#101: Oliver Ewinger über echte KI-Use-Cases, HR-Aha-Momente & häufige Fehler beim KI-Start

Michael Witzenleiter und Jean-Luc Winkler holen in Folge 101 Oliver Ewinger zurück ans Mikrofon – bekannt als LinkedIn Top Voice für AI-Themen und als jemand, der KI-Weiterbildung konsequent an Praxis und Alltag koppelt. Die Episode ist ein dichtes Guest-Interview mit vielen „Aha“-Momenten: von echten Use-Case-Kriterien über HR-nahe Einstiegsbeispiele bis hin zu typischen Fehlstarts, die sich in Unternehmen immer wiederholen.

Warum viele keine Use-Cases finden – obwohl sie überall liegen

Olivers Kernthese: Häufig scheitert nicht die KI, sondern der Einstieg über konkrete Beispiele. Wer „ChatGPT mal ausprobiert“ und mit dem Output nichts anfangen kann, hatte oft niemanden, der Use-Case-Denken, Fragetechnik und Iteration (Nachschärfen) einmal praktisch gezeigt hat. Gleichzeitig liegen die naheliegenden Use-Cases in Teams ständig auf dem Tisch: Berichte schreiben, Informationen strukturieren, Excel-Listen pflegen, Inhalte zusammenfassen, Einarbeitung in neue Themen. Der Engpass ist der fehlende erste Wow-Moment – denn erst wenn KI im eigenen Kontext spürbar Zeit spart oder Qualität hebt, entstehen Folgeideen „fast automatisch“.

Woran ein guter KI-Use-Case erkennbar wird (und wo Spielerei beginnt)

Oliver macht vier Prüfpunkte auf, die Use-Cases von Demos trennen: Echter Mehrwert (Zeit sparen, Qualität verbessern, mühsame/fehleranfällige Arbeit reduzieren), schnelle Testbarkeit (für den Start nicht an fünf Schnittstellen und Prozessumbauten scheitern), echte Nutzung im Alltag (nicht nur „sieht in der Demo gut aus“) und Nachvollziehbarkeit (Grenzen, Logik und Einordnung der Ergebnisse bleiben verständlich). Die Trennlinie zur Spielerei ist für ihn klar: Wenn der Aufwand am Ende genauso hoch ist wie vorher, kein echter Nutzer sichtbar wird oder Ergebnisse nicht mehr eingeordnet werden können, wird aus KI kein Produktivitätshebel.

HR-Aha-Momente: Onboarding als Klassiker mit sofortigem Nutzen

Im HR-Kontext nennt Oliver als besonders wirksamen Einstieg einen „Onboarding Agent“ bzw. ein GPT, das mit internen Informationen gefüttert wird: statt ausgedrucktem Mitarbeiterhandbuch und veralteten PDFs entsteht ein jederzeit abfragbares System für neue Mitarbeitende. Das wirkt auch aus einem psychologischen Grund: Viele neue Kolleginnen und Kollegen trauen sich nicht, jede Frage zu stellen – ein KI-Setup senkt diese Hürde. Offboarding denkt er im gleichen Muster mit, als zweiten naheliegenden Anwendungsfall entlang der HR-Prozesse.

Die häufigsten Fehler beim KI-Start – und warum sie so teuer sind

Vier Muster tauchen laut Oliver in Unternehmen besonders oft auf: Fokus auf Tools statt Probleme („Welches Tool setzen wir ein?“ als falsche Startfrage), fehlendes Mitnehmen der Mitarbeitenden (kein Training oder ein einmaliger Workshop ohne Nachlauf), zu wenig Freiraum zum Experimentieren (KI wird durch Anwendung gelernt, nicht durch Folien) und eine unterschätzte emotionale Seite. Gerade die Sorge „KI wird eingeführt, dann werde ich ersetzt“ sei kein Randthema, sondern ein echter Produktivitätsblocker. Als Kontrast bringt Oliver ein privates Beispiel: Mit Google Gemini einen zweistündigen Stadtplan für Basel erstellen – ein kleiner Erfolg, der Hemmschwellen abbaut und Transfer ins Business erleichtert.

Vom Alltag ins Unternehmen: Lernformate, Agent-Ideen und Produktentwicklung

Oliver beschreibt KI-Lernen als Alltagsroutine: aus einem Kühlschrank-Foto wird beispielsweise ein „Magic Meal Master“-GPT, das Rezepte samt Rückfragen zu Allergien, Präferenzen und Zubereitung generiert – bis hin zu „Reverse-Cooking“ (Gericht fotografieren, Rezept nachbauen). Für Unternehmen überträgt er das in kleine, regelmäßige Lernformate wie KI-Café oder KI-Pizza, Lern-Tandems und praktische Challenges. Aus der Corporate Learning Community nennt er ein „Promptathon“-ähnliches Format (hybrid, Teams, gemeinsame Prompt-Plattform), das Selbstwirksamkeit erzeugt – inklusive des Satzes einer Teilnehmerin: „Ich komme als KI-Newbie und gehe als KI-Hero.“

Für Produktentwicklung wird es dann sehr konkret: Anforderungen, Lastenhefte/Pflichtenhefte, Lieferantenvorschriften und PDFs mit 100 Seiten lassen sich per KI vergleichen (z. B. „Was hat sich im neuen Stand geändert?“) oder aus Vorgängerprojekten Widersprüche/Commitments übertragen, um Wiederholfehler zu vermeiden. Zusätzlich beschreibt Oliver „KI-gestützte Use-Case-Portfolio-Entwicklung“: erst den Lösungsraum öffnen (bis hin zu 150 Use-Cases generieren), dann priorisieren (z. B. 20–30), strukturieren und in eine Bewertungsmatrix bringen – inklusive KI-unterstützter Erstbewertung nach vorgegebenen Kriterien, um Entscheidungen mit Führung schneller zu machen.

🎙️ Folge in kompletter Länge anhören auf Spotify und Co.

Kostenlose GPTS zur freien Nutzung von Oliver: