AI Use Case Discovery: Investieren Sie in die KI, die Ihr Unternehmen voranbringt
Im Vorteil sind die Unternehmen, die das Richtige bauen.
Mit Anthropic Claude und KI-Agenten auf ServiceNow kann fast jedes Team aus einer guten Idee eine funktionierende Version machen. Den Vorsprung haben deshalb die Unternehmen, die das Richtige bauen, schnell dazulernen und jeden Anwendungsfall an ihren eigenen Zielen ausrichten.
Ihrer Strategie und Ihren Schmerzpunkten
Die Anwendungsfälle, die eine Finanzierung verdienen
Nutzen und Reife
Ein priorisiertes Backlog mit einem klaren ersten Schritt
Wenn sich schnell bauen lässt, entscheidet die Auswahl über den Wert
Mit AI Use Case Discovery beantworten Sie drei Fragen, bevor Sie Budget freigeben. Wenn sich fast alles bauen lässt, zeigen diese Antworten, welche KI die Arbeitsweise Ihres Unternehmens verändert und welche nur Funktionen ergänzt, nach denen niemand gefragt hat. Nach demselben Maßstab entscheiden wir auch über die KI, die wir für uns selbst entwickeln.
Bauen wir das Richtige?
Können wir schnell lernen und nachsteuern?
Dient dieser Anwendungsfall unserer Strategie?
Ein Maßstab für jede Idee.
Jede Abteilung bringt eigene Ideen ein, jeweils anders formuliert und unterschiedlich ausgearbeitet. Discovery beschreibt sie alle im selben Format. Über die Rangfolge wird dann entschieden statt diskutiert.
Ein Nutzen, den Sie vertreten können.
Jeder Anwendungsfall benennt die messbare Verbesserung, ihren Umfang und die Art, wie sie nach dem Go-live überprüft wird.
Die Reife ist vor dem Bau bekannt.
Jede Idee braucht einen stabilen Prozess, saubere Daten, zugängliche Systeme und einen benannten Verantwortlichen. Discovery prüft diese vier Voraussetzungen vorab. So fällt eine Lücke auf, solange sie sich noch günstig schließen lässt.
Die richtige Technologie für das Problem.
Viele Anfragen lauten: „Wir wollen einen KI-Agenten.“ Manchmal ist ein KI-Agent die passende Lösung. Oft hilft zunächst eine Automatisierung, eine Integration oder eine Prozessänderung. Welche davon, wissen Sie, bevor Sie Geld ausgeben.
Ein strukturierter Weg von den Geschäftsprioritäten zu KI-Entscheidungen
AI Use Case Discovery ist ein strukturiertes Projekt. Es setzt bei Ihrer Unternehmensstrategie und Ihren wichtigsten Schmerzpunkten an, ermittelt dann KI-Anwendungsfälle und bewertet sie nach einheitlichen Kriterien. Für jeden Anwendungsfall klären wir, welches Problem er löst, ob KI dafür das richtige Instrument ist, welche Art von KI passt und welche Daten und welche Aufsicht nötig sind. Hinzu kommen Nutzen und Machbarkeit sowie die Entscheidung, ob der Anwendungsfall weiterverfolgt wird. Das Ergebnis sind Entscheidungen, ein priorisiertes Backlog und ein klares weiteres Vorgehen.
- 01Strategie und Schmerzpunkte
- 02Die Arbeit, wie sie heute läuft
- 03KI-Chance
- 04Nutzenhypothese
- 05Machbarkeit
- 06Reife
- 07Risiko
- 08Passende Technologie
- 09Priorität und erster Schritt
Erst Strategie und Arbeitsabläufe, dann die Wahl der KI
Discovery setzt bei den Zielen Ihres Unternehmens an und bei den Stellen, an denen es heute Zeit, Geld oder Kunden verliert. So ist jeder Anwendungsfall vom ersten Gespräch an in der Strategie verankert.
Steht hinter einem Anwendungsfall ein echter Prozess, lässt er sich messen. Was messbar ist, kann eingeordnet, finanziert und mit Zuversicht umgesetzt werden.
