KI-Use-Cases entlang der öffentlichen Value Chain kartieren

# KI-Use-Cases entlang der öffentlichen Value Chain kartieren

Eine mittelgroße US-Stadt hat drei Jahre und rund 2 Millionen Dollar (Schätzung auf Basis typischer kommunaler IT-Verträge, wie sie in lokalen Haushaltsunterlagen ausgewiesen werden) in einen generativen KI-Chatbot investiert, der Fragen von Anwohnern zu Parkausweisen beantworten sollte. Der Chatbot nannte den Leuten regelmäßig die falsche Verlängerungsfrist. Zur gleichen Zeit verteilte die Bauaufsicht derselben Stadt die Prüfer für Baugenehmigungen noch von Hand über eine Tabelle, obwohl ein einfacher regelbasierter Planungsalgorithmus die Wartezeiten halbiert hätte. Das ist das Muster bei der KI-Einführung im öffentlichen Sektor: Das Budget fließt in sichtbare, spektakuläre Tools und nicht in langweilige Automatisierung mit hohem Wert.

Diese Lektion gibt Ihnen ein Framework, um den Unterschied zu erkennen, und geht dazu die tatsächliche Value Chain einer Stadtverwaltung durch.

Was „die öffentliche Value Chain" hier bedeutet

Entlehnt aus Michael Porters Value-Chain-Konzept, aber für den öffentlichen Sektor angepasst: Es ist die Folge von Aktivitäten, mit denen eine Behörde politische Absicht in Leistungen für Bürger umsetzt:

1. Politikgestaltung (welche Regeln es geben soll)

2. Programm- und Haushaltsplanung (wie Mittel verteilt werden)

3. Genehmigungen und regulatorische Prüfung (Freigabe dessen, was Bürger und Unternehmen vorhaben)

4. Bürgerservice und Fallbearbeitung (Leistungen, Beschwerden, Anträge)

5. Außendienst (Kontrollen, Instandhaltung, Einsätze der öffentlichen Sicherheit)

6. Aufsicht, Audit und Berichtswesen (Rechenschaft gegenüber der Öffentlichkeit)

Der Wert von KI unterscheidet sich in jeder Stufe deutlich. Der Fehler der meisten Behörden: Sie setzen ein Tool (meist einen Chatbot) überall ein, statt den KI-Typ auf die Aufgabe abzustimmen.

Stufe 1: Politikgestaltung, KI als Recherche-Beschleuniger, nicht als Entscheider

Hier geht es um die Synthese von Evidenz: Vergleich, wie andere Städte Kurzzeitvermietungen reguliert haben, Zusammenfassung von Mengen öffentlicher Stellungnahmen, erste Textentwürfe für Verordnungen.

Gut geeignet: Large Language Models (LLMs, KI-Systeme, die auf Text trainiert sind, um Sprache zu erzeugen und zusammenzufassen) für Literaturrecherche, Zusammenfassung von Stellungnahmen und Entwurfsarbeit. Das AI-in-Government-Observatorium der OECD verfolgt genau solche echten Deployments in den Mitgliedsstaaten.

Schlecht geeignet: Ein Modell politische Positionen empfehlen lassen. Es trägt keine Verantwortung, und das Risiko von Halluzinationen (selbstbewusst erzeugte falsche Informationen) ist am höchsten, wenn es kein Referenzdokument zum Abgleich gibt.

Stufe 2: Programm- und Haushaltsplanung, Forecasting statt Generierung

Haushaltsabteilungen müssen Nachfrage vorhersagen: wie viele Notunterkunftsplätze im nächsten Winter, wie viel Streusalz auf Lager, wo sich Kriminalitäts- oder Brandrisiken geografisch bündeln.

Gut geeignet: Klassisches Machine Learning (ML), statistische Modelle, die auf historischen Daten trainiert werden, um Ergebnisse vorherzusagen. Zeitreihen-Forecasting und geospatiale Risikomodelle sind seit Jahrzehnten akademisch und operativ validiert. Chicagos Modell zur Priorisierung von Lebensmittelkontrollen (ML zur Reihenfolge, welche Restaurants zuerst geprüft werden) ist ein gut dokumentiertes öffentliches Beispiel.

