Der Reiz von Künstlicher Intelligenz liegt darin, dass sie fast überall Potenzial verspricht – im Kundenservice, in der Sachbearbeitung, in Marketing und Vertrieb, in der Produktion. Genau diese Breite ist aber auch die Gefahr: Wer jedes technisch mögliche Vorhaben startet, verzettelt sich in einer Fülle von Piloten, die nie in Betrieb gehen. Der Business Case ist das Instrument, das diese Fülle diszipliniert. Er zwingt dazu, ein Vorhaben nicht danach zu beurteilen, ob es technisch beeindruckend ist, sondern danach, ob es einen echten geschäftlichen Wert schafft, der die eingesetzten Mittel rechtfertigt.
Wichtig ist dabei ein Perspektivwechsel: Ein guter Business Case verkauft kein Werkzeug, sondern ein Ergebnis. Nicht „Wir führen einen KI-Chatbot ein“ ist die relevante Aussage, sondern „Wir entlasten den Kundenservice bei Standardanfragen und verkürzen die Antwortzeiten, damit sich Mitarbeitende auf komplexe Fälle konzentrieren können“. Diese Ergebnisorientierung ist der rote Faden durch jeden belastbaren Business Case – und sie unterscheidet ihn von reiner Technikbegeisterung.
In der Praxis werden diese Begriffe oft vermischt. Ein Business Case ist die umfassendste Sicht: Er beschreibt das Problem, die Lösungsidee, Nutzen und Kosten, Alternativen, Annahmen, Risiken und die empfohlene Entscheidung. Eine reine Kosten-Nutzen-Rechnung ist ein Teil davon – die quantitative Gegenüberstellung von Aufwand und Ertrag. Ein Investitionsantrag wiederum ist das formale Dokument, mit dem am Ende Budget freigegeben wird. Der Business Case liefert die inhaltliche Substanz, aus der sich ein Investitionsantrag speist.
Ein weiterer wichtiger Punkt: Ein Business Case ist keine Prognose mit Anspruch auf Punktgenauigkeit. Er ist eine begründete Erwartung unter expliziten Annahmen. Seine Qualität misst sich nicht daran, ob eine einzelne Zahl später exakt eintrifft, sondern daran, ob die zugrunde liegende Logik trägt, die Annahmen transparent sind und die Bandbreite möglicher Ergebnisse ehrlich abgebildet wird.
KI-Vorhaben unterscheiden sich in mehreren Punkten von klassischen IT-Projekten, und diese Unterschiede prägen den Business Case. Erstens ist der Nutzen häufig probabilistisch: Ein KI-System liefert nicht immer dasselbe Ergebnis, sondern arbeitet mit Wahrscheinlichkeiten und Fehlerraten. Zweitens hängt der Nutzen stark von der Datenqualität ab, die vorab oft schwer einzuschätzen ist. Drittens entstehen erhebliche laufende Kosten für Betrieb, Modellpflege und Nutzung, die bei einer klassischen Softwarelizenz so nicht anfallen. Und viertens ist ein großer Teil des Nutzens – etwa bessere Entscheidungen oder höhere Zufriedenheit – schwer direkt in Euro zu übersetzen.
Ein KI Business Case muss diese Besonderheiten abbilden, statt sie zu ignorieren. Er arbeitet deshalb bewusst mit Bandbreiten statt Scheingenauigkeit, trennt harten von weichem Nutzen und betrachtet die Wirtschaftlichkeit über den gesamten Lebenszyklus. Diese vier Themen – Nutzen, Kosten, Methoden und Unsicherheit – bilden das Rückgrat der folgenden Kapitel.
Für den Business Case ist die wichtigste Trennlinie die zwischen hartem und weichem Nutzen. Harter Nutzen lässt sich direkt in Euro ausdrücken und im Idealfall im Nachhinein belegen – etwa eingesparte Arbeitsstunden, reduzierte Fehlerkosten oder zusätzlicher Umsatz. Weicher Nutzen ist real, aber schwer direkt monetär zu fassen – etwa höhere Mitarbeiterzufriedenheit, bessere Entscheidungsqualität oder ein Imagegewinn. Beide sind legitim; der Fehler liegt darin, sie zu vermischen oder weichen Nutzen mit erfundenen Eurobeträgen künstlich hart zu machen.
