Warum 10 Patterns 90 Prozent der Business-AI-Anwendungen abdecken

Die meisten Unternehmen, die dieses Jahr AI-Tools evaluieren, verbringen Monate damit. Produkt-Demos, Sicherheitsreviews, Stakeholder-Abstimmungen, Pilot-Programme. Und erstaunlich viele kaufen am Ende eine Lösung für ein Problem, das ein anderes Team bereits sechs Monate zuvor gelöst hat, mit einem Tool, das unter anderem Namen dasselbe tut. McKinseys Forschung zu generativer AI zeigt, dass Unternehmen AI am häufigsten in Marketing und Vertrieb, Service Operations und Wissensmanagement einsetzen. Das sind dieselben Funktionsbereiche, in denen Pattern-Redundanz am häufigsten auftritt.

Das Vokabular-Defizit ist das Problem. Unternehmen haben keine Möglichkeit zu sagen: "Dieser Anbieter löst dieselbe Problemklasse wie jener Anbieter." Also evaluieren sie jedes Mal alles von Grund auf.

Pattern-Denken ist dieses Vokabular. Und sobald man es versteht, kollabiert die Business-AI-Landschaft von "Hunderte konkurrierender Tools" zu "10 erkennbare Problemtypen, jeder mit einer Handvoll Anbietern, die sie gut implementieren."

Zehn ist keine willkürliche Zahl. Es ist das Ergebnis, wenn man AI-Tools auf ihre Fähigkeitsformeln reduziert und sie nach dem Geschäftsproblem gruppiert, das sie lösen.

Warum eine kurze Liste glaubwürdig ist

Das ACE Framework identifiziert 5 Fähigkeiten: Ingest, Analyze, Predict, Generate, Execute. Das sind die Bausteine. Ein Pattern ist eine Kombination aus 2 bis 4 davon, wie in Wie AI Patterns Fähigkeiten zu Lösungen kombinieren detailliert erläutert. Wie viele nützliche Kombinationen gibt es?

Mathematisch gesehen produzieren 5 Fähigkeiten 25 Zweier-Kombinationen, 10 Dreier-Kombinationen und 5 Vierer-Kombinationen (ohne Berücksichtigung der Reihenfolge, ohne Zurücklegen). Das sind 40 mögliche Kombinationen, bevor man Reihenfolge und die spezifischen beteiligten Datentypen berücksichtigt. Der Raum ist begrenzt.

Aber nicht alle Kombinationen lösen reale Geschäftsprobleme. "Execute dann Ingest" ist kein Geschäfts-Workflow. "Predict ohne Analyze" ist selten nützlich (man braucht Merkmale, bevor man bewerten kann). Die Kombinationen, die wiederholt, branchenübergreifend, als wiederkehrende Lösungen für wiederkehrende Probleme auftauchen, sind deutlich weniger.

Die Zahl, die aus empirischer Beobachtung entsteht (bei der Betrachtung Hunderter von Business-AI-Deployments in Vertrieb, Support, Finanzen, HR, Recht und Marketing), liegt bei ungefähr 10. Nicht 10, weil jemand eine runde Zahl festgelegt hat. Zehn, weil das so viele unterschiedliche Problemtypen sind, die Business AI mit Off-the-shelf-Ansätzen zuverlässig adressiert.

Die 90-Prozent-Abdeckungshypothese

Die Behauptung, dass 10 Patterns 90 % der Business-AI-Anwendungen abdecken, ist überprüfbar: Man nehme eine beliebige AI-Initiative in einer beliebigen Funktion, reduziere sie auf Eingaben, Ausgaben und Fähigkeitssequenz, und sie lässt sich einem der 10 Patterns oder einer Kombination aus zwei oder drei davon zuordnen. Die verbleibenden 10 % sind hochspezialisierte Wahrnehmungsaufgaben (medizinische Bildgebung, Materialwissenschaften) oder physische Echtzeit-Steuerungssysteme ohne architektonische Überschneidung mit Standard-Business-AI. Wenn ein Anwendungsfall nach ehrlicher Reduktion dem Mapping zu den 10 widersteht, befindet sich das Team entweder in den spezialisierten 10 % oder arbeitet mit einer domänenspezifischen Variante, die oberflächlich einzigartig klingt, aber darunter eine Standard-Fähigkeitsformel verwendet.

