Unsere Top 3 Use Cases

Intro

In dieser Episode ist Elisabeth L’Orange zu Gast — Partnerin AI & Data bei Deloitte und Stammgast im AI FIRST Podcast. Sie teilt drei sehr konkrete Use Cases, wie sie KI heute privat und beruflich nutzt: einen wöchentlichen Newsletter-Digest, ein Market-Watch-Setup für Big Four & MBB und eine pragmatische Lösung für Podcast-Show-Notes. Dazwischen geht es um MCP/Connectoren, warum APIs oft die fragilsten Stellen in Workflows sind — und um das Prinzip, das alles zusammenhält: KI nutzen, um KI besser zu nutzen.

Inhaltsübersicht

Warum Elisabeth von „Perlenketten-Workflows“ (Make/Zapier & Co.) zu Claude/MCP gewechselt ist
Use Case 1: Newsletter-Digest — Signal vs. Noise in der Inbox
Use Case 2: Consulting Market Watch — strukturierte Marktbeobachtung als Newsletter
Use Case 3: Podcast-Nachbereitung — Show Notes & Learnings zu „nicht alles automatisieren“
MCP statt fragile APIs: Warum sich das Setup robuster anfühlt
Iteration statt „Make it 10x better“: Workflows bauen, testen, verbessern

Über den Gast

Elisabeth L’Orange ist Partnerin AI & Data bei Deloitte und arbeitet an der Schnittstelle aus Technologie, Beratung und Organisationsrealität. Im Gespräch bringt sie eine sehr praktische Perspektive mit: weniger „großes KI-Framework“, mehr konkrete Setups, die im Alltag Zeit sparen und bessere Entscheidungen ermöglichen.

Detaillierte Zusammenfassung

Von Orchestratoren zu Claude + MCP

Elisabeth beschreibt, dass sie früher viele Prozesse als „Perlenkette“ aus einzelnen Tools/Schritten gebaut hat. Das Problem: Schnittstellen/ APIs brauchen viel Zuwendung — Workflows werden „liebesbedürftig“. Heute ist sie für diese Setups stark bei Claude/Anthropic, weil Connectoren/MCPs aus ihrer Sicht vieles robuster machen.

Der Ausgangspunkt ist simpel: zu viele Newsletter, zu wenig Zeit. Elisabeth baut sich ein Setup, das ihr (z. B. montags) eine Mail mit den wichtigsten Inhalten der letzten 7 Tage schickt. Dazu empfiehlt sie, für KI-Agenten eine eigene Mailadresse zu nutzen. Im Workflow werden Newsletter identifiziert, gelesen und dann in einer klaren Struktur zusammengefasst (Summary, Key Headlines, Takeaways) — zunächst als Draft und dann iterativ besser formatiert (z. B. HTML-Blöcke pro Newsletter).

Elisabeth: „…finde ich relativ schwer, da Signal from Noise zu trennen… die Masse ist einfach ziemlich groß.“

Use Case 2: Market Watch für Big Four & MBB

Ihr zweites Setup ist eine wöchentliche Marktbeobachtung für Big Four sowie McKinsey/Bain/BCG. Wichtig ist hier vor allem die Kategoriestruktur, anhand derer Infos gesammelt und verdichtet werden (People Moves, Deals/Projekte, Publications/Research, Strategy/Expansion, Headcount/Layoffs). Ergebnis ist wieder ein Newsletter-Draft — und ein Format, das man beliebig um eigene Kategorien und Trigger (z. B. Keywords oder Firmenlisten) erweitern kann.

Use Case 3: Podcast-Nachbereitung (Show Notes)

Der dritte Use Case ist podcast-spezifisch: Show Notes mit Titel, Untertitel, Beschreibung, Timestamps sowie Links/Quellen. Elisabeth testet dafür auch API-Setups (z. B. Transcript-Export aus Riverside), merkt aber: Manchmal ist der pragmatische Weg schneller.

Elisabeth: „…wenn ich mir einfach … die Text-File-Datei runterlade … und Copy-Paste mache … ist es viel schneller…“

Das Meta-Prinzip: KI nutzen, um KI besser zu nutzen

Felix fasst zusammen, worum es eigentlich geht: Mit heutigen Modellen + Connectoren lassen sich Workflows über natürliche Sprache bauen — dann kommt es auf Iteration und Feedback an. Elisabeth ergänzt eine wichtige Pragmatik: Nicht alles automatisieren — Robustheit und Aufwand/Nutzen müssen stimmen.

Kernaussagen

MCP/Connectoren reduzieren fragilen Schnittstellen-Aufwand — „…die APIs … brauchten immer sehr viel Zuwendung…“ Workflows, Robustheit
Newsletter-Digest löst Signal-vs.-Noise in Informationsflut — „…die Masse ist einfach ziemlich groß…“ Information Overload, Priorisierung
Struktur macht Market Watch nutzbar — Kategorien/Unterpunkte sind der Hebel, nicht das Tool. Monitoring, Struktur
Automatisierung pragmatisch bewerten — Copy-Paste kann schneller sein als ein API-Setup. Pragmatismus, Effizienz
„KI nutzen, um KI besser zu nutzen“ — Iteration + Feedback ist der Weg zu stabilen Routinen. Iteration, Agentic Work

Fazit und Takeaways

Für alle, die mit Informationsflut kämpfen

Digest bauen statt lesen: Ein wöchentliches Summary mit klarer Struktur (Headlines + Takeaways) bringt Überblick zurück.
Relevanz definieren: Je besser du Signal/Noise-Kriterien beschreibst, desto besser wird der Output.

Für Beratungs-/Business-Teams

Market Watch kategorisieren: People, Deals, Research, Strategy, Headcount — eine gute Taxonomie ist 80 % der Lösung.
Draft-first: Erst als Draft laufen lassen und iterieren, bevor etwas automatisch verschickt wird.

Für Podcaster:innen & Content-Teams

Show Notes beschleunigen: Transcript rein → Struktur raus (Titel, Beschreibung, Timestamps, Links).
Automatisierung nur, wenn sie sich lohnt: Wenn Setup-Zeit > Copy-Paste-Zeit, dann nicht automatisieren.

Am Ende bleibt: Diese drei Beispiele sind „basic“ — aber genau darin liegt die Stärke. Wer Routinen sauber baut und iteriert, bekommt nicht nur Effizienz, sondern wieder Orientierung in der eigenen Arbeit.

#89Unsere Top 3 Use Cases

Intro

Inhaltsübersicht

Über den Gast