Wir führen Gespräche mit den Beteiligten und werten zugleich Ihre tatsächlichen Betriebsdaten aus. Den Anfang machen die Stellen, an denen die Prozessdaten wiederkehrende und wertvolle Arbeit zeigen. Sie erhalten Anwendungsfälle, die auf der realen Arbeitsweise Ihres Unternehmens beruhen und so detailliert sind, dass die Umsetzung direkt darauf aufbauen kann.
Für jedes Problem die passende Lösung, und KI dort, wo sie am meisten bewirkt
Bei jedem Kandidaten stellen wir ausdrücklich eine Frage und dokumentieren die Antwort: Braucht dieses Problem überhaupt KI? So fließt Ihr KI-Budget in die Probleme, bei denen KI wirklich neue Möglichkeiten schafft. Die übrigen lösen Sie schneller und günstiger.
Den Prozess neu gestalten.
Ist ein uneinheitlicher Prozess die Ursache für manuelle Arbeit, wird zuerst der Prozess bereinigt. Sonst vervielfacht die Automatisierung nur das Problem.
Die Systeme verbinden.
Sind die Informationen vorhanden, fließen aber nicht dorthin, wo sie gebraucht werden, löst eine Integration das Problem. Das gehört zu den häufigsten Befunden.
Mit Regeln automatisieren.
Wenn Auslöser, Aktion und Ergebnis feststehen, arbeitet eine regelbasierte Automatisierung günstiger und berechenbarer als ein Modell und lässt sich leichter prüfen.
Beim Menschen lassen.
Kommt es auf Urteilsvermögen, die persönliche Beziehung oder die Verantwortung an, bleibt die Arbeit bei einem Menschen.
Ist KI das richtige Instrument, stellt sich als Nächstes die Frage, welche Art von KI passt.
Automatisierung
Ein bekannter Auslöser führt zu einer bekannten Aktion, ohne Schlussfolgerung
Stabile Regeln, deterministisches Ergebnis, Prüfbarkeit ist wichtig
Klare Regeln und saubere Auslöser
Prädiktive KI
Lernt aus Mustern in historischen Daten, um zu klassifizieren oder vorherzusagen
Echte Historie ist vorhanden, und die Aufgabe wiederholt sich
Volumen, Qualität und Zeit im Betrieb
Generative KI
Liest, fasst zusammen, extrahiert, entwirft oder formt um
Unstrukturierte Eingaben, für Menschen lesbare Ergebnisse
Aktueller Kontext und nutzbares Wissen
KI-Assistent
Hilft einem Menschen bei der Arbeit
Das Urteil soll beim Menschen bleiben, die Vorarbeit nicht
Kontext an der Stelle, an der gearbeitet wird
KI-Agent
Erledigt definierte Aufgaben für ein Ziel und nutzt dabei Tools
Mehrstufige Arbeit mit klarer Grenze und messbarem Ergebnis
Berechtigungen, Tools, Aufsicht und ein Verantwortlicher
Agentischer Workflow
Mehrere KI-Agenten, die sich über Schritte und Systeme hinweg abstimmen
Prozessarbeit von Anfang bis Ende
Alles oben Genannte, dazu Governance
KI-Agenten werden am häufigsten nachgefragt. Deshalb werden sie oft auch für Probleme vorgeschlagen, die eine Automatisierung günstiger und sicherer lösen würde. Umgekehrt kommt es ebenfalls vor: Sobald es um KI geht, verschwindet die klassische Automatisierung aus dem Gespräch, und die einfachste Lösung bleibt ungenutzt. Discovery behält beide Möglichkeiten im Blick. So setzen Sie zuerst die Lösung um, die am schnellsten und zugleich sicher Wirkung zeigt.
Das günstigste KI-Projekt ist das, das Sie bewusst nicht starten.
Verwandte Seiten: Assistenten und KI-Agenten auf der Plattform → ServiceNow AI. Wenn die Systeme das Problem sind → ServiceNow Integrations. Wenn sich zuerst der Prozess ändern sollte → Business Process Consulting and Design.
Haben Sie schon eine Liste mit KI-Ideen?
Bringen Sie sie mit. Wir sagen Ihnen, welche überhaupt KI brauchen.