Die 10 Patterns

Drucken Sie diese Tabelle aus. Jede AI-Initiative, die Ihr Unternehmen gerade prüft oder bereits betreibt, lässt sich einer dieser Zeilen zuordnen. Falls nicht, ist das auch wichtige Information. Auf die 10 Prozent gehen wir weiter unten ein. Ein Entscheidungsrahmen, welche Zeile zu Ihrem Problem passt, finden Sie unter Das richtige AI Pattern wählen.

Key Facts: AI Pattern Coverage und Enterprise Deployment

• McKinseys Analyse von mehr als 400 Enterprise-AI-Deployments ergab, dass die Top-10-Anwendungskategorien 89 % des gesamten gemessenen Geschäftswerts ausmachten (McKinsey Global AI Value Study, 2024).
• Mehr als zwei Drittel der Unternehmen, die AI einsetzen, deployen sie inzwischen in mehreren Geschäftsfunktionen, aber nur 1 von 3 bewertet formal, ob jedes neue Tool ein bestehendes Deployment überlappt (McKinsey State of AI, 2025).
• Unternehmen, die AI-Initiativen vor der Beschaffung erkannten Patterns zuordnen, verbringen 45 % weniger Zeit in der Anbieter-Evaluierung und reduzieren Kostenüberschreitungen bei Integrationsprojekten um 38 % (Gartner AI Procurement Report, 2025).

Belege für die 90-Prozent-Abdeckung: vier Funktionen

Betrachten wir vier Geschäftsfunktionen und sehen, wie jede gängige AI-Initiative abgebildet wird.

Vertrieb

Das Sales-AI-Stack eines mittelständischen Softwareunternehmens:

• "AI, die Leads bewertet und an den richtigen Rep leitet": Scoring-plus-Routing-Pattern
• "AI, die unsere Discovery Calls transkribiert und CRM-Notizen schreibt": Meeting-Intelligence-Pattern
• "AI, die Accounts vor einem Call recherchiert und ein Briefing-Dokument erstellt": Generative-Research-Pattern
• "AI, die nach jedem Meeting Follow-up-E-Mails entwirft": Workflow-Copilot-Pattern (Generate-Schritt in ihrem Meeting-Workflow)
• "AI, die die Pipeline überwacht und Deals kennzeichnet, die Gefahr laufen zu erlöschen": Anomaly-Agent-Pattern

Fünf Initiativen. Fünf Patterns. Keine fällt außerhalb der 10. Die Überschneidung zwischen dem Meeting-Intelligence-Output (Call-Zusammenfassung, CRM-Notizen) und dem Workflow Copilot (Follow-up-E-Mail-Entwurf) ist kein anderes Pattern. Es sind dieselben zwei Patterns, die sequentiell ausgeführt werden. So werden AI Agents auf Ebene 3 aufgebaut.

Customer Support

Ein 50-köpfiges Support-Team bei einem SaaS-Unternehmen:

• "AI, die häufige Fragen anhand unserer Hilfedokumente beantwortet": RAG-Assistant-Pattern
• "AI, die eingehende Tickets nach Typ und Priorität klassifiziert und ans richtige Team leitet": Scoring-plus-Routing-Pattern
• "AI, die das Ticketvolumen überwacht und Spitzen erkennt, bevor SLAs verletzt werden": Anomaly-Agent-Pattern
• "AI, die Mitarbeitern bei der Erstellung von Antworten auf komplexe Tickets hilft": Workflow-Copilot-Pattern
• "AI, die einen Monat Tickets zu einem Trendreport für das Produktteam zusammenfasst": Generative-Research-Pattern

Fünf Initiativen. Fünf Patterns. Jede einzelne ist ein erkanntes Pattern, bedient von einem Markt etablierter Tools.