Bewährt hat sich, harten Nutzen quantitativ und weichen Nutzen strukturiert-qualitativ auszuweisen – etwa über eine Nutzwertbetrachtung (siehe Kapitel 04). So bleibt der Business Case ehrlich: Er behauptet keine Präzision, wo keine ist, macht aber auch weiche Effekte sichtbar, statt sie unter den Tisch fallen zu lassen. Gerade der strategische Nutzen wird sonst systematisch unterbewertet.
Kostensenkung ist die beliebteste Nutzenart, weil sie sich am leichtesten rechnen lässt – und genau hier lauert eine Falle. Wenn ein KI-System zehn Sachbearbeiter:innen jeweils eine Stunde pro Tag spart, ist das nur dann eine echte Ersparnis, wenn diese Zeit tatsächlich in anderen Wert umgemünzt wird – etwa in zusätzliche Fälle, in Qualität oder in eine tatsächliche Personalplanung. Bleibt die Zeit ungenutzt, entsteht eine Scheinersparnis, die im Controlling nie ankommt. Ein seriöser Business Case macht deshalb explizit, wie eingesparte Zeit realisiert wird: durch Mehrleistung, durch Wachstum ohne Neueinstellung oder durch bewussten Kapazitätsabbau.
Ein tragfähiger KI Business Case betrachtet die Kosten über den gesamten Lebenszyklus – ein Gedanke, der im Konzept der Total Cost of Ownership (TCO) systematisiert wird (siehe Kapitel 04). Wichtig ist, zwischen einmaligen Aufbaukosten und laufenden Betriebskosten zu unterscheiden. Gerade bei KI verschiebt sich das Gewicht oft stärker in Richtung Betrieb, als es Entscheider:innen aus klassischen Softwareprojekten gewohnt sind.
Die Aufbaukosten umfassen alles, was nötig ist, um ein KI-System überhaupt produktiv zu bekommen: die Konzeption und Auswahl, die oft unterschätzte Aufbereitung und Anbindung von Daten, die Integration in bestehende Systeme, Tests und die Pilotierung. Bei datengetriebenen Vorhaben ist die Datenaufbereitung häufig der größte Einzelposten – Daten müssen zusammengeführt, bereinigt, strukturiert und rechtlich geprüft werden, bevor ein Modell überhaupt sinnvoll arbeiten kann.
Die Betriebskosten fallen Monat für Monat an, solange das System läuft. Dazu zählen Lizenz- oder Nutzungsgebühren, Infrastruktur- und Rechenkosten, der Aufwand für Monitoring und Modellpflege sowie Support. Ein wichtiger Unterschied zu klassischer Software: Bei nutzungsbasierten KI-Diensten können die Kosten mit der Nutzungsmenge stark schwanken. Ein erfolgreiches System, das intensiv genutzt wird, kann deutlich teurer werden als geplant – was im Business Case durch eine Betrachtung verschiedener Nutzungsszenarien abgebildet werden sollte.
KI verändert Arbeitsweisen – und Veränderung kostet. Change-Kosten entstehen für Schulung und Befähigung der Mitarbeitenden, für Kommunikation, für die Anpassung von Prozessen und Rollen sowie für die aktive Begleitung der Einführung. Diese Kosten werden systematisch unterschätzt, obwohl sie oft über Erfolg oder Scheitern entscheiden: Ein technisch funktionierendes System, das niemand nutzt oder dem niemand vertraut, erzeugt keinen Nutzen, sondern nur Kosten. Ein realistischer Business Case weist Change-Kosten deshalb explizit aus, statt sie stillschweigend zu unterstellen.