Alle Anwendungsfälle einheitlich beschrieben und damit vergleichbar
Alle Kandidaten werden im selben Format beschrieben. Erst diese Einheitlichkeit macht eine Priorisierung möglich.
Problem
Was schiefläuft, in einem Satz
Wer
Wessen Arbeit betroffen ist
Auslöser
Was den Vorgang startet
Eingabe
Mit welchen Informationen gearbeitet wird
Rolle der KI
Was die KI tatsächlich tut
Erlaubte Aktion
Was sie ändern darf und was nicht
Rolle des Menschen
Wo ein Mensch eingebunden bleibt, und warum
Benötigte Daten
Welche Daten, woher, mit wessen Berechtigungen
Ergebnis
Was danach anders sein soll
Messgröße
Woran man erkennt, dass es funktioniert hat
Solange niemand sagen kann, woran sich der Erfolg messen lässt, ist ein Anwendungsfall weder für die Priorisierung noch für die Finanzierung bereit.
Finanzieren Sie die Anwendungsfälle, die wertvoll und umsetzbar sind
Discovery liefert eine Nutzenhypothese. Dazu gehören eine Spanne, die zugrunde liegenden Annahmen und die Methode, mit der der Nutzen später gemessen wird. Im Mittelstand ist freigesetzte Kapazität aus Arbeit mit geringem Wert meist die glaubwürdigste Messgröße, nicht der Abbau von Personal. Denn diese Kapazität ist messbar und hält auch der Prüfung durch den Einkauf stand. Wo der Prozess es hergibt, fließen auch Durchlaufzeit, Kosten pro Servicefall, Qualität und Fehlerquote, Risikominderung und Umsatzwirkung in die Bewertung ein.
Jeden Anwendungsfall prüfen wir anhand zahlreicher Machbarkeitskriterien. Dabei zeigt sich immer wieder dasselbe Bild: Über die Machbarkeit entscheiden diese Kriterien weit stärker als die Leistungsfähigkeit des Modells.
AI Use Case Discovery liefert eine Nutzenhypothese, die ausreicht, um Anwendungsfälle miteinander zu vergleichen. Roadmapping liefert den Business Case, auf dessen Grundlage über eine Investition entschieden wird.
Das Modell ist selten die eigentliche Schwierigkeit.
Grundlagen schaffen
Wertvoll, aber noch nicht umsetzbar. Sie erhalten eine Liste dessen, was sich zuerst ändern muss. Diese Änderungen bringen oft mehr Nutzen als der Anwendungsfall selbst.
Jetzt umsetzen
Hoher Nutzen, machbar, reif genug. Meist ein bis drei Anwendungsfälle.
Stoppen
Geringer Nutzen, geringe Machbarkeit oder ein Risiko, das den Ertrag übersteigt. Wer diese Fälle klar benennt, sichert das Budget für die Anwendungsfälle, die es verdienen.
Als Nächstes validieren
Wertvoll und plausibel, aber mit einer offenen Frage, die ein kurzer Test klären kann.
Zu jeder Einordnung gehört eine Begründung, damit die Entscheidung auch vor der Geschäftsleitung Bestand hat. Die Begründung bleibt sichtbar und wird nicht zu einer Gesamtpunktzahl verdichtet, die nur eine Diskussion über Gewichtungen auslösen würde.
Fünf Reifeprüfungen, und das Modell ist keine davon
Prozess
Läuft der Prozess in allen Teams gleich ab? Sind Ausnahmen dokumentiert und Entscheidungen definiert? Und sind sich alle einig, wie ein gutes Ergebnis aussieht?
KI verstärkt den Prozess, in dem sie eingesetzt wird. Ist er stabil, vervielfacht sie den Nutzen. Ist er uneinheitlich, beschleunigt sie nur die Uneinheitlichkeit.
Daten
Welche Daten werden gebraucht, wo liegen sie und wem gehören sie? Sind sie vertrauenswürdig und mit den bestehenden Berechtigungen zugänglich? Wird Historie benötigt, ist das Wissen aktuell, und sind sensible Informationen enthalten?
Generative KI ist nur so gut wie das Wissen dahinter. Deshalb prüfen wir die Daten zuerst, nicht erst später.
