Den ROI von KI-Projekten ehrlich berechnen.

„Spart 30 Prozent der Arbeitszeit“ — solche Zahlen stehen in jeder Produktbroschüre. In der Realität sieht die Rechnung oft anders aus, weil die Kosten unterschätzt und der Nutzen schöngerechnet wird. Eine ehrliche ROI-Betrachtung ist unbequemer, aber sie ist die einzige Grundlage, auf der sich KI-Investitionen verantworten lassen.

Warum die meisten ROI-Rechnungen falsch sind.

Der Return on Investment ist im Kern simpel: Nutzen minus Kosten, ins Verhältnis zu den Kosten gesetzt. Das Problem liegt nicht in der Formel, sondern in den Zahlen, die man einsetzt. Zwei systematische Fehler tauchen fast immer auf: Die Kosten werden auf die Lizenzgebühr reduziert, und der Nutzen wird mit der besten denkbaren Annahme angesetzt.

Hinzu kommt ein menschlicher Faktor. Wer ein KI-Projekt vorantreibt, ist davon überzeugt — und Überzeugung färbt unbewusst auf die Annahmen ab. Anbieter wiederum haben ein offensichtliches Interesse an optimistischen Zahlen. So entsteht eine Rechnung, die niemand böswillig manipuliert hat und die trotzdem systematisch zu schön ist. Das Gegenmittel ist nicht Misstrauen, sondern Methode: feste Regeln, welche Posten in die Rechnung gehören, konservative Default-Annahmen und ein zweites Augenpaar, das die Zahlen kritisch hinterfragt. Wer diese Disziplin einübt, trifft bessere Investitionsentscheidungen — und steht hinterher nicht vor einem Projekt, das die Erwartungen nie erfüllen konnte, weil sie von Anfang an unrealistisch waren.

Eine ehrliche Rechnung dreht beides um: Sie erfasst alle Kosten — auch die unsichtbaren — und sie schätzt den Nutzen konservativ. Wenn ein Projekt auch unter dieser strengen Betrachtung positiv ist, kann man ihm vertrauen. Wenn es nur unter Idealannahmen funktioniert, sollte man vorsichtig sein.

Dahinter steht eine Haltung, kein Misstrauen gegen KI. Wer ein Vorhaben konservativ rechnet und es trägt sich trotzdem, geht mit Rückenwind in die Umsetzung. Wer es schönrechnet und später die Realität einholt, beschädigt nicht nur dieses eine Projekt, sondern das Vertrauen der Organisation in alle künftigen KI-Vorhaben. Im Mittelstand, wo das Budget knapp und die Aufmerksamkeit der Geschäftsführung hart umkämpft ist, kann ein einziges enttäuschendes Projekt die KI-Initiative für Jahre ausbremsen. Ehrliches Rechnen ist deshalb nicht Pessimismus, sondern Investitionsschutz.

Alle Kosten erfassen — nicht nur die Lizenz.

Die laufende Software- oder API-Gebühr ist bei KI-Projekten oft der kleinste Posten. Wer ehrlich rechnet, berücksichtigt die gesamten Kosten über den Lebenszyklus. Im Fachjargon spricht man von den Gesamtbetriebskosten — der Summe aller Aufwände von der Einführung bis zum Betrieb, nicht nur des sichtbaren Preisschilds. Diese Unterscheidung ist bei KI besonders wichtig, weil ein großer Teil der Kosten erst nach dem Start anfällt und in der ersten Begeisterung leicht übersehen wird. Die folgenden Posten gehören in eine vollständige Betrachtung:

• Einführung: Konzeption, Datenaufbereitung, Integration in bestehende Systeme, Tests. Gerade die Datenaufbereitung wird regelmäßig dramatisch unterschätzt.
• Lizenzen und Nutzung: Software-Abos oder nutzungsabhängige API-Kosten. Letztere skalieren mit dem Volumen — was im Pilot günstig wirkt, kann im Vollbetrieb deutlich teurer werden.
• Betrieb und Wartung: Modelle und Tools müssen überwacht, aktualisiert und an veränderte Anforderungen angepasst werden. KI-Systeme sind nicht „fertig“, wenn sie laufen.
• Schulung und Change: Mitarbeitende müssen lernen, mit dem neuen Werkzeug zu arbeiten. Akzeptanz entsteht nicht von allein.
• Kontrolle: Wo KI-Ergebnisse geprüft werden müssen, entsteht laufender Aufwand, der den Nutzen schmälert.