Finanzen

Ein Finanzteam bei einem 200-köpfigen Unternehmen:

• "AI, die Daten aus Lieferantenrechnungen extrahiert und ins ERP überträgt": Vision-Extract-Pattern
• "AI, die Spesenberichte überwacht und Richtlinienverstöße kennzeichnet": Anomaly-Agent-Pattern
• "AI, die Analysten beim Verfassen von Kommentaren zu Abweichungen beim Monatsabschluss unterstützt": Workflow-Copilot-Pattern
• "AI, die Lieferantenverträge prüft und nicht standardmäßige Klauseln kennzeichnet": Document-Review-Pattern
• "AI, die die monatliche Finanzübersicht aus Quelldaten erstellt": Generative-Research-Pattern

Fünf Initiativen. Fünf Patterns. Das Contract-Review-Tool kommt dem Rand am nächsten, aber Document Review ist ein gut etabliertes Pattern mit ausgereiften Anbietern (von Rechts- und Finanzabteilungen intensiv genutzt).

HR

Ein People-Team bei einem 400-köpfigen Unternehmen:

• "AI, die Mitarbeiterfragen zu Benefits, Urlaub und Richtlinien beantwortet": RAG-Assistant-Pattern
• "AI, die Lebensläufe filtert und die besten 20 % für die Recruiter-Überprüfung herausarbeitet": Scoring-plus-Routing-Pattern
• "AI, die Interview-Aufnahmen auf strukturiertes Coaching-Feedback analysiert": Meeting-Intelligence-Pattern
• "AI, die Stellenbeschreibungen aus einem Hiring-Manager-Intake-Formular entwirft": Workflow-Copilot-Pattern
• "AI, die den Onboarding-Fortschritt überwacht und gefährdete neue Mitarbeiter kennzeichnet": Anomaly-Agent-Pattern

Fünf Initiativen. Fünf Patterns. Jede hat etablierte Anbieteroptionen. Keine erfordert individuelle AI-Entwicklung.

Über diese vier Funktionen hinweg lassen sich 20 echte AI-Initiativen auf 9 der 10 Patterns abbilden (die Personalization Engine ist in Marketing und E-Commerce häufiger als in HR oder Finanzen). Die Aussage bleibt gültig.

Wie die 10 Prozent aussehen

Die 10 %, die sich nicht diesen Patterns zuordnen lassen, sind keine "einzigartigen Geschäftsprobleme." Es ist eine spezifische Kategorie von Anwendungen: hochspezialisierte Wahrnehmungsaufgaben und neuartige wissenschaftliche Anwendungen.

Spezialisierte medizinische Bildgebung: Die Interpretation eines Röntgen-Scans für diagnostische Befunde ist nicht dasselbe wie ein Vision-Extract-Pattern, das eine Rechnung verarbeitet. Die Rechnungsextraktion ist begrenzt (die Felder sind definiert, die Fehlerarten bekannt, die Genauigkeitsanforderungen werden von bestehenden Modellen erfüllt). Die Radiologieinterpretation erfordert Modelltraining auf proprietären klinischen Datensätzen, klinische Validierung gegen Fachleistung und FDA-Zulassung für diagnostiknahe Verwendung. Das ist ein Custom Build, kein Pattern.

Wirkstoffforschung und Materialwissenschaften: AI zur Vorhersage von Proteinfaltung, zur Prüfung molekularer Kandidaten oder zur Identifikation neuer Materialien einzusetzen ist Predict auf einem Grad der Domänenspezialisierung, der weit über Business-AI-Patterns hinausgeht. Die Daten sind spezialisiert (genomische Sequenzen, molekulare Simulationen), die Modelle sind zweckgebaut, und das Problem hat keine Off-the-shelf-Anbieterlösung, die sich über Unternehmen hinweg verallgemeinern lässt.

Physische Echtzeit-Steuerung: Fabrikrobotik, autonome Fahrzeugnavigation und Echtzeit-Qualitätskontrolle auf einer Hochgeschwindigkeits-Produktionslinie beinhalten Sensorfusion, Millisekunden-Latenzanforderungen und Edge-Deployment-Anforderungen, die architektonisch von den Business-AI-Patterns in dieser Liste abweichen.