Technologie
Wo läuft der Prozess, was muss die KI lesen und schreiben, und wie viel Integration ist nötig? Und kann die Plattform, die Sie bereits besitzen, das leisten?
Wir prüfen auch, ob Ihre Instanz genug echte Historie enthält. Prädiktive Ansätze brauchen sie, generative kaum.
Governance
Was darf die KI entscheiden und tun, und welche Aktionen brauchen eine Freigabe? Was muss protokolliert werden, was geschieht, wenn die KI unsicher ist, und unterliegt die Entscheidung einer Regulierung?
In der Discovery halten wir diese Punkte fest. Ausgestaltet werden sie in der anschließenden Governance-Arbeit.
Verantwortung
Gibt es einen benannten Verantwortlichen im Fachbereich und einen benannten technischen Verantwortlichen, und wissen beide, dass sie diese Rolle haben?
An dieser Prüfung scheitern Anwendungsfälle am häufigsten. Die Lücke zu schließen, ist eine geschäftliche Entscheidung und keine technische.
Verwandte Seiten: ob die Daten erreichbar sind → ServiceNow Integrations. Governance und Aufsicht → AI Control Tower. Regulierte Entscheidungen → EU AI Act Readiness.
ServiceNow, Claude, klassische Automatisierung oder eine Kombination
Wir implementieren ServiceNow und Anthropic Claude und wählen für jeden Anwendungsfall neu. ServiceNow orchestriert den Workflow und übernimmt die Governance, Claude liefert die Intelligenz. Sie erhalten eine ehrliche Empfehlung statt einer bequemen. Manchmal empfehlen wir dabei eine Technologie, die wir gar nicht implementieren.
Klassische Automatisierung oder Integration
Klassische Automatisierung passt, wenn die Regeln stabil sind und die Ergebnisse deterministisch sein sollen. Eine Integration passt, wenn das eigentliche Problem darin liegt, dass Systeme nicht miteinander kommunizieren. Beides ist günstiger, berechenbarer und leichter zu prüfen.
ServiceNow AI und KI-Agenten
ServiceNow AI passt, wenn der Prozess schon auf ServiceNow läuft, die Arbeit ServiceNow-Datensätze ändert, Unternehmensberechtigungen wichtig sind oder die Governance direkt beim Workflow liegen soll.
Anthropic Claude
Claude passt, wenn das Problem in der Wissensarbeit liegt: Schlüsse aus unstrukturiertem Material ziehen, Dokumente oder Richtlinien zusammenführen oder Aufgaben bearbeiten, die auf dem Wissen des Unternehmens beruhen statt auf einem einzelnen Prozess.
Eine Kombination
Oft ist eine Kombination die beste Lösung: Claude übernimmt das Denken und die Arbeit mit Wissen, ServiceNow die kontrollierte Ausführung, und beide sind gezielt miteinander verbunden. Diese Entscheidungslogik wenden wir auch selbst an, für jeden Anwendungsfall einzeln.
Der AI Agent Advisor von ServiceNow kann Instanzdaten nach Kandidaten für Automatisierung durchsuchen. Wo das sinnvoll ist, setzen wir ihn ein. Da er mit echter Datensatzhistorie arbeitet, bringt er auf einer etablierten Instanz den größten Nutzen. Discovery ergänzt die Einschätzungen, die diese Anwendung nicht treffen kann: ob das Unternehmen das Problem mit KI lösen sollte, ob der Prozess stabil genug ist und wer für das Ergebnis verantwortlich ist. Bevor wir uns auf die Analysefunktionen der Plattform stützen, prüfen wir sie anhand Ihres aktuellen Releases.
AI Use Case Discovery klärt, welche KI-Chancen sich lohnen. ServiceNow AI setzt die Chancen, für die Sie sich entscheiden, im Geschäftsprozess um und steuert sie.
Beispiele für das, was Discovery findet
Zusammenfassungen zu Opportunities und Accounts, damit der Vertrieb weniger Zeit braucht, um Hintergrundinformationen zusammenzutragen.
Unterstützung bei der Angebotserstellung, wenn Konfigurations- und Preisregeln so komplex sind, dass die Zeit der Experten zum Engpass wird.