Ein besonders hartnäckiger Denkfehler ist die Annahme, interne Arbeitszeit sei „kostenlos“, weil die Gehälter ohnehin gezahlt werden. Für einen ehrlichen Business Case gilt das Gegenteil: Jede Stunde, die eine Fachkraft in ein KI-Vorhaben steckt, fehlt an anderer Stelle – das sind Opportunitätskosten. Interne Aufwände für Projektleitung, fachliche Begleitung, Datenaufbereitung und Test sollten deshalb mit einem realistischen Stundensatz angesetzt werden. Nur so wird sichtbar, was ein Vorhaben das Unternehmen wirklich kostet – und nur so lassen sich Vorhaben fair miteinander vergleichen.
Die zentrale Einsicht vorab: Diese Methoden sind Denkrahmen, keine Wahrheitsmaschinen. Ihr Ergebnis ist immer nur so gut wie die Annahmen, die hineinfließen. Ein präzise wirkender ROI-Prozentsatz suggeriert eine Sicherheit, die es bei KI-Vorhaben selten gibt. Deshalb gehört zu jeder Methode die Offenlegung der Annahmen – und idealerweise eine Bandbreite statt einer einzelnen Zahl.
Der Return on Investment (ROI) setzt den Nettonutzen ins Verhältnis zum eingesetzten Kapital und wird üblicherweise als Prozentsatz ausgedrückt. Konzeptionell gilt: Der ROI entspricht dem Verhältnis von (Nutzen minus Kosten) zu den Kosten. Ein positiver ROI bedeutet, dass der erwartete Nutzen die Kosten übersteigt. Für einen KI Business Case ist der ROI nützlich, um Vorhaben grob vergleichbar zu machen – aber gefährlich, wenn er auf schwachen Nutzenannahmen beruht. Wichtig ist außerdem, immer den Betrachtungszeitraum anzugeben: Ein ROI ohne Zeitbezug ist bedeutungslos.
Die Amortisationsrechnung (Payback) beantwortet eine andere, oft entscheidungsnähere Frage: Nach welcher Zeit haben die kumulierten Nutzen die Investition wieder hereingeholt? Eine kurze Amortisationsdauer senkt das Risiko, weil sich das Vorhaben rechnet, bevor sich Technologie, Anbieter oder Rahmenbedingungen stark verändern. Gerade im schnelllebigen KI-Umfeld ist eine überschaubare Amortisationszeit oft überzeugender als ein hoher, aber weit in der Zukunft liegender ROI. Die Methode ist einfach, blendet allerdings aus, was nach dem Break-even passiert – sie sollte deshalb nicht allein stehen.
Die Total Cost of Ownership (TCO) ist keine Renditekennzahl, sondern eine Denkweise für die Kostenseite: Sie erfasst alle Kosten über die gesamte Nutzungsdauer – Aufbau, Betrieb, Pflege, Change und Ausstieg. Für KI-Vorhaben ist die TCO besonders wertvoll, weil die laufenden Kosten hier oft überproportional ins Gewicht fallen und die reine Anschaffungssicht in die Irre führt. Ein Vorhaben mit niedrigen Einführungskosten, aber hohen nutzungsabhängigen Betriebskosten kann über drei Jahre teurer sein als eine Alternative mit höherem Anfangsaufwand. Erst die TCO macht solche Effekte sichtbar und speist damit ROI- und Amortisationsrechnung mit einer belastbaren Kostenbasis.
Die drei genannten Methoden stoßen an eine Grenze, sobald es um Nutzen geht, der sich nicht seriös in Euro ausdrücken lässt – etwa Entscheidungsqualität, Mitarbeiterzufriedenheit, strategische Positionierung oder Risikoreduktion. Hier hilft die Nutzwertanalyse (Scoring-Modell): Man definiert die relevanten Bewertungskriterien, gewichtet sie nach ihrer Bedeutung und bewertet jedes Vorhaben je Kriterium auf einer einheitlichen Skala. Das Ergebnis ist ein Gesamtnutzwert, der qualitative Aspekte strukturiert vergleichbar macht – ohne den Anschein einer monetären Präzision, die es nicht gibt.
