Die richtigen KI-Use-Cases finden: das Double-Diamond-Modell

Von Victor 1. Juni 2026

Das Schlimmste, was deiner KI-Transformation passieren kann: zwei, drei falsche Anwendungsfälle umsetzen, die scheitern – und schon ist die Luft aus dem ganzen Thema raus. Genau das sieht Victor gerade in vielen Unternehmen, die die ersten Schritte gemacht haben – KI-Taskforce eingerichtet, Unternehmens-GPT eingeführt, vielleicht n8n selbst gehostet – und dann an der Frage scheitern, die richtigen Use Cases zum richtigen Zeitpunkt zu finden und umzusetzen. In diesem Beitrag bekommst du einen Prozess an die Hand, mit dem du systematisch sicherstellst, dass deine Anwendungsfälle am Ende auch wirklich funktionieren und die Hebelkraft entfalten, die du dir erhoffst.

Das Wichtigste in Kürze

• Produktivitäts-KI (Copilot, Unternehmens-GPT) schafft Mikroproduktivität mit geringem Aufwand; konstruierte KI sind die großen Hebel-Use-Cases, die Budget und Planung brauchen.
• Das Double-Diamond-Modell trennt sauber: erst den Problemraum verstehen, dann den Lösungsraum – jeweils mit einer Filterphase.
• Probleme werden in Geld quantifiziert (10.000 € pro Woche / Monat / Quartal / Jahr) – darunter ist ein Use Case meist irrelevant.
• Am Ende steht ein Use-Case-Backlog aus drei bis acht validierten, wertvollen und machbaren Anwendungsfällen.

Produktivitäts-KI vs. konstruierte KI

Zur Einordnung unterscheidet Victor zwei Arten von KI-Nutzung. Produktivitäts-KI entsteht, wenn ihr ein Unternehmens-GPT einführt, Copilot-Lizenzen vergebt und so weiter. Damit legt jeder Nutzer einfache Anwendungsfälle, Chatbots und kleine Agenten selbst an – das schafft sogenannte Mikroproduktivität, also individuelle Produktivität. Der Aufwand ist gering, das Unternehmen muss kaum etwas planen, weil jeder es für sich oder sein Team baut.

Worauf es hier ankommt, ist die konstruierte KI: die Anwendungsfälle, die einen großen Hebel ins Unternehmen bringen – Umsätze vergrößern, Nachbesetzungen vermeiden, Wettbewerbsfähigkeit sichern. Diese Use Cases katapultieren ein Unternehmen wirklich in die KI-Ära, brauchen aber zeitliche Ressourcen und ein Budget, das jemand absegnen muss. Genau deshalb ist es so wichtig, die richtigen zu finden und richtig umzusetzen. Auch mitarbyte hatte den Fall, einen Use Case genau wie gewünscht umzusetzen – mit 30.000 € Investment –, um am Ende festzustellen, dass er sich nicht rechnet. Die Lehre: erst wirklich verstehen, was das Problem ist, bevor man über die KI-Lösung spricht.

Das Double-Diamond-Modell

Das Vorgehen leitet sich vom Double-Diamond-Modell aus der Innovationsforschung ab. Grob skizziert:

• Zielsetzung festlegen: Bei vielen Unternehmen ähnlich – Umsatz hoch, Personalkosten runter, teils eine Vier-Tage-Woche; oder spezifischer, etwa „die Personalabteilung um 80 % entlasten”.
• Problemraum (erster Diamant): Mit dieser Zielsetzung startet man im divergierenden Prozess – Brainstorming, viele Ideen –, legt dann einen Mehrwertfilter an und konvergiert auf eine Liste echter Problem-/Use-Case-Ideen. Beispiel: In einem 20-Personen-Unternehmen entstanden in eineinhalb Stunden über 80 Ideen, die auf maximal 10 reduziert wurden.
• Lösungsraum (zweiter Diamant): Erst wenn die Probleme verstanden sind, fragt man, welche KI-Technologien Sinn ergeben, und legt einen Machbarkeitsfilter an – stark abhängig von den Gegebenheiten (Schnittstellen, alte Systeme, Datenzugriff). Am Ende konvergiert man von rund 20 Lösungsideen auf die drei bis acht besten Use Cases.