Fallzusammenfassungen und Lösungsnotizen, die schon ab dem ersten Ticket funktionieren. Grundlage ist der aktuelle Fall, nicht das Lernen aus der Historie.
Triage und Routing. Wie viel sie bringen, hängt davon ab, ob Ihre Fallkategorien und Kundendaten verlässlich sind.
Projekt- und Portfoliozusammenfassungen für Statusberichte, die heute Zeit von Führungskräften kosten.
Analyse von Bedarfen und Arbeitspaketen, die eingehende Anfragen in strukturierte und vergleichbare Einträge überführt.
Die Liste ist bewusst kurz gehalten. Ihre wirkungsvollsten Anwendungsfälle ergeben sich aus Ihrer eigenen Strategie und Ihren eigenen Abläufen.
Eine Auswahl, die Sie finanzieren können, und die Begründung dazu
Eine lange Liste mit Chancen ist schnell erstellt, doch die schwierige Entscheidung bleibt dann bei Ihnen. Discovery liefert Ihnen eine kurze Liste, mit der Sie arbeiten können, eine Begründung für jede Einordnung und eine klare Aufstellung der Kandidaten, von denen wir abraten, jeweils mit den Gründen. Gerade diese zweite Liste spart oft das meiste Budget.
Wir wenden dieselbe Methode auf unsere eigene Arbeit an.
Bei unserer eigenen Arbeit an Konfiguration und Preisfindung haben wir vier mögliche Bereiche anhand derselben fünf Fragen bewertet und die Belege Zeile für Zeile dokumentiert. Genau einen davon haben wir als gezielten Pilot weiterverfolgt. Damit stand fest, was gebaut wird, bevor die Entwicklung begann.
Sie brauchen keine fünfzig KI-Ideen. Sie müssen wissen, welche drei eine Investition verdienen, und warum.
Sieben Stufen, aus gutem Grund in dieser Reihenfolge
Strategie und Geschäftsproblem abstimmen
Wir klären, was das Unternehmen erreichen will, wo heute etwas verloren geht, wie oft das passiert und was es kostet. Über Technologie sprechen wir in diesem Gespräch noch nicht.
In den Stufen 2, 5 und 6 arbeiten wir mit Prozessbelegen, Datenprüfungen und einer Sichtung Ihrer Plattform. Deshalb leistet das Ergebnis mehr als ein Ideenworkshop: Sie erhalten Entscheidungen, die Sie finanzieren können, und ein Backlog, auf dessen Grundlage Ihr Team mit der Umsetzung beginnen kann.
Wir bauen die KI, bei deren Auswahl wir Ihnen helfen
Erst das Geschäft, dann die Technologie.
Am Anfang steht die Frage, was besser werden muss. Bevor ein Anwendungsfall bewertet wird, muss er sein Problem und seine Messgröße benennen.
Wir kennen KI und die Abläufe, in denen sie arbeitet.
Wir implementieren ServiceNow in Commercial, Customer und Project Operations und ergänzend Anthropic Claude. KI-Agenten entwickeln und betreiben wir im eigenen Unternehmen und bei Kunden. Das ist wichtig, denn ob ein KI-Anwendungsfall gelingt, entscheidet sich meist auf der operativen Ebene: bei Prozessvarianten, Datenqualität, Berechtigungen und Verantwortung.
Wir empfehlen den einfachsten Weg, der das Problem löst.
Das gilt auch für Technologie, die wir nicht implementieren. Für jede Funktion benennen wir das führende System und halten es schriftlich fest, auch bei Funktionen, die aus unserer Sicht außerhalb von ServiceNow bleiben sollten.
Eine Discovery, die detailliert genug für die Umsetzung ist.
Für das Design in Kundenservice, Vertrieb und Auftragsmanagement sowie Workforce Management nutzen wir Fragenkataloge mit Hunderten strukturierter Fragen auf Deutsch und Englisch. Zu jeder Frage ist das Standardverhalten dokumentiert. Die Umsetzung setzt direkt auf dem Ergebnis auf, ohne dass erst eine Präsentation überarbeitet werden muss.
