Gute KI-Use-Cases findet man nicht in der Technik, sondern in der Arbeit: Das Value Proposition Canvas
Ein konkretes Werkzeug aus Tag 4 des CAS KI-Transformation – «Methoden der KI-Transformation»
„Wo sollen wir mit KI anfangen?“ – diese Frage höre ich in fast jeder Organisation, mit der wir arbeiten. Und fast immer beginnt die Antwort am falschen Ende: bei der Technologie. Man sammelt die neuesten KI-Modelle, testet einen Chatbot, richtet einen „KI-Sandbox“ ein – und wundert sich nach ein paar Monaten, dass zwar viel ausprobiert, aber wenig verändert wurde. Der Grund ist selten die Technik. Der Grund ist, dass niemand sauber aufgeschrieben hat, welche Arbeit KI eigentlich verbessern soll.
Genau dafür nutzen wir im CAS KI-Transformation ein Werkzeug, das ursprünglich gar nichts mit KI zu tun hatte: das Value Proposition Canvas. Es wurde entwickelt, um Produkte zu bauen, die Kundinnen wirklich wollen. Es eignet sich aber ebenso gut, um KI-Use-Cases zu finden, die eine Organisation wirklich braucht. Der Ansatz ist derselbe: Man hört auf, über die Lösung zu reden, und fängt an, die Aufgabe zu verstehen.
Das Canvas in 60 Sekunden
Das Value Proposition Canvas hat zwei Hälften, die zusammenpassen müssen.
Auf der einen Seite steht das Kundenprofil – bei uns: die Person oder das Team, dessen Arbeit wir mit KI verbessern wollen:
• Jobs – die Aufgaben, die jemand erledigen will: funktional, sozial und emotional.
• Pains – die Hürden: alles, was die Arbeit mühsam, riskant, langsam oder ärgerlich macht.
• Gains – die Gewinne: Ergebnisse, die jemand sich wünscht oder die ihn positiv überraschen.
Auf der anderen Seite steht die Value Map – bei uns: die KI-Lösung. Auch sie hat drei Felder: KI-Funktionen & Services (was die KI tut), Pain Relievers (bauen Hürden ab) und Gain Creators (schaffen Gewinne).
Ein guter Use-Case entsteht, wenn die linke Seite die wichtigsten Punkte der rechten Seite trifft. Das nennt man Fit. Der entscheidende Satz: Man beginnt immer rechts, beim Menschen und seiner Arbeit – nie links, bei der Lösung.
Gehen wir es mit einem konkreten Beispiel durch
Nehmen wir ein Team im Kundendienst einer Versicherung, das eingehende Schadenmeldungen bearbeitet. Der schnelle Reflex wäre: „Klar – da bauen wir einen Chatbot.“ Füllen wir das Canvas stattdessen sauber aus.
Wir setzen uns mit zwei, drei Personen aus diesem Team zusammen und fragen zuerst nur nach den Jobs. Schnell kommt das Funktionale: Meldung erfassen, Deckung prüfen, Fall kategorisieren, Antwort formulieren. Dann fragen wir weiter – und hier wird es interessant. Eine soziale Dimension taucht auf: „Ich will gegenüber der Kundin kompetent wirken und keine falsche Auskunft geben.“ Und eine emotionale: „Ich will abends nicht das Gefühl haben, dass ich nur Formulare verschoben habe.“
Dann die Pains. Nicht „es ist viel Arbeit“, sondern konkret: Die relevanten Informationen liegen in vier verschiedenen Systemen. Bei unklaren Fällen fehlt die Zeit, in alten Policen nachzuschlagen. Die Angst, eine Deckung falsch einzuschätzen, kostet mehr Energie als die Tipparbeit selbst.
Und die Gains: Fälle, die eindeutig sind, sollten in Minuten statt Stunden durch sein. Und – das sagt niemand im ersten Satz – man würde gerne die kniffligen Fälle behalten, weil die eigentlich Spass machen.