Schlecht geeignet: Generative KI. Sie brauchen kein Modell, das flüssige Sätze schreibt, sondern eines, das eine Zahl genau vorhersagt und erklärt, warum.

Stufe 3: Genehmigungen und regulatorische Prüfung, wo deterministische Regeln gewinnen

Das ist das zentrale Beispiel aus dem Einstieg, und die Stufe, bei der Behörden am häufigsten falsch liegen.

Genehmigungsverfahren sind im Kern Regelanwendung: Erfüllt dieses Gebäude die Abstandsflächen, ist dieser Gewerbeantrag vollständig, erfüllt dieser Antragsteller die Einkommensgrenzen für ein Förderprogramm. Das sind deterministische Entscheidungen (gleiche Eingaben führen immer zum gleichen korrekten Ergebnis), gesetzlich geregelt.

Gut geeignet: Rules Engines, Robotic Process Automation (RPA, Software, die repetitive digitale Aufgaben wie Datenerfassung über Systeme hinweg automatisiert) und optische Zeichenerkennung (OCR) zur Digitalisierung von Papieranträgen. Unspektakulär, aber sie verkürzen Bearbeitungszeiten zuverlässig.

Schlecht geeignet: LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →-Chatbots, die Anspruchsregeln interpretieren. Ein generatives Modell „kennt" die Bauordnung nicht, es sagt plausibel klingenden Text voraus. Sagt das Modell, eine Genehmigung sei erteilt, und liegt falsch, haftet die Stadt. Das britische Office for AI und der KI-Leitfaden der GSA für Behörden weisen beide darauf hin: Generative KI nutzen, um eine bereits von einer Rules Engine getroffene Entscheidung zu erläutern, nicht um sie zu treffen.

Einfacher Pseudocode für den deterministischen Ansatz:

if applicant.income <= threshold_for_program:
    if applicant.documents_complete == True:
        status = "eligible"
    else:
        status = "pending_documents"
else:
    status = "not_eligible"

Kein Modell nötig. Genau das sind die meisten Geschichten über „gescheiterte KI in der Verwaltung": Behörden ersetzen solchen Code durch ein probabilistisches Modell und führen damit Fehler ein, wo es vorher keine gab.

Stufe 4: Bürgerservice, der eigentliche Sweet Spot generativer KI

Hier verdienen Chatbots und LLMs ihr Budget wirklich, aber nur bei den richtigen Teilaufgaben: Beantwortung natürlichsprachlicher Fragen durch Abruf aus verifizierten Dokumenten (ein Muster namens Retrieval-Augmented Generation, kurz RAG, bei dem das Modell aus einer freigegebenen Wissensbasis zieht statt Antworten zu erfinden), Übersetzung von Serviceinformationen in mehrere Sprachen und Triage eingehender Beschwerden an die zuständige Abteilung.

Boston, Los Angeles und mehrere EU-Kommunen haben RAG-basierte Assistenten für 311-Servicenummern ohne Notfallcharakter pilotiert (Schätzung auf Basis öffentlicher Pilotankündigungen etwa 2023–2025). Die entscheidende Designentscheidung: Das Modell ruft aus einem freigegebenen FAQ- oder Verordnungsdokument ab und zitiert es, statt frei formulierte rechtliche Auslegung zu erzeugen.

Schlecht geeignet: Chatbots ohne Retrieval-Grounding, die als öffentliche „Frag alles"-Oberfläche ohne Guardrails ausgerollt werden. Genau das ist der Parkausweis-Fehlschlag aus dem Einstieg.

Stufe 5: Außendienst, Computer Vision und Predictive Maintenance

Prüfer, Reinigungsteams und Tiefbau profitieren von Computer Vision (KI, die Bilder und Videos interpretiert), etwa um Schlaglöcher aus Dashcam-Aufnahmen zu erkennen, Drucksensoren von Wasserleitungen für die Leckvorhersage zu überwachen oder Verstöße aus Satelliten- und Luftbildern zu markieren.