Wichtig ist, die Nutzwertanalyse als Ergänzung und nicht als Ersatz der monetären Betrachtung zu verstehen. Bewährt hat sich eine kombinierte Sicht: harter Nutzen und Kosten monetär über ROI, Amortisation und TCO, weicher und strategischer Nutzen strukturiert über die Nutzwertanalyse. Diese Zweiteilung ist der Kern einer ehrlichen KI-Bewertung. Wer sich vertieft für die Renditelogik interessiert, findet in unserem Beitrag zum KI-ROI eine fokussierte Darstellung.
Der reflexhafte Umgang mit Unsicherheit ist, sie durch möglichst präzise Zahlen zu überdecken. Das ist der falsche Weg. Eine scheingenaue Zahl ist gefährlicher als eine ehrliche Bandbreite, weil sie eine Sicherheit vortäuscht, die nicht existiert – und weil Entscheidungen auf falscher Sicherheit besonders anfällig für böse Überraschungen sind. Der bessere Weg ist, Unsicherheit transparent zu machen und mit ihr zu rechnen.
Das wirksamste Werkzeug gegen Scheingenauigkeit ist die Szenariorechnung. Statt einer einzigen Zahl arbeitet der Business Case mit mindestens drei Szenarien: einem vorsichtigen (konservative Annahmen, hohe Kosten, geringer Nutzen), einem realistischen und einem optimistischen. Entscheidend ist die Frage: Trägt das Vorhaben auch im vorsichtigen Szenario noch? Ein Vorhaben, das nur im optimistischen Fall funktioniert, ist eine Wette; eines, das schon im vorsichtigen Szenario einen vertretbaren Wert liefert, ist eine robuste Investition.
Ergänzend hilft die Sensitivitätsanalyse: Man verändert einzelne Annahmen gezielt und beobachtet, wie stark das Ergebnis reagiert. So wird sichtbar, welche Annahmen den Business Case tragen und welche kaum eine Rolle spielen. Bei KI-Vorhaben sind das oft die Nutzungsmenge (wegen variabler Betriebskosten), der Grad der tatsächlichen Nutzung durch die Mitarbeitenden und die realisierte Zeitersparnis. Genau diese kritischen Annahmen gehören ins Zentrum der Aufmerksamkeit – und später ins Monitoring.
Schwer quantifizierbarer Nutzen darf weder ignoriert noch mit erfundenen Zahlen aufgeblasen werden. Zwischen diesen beiden Fehlern liegt der richtige Weg: den weichen Nutzen benennen, begründen und strukturiert bewerten – etwa über die Nutzwertanalyse oder über nachvollziehbare Wirkungsketten. Eine solche Wirkungskette beschreibt, wie ein Effekt am Ende doch wirtschaftlich wirkt: Bessere Entscheidungsqualität führt zu weniger Fehlentscheidungen, weniger Fehlentscheidungen zu geringeren Folgekosten. Man muss diese Kette nicht bis zum letzten Euro durchrechnen, aber man sollte sie plausibel machen.
Für manche Effekte lohnt sich ein Zwischenweg: Man definiert einen Indikator (etwa Durchlaufzeit, Fehlerquote, Zufriedenheitswert), der den weichen Nutzen messbar macht, ohne ihn direkt in Euro umzurechnen. Solche Indikatoren erlauben es, den Nutzen im Betrieb später zu beobachten und den Business Case nachträglich zu validieren – ein wichtiger Baustein für Lerneffekte über mehrere Vorhaben hinweg.
Ein Teil der Unsicherheit lässt sich nicht wegrechnen, aber durch das Vorgehen verkleinern. Ein bewusst klein geschnittener Pilot oder ein Proof of Concept liefert echte Daten zu Nutzen, Datenqualität und Aufwand, bevor große Summen fließen. Diese Erkenntnisse fließen dann in einen geschärften Business Case für die Skalierung ein. So wird die Entscheidung nicht auf einen Schlag getroffen, sondern in Etappen mit wachsender Sicherheit – ein Gedanke, der im Kapitel zum Lebenszyklus vertieft wird und in unserem Beitrag zum KI-Piloten ausführlich behandelt wird.
