KI-Potenzialanalyse: So läuft ein Strategie-Workshop von der Bestandsaufnahme bis zur priorisierten Roadmap

Vor einigen Monaten saß ein Produktionsleiter aus dem fränkischen Maschinenbau bei uns im Erstgespräch und sagte einen Satz, den wir so ähnlich in fast jedem Workshop hören: „Wir haben drei KI-Piloten laufen – aber niemand kann mir sagen, welcher davon sich wirklich lohnt." Genau dieses Muster erleben wir bei mittelständischen Unternehmen immer wieder: Es fehlt nicht an Ideen für KI-Anwendungen, sondern an einem strukturierten Weg, um Potenziale sauber zu bewerten, Prioritäten zu setzen und Use Cases wirtschaftlich tragfähig in den Betrieb zu überführen. Genau dafür gibt es die KI-Potenzialanalyse – ein Managementformat, das Klarheit schafft, bevor Budget in die falschen Projekte fließt.

Was ist eine KI-Potenzialanalyse? Eine KI-Potenzialanalyse ist ein strukturierter Bewertungsprozess, der Unternehmen hilft, die geeignetsten KI-Anwendungen zu identifizieren und realistische Prioritäten zu setzen, um den höchsten Mehrwert mit geringem Risiko zu erzielen.

Sie fungiert als unverzichtbares Werkzeug, um die Relevanz und Realisierbarkeit von KI im spezifischen geschäftlichen Rahmen zu bewerten und sicherzustellen, dass KI-Initiativen auf die Geschäftsziele ausgerichtet sind. Der Prozess einer KI-Potenzialanalyse dauert typischerweise zwischen 4 und 6 Wochen, abhängig von der Größe und Komplexität des Unternehmens. Die Ergebnisse liefern eine priorisierte Liste von KI-Use-Cases, die sich am meisten lohnen, sowie eine umsetzbare Roadmap.

Die Zahlen unterstreichen die Dringlichkeit: Laut Statistischem Bundesamt nutzten 2025 bereits 26 % der deutschen Unternehmen mit mindestens zehn Beschäftigten künstliche Intelligenz. Im Mittelstand sind es laut KfW-Mittelstandspanel rund 20 %. Gleichzeitig nennen dieselben Unternehmen fehlendes Wissen, Rechtsunsicherheit und Datenschutzbedenken als größte Hürden. Ein KI-Strategie-Workshop löst genau dieses Dilemma: Er macht Prozesse, Daten, Nutzen, Risiken und Prioritäten greifbar – und verhindert, dass Unternehmen Tools kaufen, bevor sie ihre eigentlichen Hebel kennen.

In diesem Artikel erfahren Sie, warum die KI-Potenzialanalyse zur Chefsache wird, wie ein Strategie-Workshop konkret abläuft – von der Status-quo-Analyse über Use-Case-Identifikation und Wirtschaftlichkeitsbewertung bis zur priorisierten Roadmap –, was den Workshop-Ansatz von Hanisch Consulting von anderen Anbietern unterscheidet, und welche dokumentierten Praxisbeispiele zeigen, wie der Übergang von Analyse zu Umsetzung gelingt.

Außerdem ordnen wir ein, welche internationalen Trends – von der EU-KI-Verordnung über souveräne KI-Infrastruktur bis zu agentischen Systemen und RAG – die Workshop-Inhalte 2026 verändern.

Warum eine KI-Potenzialanalyse jetzt Chefsache ist

Das Tempo, mit dem künstliche Intelligenz in der deutschen Wirtschaft ankommt, hat sich zuletzt deutlich beschleunigt. Bitkom meldet im März 2026, dass 41 % der Unternehmen ab 20 Beschäftigten KI aktiv einsetzen – vor einem Jahr waren es noch 17 %. Dass diese Zahl über der amtlichen Destatis-Erhebung von 26 % liegt, erklärt sich durch methodische Unterschiede: Bitkom befragt Unternehmen ab 20 Beschäftigten, Destatis ab zehn.

Die Richtung ist aber identisch – KI diffundiert rapide in den Unternehmensalltag.

Noch aufschlussreicher ist der Blick auf die Ergebnisse der KI-nutzenden Unternehmen: 77 % berichten laut Bitkom von einer verbesserten Wettbewerbsposition, 52 % sehen einen messbaren Beitrag zum Unternehmenserfolg. Das sind keine abstrakten Zukunftsszenarien, sondern dokumentierte Ergebnisse aus der Realität deutscher Betriebe.