Erst jetzt drehen wir das Canvas um. Der beste KI-Use-Case ist plötzlich nicht mehr „der Chatbot“, sondern ein KI-Assistent, der die vier Systeme durchsucht, den relevanten Policen-Ausschnitt zitiert und eine Deckungseinschätzung mit Quelle vorschlägt – die der Mensch bestätigt. Das trifft den grössten Pain (verstreute Information, Angst vor Fehlern), schafft den grössten Gain (schnelle klare Fälle) und lässt die interessante Arbeit beim Menschen. Denselben Use-Case hätten wir mit „Wo setzen wir KI ein?“ nie gefunden.
1. Jobs – die Aufgabe verstehen, bevor man sie automatisiert
Die meiste Wirkung entsteht im ersten Feld, weil es am häufigsten übersprungen wird. Ein Job ist das, was jemand erledigen will, formuliert aus seiner Sicht – nicht die Tätigkeit, die im Prozessdiagramm steht.
Der Schlüssel sind die drei Ebenen. Funktionale Jobs sind die sichtbaren Aufgaben. Soziale Jobs betreffen, wie jemand von anderen wahrgenommen werden will. Emotionale Jobs betreffen, wie er sich dabei fühlen will. KI-Projekte scheitern oft, weil sie nur die funktionale Ebene optimieren und die anderen beiden verletzen – der Chatbot ist schneller, aber die Sachbearbeiterin wirkt gegenüber der Kundin plötzlich wie eine Durchreiche. Wer die sozialen und emotionalen Jobs kennt, weiss, welche Automatisierung akzeptiert wird und welche innerlich boykottiert wird.
2. Pains – die Hürden, geordnet nach Schwere
Pains sind die negativen Erlebnisse, Risiken und Hindernisse rund um einen Job. Die Kunst besteht nicht darin, viele zu sammeln, sondern sie nach Schwere und Häufigkeit zu ordnen. Ein Pain, der zweimal im Jahr weh tut, ist kein Use-Case. Ein Pain, der jeden Tag zehn Minuten und ein schlechtes Gefühl kostet, ist Gold wert.
Gute Fragen bringen sie an die Oberfläche: Was kostet Sie zu viel Zeit oder Nerven? Wovor haben Sie Angst, wenn Sie diese Aufgabe machen? Was läuft regelmässig schief? Wo müssen Sie etwas doppelt tun? Wichtig ist, dass man Pains als das notiert, was die Menschen erleben, nicht als das, was man technisch lösen möchte – sonst schreibt man die Lösung schon in die Problembeschreibung und verengt den Blick.
3. Gains – die Gewinne, die mehr sind als „kein Schmerz“
Der häufigste Denkfehler: Gains sind einfach das Gegenteil der Pains. Sind sie nicht. Ein Gain ist mehr, als jemand erwartet – ein Ergebnis, das überrascht und begeistert. „Der Fall ist schneller erledigt“ ist die Behebung eines Pains. „Ich habe abends das Gefühl, die schwierigen Fälle wirklich gut gelöst zu haben“ ist ein Gain.
Diese Unterscheidung ist bei KI besonders wertvoll, weil sie die Ambition eines Use-Cases definiert. Wer nur Pains behebt, baut Effizienz-Werkzeuge – nützlich, aber austauschbar. Wer echte Gains schafft, baut etwas, das die Arbeit verbessert statt sie nur effizienter zu machen. Beides ist legitim. Aber man sollte wissen, welches von beidem man gerade tut.
4. Fit – wo die KI die richtigen Punkte trifft
Jetzt erst kommt die Technik ins Spiel. Für die zwei, drei wichtigsten Pains und Gains fragen wir: Was müsste eine Lösung tun, um genau diese zu adressieren? Daraus werden Pain Relievers und Gain Creators – und daraus konkrete KI-Use-Cases. Der Fit ist erreicht, wenn die Lösung die bedeutsamsten Punkte trifft, nicht möglichst viele. Wer versucht, jeden Job, jeden Pain und jeden Gain abzudecken, macht am Ende alles schlecht. Ein fokussierter Use-Case, der einen echten Pain löst, schlägt zehn vage KI-Ideen.