Die Spezialisten, die Ihre Discovery leiten
Die erfahrenen Spezialisten, die Ihre Discovery leiten, haben bereits große Teams für Automatisierung und Nutzenrealisierung aufgebaut. Statt einer Vorlage bringen sie eine Methode mit: strukturierte Fragenkataloge auf Deutsch und Englisch für drei ServiceNow-Module und einen treiberbasierten Ansatz für Projektplanung und Aufwandsschätzung.
Sie lernen genau diese Spezialisten schon im ersten Gespräch kennen. Es gibt keine Betreuungsebene dazwischen und keine Übergabe an ein Team, das Sie nie kennengelernt haben.
Bauen Sie die KI, die Ihre Investition wert ist
Bringen Sie Ihre Strategie mit, dazu die KI-Ideen, die bereits auf dem Tisch liegen, und die Schmerzpunkte, die Sie am dringendsten lösen möchten. Im ersten Gespräch mit den Spezialisten, die Ihre Discovery leiten würden, besprechen wir, was Sie planen, was bereits vorhanden ist und wo KI in Ihrem Unternehmen am meisten bewirkt.
Nutzenhypothese
Der erwartete Nutzen als Spanne, mit offengelegten Annahmen. Damit lassen sich Optionen vergleichen, ein Business Case ist es aber nicht.
Prädiktive KI
Lernt aus Historie, um zu klassifizieren oder vorherzusagen.
Generative KI
Liest, fasst zusammen, extrahiert oder entwirft aus aktuellem Kontext.
KI-Assistent
Hilft einem Menschen bei der Arbeit, die Entscheidung bleibt beim Menschen.
KI-Agent
Eine KI mit einer Aufgabe, bestimmten Tools und einer klaren Grenze.
Agentischer Workflow
Ein Geschäftsziel, das mehrere KI-Agenten nacheinander bearbeiten.
Ausnahmequote
Wie oft der Prozess nicht dem normalen Weg folgt.
Freigesetzte Kapazität
Zeit, die in einem bestehenden Team frei wird.
Menschliche Aufsicht
Eine benannte Person mit der Kompetenz und der Befugnis einzugreifen.
LLM, Large Language Model
Das KI-Modell selbst, zum Beispiel Claude.
Die Fragen, die uns Entscheider stellen.
Was ist AI Use Case Discovery?
›
Ein strukturiertes Projekt, das bei Ihrer Unternehmensstrategie und Ihren Schmerzpunkten ansetzt. Darauf aufbauend ermitteln und bewerten wir KI-Anwendungsfälle nach einheitlichen Kriterien: Geschäftsproblem, Eignung von KI als Instrument, passende Art von KI, Daten und Berechtigungen, menschliche Aufsicht, Nutzen, Machbarkeit und Risiko. Sie erhalten ein priorisiertes Backlog mit Begründung und einen empfohlenen ersten Schritt.
Wie findet man gute KI-Anwendungsfälle?
›
Am Anfang stehen die Strategie und die tatsächliche Arbeit, erst danach die Suche nach Kandidaten. Discovery bildet ab, wie ein Prozess wirklich abläuft, und achtet dann auf bestimmte Signale: wiederkehrende Arbeit in hohem Volumen, unstrukturierte Informationen, die heute jemand lesen muss, um zu entscheiden, Triage und Routing von Hand, Wissenssuche, wiederkehrende Entscheidungsmuster, langsame Übergaben, manuelle Texterstellung, Ausnahmen, die geklärt werden müssen, und uneinheitliche Abläufe in verschiedenen Teams. Ein guter Kandidat liegt vor, wenn die Arbeit real ist, das Volumen bekannt, das Ergebnis messbar und die Verantwortung geklärt.
Wie priorisiert man KI-Anwendungsfälle?
›
Geschäftsnutzen und Umsetzbarkeit werden gemeinsam betrachtet, Reife und Risiko kommen als zusätzliche Kriterien hinzu. Zuerst beschreiben wir alle Kandidaten im selben Format, denn uneinheitliche Beschreibungen lassen sich nicht vergleichen. Danach ordnen wir jeden Anwendungsfall einer von vier Zonen zu: jetzt umsetzen, als Nächstes validieren, Grundlagen schaffen oder stoppen. Die Begründung jeder Einordnung bleibt sichtbar, damit die Entscheidung auch vor der Geschäftsleitung Bestand hat.