Gut geeignet: Enge, gut gelabelte Computer-Vision-Modelle, die für eine Aufgabe trainiert sind (Schlaglocherkennung, nicht „allgemeine Straßenqualität").

Schlecht geeignet: Universelle KI-Agenten, die autonom Entscheidungen im Feld treffen (z. B. automatisch Bußgelder für erkannte Verstöße verhängen, ohne menschliche Prüfung). Verfahrensrechtliche Bedenken im US-Verwaltungsrecht und DSGVO-nahe Transparenzregeln in der EU (Datenschutz-Grundverordnung, die automatisierte Entscheidungen über Personen regelt) verlangen in der Regel einen Human in the Loop bei allem mit Rechtsfolge.

Stufe 6: Aufsicht und Audit, Anomalieerkennung

Rechnungsprüfer und Aufsichtsstellen nutzen ML zur Betrugserkennung in Leistungsprogrammen (Markieren statistisch auffälliger Antragsmuster) und zur Anomalieerkennung in der Beschaffung (Markieren von Geboten, die sich verdächtig häufen). Das ist einer der am besten dokumentierten ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Fälle (Return on InvestmentReturn on InvestmentReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →) für KI im öffentlichen Sektor: Betrugserkennungssysteme der CMS (Centers for Medicare & Medicaid Services) haben öffentlich berichtet, jährlich Hunderte Millionen Dollar zurückzuholen (Schätzung, Zahlen variieren je Haushaltsjahr, siehe CMS Program Integrity Reports).

Eine einfache Diagnostik, bevor Sie ein KI-Projekt finanzieren

Stellen Sie drei Fragen, bevor Sie Budget freigeben:

1. Ist die zugrunde liegende Entscheidung deterministisch (regelbasiert) oder probabilistisch (musterbasiert)? Rules Engines für Ersteres, ML/KI für Letzteres.

2. Was kostet ein Fehler, und wer trägt die Verantwortung? Entscheidungen mit hohem Einsatz und Rechtsfolgen brauchen menschliche Prüfung, unabhängig von der Modellgenauigkeit.

3. Muss eine generative KI-Antwort in einem verbindlichen Dokument verankert sein? Wenn ja, ist eine RAG-Architektur Pflicht, nicht Option.

Behörden, die diese Diagnostik überspringen, kaufen tendenziell generative KI für Probleme der Stufe 3 (Genehmigungen) und Rules Engines für Probleme der Stufe 4 (Bürgerservice), also genau verkehrt herum zum tatsächlichen Wertbeitrag.

🎬 [VIDEO: "How AI Is Being Used in Government Right Now" - youtube.com/results?search_query=AI+in+government+use+cases+2025 - Suche nach aktuellen Erklärinhalten von Government-Technology-Kanälen wie GovTech oder Code for America zu realen kommunalen KI-Deployments]

Wichtigste Erkenntnisse

• KI-Typ auf Aufgabentyp abstimmen: Rules Engines und RPA für deterministische Genehmigungs- und Anspruchsentscheidungen, ML-Forecasting für die Planung, generative KI (über RAG verankert) für bürgernahe Q&A, Computer Vision für den Außendienst, Anomalieerkennung für Audit und Betrugsprävention.
• Die teuersten KI-Fehler im öffentlichen Sektor entstehen durch Chatbots bei Aufgaben, die deterministische Genauigkeit brauchen (Genehmigungen, Leistungsansprüche), wo eine falsche Antwort Haftung erzeugt.
• Der stärkste und am besten belegte Use Case generativer KI im öffentlichen Sektor ist verankerte, retrieval-basierte Unterstützung im Bürgerservice, nicht die offene Auslegung von Politik oder Recht.
• Fragen Sie vor der Finanzierung jedes KI-Projekts, ob die zugrunde liegende Entscheidung regelbasiert oder musterbasiert ist und wer haftet, wenn das Modell falsch liegt.
• Ein Teil des am besten dokumentierten KI-ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → im öffentlichen Sektor liegt in unspektakulären Back-Office-Funktionen: Betrugserkennung, Nachfrageprognose und Priorisierung von Kontrollen, nicht in publikumswirksamen generativen Tools.