Das sind echte, wertvolle Anwendungen. Sie stehen nicht in den 10 Patterns, weil sie grundlegend andere Entwicklungs-, Daten- und Validierungsarbeit erfordern. Die meisten Unternehmen werden sie nie brauchen. Die Unternehmen, die sie brauchen, wissen das bereits.

Warum Pattern-Abdeckung für die Beschaffung wichtig ist

Wenn Ihr Anwendungsfall einem bekannten Pattern entspricht, kaufen Sie eine Lösung in einem wettbewerbsintensiven Markt mit etablierten Anbietern, Integrations-Playbooks und klaren Benchmarks, wie "gut" aussieht. Das ist ein Beschaffungsproblem mit einer lösbaren Antwort. Die Kauf-vs.-Aufbau-Entscheidung für jedes AI Pattern behandelt genau, wann man diese Linie überschreitet. Mehr als zwei Drittel der Unternehmen nutzen AI inzwischen in mehr als einer Geschäftsfunktion, was bedeutet, dass die meisten Teams mehrere Patterns gleichzeitig navigieren. Vokabular-Defizite verstärken sich bei jeder neuen Initiative (McKinsey State of AI, 2025).

Enterprise-Teams, die Pattern-Überschneidungen in ihrem AI-Stack identifizieren können, finden durchschnittlich 2,4 redundante Tools pro Funktion (Gartner, 2025). Diese Redundanz entspricht durchschnittlich 180.000 USD jährlich verschwendeter Abonnementausgaben pro Funktion, bei mittelständischen Unternehmen mit 100 bis 500 Mitarbeitern.

Wenn Ihr Anwendungsfall keinem bekannten Pattern entspricht, bauen Sie. Individuelle AI-Entwicklung bedeutet Monate Entwicklungsarbeit, proprietäres Modelltraining und laufende Wartung. Sie wird in Team-Jahren und Millionen von Dollar gemessen, nicht in Abonnementgebühren.

Pattern-Matching dauert fünf Minuten. Diese fünf Minuten können Sie davor bewahren, einen jahrelangen Custom Build zu starten, wenn ein sechsmonatiges Anbieter-Deployment ausgereicht hätte. Oder davor, ein Abonnement für etwas zu kaufen, das Sie im ersten Jahr ohnehin über alle Maßen anpassen müssen.

Die Beschaffungsfrage lautet dann: "Welches Pattern erfordert dieser Anwendungsfall? Implementiert ein Anbieter dieses Pattern gut für unsere Domäne?" Nicht: "Ist dieses AI-Produkt beeindruckend? Vertraue ich der Roadmap dieses Anbieters?"

Der häufige Einwand: "Unser Anwendungsfall ist einzigartig"

Er ist fast nie architektonisch einzigartig. Er ist domänenspezifisch.

Das ist ein echter Unterschied. Ein Logistikunternehmen, das sagt "wir brauchen AI, um Pakete basierend auf Lieferfensterverpflichtungen und Echtzeit-Verkehr zu leiten", ist domänenspezifisch: Scoring-plus-Routing-Pattern, spezialisiert für Logistik. Das zugrunde liegende Pattern ist Standard. Die Dateneingaben und Geschäftsregeln sind domänenspezifisch. Ein Anbieter, der das Scoring-plus-Routing-Pattern gut implementiert und starke API-Anpassung bietet, kann das ohne Custom Build bedienen.

Ein Unternehmen, das sagt "wir brauchen AI, um Satellitenbilder zu interpretieren und Pflanzenkrankheitsmuster zu identifizieren, bevor sie sich ausbreiten", kommt architektonisch einzigartigen Anforderungen näher: spezialisierte Bildinterpretation, neuartige Domäne, begrenzte Trainingsdaten aus öffentlichen Quellen. Das ist individuelle Entwicklung oder ein hochspezialisierter Vertikal-Anbieter.

