Im Kern beantwortet die KI-ROI-Bewertung eine einzige, aber folgenschwere Frage: Lohnt sich diese KI-Investition – und wie sicher sind wir uns dabei? Sie ersetzt das verbreitete „KI ist halt wichtig, das machen jetzt alle“ durch eine belastbare Argumentation. Damit ist sie kein Selbstzweck, sondern das Bindeglied zwischen KI-Strategie, Controlling und der konkreten Entscheidung, ein Budget freizugeben oder eben nicht.
Wichtig ist die Abgrenzung zum klassischen IT-ROI. Bei einer neuen Buchhaltungssoftware oder einem Server-Austausch sind Kosten und Nutzen meist gut bezifferbar: Lizenzpreise stehen fest, eingesparte manuelle Schritte lassen sich zählen. KI verhält sich anders. Ein großer Teil ihres Nutzens entsteht über indirekte und schwer fassbare Effekte – schnellere Entscheidungen, weniger Fehler, höhere Mitarbeiterzufriedenheit, neue Angebotsmöglichkeiten. Genau diese Effekte machen den Reiz von KI aus, und genau sie machen die Bewertung anspruchsvoll.
KI-Werkzeuge sind selten ein abgeschlossenes Projekt mit klarem Endpunkt. Sie entfalten ihren Wert über die Zeit, je mehr Mitarbeitende sie beherrschen und je besser die Anwendungsfälle zugeschnitten sind. Eine reine Anschaffungsrechnung – „Lizenz kostet X, spart Y“ – greift deshalb zu kurz. Eine seriöse KI-ROI-Bewertung denkt in Szenarien, berücksichtigt Lernkurven und trennt sauber zwischen dem theoretisch möglichen und dem realistisch erreichbaren Nutzen.
Hinzu kommt, dass KI-Investitionen häufig Plattform-Charakter haben. Wer einen KI-Assistenten einführt, schafft eine Grundlage, auf der später weitere Anwendungsfälle aufbauen. Der erste Use-Case trägt vielleicht nur einen Teil der Kosten, ebnet aber den Weg für den zweiten und dritten. Diese Anschlusswerte sind real, lassen sich aber zu Beginn nur als Größenordnung abschätzen – ein Grund mehr, KI-ROI nicht als statische Zahl, sondern als laufende Bewertung zu verstehen.
In der Praxis erfüllt eine KI-ROI-Bewertung zwei Aufgaben zugleich. Erstens ist sie ein Entscheidungswerkzeug: Sie hilft, zwischen mehreren möglichen Anwendungsfällen zu priorisieren und das verfügbare Budget dorthin zu lenken, wo es am meisten Wirkung entfaltet. Zweitens ist sie ein Kommunikationswerkzeug: Sie übersetzt eine technische Initiative in die Sprache der Geschäftsführung und schafft die Akzeptanz, ohne die kein KI-Vorhaben durchträgt.
Wer beide Funktionen ernst nimmt, kommt zu einem realistischeren Bild als jene, die nur eine beeindruckende Schlusszahl präsentieren wollen. Die wertvollste KI-ROI-Bewertung ist nicht die mit dem höchsten Faktor, sondern die, deren Annahmen ein kritischer Geschäftsführer am Ende unterschreiben würde.
Anders als bei einer Maschine, die eine messbare Stückzahl produziert, wirkt KI oft als Verstärker bestehender Prozesse. Ein KI-Assistent macht den Vertriebsmitarbeiter schneller – aber wie viel des gestiegenen Umsatzes ist der KI zuzurechnen und wie viel der besseren Marktlage, dem neuen Produkt oder schlicht dem Engagement der Person? Diese Zurechnungsproblematik ist die zentrale Schwierigkeit der KI-ROI-Bewertung.
Viele der wertvollsten KI-Effekte sind indirekt. Wenn Mitarbeitende durch KI eine Stunde am Tag gewinnen, entsteht daraus erst dann ein wirtschaftlicher Wert, wenn diese Stunde sinnvoll genutzt wird – für mehr Kundenkontakte, höhere Qualität oder Aufgaben, die vorher liegen blieben. Die Zeitersparnis selbst ist nur ein Zwischenergebnis; der eigentliche Nutzen liegt eine oder zwei Stufen dahinter und vermischt sich dort mit vielen anderen Einflüssen.
