Ein Blitz ist ein beeindruckendes Stück Energie. Je nach Blitz und Rechnung stecken in einer einzigen Entladung einige hundert Kilowattstunden, genug, um ein E-Auto mehrfach vollzuladen oder einen Haushalt wochenlang zu versorgen. Trotzdem gibt es nirgendwo auf der Welt ein Kraftwerk, das Blitze erntet. Nicht, weil niemand auf die Idee gekommen wäre; Versuche und Patente gab es durchaus. Sondern weil ein Blitz alles hat außer dem, was Energie wertvoll macht: Er ist nicht planbar, nicht steuerbar und in Millisekunden vorbei. Strom fließt dabei durchaus, mehr als in jedem Kraftwerk – nur hängt kein Verbraucher dran, und so verpufft die ganze Arbeit als Hitze, Licht und Donner. Gigantisches Potenzial, spektakuläre Entladung, null Kilowattstunden auf deiner Stromrechnung.
Warum ich dir das erzähle? Weil in fast jedem Strategiemeeting irgendwann der Satz fällt: „In unseren Daten steckt enormes Potenzial.” Der Satz stimmt vermutlich sogar. Aber für sich genommen hat er denselben Marktwert wie ein Gewitter am Horizont.
Die Physik nimmt das Wort Potenzial nämlich wörtlich, und das lohnt sich hier: Ein Potenzial, genauer eine Potenzialdifferenz, ist eine Spannung, die anliegt. Die Leistung, die tatsächlich ankommt, ist Spannung mal Strom. Solange kein Strom fließt, liefert die schönste Spannung exakt null Watt. Und selbst wenn Strom fließt, der Blitz führt es gerade vor, kommt ohne Verbraucher nichts an. Ein Potenzial verrichtet keine Arbeit. Das tut erst ein geschlossener Stromkreis mit einem Gerät darin.
Genau darum geht es beim use-case-getriebenen Vorgehen: um den Weg von der Spannung zum fließenden Strom, in drei Stationen.
Spannung, Schaltplan, Gerät: die drei Stationen
Ein Potenzial ist die Spannung, die anliegt. „Unsere Kundenbindung liegt zehn Prozent hinter dem Branchenschnitt” ist so ein Satz: strategisch relevant, unbestreitbar wichtig, und komplett ohne Lösung. Das ist keine Schwäche, sondern die Definition. Ein Potenzial beschreibt, wo Wert brachliegt, nicht, wie er gehoben wird. Wer an dieser Stelle stehen bleibt, hat allerdings nur das Gewitter fotografiert.
Ein Use Case ist der Schaltplan. Er übersetzt die Spannung in einen konkreten Kreis: Welcher Verbraucher hängt dran, welcher Strom soll fließen, woran messen wir das? Aus „Kundenbindung hinter dem Schnitt” werden plötzlich sehr konkrete Vorhaben. Kündiger erkennen, bevor sie kündigen, mit einem Prognosemodell, das Wochen vor dem Abgang anschlägt. Das wirksamste Rückgewinnungsangebot je Kundensegment, von einem Modell vorgeschlagen, von einem Menschen freigegeben. Die Wirkung der Kampagnen live beobachten statt im Quartalsrückblick. Alle drei sind übrigens AI-Vorhaben, und alle drei beantworten vorab die ehrlichste aller Fragen: Wie viel Entscheidung geben wir ab, und wer bestätigt?
Ein guter Use Case ist dabei ein Steckbrief statt eines Prosa-Absatzes: Problem, Zielbild, Stakeholder, Risiken, Datenanforderungen, Erfolgsmessung, eine erste Aufwandsschätzung in T-Shirt-Größen samt Konfidenzangabe. Und ganz oben steht ein Name. Dazu gleich mehr.
Ein Data Product ist das Gerät im Dauerbetrieb. Das Churn-Modell, das jeden Morgen seine Liste ins CRM schreibt. Der Kunden-360-Blick, der Verträge, Nutzungsdaten und Support-Tickets zu einem Profil verbindet. Erst hier fließt Strom durch einen Verbraucher, erst hier entsteht Wert; ein Modell im Demo-Ordner ist ein Schaltplan im Aktenschrank. Und der klassische Proof of Concept? Der ist der Blitz unter den Projekten: eine einmalige, spektakuläre Entladung, alle sind kurz geblendet, und danach ist es wieder dunkel. Wert entsteht produktiv im Tagesgeschäft, und ein halb fertiges Modell spart exakt null Euro.
Warum use-case-getrieben funktioniert, wo technologie-getrieben scheitert
Die naheliegende Alternative kennst du, vielleicht sogar aus dem eigenen Haus: erst die Plattform, dann sehen wir weiter. Erst das Kraftwerk bauen, die Abnehmer finden sich schon. Drei harte Unterschiede sprechen dagegen.
Erstens: die Beweislast. Ein Use Case sagt vorab, woran er gemessen wird. Churn-Quote runter, Rückgewinnungsquote rauf, Reaktionszeit von Wochen auf Tage. Eine Plattform verspricht „Befähigung”, und Befähigen ist ja tatsächlich der Job der Technologie. Nur hat Befähigung ohne ein Wozu keine Maßeinheit, und das Wozu liefert erst der Use Case. Nach achtzehn Monaten Plattformbau kann niemand sagen, ob sich die Investition gelohnt hat, weil nie vereinbart wurde, woran man das erkennen würde.
