Wenn eine Geschäftsführung fragt „Rechnet sich unsere KI?“, meint sie meist mehr als eine einzelne Zahl. Sie will wissen, ob die eingesetzten Mittel – Geld, Zeit, Aufmerksamkeit – einen belastbaren Gegenwert erzeugen und ob dieser Gegenwert die Alternativen schlägt. Der KI-ROI ist damit weniger ein Buchhaltungswert als eine Entscheidungsgröße: Er hilft, Vorhaben zu priorisieren, Investitionen zu rechtfertigen und laufende Initiativen ehrlich zu steuern. Anders als bei einer Maschineninvestition, deren Nutzen sich häufig direkt in Stückzahlen ausdrücken lässt, wirkt KI oft an vielen Stellen zugleich: Sie beschleunigt Prozesse, verbessert Qualität, entlastet Mitarbeitende und eröffnet mitunter ganz neue Angebote.
Diese Vielschichtigkeit ist der Grund, warum KI-ROI in der Praxis so oft misslingt. Entweder wird er gar nicht gemessen – dann bleibt jede Investition ein Vertrauensvorschuss. Oder er wird zu simpel gerechnet – dann entsteht eine Scheinpräzision, die spätestens beim ersten kritischen Nachfragen zusammenbricht. Ein tragfähiger KI-ROI liegt dazwischen: methodisch nachvollziehbar, mit klar getrennten harten und weichen Faktoren, mit vollständig erfassten Kosten und mit einem realistischen Blick auf Zeit und Risiko.
In Gesprächen werden drei Begriffe oft vermengt, die eng verwandt, aber nicht deckungsgleich sind. Der Business Case ist die vorausschauende Argumentation, warum ein Vorhaben sinnvoll ist – er umfasst Ziele, Annahmen, Kosten, Nutzen und Risiken und mündet in einer Empfehlung. Der KI-ROI ist die konkrete Verhältniszahl innerhalb dieses Business Case, die Nutzen und Kosten in Beziehung setzt. Und der Wertbeitrag ist das breitere Konzept dahinter: Er schließt Effekte ein, die sich nur schwer in eine einzelne Kennzahl pressen lassen, etwa strategische Optionen oder Lerneffekte. Für die Praxis heißt das: Der ROI ist ein wichtiges, aber nicht das einzige Kriterium. Er sollte immer im Kontext des gesamten Business Case gelesen werden.
Wichtig ist außerdem die Unterscheidung zwischen Ex-ante-ROI und Ex-post-ROI. Der Ex-ante-ROI ist eine Prognose vor der Entscheidung – er beruht auf Annahmen und dient der Priorisierung. Der Ex-post-ROI ist die nachträgliche Messung des tatsächlich realisierten Nutzens. Beide sind notwendig: Der eine legitimiert die Investition, der andere prüft, ob sich die Erwartung erfüllt hat. Wer nur Ex-ante rechnet und nie zurückblickt, lernt nichts – und wiederholt vermeidbare Fehler.
KI-Projekte unterscheiden sich in mehreren Punkten von klassischer IT. Erstens ist ihr Ergebnis probabilistisch: Ein Modell liefert Wahrscheinlichkeiten, keine Gewissheiten, und seine Qualität schwankt mit Daten und Kontext. Zweitens ist der Nutzen oft diffus verteilt – eine Zeitersparnis von wenigen Minuten pro Vorgang klingt unbedeutend, summiert sich über tausende Vorgänge aber erheblich. Drittens sind die laufenden Kosten häufig variabel und an die Nutzung gekoppelt, etwa bei nutzungsbasierten Modellen von Cloud-Diensten. Und viertens verändert sich das Umfeld schnell: Was heute ein Wettbewerbsvorteil ist, kann morgen Standard sein. Diese Eigenheiten machen einen strukturierten ROI-Ansatz nicht optional, sondern zur Grundvoraussetzung seriöser Steuerung.
Der Return on Investment setzt in seiner klassischen Form den Nettonutzen einer Investition ins Verhältnis zu ihren Kosten. In Worten ausgedrückt lautet die Grundformel: ROI = (Nutzen − Kosten) ÷ Kosten, meist ausgedrückt als Prozentwert. Ein Ergebnis von null bedeutet, dass die Investition ihre Kosten gerade wieder eingespielt hat; ein positiver Wert steht für einen Überschuss, ein negativer für einen Verlust. So weit, so bekannt. Der Teufel steckt in der Frage, was genau als „Nutzen“ und was als „Kosten“ zählt – und über welchen Zeitraum.