Hinzu kommen Effekte, die kaum jemand in Zahlen fasst: weniger Frustration durch wegfallende Routinearbeit, eine attraktivere Arbeitgebermarke, weil das Unternehmen modern wirkt, oder die schlichte Tatsache, dass Wissen schneller auffindbar wird. Diese Effekte sind real und werden in Mitarbeitergesprächen regelmäßig genannt – aber sie tauchen in keiner Kostenstelle auf. Eine gute Bewertung benennt sie qualitativ, statt sie mit Pseudo-Präzision zu verrechnen.
KI-Nutzen entsteht selten ab Tag eins. In den ersten Wochen nach Einführung ist die Produktivität oft sogar leicht niedriger, weil Mitarbeitende neue Werkzeuge ausprobieren und Routinen umstellen. Erst nach einer Einarbeitungs- und Gewöhnungsphase stellt sich der eigentliche Effekt ein – und auch dann ungleich verteilt: Ein Teil der Belegschaft wird zu Power-Usern, ein anderer nutzt die Werkzeuge kaum. Wer den ROI zu früh misst, unterschätzt ihn; wer nur die Power-User betrachtet, überschätzt ihn.
Gerade weil KI mit so viel öffentlicher Begeisterung aufgeladen ist, gehört aktives Erwartungsmanagement zur ROI-Bewertung dazu. Eine Geschäftsführung, die einen ROI von „dem Zehnfachen im ersten Jahr“ erwartet, wird auch ein gutes Projekt mit einem soliden, aber unspektakulären ROI als Misserfolg empfinden. Eine ehrliche Bewertung steckt deshalb von Beginn an einen realistischen Erwartungskorridor ab – mit einem vorsichtigen, einem mittleren und einem optimistischen Szenario.
Die sichtbarste Kostenposition – der Lizenzpreis pro Nutzer und Monat – ist in der Praxis oft die kleinste. Den wirtschaftlichen Unterschied machen die weniger offensichtlichen Posten: Implementierung, Datenarbeit, laufender Betrieb und vor allem der Change-Aufwand. Wer nur die Lizenz rechnet, erhält einen viel zu günstigen Business Case, der spätestens im zweiten Jahr von der Realität eingeholt wird.
Eine bewährte Faustregel aus unserer Praxis lautet: Die laufende Lizenz macht über einen Dreijahreszeitraum oft nur einen kleineren Teil der Gesamtkosten aus. Den größeren Anteil tragen Implementierung, Datenvorbereitung, Betrieb und Change zusammen. Bei einfachen Assistenz-Tools verschiebt sich das Verhältnis Richtung Lizenz; bei datenintensiven oder tief integrierten Anwendungsfällen dominieren die einmaligen Vorarbeiten deutlich. Wer diesen Eisberg-Effekt ignoriert, vergleicht KI-Optionen auf falscher Grundlage.
Der mit Abstand am häufigsten vergessene Posten ist die Befähigung der Mitarbeitenden. KI-Werkzeuge entfalten ihren Nutzen nur, wenn sie auch kompetent eingesetzt werden. Schulung, interne Multiplikatoren, eine Prompt- und Anwendungssammlung und die Arbeitszeit für die Einarbeitung sind keine Nebenkosten, sondern die Voraussetzung dafür, dass der kalkulierte Nutzen überhaupt eintritt. Paradoxerweise ist es genau dieser Posten, der in vielen Business Cases fehlt – und genau sein Fehlen erklärt einen großen Teil der enttäuschten KI-Projekte.
Die Versuchung, den Nutzen einfach optimistisch zu schätzen, ist groß. Belastbarer ist es, jede Nutzenkategorie einzeln zu betrachten, ihre Wirkungskette offenzulegen und nur den Teil anzusetzen, der realistisch im Unternehmen ankommt. Im Folgenden die vier Kategorien mit ihren typischen Mechanismen und Fallstricken.
