Jedes Unternehmen, das Mittel für artificial intelligence bewilligt, geht dasselbe Risiko ein: Es feiert ein technisch einwandfreies Pilotprojekt, das jedoch keinerlei Auswirkungen auf die Gewinn- und Verlustrechnung hat. Das Problem besteht nicht darin, zu hohe Mittel zu bewilligen. Das Problem ist vielmehr, dass die falschen Kennzahlen gemessen werden: Nutzung, Genauigkeit und Akzeptanz anstelle der finanziellen Ergebnisse.

Die Zahlen verdeutlichen die Kosten dieser Verwirrung. Laut S&P Global Market Intelligence stieg der Anteil der Unternehmen, die den Großteil ihrer KI-Initiativen aufgaben, im Jahr 2025 von 17% auf 42%. Im Durchschnitt wurden 46% Proof-of-Concept-Projekte vor Erreichen der Produktionsreife eingestellt, wobei Kosten, data Datenschutz und Sicherheit zu den größten Hindernissen zählten.

Ein Großteil dieser Verschwendung lässt sich vermeiden, wenn bereits ab der Pilotphase finanzielle Disziplin walten gelassen wird. Sechs Schritte helfen dabei, die Wahrscheinlichkeit, dass ein KI-Projekt einen Ertrag abwirft, gründlicher zu bewerten.

1. Legen Sie vor Beginn eines Pilotprojekts die Ausgangsbasis fest

Nutzungskennzahlen wie die Anzahl der aktiven Nutzer oder die Modellgenauigkeit geben Aufschluss darüber, ob das Tool funktioniert. Ergebniskennzahlen zeigen Ihnen, ob es seinen Preis wert ist.
Einer der häufigsten Fehler besteht darin, die Lösung einzuführen, ohne zuvor den betroffenen Prozess zu erfassen, dessen aktuelle Leistung zu messen und die Ergebnis-KPIs zu definieren, die den Erfolg des Projekts signalisieren. Ohne diesen Ausgangspunkt wird jeder spätere Gewinn zu einer Frage der Interpretation.

Jeder KPI benötigt zudem einen Verantwortlichen auf der geschäftlichen Seite, nicht im technischen Bereich. Die Person, die für das Ergebnis in der Gewinn- und Verlustrechnung verantwortlich ist, sorgt dafür, dass der Gewinn über die Pilotphase hinausgeht und in die Gewinn- und Verlustrechnung einfließt.

Bei einem multinationalen Brauereiunternehmen wurden im Rahmen eines Projekts zur Entwicklung eines Modells zur Neugestaltung von Kreditentscheidungen die geschäftsrelevanten KPIs vor und nach der Umsetzung erfasst. Dank dieser Klarheit und der vorhandenen Vergleichswerte war es möglich, die tatsächlichen Auswirkungen der Lösung zu messen: eine Steigerung des Einkaufsvolumens um 1,71 TP47T, eine Verkürzung der Zahlungsfristen um 71 TP47T und eine Verringerung der Zahlungsausfälle um 191 TP47T.

2. Erfassen Sie die Gesamtkosten, nicht nur die Kosten für das Tool

Ein KI-Projekt umfasst vier Kostenschichten, wobei in den Budgets häufig nur die erste berücksichtigt wird:

  • Direkte Kosten: APIs, Infrastruktur und Softwarelizenzen. Auf Rechnungen leicht zu erkennen.
  • Entwicklungskosten: Entwicklungsstunden für die Erstellung, Integration und das Testen. Diese werden häufig im Budget des Geschäftsbereichs aufgeschlüsselt.
  • Betriebskosten: Wartung, Support und Änderungsmanagement, beispielsweise Schulungen und Einarbeitung. Dies wird häufig unterschätzt.
  • Versteckte Kosten: Unternehmensführung, Compliance, Risikomanagement und technische Schulden. Diese Aspekte werden selten berücksichtigt, sind jedoch entscheidend für die langfristige Tragfähigkeit.

Die letzte Ebene ist die überraschendste, da sie sich in der Pilotphase nicht als Fehler bemerkbar macht, sondern erst mit zunehmender Unternehmensgröße zu steigenden Kosten führt. Ein Projekt, das auf der Rechnung günstig erscheint, kann in der Bilanz teuer zu Buche schlagen.