Unternehmen, die diesen Prozess nicht selbst durchlaufen können, begleitet mitarbyte als Sparringspartner. Wer bereits eine KI-Taskforce bzw. ein KI-Hub (zwei bis fünf Personen) hat, sollte genau diese Use-Case-Pipeline dort pflegen – etwa jedes Quartal die aktuelle Liste durchgehen: Welche Problemräume haben wir, welche Lösungsräume tun sich auf, und welche Use Cases purzeln am Ende für die Umsetzung heraus?

Praxisbeispiel: den Problemraum aufschlüsseln

Konkret: Eine Immobilienverwaltung will bis 2027 die Anzahl ihrer verwalteten Objekte verdoppeln – während 10 bis 20 % Wachstum pro Jahr der Branchenstandard sind. Im Problemraum schaut man die wichtigsten Prozessschritte aus der Vogelperspektive an und fragt: Was hält uns konkret davon ab, dieses Ziel heute zu erreichen?

Oft hat man nur eine oberflächliche Einschätzung. Hier hilft es, bis zu fünfmal nachzufragen („Warum?”):

• Die Korrespondenz bei der Aufnahme neuer Objekte frisst zu viel Zeit. Warum?
• Weil jede E-Mail individuell beantwortet werden muss. Warum ist das ein Problem?
• Weil 70 % dieser E-Mails Standardanfragen sind. Warum werden Standardanfragen individuell beantwortet?
• Weil sie niemand vorklassifiziert, sodass man Standardanfragen von echten Zeitfressern unterscheiden könnte.

So bricht man ein großes Problem in kleinere Teilprobleme herunter.

Probleme in Geld quantifizieren

Jetzt kommt der schwierige, aber entscheidende Schritt: das Problem in Geld quantifizieren – denn wer die Budgetentscheidung trifft, will einen Return on Invest sehen. Statt exakt auszurechnen, wie viel Euro pro Jahr ein gelöstes Problem spart, hat sich eine Klassifikation bewährt:

• Spart die Lösung 10.000 € pro Woche? (Vor allem in KMU eher selten.)
• Wenn nicht: 10.000 € pro Monat? (Kommt durchaus vor.)
• Wenn nicht: 10.000 € pro Quartal an Einsparung oder Mehrumsatz?
• Wenn nicht: 10.000 € pro Jahr?
• Wenn auch das nicht gilt, ist der Use Case eher irrelevant – dann sprechen wir wahrscheinlich von Produktivitäts-KI, nicht von konstruierter KI.

Mit dieser Klassifikation nimmt man die Use Cases mit dem größten erhofften Mehrwert heraus. Ein Entscheider – meist der Geschäftsführer – drückt seinen Stempel darauf, und für diese validierten Probleme nimmt man sich dann mehr Zeit, sie genau auszuformulieren.

Der Lösungsraum: MVP und OPP

Nun der zweite Diamant: Wie ließe sich das mit KI lösen – und ist KI überhaupt der beste Ansatz? Bewährt hat sich, in zwei Richtungen zu denken:

• MVP – Minimum Viable Product: Was wäre die kleinstmögliche KI-Lösung? Häufig lässt sich ein großer Use Case schon mit einem kleinen Chatbot zu 80 % lösen – einfach umzusetzen, ohne die Erwartungshaltung zu überspannen.
• OPP – Optimal Possible Product: Hier darf man groß denken. Ein Anwendungsfall in der Personalabteilung mit einem RAG-System ließe sich vielleicht auch auf die IT-Abteilung übertragen. So legt man die Grundlage, dass die nächsten Anwendungsfälle einfacher werden – und baut von Anfang an eine bessere Architektur.

Hürden- und Reifegrad-Check

Im zweiten Filter (konvergierende Phase) prüft man, welche Hürden der Umsetzung noch im Weg stehen. Das führt oft zum KI-Reifegrad des Unternehmens zurück: Verschiedene Dimensionen bestimmen, wie viel des technologisch möglichen Potenzials in den eigenen Gegebenheiten realisierbar ist. Use Cases innerhalb des Reifegrads sollte man umsetzen. Liegt ein Use Case weit außerhalb, ist es oft sinnvoller, zuerst bestimmte Maßnahmen einzuleiten – Beispiel: Hat das Ticketingsystem der Personalabteilung keine anständigen Schnittstellen, ist womöglich ein Systemumstieg die richtige Maßnahme, bevor man sich am Chatbot versucht.