Gleichzeitig zeigen die Destatis-Daten für 2025, welche Hürden den Einsatz von KI bremsen: Fehlendes Wissen steht mit 72 % an erster Stelle, gefolgt von Unklarheit über rechtliche Folgen (62 %), Datenschutzbedenken (60 %), Inkompatibilität mit bestehenden Systemen (45 %) und Problemen mit Datenverfügbarkeit oder -qualität (44 %). Kosten rangieren mit 32 % erst auf Platz sechs.

Was bedeutet das für Entscheider im Mittelstand? Der Engpass ist nicht mehr Aufmerksamkeit oder Interesse – er liegt bei Priorisierung, Datenbasis und konkreter Umsetzung. Genau hier setzt eine KI-Potenzialanalyse an: Sie transformiert vage KI-Chancen in bewertete, priorisierte und umsetzbare Anwendungsfälle. Wer diesen Schritt überspringt, riskiert Fehlinvestitionen in KI-Tools, die weder zum Reifegrad noch zur Datenlage des eigenen Unternehmens passen.

Und die KfW-Analyse zeigt eine weitere wichtige Erkenntnis: Der KI-Einsatz im Mittelstand ist an zentrale Voraussetzungen gebunden – insbesondere an einen hohen digitalen Reifegrad, eine bestehende Digitalisierungsstrategie und vorhandenes Know-how. Ohne diese Grundlagen wird KI nicht zum Hebel, sondern zum kostspieligen Experiment.

Die Herausforderungen sind also klar umrissen – und sie sind lösbar.

Wer Ressourcen gezielt dort einsetzt, wo der Business Case am stärksten ist, vermeidet Fehlinvestitionen und schafft die Grundlage für nachhaltige KI-Lösungen in seinen Prozessen. Die KI-Potenzialanalyse liefert genau diese Einschätzung: Sie macht aus vagen KI-Chancen eine belastbare Entscheidungsgrundlage.

Deshalb unser Rat: Wenn Sie als Geschäftsführer, COO oder Leiter Digitalisierung gerade überlegen, wo KI den größten Mehrwert in Ihrem Unternehmen stiften kann, ist ein Strategie-Workshop der richtige erste Schritt – nicht das nächste Tool-Abo. →

Vereinbaren Sie ein unverbindliches Erstgespräch

Was in einem Strategie-Workshop tatsächlich passiert

Ein guter KI-Strategie-Workshop ist kein Brainstorming-Nachmittag und kein Technologie-Demo-Tag. Er ist ein strukturierter Analyseprozess, der in klar definierten Phasen abläuft und am Ende eine belastbare Entscheidungsgrundlage liefert. Die konkreten Schritte sind in der Praxis erprobt:

Phase 1: Vorbereitung und Status-quo-Analyse

Bevor der eigentliche Workshop startet, steht die Bestandsaufnahme. Die Plattform Lernende Systeme beschreibt als ersten Meilenstein die Analyse des Status quo – inklusive KI-Know-how, Digitalisierungsgrad, Wertschöpfungskette, Ziele und Kennzahlen.

In der Praxis bedeutet das: Ihr Team dokumentiert vor dem Workshop die IT-Landschaft, vorhandene Datenquellen, aktuelle ERP-/CRM-Anbindungen und bestehende KPIs. Ebenfalls gehören typische Prozessschmerzen – Medienbrüche, manuelle Datenübertragungen, fehlende Echtzeit-Einblicke – in diese Vorbereitung.

Praxis-Insight: Aus unserer Erfahrung ist diese Phase der am meisten unterschätzte Schritt. Unternehmen, die ohne saubere Datengrundlage in den Workshop gehen, verbringen die Hälfte der Workshop-Zeit mit Grundlagen statt mit Priorisierung.

Wer vorab Klarheit über seine Datenstrategie und BI-Architektur schafft, steigt auf einem völlig anderen Niveau ein.

Phase 2: Use-Case-Identifikation und fachliche Priorisierung

Im Kern des Workshops steht die gemeinsame Arbeit an konkreten KI-Anwendungsfällen. Manche setzen hier auf Ideenworkshops mit Stakeholdern aus verschiedenen Fachbereichen, andere arbeiten mit einer Kombination aus Ideation und Nutzen-Aufwand-Priorisierung.

Entscheidend ist dabei, dass nicht nur IT-affine Teilnehmer am Tisch sitzen.

Die besten Ideen für KI-Use-Cases entstehen dort, wo verschiedene Fachbereiche ihre Prozesse und Herausforderungen offen einbringen: der Vertriebsleiter, der weiß, welche Kundenanfragen zu Produkten und Dienstleistungen sich wiederholen; die Produktionsleiterin, die sieht, wo Routineaufgaben und manuelle Prozessen die Effektivität senken; der Logistikverantwortliche, der Potenziale für Predictive Maintenance erkennt.