Damit die Formel trägt, müssen ihre drei Bestandteile sauber definiert sein. Der Nutzen umfasst alle positiven finanziellen Effekte: eingesparte Arbeitszeit, vermiedene Fehlerkosten, zusätzliche Umsätze, geringere Ausschussraten. Die Kosten müssen vollständig sein – nicht nur der Lizenzpreis, sondern alle direkten und indirekten Aufwendungen über den betrachteten Zeitraum (siehe Kapitel 04 zur TCO). Und der Zeitbezug legt fest, über welche Periode gerechnet wird; ein ROI ohne Zeitangabe ist wertlos, weil er sich beliebig gestalten lässt. Erst die Kombination aus vollständigem Nutzen, vollständigen Kosten und klarem Zeitfenster macht die Kennzahl belastbar.
Zur Veranschaulichung – und nur dazu – ein bewusst vereinfachtes, illustratives Beispiel ohne Anspruch auf reale Werte: Angenommen, ein Unternehmen führt eine KI-gestützte Assistenz für die Angebotserstellung ein. Der jährliche Nutzen wird als eingesparte Arbeitszeit modelliert; die Kosten setzen sich aus Lizenzen, Einführung und laufendem Betrieb zusammen. Wenn der modellierte Jahresnutzen die Jahreskosten um die Hälfte übersteigt, ergäbe sich rechnerisch ein ROI von 50 Prozent für dieses Jahr. Diese Zahl ist frei gewählt und dient allein dazu, den Rechenweg zu zeigen. In der Realität hängt das Ergebnis vollständig von den – ehrlich zu erhebenden – Eingangsgrößen ab.
Genau hier liegt die eigentliche Arbeit: nicht im Einsetzen in die Formel, sondern in der belastbaren Herleitung der Zahlen. Wie viel Zeit wird wirklich eingespart, und lässt sich diese Zeit tatsächlich in Wert umwandeln oder verpufft sie? Welche Kosten sind vollständig erfasst? Über welchen Zeitraum ist die Betrachtung fair? Diese Fragen behandeln die folgenden Kapitel.
Nutzen aus KI lässt sich grob in zwei Kategorien einteilen. Harte Faktoren sind unmittelbar monetär messbar oder mit vertretbarem Aufwand in Geld übersetzbar: eingesparte Arbeitszeit, reduzierte Fehler- und Nacharbeitskosten, geringerer Materialverbrauch, zusätzliche Umsätze durch schnellere Angebote oder höhere Abschlussquoten. Weiche Faktoren hingegen sind real, aber schwer zu beziffern: höhere Mitarbeiterzufriedenheit, bessere Entscheidungsqualität, gestiegene Kundenzufriedenheit, Imagegewinn oder strategische Handlungsoptionen. Beide sind wichtig – aber sie gehören nicht in denselben Topf.
Der Königsweg bei harten Faktoren ist die Baseline-Messung: Bevor die KI eingeführt wird, wird der Ist-Zustand quantifiziert. Wie lange dauert ein Vorgang heute, wie viele davon gibt es pro Monat, wie hoch ist die Fehlerquote? Nach der Einführung wird erneut gemessen, und die Differenz bildet den nachweisbaren Nutzen. Bei der Übersetzung von Zeitersparnis in Geld ist Vorsicht geboten: Eingesparte Minuten sind nur dann echter Nutzen, wenn sie sich tatsächlich in Wert verwandeln – etwa durch mehr bearbeitete Vorgänge, verlagerte Aufgaben oder reduzierte Überstunden. Verpuffen die eingesparten Minuten hingegen ungenutzt, ist der monetäre Nutzen deutlich geringer als die reine Rechnung suggeriert. Seriöse ROI-Modelle arbeiten deshalb mit einem Realisierungsfaktor, der offenlegt, welcher Anteil der theoretischen Ersparnis wirklich wertwirksam wird.
Weiche Faktoren sind kein Grund zur Willkür – aber auch kein Freibrief, beliebige Geldwerte zu erfinden. Bewährt hat sich, weiche Faktoren getrennt auszuweisen und dort, wo eine Monetarisierung vertretbar ist, konservativ und mit offengelegter Annahme vorzunehmen. Höhere Mitarbeiterzufriedenheit etwa kann sich mittelbar in geringerer Fluktuation niederschlagen, was wiederum messbare Kosten spart – dieser Brückenschluss ist legitim, sollte aber als Annahme kenntlich sein. Wo eine Monetarisierung nicht seriös möglich ist, gehören weiche Faktoren in eine qualitative Bewertung neben dem eigentlichen ROI, nicht in die Formel. Diese Trennung schützt die Glaubwürdigkeit der harten Zahlen.