Zeitersparnis ist der Nutzen, der am häufigsten überschätzt wird – nicht weil die Ersparnis nicht real wäre, sondern weil der Weg von gesparter Zeit zu wirtschaftlichem Wert lang ist. Eingesparte Minuten werden erst dann zu Geld, wenn sie entweder für zusätzliche Wertschöpfung genutzt oder über mehrere Personen hinweg so gebündelt werden, dass am Ende real weniger Personalbedarf oder mehr Output entsteht. Eine seriöse Bewertung setzt deshalb nur einen Realisierungsgrad der theoretischen Ersparnis an – also den Anteil, der tatsächlich in messbaren Nutzen umschlägt.
Qualitäts- und Umsatzeffekte sind besonders wertvoll, aber nur dann glaubwürdig, wenn die Wirkungskette nachvollziehbar ist. Statt pauschal „mehr Umsatz durch KI“ anzusetzen, beschreibt eine gute Bewertung den konkreten Mechanismus: schnellere Angebotserstellung führt zu mehr abgegebenen Angeboten, daraus folgt bei gleicher Abschlussquote mehr Umsatz. Jedes Glied dieser Kette ist eine Annahme, die offen ausgewiesen und vorsichtig bemessen werden sollte. So bleibt die Schlusszahl überprüfbar – und damit verteidigbar.
Jede Methode beantwortet eine andere Frage. Erst zusammen ergeben sie ein vollständiges Bild. Wer nur eine Kennzahl präsentiert, lädt zu Missverständnissen ein – die folgende Übersicht ordnet die Methoden danach, was sie leisten und wo ihre Grenzen liegen.
Der ROI im engeren Sinn setzt den Nettonutzen ins Verhältnis zu den eingesetzten Kosten und drückt das Ergebnis als Faktor oder Prozentwert aus. Er eignet sich hervorragend, um Anwendungsfälle untereinander zu vergleichen und das Ergebnis kompakt zu kommunizieren. Seine Schwäche ist zugleich seine Stärke: Eine einzige Zahl wirkt überzeugend, kaschiert aber die dahinterliegenden Annahmen. Die Amortisationsrechnung ergänzt den ROI um eine wichtige Risikodimension – je kürzer die Amortisationszeit, desto geringer das Risiko, dass sich Rahmenbedingungen ändern, bevor sich die Investition gerechnet hat. Gerade für KI mit ihrer hohen Unsicherheit ist eine kurze Amortisationszeit oft das stärkere Argument als ein hoher, aber unsicherer ROI.
Die Total-Cost-of-Ownership-Betrachtung ist bei KI weniger ein optionales Detail als das Fundament. Sie zwingt dazu, alle Kostenarten über einen realistischen Zeitraum – meist drei Jahre – zusammenzuführen und damit den Eisberg-Effekt aus Kapitel 03 abzubilden. Ohne TCO als Basis ist jeder ROI wertlos, weil der Nenner der Rechnung unvollständig ist. In unserer Praxis beginnt deshalb jede Bewertung mit der TCO, bevor überhaupt über Nutzen gesprochen wird.
Nicht alles lässt sich – und sollte sich – in Euro übersetzen. Strategische Faktoren wie Wettbewerbsfähigkeit, Arbeitgeberattraktivität oder der Aufbau interner KI-Kompetenz sind real, aber monetär kaum sauber fassbar. Statt sie mit fragwürdigen Geldwerten zu „verrechnen“, hält eine gute Bewertung sie als eigenständige Entscheidungskriterien sichtbar – etwa über eine einfache Bewertungsskala. So fließen sie in die Entscheidung ein, ohne die monetäre Rechnung zu verfälschen. Eine bewährte Form ist die Trennung in einen „harten“ monetären Business Case und eine begleitende qualitative Bewertung, die beide gemeinsam vorgelegt werden.
Der Grundgedanke ist einfach: Weiche Nutzen werden nicht erraten, sondern aus einer Kette plausibler Einzelannahmen aufgebaut, die jede für sich diskutierbar ist. Eine solche Kette lässt sich von Skeptikern auseinandernehmen und Stück für Stück prüfen – das macht sie belastbar. Drei Vorgehensweisen haben sich in der Praxis bewährt.