KI-Vorhaben durchlaufen typischerweise mehrere Phasen, und in jeder erfüllt der Business Case eine andere Funktion. In der Ideenphase ist er ein grobes Filterinstrument, das aussortiert, was offensichtlich nicht trägt. Vor dem Pilot wird er konkreter und definiert, welche Annahmen der Pilot überprüfen soll. Vor der Skalierung wird er auf Basis echter Pilotdaten geschärft und trägt die eigentliche Investitionsentscheidung. Im Betrieb schließlich wird er zum Maßstab, an dem sich der tatsächliche Nutzen messen lassen muss.
Eine der wichtigsten und zugleich am seltensten genutzten Funktionen des Business Case ist die Fortführungsentscheidung. Vorhaben, die ihren Nutzen nicht erbringen, werden im Mittelstand oft aus Trägheit oder aus Angst vor Gesichtsverlust weitergeführt. Ein Business Case, der klare Erfolgskriterien und Überprüfungspunkte definiert, macht den Stopp zu einer rationalen, entlastenden Entscheidung statt zu einem Scheitern. Das gilt besonders für KI, wo sich Technologie und Anbieterlandschaft schnell verändern und ein einst sinnvolles Vorhaben rasch überholt sein kann.
Wer den Business Case über den Lebenszyklus pflegt, gewinnt einen unterschätzten Nebeneffekt: Das Unternehmen lernt über Vorhaben hinweg, welche Nutzenannahmen realistisch waren und welche systematisch zu optimistisch. Diese Rückkopplung verbessert die Qualität künftiger Business Cases erheblich. Aus einer Sammlung isolierter Rechenübungen wird so ein lernendes System der Investitionssteuerung – ein wesentlicher Baustein einer reifen KI-Strategie.
Der häufigste Fehler auf Portfolioebene ist, alle attraktiv wirkenden Vorhaben gleichzeitig zu starten. Das Ergebnis sind viele halbfertige Piloten, verzettelte Ressourcen und wenig produktiver Nutzen. Eine bewusste Priorisierung ist deshalb kein bürokratischer Luxus, sondern die Voraussetzung dafür, dass überhaupt etwas fertig wird. Der Business Case liefert die vergleichbare Grundlage – vorausgesetzt, die Vorhaben werden nach denselben Kriterien bewertet.
Ein bewährtes und einfaches Werkzeug ist die Einordnung jedes Vorhabens in ein Nutzen-Aufwand-Raster. Auf der einen Achse steht der erwartete Nutzen (aus monetärer und Nutzwertbetrachtung), auf der anderen der Aufwand bzw. die Komplexität (aus der TCO und der Umsetzungsschwierigkeit). Vier Felder entstehen:
Ein reines Nutzen-Aufwand-Raster greift zu kurz, wenn es die strategische Passung und die Machbarkeit ausblendet. Ein Vorhaben kann attraktiv erscheinen und dennoch nicht ins Portfolio passen – etwa weil es nicht auf die Unternehmensstrategie einzahlt, weil die nötigen Daten fehlen oder weil die interne Kompetenz für den Betrieb nicht vorhanden ist. Deshalb sollten in die Priorisierung mindestens drei weitere Dimensionen einfließen: die strategische Relevanz, die Umsetzbarkeit (Daten, Technik, Kompetenz) und die Risiken (regulatorisch, ethisch, betrieblich).
In der Praxis bewährt sich, die Priorisierung als transparente, gemeinsam getragene Entscheidung zu gestalten – idealerweise durch ein kleines Gremium, das über die Business Cases hinweg vergleicht. So entsteht nicht nur eine bessere Reihenfolge, sondern auch Akzeptanz: Wenn nachvollziehbar ist, warum ein Vorhaben zuerst kommt, sinkt der Widerstand gegen die Zurückstellung anderer Ideen.