Drei Dinge, die den Unterschied machen
Erstens: immer rechts beginnen.
Sobald ein Workshop bei der Lösung startet, beschreibt das Team nicht mehr seine echte Arbeit, sondern rechtfertigt eine Technologie. Die Reihenfolge – erst Kundenprofil, dann Value Map – ist keine Formalität, sondern der eigentliche Wirkmechanismus.
Zweitens: nach implizitem Wissen graben, nicht nach Meinungen.
Die wertvollen Antworten kommen nie im ersten Satz. Das „Warum machen Sie das so?“, drei- oder viermal freundlich nachgefragt, fördert das stille Erfahrungswissen zutage, das in keinem Prozesshandbuch steht – und genau dort liegen die guten Use-Cases.
Drittens: rücksichtslos priorisieren.
Ein volles Canvas ist kein Ziel, sondern ein Zwischenschritt. Der Wert entsteht, wenn man aus zwanzig Post-its die zwei markiert, die wirklich zählen.
Warum es gemeinsam schneller geht
Man könnte das Canvas allein am Schreibtisch ausfüllen. Das ist definitiv nicht der beste Weg. Der eigentliche Gewinn des Value Proposition Canvas ist nicht das ausgefüllte Blatt – es ist das Gespräch, das man führen muss, um es auszufüllen.
„Das Canvas ist vor allem ein Destillier-Werkzeug: Das Wichtigste passiert nicht auf dem Papier, sondern im Raum – wenn die Sachbearbeiterin einen Pain nennt, von dem die Führungskraft noch nie gehört hat.“
Das Wissen, welche Aufgabe wirklich weh tut, liegt bei den Menschen, die sie täglich machen. Es ist implizit, oft unausgesprochen, manchmal ist es den Betroffenen selbst nicht bewusst. Das Canvas zwingt eine gemischte Runde aus Fachbereich, Führung und KI-Leuten dazu, dieselbe Sprache zu sprechen und dieselben drei Fragen zu beantworten. Für die spätere Umsetzung ist dieses geteilte Verständnis mehr wert als jede Tool-Auswahl. Ein Use-Case, den das Fachteam selbst mitformuliert hat, muss man nachher nicht gegen Widerstände „einführen“.
Probieren Sie es aus
Sie brauchen dafür keinen Workshop und keine Software. Nehmen Sie einen Prozess in Ihrem eigenen Bereich, der Sie regelmässig frustriert. Zeichnen Sie zwei Kästen auf ein Blatt. Rechts schreiben Sie auf: Welche Aufgabe wird hier wirklich erledigt – funktional, sozial, emotional? Was sind die drei grössten Hürden? Was wäre der schönste denkbare Gewinn? Und erst dann, links: Was müsste eine KI tun, um genau die grösste Hürde und den grössten Gewinn zu treffen?
Wenn am Ende ein Use-Case dasteht, den Sie vorher nicht auf dem Zettel hatten, hat das Canvas seine Arbeit getan.
Wie weiter?
Ob der CAS KI-Transformation zu Ihren Zielen passt, klären Sie am einfachsten im unverbindlichen Gespräch mit der Studienleitung – oder Sie sehen sich den detaillierten Lehrplan an.
Kontakt aufnehmen: harry.witzthum@ikf.ch
Mehr zum Kurs erfahren: CAS KI-Transformation
Autor
Dr. Harry Witzthum, Studienleitung IKF
Die Wissenschaft hilft uns, vorhandene Erkenntnisse, Methoden und Tools für uns zu nutzen, ohne jedes davon selbst herleiten zu müssen. Value Proposition Design ist eines davon. Eines von vielen, die wir im CAS KI-Transformation anwenden, um jeder und jedem bei ihrer eigenen Transformation zu Erfolg zu verhelfen.