Ein Proof of Concept beantwortet eine einzige Frage: Geht das? Gemeint ist nicht, ob sich ein Vorhaben lohnt, ob die Beschäftigten es annehmen oder ob es im Alltag stabil läuft. Gemeint ist, ob der Kern eines Ansatzes mit den Daten, Dokumenten und Systemen des eigenen Unternehmens überhaupt funktioniert. Bei einer KI-gestützten Automatisierung heißt das zum Beispiel: Liest ein Modell die Lieferscheine dieses Unternehmens zuverlässig genug aus, um damit weiterzuarbeiten?
Diese Beschränkung ist die Stärke des PoC. Er ist klein, schnell und billig, weil er alles weglässt, was für die eigentliche Frage nicht nötig ist. Sie ist zugleich seine Schwäche, denn was weggelassen wurde, muss später trotzdem gebaut werden.
Abgrenzung zu Prototyp, Pilot und MVP
Die vier Begriffe werden oft durcheinander verwendet. Sie beantworten aber unterschiedliche Fragen, und wer sie verwechselt, erwartet von einem Schritt Ergebnisse, die er nicht liefern kann.
| Leitfrage | Umfang | Wer nutzt es | |
|---|---|---|---|
| Proof of Concept | Funktioniert der Kernansatz mit unseren Daten? | ein Ausschnitt, oft ohne Anbindung | Projektteam, wenige Fachleute |
| Prototyp | Wie soll es aussehen und sich bedienen lassen? | Oberfläche oder Ablauf als Modell | künftige Anwender zum Ausprobieren |
| Pilot | Trägt es im echten Betrieb? | vollständiger Ablauf in einem begrenzten Bereich | echte Anwender mit echten Vorgängen |
| MVP | Reicht der kleinste Funktionsumfang, um von Nutzern zu lernen? | minimales, aber nutzbares Produkt | erste Kunden oder Nutzer |
Den Pilot beschreibt das Gabler Wirtschaftslexikon im Zusammenhang der Marktforschung als Versuchsprogramm kleineren Maßstabs, um Kosten und Erfolg eines Vorhabens zu testen. In der Prozessautomatisierung heißt das: Die Lösung läuft mit Anbindung, Ausnahmebehandlung und Protokollierung, aber nur für einen Standort, eine Abteilung oder einen Teil der Lieferanten. Erst der Pilot zeigt, wie hoch der Anteil der Fälle ist, die im Alltag ohne Eingriff durchlaufen, und was der Betrieb tatsächlich kostet.
Das Minimum Viable Product stammt aus der Produktentwicklung. Gabler definiert es als die Entwicklungsstufe, auf der ein Produkt erstmals unter realistischen Bedingungen mit Kunden getestet werden kann, wobei nur die unbedingt notwendigen Funktionen umgesetzt sind. Der Begriff zielt auf Lernen über einen Markt. Für die Automatisierung eines internen Ablaufs passt er nur bedingt, weil dort selten offen ist, ob jemand die Lösung will, sondern ob sie verlässlich funktioniert.
Wie ein aussagekräftiger PoC aussieht
Echte Daten, auch die unangenehmen. Ein PoC mit zehn sauberen Beispieldokumenten beweist wenig. Aussagekräftig wird er mit einer Stichprobe aus dem tatsächlichen Eingang: schiefe Scans, handschriftliche Vermerke, mehrseitige Anhänge, Sonderfälle. Wer die schwierigen Fälle ausspart, misst eine Lösung, die es so nie geben wird.
Erfolgskriterien vorher festlegen. Bevor der erste Test läuft, sollte feststehen, was als Erfolg gilt. Zum Beispiel: welcher Anteil der Pflichtfelder korrekt ausgelesen werden muss oder wie viele Fälle das System als unsicher markieren darf. Ohne solche Kriterien endet ein PoC fast immer mit dem Urteil „vielversprechend“, und das ist keine Entscheidungsgrundlage. Wie man solche Messungen methodisch aufsetzt, beschreibt der Eintrag zur Evaluation von KI-Systemen.
Ein fester Zeitrahmen. Ein PoC, der nach Wochen noch erweitert wird, ist zu einem schlecht geplanten Projekt geworden.
Messwerte als Ergebnis. Das wichtigste Ergebnis ist nicht die Demo, sondern eine Zahl, die vorher eine Annahme war. Im Business Case wird aus einer Schätzung des Automatisierungsgrads damit ein gemessener Wert, und die Rechnung zum ROI einer Automatisierung wird belastbarer.
Warum viele PoCs nie in Betrieb gehen
Wie oft das geschieht, lässt sich nicht seriös beziffern. Die Gründe wiederholen sich aber, und die meisten liegen nicht in der Technik.
Bewiesen wurde das Falsche. Der PoC lief mit ausgesuchten Beispielen und hat beeindruckt. Mit dem echten Eingang sinkt die Qualität, und niemand weiß, ob das an der Stichprobe lag oder am Ansatz.
Der größere Teil des Systems fehlt. Sculley und Kollegen, damals bei Google, haben 2015 in einem viel zitierten Aufsatz über Machine-Learning-Systeme beschrieben, dass das eigentliche Modell nur einen kleinen Teil eines produktiven Systems ausmacht. Der Rest besteht aus Datenaufbereitung, Konfiguration, Überwachung und Anbindung, und gerade dort entstehen dauerhafte Wartungskosten. Der Aufsatz stammt aus der Zeit vor den heutigen Sprachmodellen, der Befund gilt sinngemäß weiter. Ein PoC zeigt das Modell. Anbindung an ERP oder Ticketsystem, Ausnahmebehandlung, Berechtigungen, Protokollierung und Überwachung zeigt er nicht, und ihr Aufwand kann den des ganzen PoC deutlich übersteigen.
Niemand ist für danach zuständig. Der PoC war ein Experiment der IT oder einer begeisterten Fachabteilung. Für den Betrieb fehlen ein Verantwortlicher, ein Budget und eine Entscheidung, wer Ausnahmen bearbeitet.
Recht und Sicherheit kommen zu spät. Datenschutz, Auftragsverarbeitung und die Frage, welche Daten an welchen Dienst gehen dürfen, werden erst nach dem erfolgreichen Test gestellt. Manchmal lautet die Antwort dann, dass der getestete Weg so nicht zulässig ist.
Die Rechnung trägt nicht. Der PoC hat gezeigt, dass es geht, aber mit den laufenden Kosten für Betrieb, Pflege und menschliche Prüfung lohnt es sich nicht. Das ist ein legitimes Ergebnis. Ein PoC, der ein Vorhaben früh und billig stoppt, hat seinen Zweck erfüllt.
Den Übergang von Anfang an mitdenken
Die meisten dieser Gründe lassen sich vermeiden, wenn vor dem PoC schon feststeht, was bei Erfolg passiert: wer den Pilot verantwortet, welche Systeme angebunden werden müssen, welche rechtlichen Fragen vorab zu klären sind und welche Messwerte für eine Freigabe reichen. Dafür braucht es kein umfangreiches Konzept, wohl aber eine kurze Ist-Analyse des Ablaufs, um den es geht. Wie sich Analyse, Test, Pilot und Betrieb zu einem Ablauf verbinden lassen, zeigt die Seite zum Vorgehen.
Quellen
- Minimum Viable Product (MVP), Gabler Wirtschaftslexikon, Springer Fachmedien
- Pilot-Studie, Gabler Wirtschaftslexikon, Springer Fachmedien
- Hidden Technical Debt in Machine Learning Systems (Sculley u. a., NIPS 2015), Advances in Neural Information Processing Systems 28, 2015
Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