Dabei geht es nicht nur um generative KI-Technologien wie LLMs oder Copilot-Lösungen – sondern auch um klassische KI-Tools wie Anomalieerkennung, Prognosemodelle und Optimierungsalgorithmen. Das Team setzt in dieser Phase gemeinsam Prioritäten, damit die Mitarbeitenden aus den Fachbereichen ihre Perspektiven mit Informationen aus dem Tagesgeschäft fundieren können.

Die identifizierten Anwendungsfälle werden anschließend nach mehreren Kriterien bewertet:

Phase 3: Wirtschaftlichkeit, Risiko und Governance

Spätestens hier trennt sich ein oberflächlicher KI-Check von einer belastbaren Potenzialanalyse. PwC z.B. integriert explizit Kosten-Nutzen-Analyse, Risikobewertung und Priorisierungsmatrix. Und das ist auch zwingend notwendig – denn die Destatis-Erhebung zeigt, dass Rechtsunsicherheit, Datenschutz und Inkompatibilität genau die Themen sind, die KI-Projekte in der Praxis ausbremsen.

Besonders relevant ist die regulatorische Einordnung: Die KI-Verordnung der EU (AI Act) gilt schrittweise. Verbote und AI-Literacy-Anforderungen sind seit dem 2. Februar 2025 wirksam, GPAI-Regeln seit dem 2. August 2025, und große Teile des Regimes greifen ab dem 2. August 2026. Für bestimmte Hochrisiko-KI-Systeme, die in regulierte Produkte eingebettet sind, besteht eine verlängerte Übergangsfrist bis zum 2. August 2027.

Diese Datumslogik gehört in jede KI-Potenzialanalyse, weil sie Priorisierungs- und Investitionsentscheidungen direkt beeinflusst.

Ein guter Workshop adressiert deshalb nicht nur „Was können wir mit KI machen?", sondern auch: Wo liegen die Datenschutz-Anforderungen? Welche Transparenzpflichten entstehen? Wie sichern wir die Qualität der Daten? Und wie dokumentieren wir Entscheidungen so, dass sie auditfähig sind?

Phase 4: Roadmap, Pilot und Messlogik

Viele Workshop-Anbieter enden bei der priorisierten Use-Case-Liste. Das ist zu wenig. Der eigentliche Differenzierer liegt einen Schritt weiter als die Roadmap: in der Verbindung von Workshop-Ergebnissen zu konkretem Pilot, Baseline-Messung, Live-Dashboards und skalierbarer Infrastruktur.

Konkret heißt das: Für die zwei bis drei priorisierten KI-Use-Cases werden Pilotpfade definiert – mit klarem Zielbild, Datenanforderungen, KPIs, Zeitrahmen und Verantwortlichkeiten.

Die Roadmap beantwortet die Fragen: Was machen wir in den nächsten 4–6 Wochen? Welche Ressourcen und welchen Aufwand müssen wir einplanen? Und welche Ergebnisse müssen vorliegen, damit wir skalieren?

Die Einschätzung von Aufwand und Mehrwert je Use Case ist dabei der Anspruch, dem eine gute Potenzialanalyse gerecht werden muss – denn nur so entstehen KI-Lösungen, die über den Piloten hinaus tragfähig sind und echte Herausforderungen in den Prozessen lösen.

[Infografik-Platzhalter: „Von der KI-Potenzialanalyse zur Umsetzung – Phasenmodell mit Zeitachse" – Flussdiagramm: Vorbereitung → Workshop → Priorisierung → Pilot → Skalierung]

[Interaktiver Platzhalter: „KI-Reifegrad-Selbsteinschätzung" – Kurzassessment nach dem Prinzip des acatech SMART Quick Assessment, bei dem Leser ihren digitalen Reifegrad einschätzen können]

Was den Workshop von Hanisch Consulting unterscheidet

Es gibt viele Anbieter für KI-Potenzialanalysen – doch die meisten enden bei der Beratung. Hanisch Consulting verbindet den Strategie-Workshop mit dem produktiven Betrieb der AIOP – Agentic Industrial Orchestration Platform.

Das bedeutet: Die Use Cases, die im Workshop priorisiert werden, können direkt in eine steuerbare, DSGVO-konforme KI-Infrastruktur überführt werden – ohne Medienbruch zwischen Beratungsfolie und produktivem System.

Auf der Leistungsseite umfasst das Portfolio konkret: KI-Strategieberatung und Roadmap-Entwicklung, Datenstrategie & Business Intelligence, KI-gestützte Prozessoptimierung, Predictive Maintenance, digitale Zwillinge und KI-Agenten.