Die verlässlichste Methode, Produktivitätsgewinne zu schätzen, ist die direkte Messung an einer kleinen Stichprobe. Statt für 200 Mitarbeitende eine Zeitersparnis zu raten, lässt man eine Handvoll Personen über zwei, drei Wochen dieselben typischen Aufgaben mit und ohne KI bearbeiten und misst den Unterschied. Aus dieser belegten Ersparnis pro Aufgabe lässt sich – multipliziert mit der Häufigkeit und der Zahl der Betroffenen – eine fundierte Hochrechnung erstellen. Der entscheidende Vorteil: Die Basisannahme ist gemessen, nicht geschätzt.
Selbst eine gemessene Zeitersparnis schlägt nicht eins zu eins in Geldwert um. Deshalb wird sie mit einem Realisierungsgrad multipliziert, der ehrlich abbildet, welcher Anteil tatsächlich wertschöpfend ankommt. In unserer Praxis hat es sich bewährt, im Standardszenario nur einen moderaten Bruchteil der theoretischen Ersparnis anzusetzen und den Rest als Aufwärtspotenzial im optimistischen Szenario auszuweisen. Lieber positiv überrascht werden als die eigene Prognose verfehlen – das schützt die Glaubwürdigkeit aller künftigen KI-Vorhaben.
Wo Messung schwer möglich ist, helfen strukturierte Befragungen der Nutzenden nach der Einführung sowie die Betrachtung von Vermeidungskosten. Ein Qualitätsgewinn lässt sich oft über vermiedene Nacharbeit, vermiedene Reklamationen oder vermiedene Fehlentscheidungen annähern – also über das, was nicht passiert ist. Diese Logik ist im Controlling etabliert und überträgt sich gut auf KI. Wichtig bleibt, jede Annahme offen zu benennen und mit einer Bandbreite zu versehen, statt eine Scheinzahl zu liefern.
Die folgende Gegenüberstellung fasst die häufigsten Verzerrungen zusammen. Bemerkenswert ist die Symmetrie: Fast jeder Fehler hat eine Variante auf der Nutzen- und eine auf der Kosten-Seite. Eine gute Bewertung prüft beide Seiten mit gleicher Strenge.
Ein besonders verbreiteter und folgenschwerer Fehler ist es, den beeindruckenden Nutzen einiger weniger Power-User auf die gesamte Organisation hochzurechnen. In jeder Einführung gibt es Menschen, die ein neues Werkzeug sofort meistern und damit erstaunliche Ergebnisse erzielen. Sie sind wertvolle Multiplikatoren – aber sie sind nicht der Durchschnitt. Wer ihren Nutzen als Mittelwert für alle ansetzt, überschätzt den Gesamtnutzen massiv. Die realistische Bewertung rechnet mit einer Verteilung: ein Teil Power-User, ein großer Teil solider Gelegenheitsnutzer, ein Teil, der die Werkzeuge kaum berührt.
Business Cases werden oft erstellt, um eine bereits getroffene Entscheidung nachträglich zu rechtfertigen, statt sie unvoreingenommen zu prüfen. Das ist menschlich, aber gefährlich: Ein geschönter ROI führt zu überhöhten Erwartungen und damit fast zwangsläufig zur Enttäuschung – selbst wenn das Projekt objektiv erfolgreich ist. Die wirksamste Gegenmaßnahme ist eine bewusst kritische Gegenrechnung: Jemand übernimmt die Rolle des Skeptikers und prüft jede Annahme auf Herz und Nieren. Was diese Prüfung übersteht, ist belastbar.
Anwendungsfälle unterscheiden sich nicht nur im erwarteten Nutzen, sondern auch im Aufwand, im Risiko und in der Umsetzungsgeschwindigkeit. Sie nur nach dem höchsten ROI zu sortieren, führt oft in die Irre – ein hoher, aber unsicherer und aufwendiger Use-Case ist als Einstieg meist schlechter geeignet als ein kleinerer mit schnellem, sicherem Ergebnis.