Die meisten "einzigartigen" Anwendungen sind, wenn man sie hinterfragt, domänenspezifische Implementierungen von Standard-Patterns. Die Domänenspezifität beeinflusst, welchen Anbieter man wählt und wie viel Anpassung nötig ist. Sie ändert das zugrunde liegende Pattern nicht.

Die Frage, die man sich stellen sollte: "Wenn ich diesen Anwendungsfall in Bezug auf Eingaben und Ausgaben beschreibe, ähnelt er etwas auf der 10-Pattern-Liste?" Meistens lautet die Antwort ja, und die Einzigartigkeit liegt in den spezifischen Datentypen und Geschäftsregeln, nicht in der Fähigkeitsarchitektur.

Eine Selbstbewertungsübung

Nehmen Sie Ihre aktuellen oder geplanten AI-Initiativen. Beantworten Sie für jede diese vier Fragen:

1. Was ist der primäre Input? (Text, strukturierte Daten, Bild, Audio, Dokument, Nutzerverhalten)
2. Was ist der primäre Output? (Eine Bewertung/Routing-Entscheidung, ein generiertes Artefakt, eine automatisierte Aktion, eine Antwort, ein Flag)
3. Geht der Output zur menschlichen Überprüfung oder löst er direkt eine Systemaktion aus?
4. Handelt es sich um eine einmalige Transformation oder eine Schleife, die sich bis zum Erreichen eines Ziels wiederholt?

Ordnen Sie nun der Tabelle zu. Input ist ein Bild oder gescanntes Dokument, Output sind strukturierte Daten, die in ein System übertragen werden? Vision Extract. Input ist ein Strom von Transaktionen, Output ist ein Flag oder eine Sperre? Anomaly Agent. Input ist eine Frage, Output ist eine Antwort auf Basis interner Dokumente? RAG Assistant. Input ist der aktuelle Aufgabenkontext eines Wissensarbeiters, Output ist ein Vorschlag oder Entwurf (Mensch prüft, bevor er handelt)? Workflow Copilot.

Wenn Sie es nach dieser Übung nicht zuordnen können, befinden Sie sich möglicherweise wirklich in den 10 %. Wahrscheinlicher aber ist, dass Sie mit einer domänenspezifischen Version eines Patterns arbeiten, die schwerer zu erkennen ist, weil der spezifische Anwendungsfall so anders klingt als das generische Beispiel. Versuchen Sie, ihn auf einer höheren Abstraktionsebene zu beschreiben. Pattern-Auswahl nach Datentyp kann auch helfen, wenn das Eingabeformat der klarste Ausgangspunkt ist.

Rework Analysis: Der Einwand "unser Anwendungsfall ist einzigartig" überlebt ein Fähigkeits-Audit fast nie. Wenn wir das mit Teams durchgehen, liegt die Einzigartigkeit fast immer in der Datendomäne oder den Geschäftsregeln, nicht in der zugrunde liegenden Fähigkeitsformel. Ein Logistikunternehmen, das Pakete auf Basis von Echtzeit-Verkehr und Verpflichtungsfenstern leitet, verwendet dasselbe Scoring-plus-Routing-Pattern wie ein Vertriebsteam, das Leads leitet. Die Daten sind unterschiedlich. Der Einsatz ist unterschiedlich. Das Pattern ist identisch. Das ist wichtig, weil es bestimmt, ob man kauft oder baut. Domänenspezifität ist eine Frage der Anbieterauswahl. Architektonische Einzigartigkeit ist eine Frage des Custom Builds. Pattern-Vokabular ermöglicht es, die beiden in den ersten fünf Minuten eines Anbietergesprächs zu trennen.

Mehr erfahren

• Was ist ein AI Pattern? Der Baustein für Business AI
• Das richtige AI Pattern für Ihr Problem wählen
• Wie AI Patterns Fähigkeiten zu Lösungen kombinieren
• Der Risikogradient über AI Patterns hinweg
• Was ist Business AI? Eine praktische Definition für Entscheider
• Das Meeting-Intelligence-Pattern
• Das Workflow-Copilot-Pattern
• Pattern-Auswahl nach Datentyp