3. Unterscheiden Sie zwischen materiellem und immateriellem ROI und berechnen Sie beide

Der konkrete ROI ist die direkte, messbare finanzielle Auswirkung: niedrigere Betriebskosten, zusätzliche Einnahmen oder freigesetztes Kapital. Freigesetzte Arbeitsstunden zählen hier nur dann, wenn sie zu einer Kostensenkung oder zu einer Umverteilung von Kapazitäten führen, die zur Erzielung von Einnahmen genutzt werden.

Der immaterielle ROI bezeichnet die indirekten, strategischen Auswirkungen, wie beispielsweise das Kundenerlebnis, die Verringerung des regulatorischen Risikos, die Entscheidungsgeschwindigkeit oder die Bindung von Fachkräften.

Ein messbarer ROI ist entscheidend für die Genehmigung des Budgets. Ein nicht messbarer ROI trägt dazu bei, die Investition langfristig aufrechtzuerhalten. Beide müssen vor Beginn des Pilotprojekts als Hypothesen festgehalten werden.

4. Den tatsächlichen Beitrag der KI herausarbeiten

Wenn ein Lead-Scoring-Modell in Betrieb genommen wird und das Vertriebsteam daraufhin mehr Geschäfte abschließt, wem gebührt dann der Verdienst: dem Modell, der neuen Vertriebsmethodik oder dem neu eingestellten Vertriebsleiter?
Um den Beitrag der KI isoliert zu ermitteln, ist experimentelle Genauigkeit erforderlich: eine Kontrollgruppe, ein Vergleich mit einem entsprechenden Zeitraum oder zumindest die Disziplin, ein Ergebnis, das mehrere Ursachen hat, nicht der KI zuzuschreiben.

5. Führen Sie die Bewertung zum richtigen Zeitpunkt durch

Ein KI-Projekt zu früh zu bewerten, ist ebenso riskant wie eine zu späte Bewertung. Die Mindestdauer entspricht einem vollständigen Zyklus des betroffenen Prozesses, sei es ein Kreditzyklus, ein Finanzabschluss oder eine Ernte. Der genaue Zeitrahmen hängt vom Anwendungsfall, der Saisonalität, dem data-Volumen und der Zeit ab, die der operative Bereich benötigt, um die Lösung einzuführen.
Nach der Skalierung wird die Überwachung fortgesetzt, da KI-Systeme in der Regel mit zunehmender Verbreitung und Reife einen größeren Mehrwert bieten.

6. Vor der Skalierung vergleichen

Eine für sich allein stehende ROI-Zahl sagt wenig aus. Sie muss mit zwei Referenzwerten verglichen werden: der Ausgangsbasis aus Schritt 1 und der alternativen Verwendung desselben Kapitals, d. h. der Rendite, die die Investition bei einer anderen Initiative erzielen würde. Markt-Benchmarks können als sekundäre Referenz dienen, sofern ihre Herkunft bekannt ist und sie tatsächlich vergleichbar sind.

Es gibt noch eine dritte Frage, die den Unterschied zwischen einem Projekt und einer Plattform ausmacht: Wird der nächste Anwendungsfall weniger kosten als dieser? Wenn jede neue Anwendung von Grund auf neu entwickelt wird, skalieren die Erträge nicht mit den Investitionen.

Die Festlegung dieser Kriterien vor der Entscheidung – und nicht erst im Nachhinein als Rechtfertigung – macht den ROI zu einem Instrument zur Priorisierung konkurrierender Anwendungsfälle.

Praktische Empfehlung: Der Strengegrad sollte dem jeweiligen Stadium angemessen sein

Das Ziel besteht nicht darin, Pilotprojekte zu blockieren, sondern sicherzustellen, dass jedes einzelne eine geschäftliche und nicht nur eine technische Frage beantwortet. Die Anforderungen sollten mit steigendem Investitionsvolumen erhöht werden.

Mit diesen Antworten wird die Genehmigung des nächsten KI-Projekts nicht länger zu einem Vertrauensvorschuss, sondern zu einer finanziellen Entscheidung mit bekanntem Risiko, geschätzter Rendite und einem klaren Weg zur Überwachung der Auswirkungen.