Eine besondere Tücke der nutzungsabhängigen API-Kosten verdient Beachtung: Im Pilot mit wenigen Testanfragen wirken sie verschwindend gering. Skaliert ein Anwendungsfall aber auf Tausende Vorgänge pro Tag, summieren sich diese Kosten — und sie laufen, solange das System läuft, Monat für Monat. Wer den ROI nur anhand der Pilot-Kosten hochrechnet, unterschätzt die laufenden Ausgaben im Vollbetrieb häufig erheblich. Seriös ist, die Kosten mit dem erwarteten realen Volumen zu rechnen, nicht mit dem des Tests. Gleiches gilt für den Kontrollaufwand: Wenn jede KI-Ausgabe von einem Menschen geprüft werden muss, frisst dieser Schritt einen Teil der eingesparten Zeit wieder auf — und das gehört offen in die Rechnung, nicht in die Fußnote.

Den Nutzen seriös schätzen.

Der Nutzen lässt sich grob in harte und weiche Effekte unterteilen. Harte Effekte sind direkt in Geld messbar — eingesparte Arbeitszeit, geringere Fehlerkosten, schnellere Durchlaufzeiten. Weiche Effekte wie höhere Mitarbeiterzufriedenheit oder bessere Kundenerfahrung sind real, aber schwer zu beziffern. Seriös ist, beide zu nennen, aber den ROI primär aus den harten Effekten zu rechnen.

Besonders heikel ist die Annahme zur Zeitersparnis. „Spart zwei Stunden pro Woche pro Mitarbeiter“ klingt überzeugend — aber gesparte Zeit ist nur dann ein echter Nutzen, wenn sie tatsächlich produktiv genutzt oder eingespart wird. Zehn Minuten, die sich über viele Mitarbeitende verteilen, fließen oft einfach in andere Tätigkeiten und schlagen sich nicht in der Bilanz nieder. Diese Differenz zwischen „theoretisch gespart“ und „real wirksam“ gehört offen in die Rechnung.

Das bedeutet nicht, dass weiche Effekte wertlos sind — im Gegenteil. Wenn ein Werkzeug Mitarbeitenden lästige Routine abnimmt, kann das die Zufriedenheit erhöhen, die Fluktuation senken und die Qualität der eigentlichen Facharbeit verbessern. Solche Effekte sind real und mitunter sogar wichtiger als die direkte Zeitersparnis. Der ehrliche Umgang damit besteht darin, sie klar als weiche Effekte zu benennen und im Entscheidungsgespräch zu würdigen, ohne sie in eine erfundene Euro-Zahl zu pressen. So bleibt die harte Rechnung sauber, und die weichen Argumente behalten ihre Glaubwürdigkeit, statt als Zahlenkosmetik entlarvt zu werden.

Eine ehrliche Beispielrechnung.

Nehmen wir den Anwendungsfall aus der Praxis: ein Assistenzsystem, das Mitarbeitende beim Verfassen von Standardantworten im Kundenservice unterstützt. Die Zahlen unten sind illustrativ und dienen nur, um die Logik zu zeigen — Ihre eigenen Werte müssen Sie selbst ermitteln.

Beispiel (illustrativ, Zahlen frei gewählt):

  NUTZEN (pro Jahr)
    Zeitersparnis je bearbeiteter Antwort        x Min.
    x  Anzahl Antworten pro Jahr                 = Y Stunden
    Y Stunden x interner Stundensatz             = Nutzen brutto
    abzgl. real nicht nutzbarer Zeitanteil       = Nutzen netto

  KOSTEN (Jahr 1)
    Einführung (Konzept, Integration, Tests)     + Posten A
    Lizenz / API (volumenabhängig)               + Posten B
    Betrieb, Wartung, Aktualisierung             + Posten C
    Schulung der Mitarbeitenden                  + Posten D
    Qualitätskontrolle der Ergebnisse            + Posten E
                                                 = Kosten gesamt

  ROI = (Nutzen netto - Kosten gesamt) / Kosten gesamt

Der entscheidende Schritt ist nicht das Einsetzen von Zahlen, sondern die ehrliche Frage bei jedem Posten: Ist das realistisch? Im ersten Jahr dominieren oft die Einführungskosten, sodass der ROI niedrig oder negativ ausfällt — sich aber ab dem zweiten Jahr deutlich verbessert, wenn diese Einmalkosten entfallen. Deshalb sollte man immer mehrjährig rechnen, nicht nur das erste Jahr.