Wie berechnet man den Nutzen eines KI-Anwendungsfalls?
›
Wir stellen eine Nutzenhypothese auf. Dazu gehören eine Spanne, die zugrunde liegenden Annahmen und die Methode, mit der der Nutzen nach dem Go-live gemessen wird. Im Mittelstand ist freigesetzte Kapazität aus Arbeit mit geringem Wert meist die glaubwürdigste Größe. Hinzu kommen Durchlaufzeit, Kosten pro Servicefall, Qualität und Fehlerquote sowie Risikominderung. AI Use Case Discovery liefert eine Nutzenhypothese, die ausreicht, um Anwendungsfälle miteinander zu vergleichen. Roadmapping liefert den Business Case, auf dessen Grundlage über eine Investition entschieden wird.
Woran erkennt man, ob ein Prozess bereit für KI ist?
›
Discovery sucht nach Anzeichen dafür, dass ein Prozess zuerst überarbeitet werden muss: Er läuft in jedem Team anders, die Verantwortung ist unklar, Ausnahmen sind nicht dokumentiert, Eingabedaten sind uneinheitlich, Entscheidungen wurden nie definiert, oder es fehlt ein gemeinsames Verständnis davon, wie ein gutes Ergebnis aussieht. KI verstärkt den Prozess, in dem sie eingesetzt wird. Bei einem uneinheitlichen Prozess beschleunigt sie deshalb nur die Uneinheitlichkeit.
Was ist der Unterschied zwischen KI-Automatisierung und KI-Agenten?
›
Bei einer Automatisierung führt ein bekannter Auslöser zu einer bekannten Aktion, deterministisch und prüfbar. Ein KI-Agent erledigt definierte Aufgaben für ein Ziel, nutzt dabei Tools und Kontext und bleibt innerhalb festgelegter Berechtigungen. Er kann mehr, seine Handlungen haben aber auch größere Folgen. Dazwischen liegen Assistenten, die einem Menschen bei der Arbeit helfen, während die Entscheidung beim Menschen bleibt. In der Praxis besteht das Risiko, dass KI-Agenten für Probleme vorgeschlagen werden, die eine Automatisierung sicherer lösen würde.
Braucht jeder KI-Anwendungsfall generative KI?
›
Nein. Generative KI liest, fasst zusammen, extrahiert und entwirft Texte auf Basis des aktuellen Kontexts. Prädiktive KI klassifiziert und prognostiziert anhand historischer Muster und braucht dafür echtes Volumen und echte Historie. Viele Probleme brauchen weder das eine noch das andere, sondern eine regelbasierte Automatisierung, eine Integration oder zuerst eine Änderung am Prozess. Discovery dokumentiert, welcher Weg zutrifft und warum.
Wie entscheiden Sie zwischen ServiceNow AI und Claude?
›
Das hängt von der Art der Arbeit ab. ServiceNow passt, wenn der Prozess bereits dort läuft und Unternehmensberechtigungen, Datensätze und Governance eine Rolle spielen. Dann orchestriert ServiceNow den Workflow. Claude passt, wenn das Problem in der Wissensarbeit liegt: Schlüsse aus unstrukturiertem Material ziehen, Inhalte zusammenführen oder Aufgaben bearbeiten, die auf dem Wissen des Unternehmens beruhen statt auf einem einzelnen Prozess. Oft ist die Kombination aus beidem die beste Lösung, gezielt miteinander verbunden. Manchmal ist es auch klassische Automatisierung.
Was passiert nach AI Use Case Discovery?
›
Für jeden verbleibenden Anwendungsfall ist der weitere Weg benannt: Implementierung für Prozessarbeit auf ServiceNow, Integrationen für die Erreichbarkeit von Daten, AI Control Tower für Governance, EU AI Act Readiness für regulierte Entscheidungen, Claude für Wissensarbeit, Prozessdesign, wenn sich zuerst der Prozess ändern sollte, und Roadmapping, wenn mehr als eine Handvoll Anwendungsfälle übrig bleibt. Hat in Ihrem Team noch niemand diesen Stack in Produktion gebracht, kann ein Forward Deployed Engineer den ersten Anwendungsfall vollständig umsetzen.