Der entscheidende Grundsatz lautet: Der Aufwand für den Business Case muss zur Größe des Vorhabens passen. Für ein kleines Vorhaben mit überschaubarem Budget genügt eine strukturierte Ein-Seiten-Betrachtung; für eine große, strategische Investition lohnt sich mehr Tiefe. Ein aufgeblähter Business Case für ein kleines Vorhaben ist genauso ein Fehler wie ein oberflächlicher für eine große Investition. Der Mittelstand punktet mit Augenmaß, nicht mit Vollständigkeit um jeden Preis.
Für die meisten mittelständischen KI-Vorhaben reicht ein strukturiertes, kompaktes Format, das die wesentlichen Fragen beantwortet. Ein bewährter Aufbau umfasst:
Im Mittelstand fehlen oft die Datengrundlagen, die ein perfekter Business Case verlangen würde – historische Prozesskennzahlen, präzise Fehlerkosten, belastbare Zeitmessungen. Das ist kein Grund, auf den Business Case zu verzichten, sondern ein Grund, mit begründeten Schätzungen und offenen Annahmen zu arbeiten. Eine grobe, aber ehrliche Schätzung mit klar benannter Unsicherheit ist für die Entscheidung wertvoller als gar keine Betrachtung – und weit ehrlicher als eine scheinpräzise Zahl ohne Fundament.
Ein pragmatischer Weg ist, für die kritischen Annahmen bewusst konservativ zu schätzen und den Pilot gezielt zur Überprüfung zu nutzen. So bleibt der Business Case schlank, ohne unseriös zu werden. Für Unternehmen, die grundsätzlich Orientierung beim KI-Einstieg suchen, bietet unser Beitrag zu KI im Mittelstand den größeren Rahmen, in den sich der Business Case einfügt.
Beginnen wir mit den methodischen Fallstricken, die uns in der Beratungspraxis am häufigsten begegnen. Sie haben gemeinsam, dass sie den Business Case nicht falsch aussehen lassen – sondern trügerisch gut.
KI-Vorhaben berühren fast immer regulatorische Themen – und die damit verbundenen Aufwände gehören in den Business Case. Verarbeitet ein KI-System personenbezogene Daten, greifen die Anforderungen der Datenschutz-Grundverordnung (DSGVO): eine tragfähige Rechtsgrundlage, Datenminimierung, gegebenenfalls eine Datenschutz-Folgenabschätzung, Transparenz gegenüber Betroffenen und technisch-organisatorische Maßnahmen. Diese Aufwände entstehen einmalig bei der Einführung und laufend im Betrieb – etwa für Dokumentation, Prüfung und Aktualisierung.
Hinzu kommen, je nach Anwendungsfall, Anforderungen aus dem europäischen Rechtsrahmen für KI. Für bestimmte Systeme können Pflichten zu Risikomanagement, Dokumentation, menschlicher Aufsicht und Transparenz entstehen; auch eine übergreifende Pflicht zur KI-Kompetenz der Beschäftigten ist zu beachten. Für den Business Case bedeutet das: Compliance ist kein einmaliger Haken, sondern ein fortlaufender Kostenblock, der Personalzeit, Dokumentationsaufwand und gegebenenfalls externe Beratung umfasst. Wer diesen Block auslässt, unterschätzt die echten Kosten – und riskiert später teure Nachbesserungen.
Interessanterweise wirkt Compliance im Business Case in beide Richtungen. Auf der Kostenseite entstehen die genannten Aufwände. Auf der Nutzenseite kann eine saubere, dokumentierte und rechtskonforme KI-Lösung einen echten Wert darstellen – als Risikoreduktion (siehe Nutzenart Risiko & Compliance in Kapitel 02) und zunehmend als Voraussetzung für Aufträge, weil Auftraggeber Nachweise verlangen. Ein durchdachter Business Case bildet beide Seiten ab, statt Compliance nur als lästigen Kostenfaktor zu behandeln.