Zweitens: die Ownership. Im Kopf jedes Use-Case-Steckbriefs steht ein Owner aus dem Fachbereich, mit Namen. Diese Zeile ist unscheinbar und ändert alles: Wer den Nutzen seines eigenen Use Cases beziffert hat, kämpft später auch für die Adoption. Ein Potenzial dagegen gehört allen – also niemandem. Und das Bild sagt noch mehr: Der Verbraucher, an dem der Strom Arbeit verrichtet, ist immer das Business, ein Prozess, eine Entscheidung im Tagesgeschäft. Die Technologie ist nur der Strom, der Enabler. Passen beide nicht zusammen, verpufft die Energie wie beim Blitz als Hitze, Licht und Donner. Business führt, Technologie befähigt: Der Use Case ist das Format, in dem das Business überhaupt führen kann, weil er seine Sprache spricht und trotzdem präzise genug für die Umsetzung ist.
Drittens: die Investitionslogik. Use Cases lassen sich nach Wert und Aufwand reihen, und dann folgt die Investition dem Wert statt der Ausbaustufe. Die Plattform entsteht trotzdem, aber als Nebenprodukt der ersten Use Cases und exakt in der Größe, die diese brauchen. Nicht als Kraftwerk auf Vorrat.
Die kleinste Einheit, auf die alle gemeinsam ja sagen können
Es gibt noch einen Grund, warum der Use Case das richtige Arbeitsformat ist, und der wird selten ausgesprochen: Er ist zweisprachig. Ein Vorstand kann ein Zielbild beschließen, versteht aber kein Datenmodell. Ein Data Team kann eine Pipeline bauen, entscheidet aber nicht über Prozesse im Vertrieb. Der Use Case ist die kleinste Einheit, die beide Seiten gleichzeitig lesen können: Das Business erkennt seinen Prozess und seinen Euro-Betrag, die Technik erkennt ihre Datenquellen und ihre Modellklasse. Deshalb ist er der Ort, an dem aus zwei Perspektiven ein gemeinsames Commitment wird.
Und noch etwas sieht man erst, wenn man mehrere Schaltpläne nebeneinanderlegt: Data Products werden geteilt. Der Kunden-360-Blick versorgt die Churn-Prognose, die Angebotsoptimierung und das Kampagnen-Monitoring gleichzeitig, so wie ein Hausanschluss mehrere Geräte versorgt. Eine Data-Product-Landschaft zeigt genau diese Abhängigkeiten, und plötzlich wird sichtbar, welches Fundament drei Use Cases trägt und welches nur eines. Das ist die Information, die eine Priorisierung braucht und die keine Einzelfallbetrachtung liefern kann.
Und jetzt die Sternchen
Use-case-getrieben heißt nicht use-case-vernarrt, deshalb drei ehrliche Einschränkungen.
Messbarkeit hat einen blinden Fleck. Wer streng nach bezifferbarem Nutzen sortiert, bevorzugt das leicht Messbare. Prozessautomatisierung rechnet sich auf den Cent, ein neues datenbasiertes Geschäftsmodell eher nicht, obwohl es das größere Potenzial sein kann. Die Antwort ist nicht, auf Messung zu verzichten, sondern ehrlich mit Unsicherheit umzugehen: Schätzungen mit Konfidenzangabe statt Scheingenauigkeit auf zwei Nachkommastellen.
Einzeln optimierte Use Cases bauen Inseln. Dreißig Schaltpläne, unabhängig voneinander umgesetzt, ergeben dreißig Insellösungen mit dreißig Datenanbindungen. Deshalb gehören Use Cases geclustert und in Streams übersetzt, bevor gebaut wird; wie das geht, habe ich im Beitrag Mise en place für Data & AI beschrieben.
Nicht alles hat einen eigenen Stromkreis. Datenqualität, Stammdaten, Governance: Diese Enabler liefern für sich genommen keinen messbaren Euro, ohne sie fließt aber nirgends Strom. Sie sind das Netz, nicht das Gerät. Der saubere Umgang damit ist, ihre Kosten auf die Use Cases umzulegen, die sie befähigen, statt für das Netz einen eigenen Business Case zu erfinden, den es nie gewinnen kann.
Zurück ins Gewitter
Ein Gewitter darf man beeindruckend finden. Aber niemand käme auf die Idee, seine Energieversorgung darauf zu bauen, und genau diese Nüchternheit wünsche ich dir für deine Data & AI Potenziale. Die Folie mit den großen Zahlen ist der Blitz: hell, laut, folgenlos. Wert entsteht an der Steckdose, in Use Cases mit Owner, Messgröße und einem Data Product im Dauerbetrieb dahinter.
Der erste Schritt dahin ist unspektakulär: ein Workshop, der die anliegende Spannung kartiert und die ersten Schaltpläne zeichnet. Danach hast du keine Potenzial-Prosa mehr, sondern eine sortierte Liste geschlossener Stromkreise.
Spannung hast du längst genug. Schließ den Kreis.