bereitgestellt. Die Umsetzungsphase arbeitet in kurzen Sprints (ein bis zwei Wochen) mit täglichen Stand-ups und wöchentlichen Reviews gegenüber dem Steuerungskreis. In der Prüfphase werden die KPIs gegen die Schwellenwerte evaluiert, Randfälle dokumentiert und ein erster Compliance-Check (DSGVO, EU AI Act) durchgeführt.

Ein strukturierter 10-Schritte-Rahmen des Fraunhofer IAO empfiehlt, bereits im Pilot ein „Minimum Viable Governance“ zu etablieren: Verantwortlichkeiten für Datenqualität, Modellversionierung und Incident-Response festzulegen. Das verhindert, dass Governance nachträglich auf einen gewachsenen Wildwuchs gepfropft werden muss.

Change Management als Erfolgshebel

Technik scheitert selten an der Technik – sie scheitert an der Akzeptanz. Drei Hebel entscheiden über die Übernahme in den Fachbereichen:

• Frühzeitige Befähigung: Key-User und Multiplikatoren werden parallel zur Entwicklung geschult – nicht erst nach dem Rollout. Schulungen orientieren sich an konkreten Arbeitsaufgaben, nicht an abstrakten Features.
• Fehlerkultur etablieren: Der Pilotraum muss als geschützter Raum kommuniziert werden, in dem Fehlverhalten des Modells erwartet und dokumentiert wird. Sanktionieren Führungskräfte Abweichungen, verschieben Nutzer Probleme in den Schatten-IT-Bereich.
• Sichtbare Quick Wins: Erste positive Effekte – etwa 30 % weniger manuelle Nachbearbeitung bei Dokumentenklassifikation – werden intern kommuniziert, bevor die finale Auswertung vorliegt.

Branchenbeispiele zeigen die Bandbreite: Kanzleien nutzen standardisierte Pilotformate mit definierten Meilensteinen für Dokumentenanalyse, während Versicherer wie die Bayerische mit Muffintech Schadenprozesse automatisieren. In der Produktion setzen Fertiger auf Predictive Maintenance und Qualitätskontrolle als Einstiegsszenarien. 2026 ist das Jahr der produktiven KI in der Fertigung – KI wandelt sich vom Experiment zum Produktionsfaktor.

Go/No-Go und Übergang in den Regelbetrieb

Die Go/No-Go-Entscheidung basiert auf einem Ampelschema:

Status	Kriterium	Konsequenz
Grün	Alle Primär-KPIs erreicht, Compliance-Check bestanden, Fachbereich signalisiert Bedarf	Rollout-Plan finalisieren, Budget freigeben
Gelb	Teilziele erreicht, Nachbesserung an Datenqualität oder Modellperformance nötig	Pivot: zweiten Pilotzyklus (4–6 Wochen) mit angepasstem Scope starten
Rot	Primär-KPIs verfehlt, keine wirtschaftlichen Perspektive, Compliance-Risiken	No-Go: Dokumentation der Lessons Learned, Use Case archivieren

Bei Grün folgt die Übergangsphase von 3 bis 6 Monaten. In dieser Zeit werden Monitoring, Retraining-Zyklen und Support-Prozesse produktiv geschärft. Ein stufenweiser Rollout nach Fachbereichen oder Standorten reduziert das Risiko gegenüber einem Big Bang. Parallel läuft die Dokumentation für Audits – Modellkarten, Datenschutz-Folgenabschätzung und Risikoklassifizierung nach EU AI Act – weiter, um spätere Zertifizierungen nicht zu blockieren.

Ein Pilot ohne definierten Übergangsplan in den Regelbetrieb ist ein teures Demoprojekt. Die Skalierungslücke schließt nur, wer Rollout-Architektur, Governance und Change Management vor dem ersten Code-Commit mitdenkt.