Pillar Guide
30 KI-Use-Cases für Schweizer KMU
Konkret, geprüft, sortiert nach ROI × Machbarkeit. Kein Hype-Theater.
Diese Use-Cases stammen aus Beratungsmandaten, Branchen-Beobachtung und Workshop-Ergebnissen. Nicht aus Marketing-Whitepapers. Wir haben sie sortiert nach zwei Achsen: ROI (was bringt es?) und Machbarkeit (wie schwer ist es einzuführen?). Quick Wins oben, anspruchsvolle Hebel unten.
Quick Wins (10 Use Cases)
Niedrige Hürde, schneller ROI. Typischer Aufwand: 5–10 Tage Waldsee.
- Mail-Triage: Eingangs-Mails klassifizieren, Antwort-Vorschläge
- Offert-Vorbereitung: Vorlagen automatisch füllen
- Meeting-Protokolle: Audio-zu-Text mit Zusammenfassung
- Übersetzung: Interne Mehrsprachigkeit (DE/FR/IT/EN)
- Standard-Schreiben: AGB-Anfragen, Mahnschreiben, Bestätigungen
- CV-Screening: Erst-Filter im Recruiting (nicht Final-Entscheidung)
- FAQ-Bot: Interne Mitarbeiter-Fragen aus Dokumenten beantworten
- Excel-Formel-Erklärung: KI als „Kollege, der Formeln versteht"
- Code-Review-Hinweise: Leichtgewichtig, für nicht-Tech-KMU
- Social-Media-Captions: Basierend auf Bildern und Stichworten
Mittlere Hebel (10 Use Cases)
Mittlerer Aufwand, höherer ROI. Typischer Aufwand: 10–20 Tage Waldsee.
- Wissens-Bot über interne Dokumente (RAG)
- Automatisierte Berichts-Generierung: Monatsreports
- Lead-Qualifizierung im CRM
- Vertrags-Analyse: Klausel-Vergleich, Risiko-Markierung
- Recruiting-Match: Stelle ↔ CV-Pool
- Kundensegmentierung: Mit unstrukturierten Daten
- Forecasting Umsatz/Bedarf: Mit KI-Layer auf bestehende Daten
- Helpdesk-Automation: First-Level-Antworten
- Wissens-Onboarding: Für neue Mitarbeitende
- Dokumenten-Klassifikation: Im DMS
Anspruchsvolle Hebel (10 Use Cases)
Hoher Aufwand, transformativ. Typischer Aufwand: 20+ Tage Waldsee plus ggf. Hardware.
- Code-aware Coding-Copilot on-prem: Tech-KMU
- Anomalie-Erkennung in Operations-Daten
- Custom GPT für Mandanten-Schriftverkehr: Treuhand
- Eigene Wissens-Suche: Über Confluence/Notion/SharePoint
- PR-Review-Bot: Für sicherheitsrelevanten Code
- Multi-Agent-Workflows: Für komplexe Bearbeitungs-Ketten
- KI-gestützte Produktkonfiguration: Im Verkaufsprozess
- Sentiment-Analyse: In Kundenfeedback
- Demand-Forecast: Mit externen Marktdaten
- Custom-Modell-Training: Auf eigenen Daten (selten sinnvoll)
Wie du aus dieser Liste eine Strategie machst
Drei Schritte. Erstens: Markiere 5 Use-Cases, die für deinen Betrieb interessant klingen. Zweitens: Buch eine KI-Potentialanalyse. Wir gehen die Liste durch, schauen, was bei dir wirklich Sinn macht, und priorisieren. Drittens: Du entscheidest. Selbst bauen, gemeinsam umsetzen, oder die Umsetzung ganz an uns geben.
Häufige Fragen
Welcher Use Case bringt am schnellsten ROI?
Mail-Triage und Offert-Vorbereitung in den meisten Office-lastigen KMU. Code-Copilots in Tech-KMU. Helpdesk-Automation in Service-Unternehmen.
Brauche ich für KI-Use-Cases eigene Daten?
Für Quick Wins meistens nicht. Generische Modelle reichen. Für anspruchsvolle Hebel (Forecasting, Custom-Bots) ja, dann kommt es auf Datenqualität an.
Welche Use Cases sind in der Schweiz revDSG-kritisch?
Alles mit Personendaten, Mandantendaten, Patientendaten, IP-sensitiven Inhalten. Bei diesen Use Cases prüfen wir on-prem oder Schweiz-konforme Cloud.
Was kostet ein typisches Use-Case-Projekt?
Quick Wins: 5–10 Tage Waldsee-Aufwand zum Tagessatz CHF 2’200. Mittlere Hebel: 10–20 Tage. Anspruchsvolle Hebel: 20+ Tage plus ggf. Hardware.
Kann ich die Use Cases auch ohne Waldsee bauen?
Quick Wins ja, mit etwas Tech-Affinität. Ab mittleren Hebeln wird es schwierig ohne Erfahrung. Dann lohnt sich Begleitung im Tagessatz.
Wo passt das ATHENA-Framework rein?
Use-Case-Identifikation gehört in die ATHENA-Phase Awareness. Implementation in Transformation und Adaptation. Mehr unter Methodik.