Ein zweiter Reflex, der die Ehrlichkeit erhöht, ist das Rechnen in Szenarien. Statt einer einzigen Zahl lohnt es sich, drei Varianten anzusetzen: einen vorsichtigen Fall, in dem der Nutzen geringer und die Kosten höher ausfallen als erhofft; einen erwarteten Fall mit realistischen Annahmen; und einen optimistischen Fall. Trägt sich ein Projekt schon im vorsichtigen Szenario, ist die Entscheidung leicht. Trägt es sich nur im optimistischen, ist Vorsicht geboten. Diese Spreizung sichtbar zu machen, ist oft aufschlussreicher als jede präzise wirkende Einzelzahl — denn sie zeigt, wie empfindlich das Ergebnis auf die Annahmen reagiert.

Typische Rechentricks — und wie man ihnen begegnet.

Wenn ein KI-Projekt verkauft werden soll, kursieren bestimmte Argumentationsmuster. Es lohnt sich, sie zu kennen:

Wenn sich der ROI nicht rechnen lässt.

Nicht jeder sinnvolle Einsatz von KI lässt sich sauber in einer ROI-Zahl ausdrücken. Manche Projekte zielen auf strategische Lernkurven, auf das Sammeln von Erfahrung mit der Technologie, oder auf die Absicherung gegen Wettbewerbsnachteile. Das ist legitim — aber man sollte es dann auch so benennen und nicht eine erfundene Renditezahl vorschieben.

Ehrlichkeit heißt hier: Entweder ein Projekt trägt sich über messbaren Nutzen, oder es ist eine bewusste Investition in Lernen und Zukunftsfähigkeit. Beides kann richtig sein. Problematisch wird es erst, wenn das Zweite als das Erste verkauft wird. Eine konservative, transparente Rechnung schützt vor genau dieser Selbsttäuschung — und davor, dass das nächste KI-Projekt am Vertrauen des letzten scheitert.

Nach dem Start: den ROI tatsächlich messen.

Die beste Rechnung vor dem Projekt bleibt eine Schätzung. Den eigentlichen Beweis liefert erst die Messung im Betrieb. Genau hier scheitern viele Unternehmen: Sie kalkulieren aufwendig einen erwarteten Nutzen, überprüfen aber nie, ob er auch eingetreten ist. Damit verschenken sie nicht nur die Möglichkeit, ein Projekt ehrlich zu bewerten, sondern auch die Chance, aus der Differenz zwischen Erwartung und Realität für künftige Vorhaben zu lernen.

Voraussetzung ist die Ausgangsmessung vor dem Start — wie lange dauerte ein Vorgang, wie hoch war die Fehlerquote, wie viele Fälle fielen an. Erst der Vergleich mit denselben Kennzahlen nach einigen Monaten im Betrieb zeigt, ob das System hält, was es versprach. Fällt der Vergleich schwächer aus als erhofft, ist das kein Grund zur Resignation, sondern ein Anlass zur Ursachensuche: Liegt es an der Datenqualität, an mangelnder Akzeptanz, an einem schlecht gewählten Anwendungsfall? Diese Rückkopplung macht aus einer einmaligen ROI-Schätzung einen kontinuierlichen Lernprozess — und genau dieser Prozess unterscheidet Unternehmen, die mit KI dauerhaft erfolgreich sind, von denen, die von Pilotprojekt zu Pilotprojekt stolpern.

Sie wollen vor der nächsten KI-Investition eine ehrliche Wirtschaftlichkeitsrechnung? Unverbindlich anfragen — wir gehen Kosten und Nutzen gemeinsam durch, ohne Schönfärberei.