Bewährt hat sich, Anwendungsfälle in einem einfachen Raster aus erwarteter Wirkung und benötigtem Aufwand einzuordnen. Use-Cases mit hoher Wirkung und niedrigem Aufwand sind die idealen Startpunkte – sie liefern schnelle, sichtbare Erfolge, die das Vertrauen in weitere Vorhaben aufbauen. Aufwendige Use-Cases mit hoher Wirkung sind strategisch wichtig, gehören aber in eine spätere Phase. Use-Cases mit geringer Wirkung sollten unabhängig vom Aufwand zurückgestellt werden. Diese Einordnung schützt davor, sich gleich am komplexesten Vorhaben zu verheben.
Der robusteste Business Case für KI ist selten der große Wurf, sondern der überschaubare Pilot mit klarem Messkonzept. Ein Pilot reduziert das Investitionsrisiko drastisch: Statt für die gesamte Organisation auf eine geschätzte Wirtschaftlichkeit zu wetten, wird der Nutzen an einer begrenzten Gruppe real gemessen. Die so gewonnenen Zahlen ersetzen Annahmen durch Belege und machen den anschließenden Roll-out-Business-Case ungleich solider. Wichtig ist, den Pilot von Anfang an mit definierten Kennzahlen und einer Ausgangsmessung aufzusetzen – ein Pilot ohne Messung ist nur eine teure Demonstration.
Ein Business Case ist kein einmaliges Genehmigungspapier, sondern ein Dokument, das mit dem Projekt mitwächst. Die anfänglichen Annahmen werden nach dem Pilot durch gemessene Werte ersetzt, die Szenarien werden geschärft, neue Anwendungsfälle kommen hinzu. Wer den Business Case so führt, behält jederzeit den Überblick über die tatsächliche Wirtschaftlichkeit – und kann gegenüber der Geschäftsführung belegen, dass die Investition trägt. Genau diese kontinuierliche Belegbarkeit ist es, die KI-Initiativen über die erste Begeisterung hinaus am Leben hält.
Mittelständische Unternehmen verfügen selten über ein KI-Controlling oder dedizierte Ressourcen für aufwendige Wirtschaftlichkeitsanalysen. Das ist kein Nachteil: Ein guter KI-Business-Case braucht keine Spezialsoftware, sondern Disziplin bei den Annahmen und die Bereitschaft, nach dem Start wirklich nachzumessen. Der folgende Ablauf lässt sich auch mit schlanken Mitteln umsetzen.
Der entscheidende und am häufigsten ausgelassene Schritt ist die Nachmessung nach dem Go-Live. Viele Unternehmen erstellen einen sorgfältigen Business Case, führen die KI ein – und prüfen anschließend nie, ob die kalkulierten Effekte tatsächlich eingetreten sind. Damit verschenken sie nicht nur die Möglichkeit, Annahmen zu korrigieren, sondern auch das wertvollste Argument für künftige KI-Investitionen: einen belegten Erfolg. Eine Nachmessung muss nicht aufwendig sein. Sie vergleicht die in Schritt zwei erhobene Baseline mit dem Zustand einige Monate nach Einführung und ergänzt sie um eine kurze Befragung der Nutzenden.
In der mittelständischen Praxis erreichen gut eingeführte KI-Anwendungen typischerweise nur einen Bruchteil ihres theoretischen Spitzennutzens – und sind dennoch klar wirtschaftlich. Der Grund liegt selten an der Technik, sondern an der ungleichen Nutzung und der Lernkurve. Wer das von Beginn an einkalkuliert, vermeidet Enttäuschung. Die gute Nachricht: Auch ein realistisch angesetzter, deutlich unter dem Maximum liegender Nutzen amortisiert eine durchdacht eingeführte KI-Lösung in vielen Fällen schon im ersten Jahr – vorausgesetzt, der Change-Aufwand wurde nicht eingespart.
Eine Besonderheit des DACH-Mittelstands: Datenschutz, Governance und Compliance sind keine Randthemen, sondern reale Kostenpositionen, die in den Business Case gehören. Die Prüfung von Anwendungsfällen, die Anpassung von Verarbeitungsverzeichnissen, interne Richtlinien und die laufende Aufsicht verursachen Aufwand. Wer diese Posten von Beginn an einplant, vermeidet böse Überraschungen und signalisiert der Geschäftsführung, dass die Bewertung die regulatorische Realität ernst nimmt – ein wichtiges Vertrauenssignal gerade bei sensiblen Daten.