Diese Breite ist kein Zufall – sie bildet genau die Schritte ab, die nach einem Workshop typischerweise als Nächstes kommen.

Die wissenschaftliche Fundierung durch die Universität Bamberg und die Zusammenarbeit mit Prof. Dr. Ute Schmid (Lehrstuhl Cognitive Systems, Mitglied Bayerischer KI-Rat) stärken dabei die fachliche Glaubwürdigkeit. Nicht als akademisches Feigenblatt, sondern als Qualitätssicherung: Die Methodik des Workshops verbindet praxiserprobte Beratungslogik mit wissenschaftlich validierten Bewertungskriterien.

Dieser Ansatz passt zu aktuellen Forschungstrends. Das Fraunhofer IAIS hebt RAG-Architekturen und Multiagenten-Systeme als relevante Unternehmensrichtungen hervor.

Genau diese Technologien – GenAI-Workflows, RAG für unternehmensinterne Wissensdatenbanken, LLMs für Textverarbeitung und autonome KI-Agenten – sind Kernbestandteile der AIOP-Plattform und fließen in die Workshop-Bewertung ein.

Entscheidend ist nicht die Frage „Warum wir?", sondern: „Welche Workshop-Ergebnisse lassen sich später tatsächlich skalieren?"

Ein Workshop, der nur KI-Potenziale identifiziert, aber keinen Weg zur Implementierung aufzeigt, erzeugt Papierergebnisse. Wer dagegen Potenzialanalyse, Datenstrategie, BI-Architektur und Pilotierung aus einer Hand bekommt, spart nicht nur Abstimmungsaufwand – sondern gewinnt Monate an Umsetzungsgeschwindigkeit.

Dokumentierte Praxisbeispiele

Drei dokumentierte Fälle illustrieren, wie der Weg von der Potenzialanalyse zur Umsetzung in der Praxis funktioniert.

• DZ BANK – Governance-Modell für generative KI: Die DZ BANK hat einen hybriden Plattformansatz gewählt, bei dem zentrale IT die Architektur verantwortet, während Fachabteilungen dezentral KI-Anwendungen nutzen. Dieses Modell zeigt, wie Governance und Skalierung zusammen funktionieren – ein Muster, das wir auch im Mittelstand für praktikabel halten, wenn die Rahmenbedingungen von Anfang an im Workshop definiert werden.
• Fraunhofer/Benteler – Smart Maintenance in der Produktion: Der Fraunhofer-dokumentierte Case zeigt, dass bei Predictive-Maintenance-Projekten nicht das Modell den Unterschied macht, sondern Datenverständnis, Integration in bestehende Systeme und die Deployment-Phase. Unternehmen im Maschinenbau und in der Industrie können hieraus lernen, worauf es bei der Skalierung vom Pilotwerk auf weitere Standorte wirklich ankommt.
• Plattform Lernende Systeme – Predictive Maintenance im Mittelstand: Ein dokumentiertes Mittelstandsbeispiel in Zusammenarbeit mit Fraunhofer IOSB-INA zeigt den Einsatz von Anomalieerkennung zur Optimierung von Wartungsfenstern in der Produktion. Dieses Beispiel macht deutlich, dass KI-Lösungen auch für kleinere Unternehmen erreichbar sind – vorausgesetzt, die Datengrundlage stimmt und die Priorisierung im Workshop richtig gesetzt wurde. Der Einsatz von KI in Produkten, Prozessen und Dienstleistungen beginnt fast immer mit einer strukturierten Potenzialanalyse.

Fazit: Von der Analyse zur Umsetzung

Eine KI-Potenzialanalyse ist kein Tool-Vergleich und kein Technologie-Rundgang. Sie ist ein Managementformat, das Klarheit schafft – über die relevantesten Anwendungsfälle, über die wirtschaftlichen Hebel, über Risiken und über den konkreten Weg vom Zielbild zur Implementierung.

Ein Workshop gewinnt seinen Wert nicht durch die Anzahl identifizierter Use Cases, sondern durch die Qualität der Priorisierung und die Tragfähigkeit der Roadmap.

Denn jede KI-Potenzialanalyse steht und fällt mit der Frage: Was passiert am Tag danach? Wer nur Potenziale erhebt, ohne den Übergang zu Pilot, Datenintegration, Governance und skalierbarer Infrastruktur zu planen, bleibt auf halbem Weg stehen.

Wenn Sie wissen möchten, wo KI in Ihrem Unternehmen den größten Mehrwert stiften kann – und welche Schritte dafür realistisch umsetzbar sind –, starten Sie mit einem strukturierten Erstgespräch.