Der schöne Nebeneffekt: Aus diesem Hürdencheck purzeln organisationsentwickelnde Maßnahmen heraus – strategische Entscheidungen, die an die Geschäftsführung zurückgespiegelt werden.

Das fertige Use-Case-Backlog

Am Ende steht eine Liste aus drei bis acht Use Cases, die nachweislich ein echtes Problem adressieren, massiven Mehrwert bringen, mit den aktuellen Gegebenheiten umsetzbar und mehrfach durchdacht sind – und sich daher leicht so formulieren lassen, dass die umsetzende Person nicht in die falsche Richtung läuft. Das ist das Use-Case-Backlog: ein paar Fälle gehen direkt in die Umsetzung, einige brauchen noch Prüfungen oder organisatorische Maßnahmen, und viele landen auf dem Müllhaufen.

Genau das ist die Absicherung: Was ihr unbedingt vermeiden wollt, ist, mehrere Use Cases anzufahren, die dann scheitern – denn das nimmt eurer KI-Transformation den Wind aus den Segeln. Deshalb lohnt es sich, jeden Use Case mit diesem Modell durchzudenken, bevor Ressourcen fließen.

Fazit

Wer die richtigen KI-Use-Cases finden will, sollte nicht mit der Technologie beginnen, sondern mit dem Problem. Das Double-Diamond-Modell trennt Problem- und Lösungsraum, filtert nach Mehrwert und Machbarkeit und liefert ein belastbares Backlog – statt teurer Fehlschläge, die das ganze KI-Thema ausbremsen.

Wie aus den ausgewählten Anwendungsfällen anschließend skalierbare Lösungen entstehen, zeigen die Beiträge zum KI-Betriebssystem und zu Service-as-a-Software.

Schau dir das vollständige Video oben an, um den kompletten Prozess inklusive Praxisbeispiel im Detail zu sehen. Wenn du eine tiefergehende Erklärung oder Begleitung möchtest, findest du in der Videobeschreibung den Link – Victors Team aus KI-Beratern geht diesen Prozess gerne einmal mit dir in deinem Unternehmen durch.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Produktivitäts-KI und konstruierter KI?

Produktivitäts-KI umfasst breit ausgerollte Werkzeuge wie Unternehmens-GPTs und Copilot-Lizenzen, mit denen jeder Mitarbeiter einfache Chatbots und Assistenten selbst baut – das schafft Mikroproduktivität bei geringem Aufwand. Konstruierte KI bezeichnet die großen Hebel-Use-Cases, die Umsätze steigern, Nachbesetzungen vermeiden oder die Wettbewerbsfähigkeit sichern. Sie brauchen Zeit, Budget und eine bewusste Auswahl – und genau dafür dient das Double-Diamond-Modell.

Wie quantifiziert man einen KI-Use-Case sinnvoll?

Statt den exakten Euro-Betrag auszurechnen, klassifiziert man das gelöste Problem nach Schwellenwerten: Spart oder erwirtschaftet es 10.000 € pro Woche, pro Monat, pro Quartal oder pro Jahr? Liegt der Mehrwert darunter, ist der Use Case meist irrelevant für die konstruierte KI. Diese Klassifikation macht den Return on Invest greifbar und hilft dem Entscheider, die wertvollsten Anwendungsfälle freizugeben.

Was ist das Double-Diamond-Modell für KI-Use-Cases?

Das Double-Diamond-Modell stammt aus der Innovationsforschung und besteht aus zwei „Diamanten”. Im ersten (Problemraum) brainstormt man divergierend viele Probleme und filtert sie über einen Mehrwertfilter auf die wertvollsten herunter. Im zweiten (Lösungsraum) entwickelt man KI-Lösungsideen und filtert sie über einen Machbarkeitsfilter sowie einen Hürden- und Reifegrad-Check. Ergebnis ist ein Use-Case-Backlog aus drei bis acht validierten, machbaren Anwendungsfällen.