Zwischen der ersten Nutzenidee und dem belegten Effekt liegt eine Kette, die oft unterschätzt wird. Am Anfang steht eine Nutzenhypothese – etwa: „Die KI verkürzt die Bearbeitungszeit im Kundenservice.“ Diese Hypothese wird zunächst grob quantifiziert, dann an die konkrete Wirkungslogik gebunden: Über welchen Mechanismus entsteht der Nutzen, wer profitiert, und woran würde man den Effekt erkennen? Erst dieser explizite Wirkungspfad macht später die Nachmessung möglich. Wer die Nutzenlogik nicht ausformuliert, kann am Ende weder belegen noch widerlegen, ob die KI ihren Zweck erfüllt hat. Deshalb gehört zu jeder harten Nutzenposition eine kurze, nachvollziehbare Begründung – keine Behauptung, sondern eine prüfbare Kette von Annahme zu Wirkung.
Das Konzept der Total Cost of Ownership (TCO) stammt aus der IT-Beschaffung und meint die Summe aller Kosten, die ein System über seinen gesamten Lebenszyklus verursacht – von der Auswahl über die Einführung und den laufenden Betrieb bis zur späteren Ablösung. Gerade bei KI ist die TCO tückisch, weil ein Großteil der Kosten nicht in der Rechnung des Anbieters steht, sondern intern anfällt: als Arbeitszeit für Einführung, Datenaufbereitung, Schulung, Qualitätssicherung und Pflege. Wer nur die sichtbaren externen Kosten ansetzt, unterschätzt den wahren Aufwand oft erheblich.
Besonders leicht übersehen werden die internen und indirekten Kosten. Dazu zählen der Aufwand für die Datenaufbereitung – bei KI oft der größte einzelne Posten, weil brauchbare Ergebnisse saubere, verfügbare Daten voraussetzen. Hinzu kommen Integrationskosten für die Anbindung an bestehende Systeme, Change-Management-Kosten für die Begleitung der Mitarbeitenden, laufende Betriebs- und Wartungskosten inklusive Monitoring und Modellpflege sowie Governance- und Compliance-Kosten, etwa für Dokumentation, Risikobewertung und rechtliche Prüfung. Nicht zu vergessen sind Opportunitätskosten: Die Zeit, die Schlüsselpersonen in ein KI-Projekt stecken, fehlt anderswo.
Für einen belastbaren ROI ist die Unterscheidung zwischen einmaligen und laufenden Kosten zentral. Einmalige Kosten fallen vor allem in der Einführungsphase an – Auswahl, Integration, initiale Datenaufbereitung, erste Schulungen. Laufende Kosten begleiten den Betrieb dauerhaft: Lizenzen, nutzungsbasierte Entgelte, Wartung, kontinuierliche Schulung und Governance. Diese Trennung ist wichtig, weil sich ein ROI im ersten Jahr durch die einmaligen Kosten oft deutlich schlechter darstellt als in den Folgejahren. Wer nur das erste Jahr betrachtet, unterschätzt die Rentabilität; wer nur die Folgejahre betrachtet, überschätzt sie. Fair ist eine mehrjährige Betrachtung, die beide Phasen abbildet.
Ein besonderes Augenmerk verdient bei KI die Kostenvolatilität. Anders als bei einer klassischen Lizenz sind viele KI-Dienste nutzungsbasiert bepreist – die Kosten steigen also mit der Nutzung. Das ist einerseits fair, weil Kosten und Nutzen mitwachsen, birgt aber das Risiko unerwarteter Kostensprünge bei steigender Adoption. Eine seriöse TCO-Betrachtung modelliert deshalb nicht nur einen Punktwert, sondern auch Szenarien für unterschiedliche Nutzungsintensitäten.
Der erste Schritt ist die Wahl eines fairen Zeithorizonts. Er sollte lang genug sein, um die einmaligen Einführungskosten und die erst später einsetzenden Nutzeneffekte abzubilden, aber nicht so lang, dass die Prognose ins Spekulative kippt. Für viele KI-Vorhaben im Mittelstand ist ein Betrachtungszeitraum von einigen Jahren angemessen – kurz genug, um planbar zu bleiben, lang genug, um die Anlaufkurve einzufangen. Wichtig ist, dass Nutzen und Kosten über denselben Zeitraum betrachtet werden; alles andere verzerrt das Ergebnis systematisch.
Bei mehrjährigen Betrachtungen wird die Diskontierung relevant: Zukünftige Zahlungen werden auf ihren heutigen Wert abgezinst, weil Geld einen Zeitwert hat. Ein Nutzen, der erst in drei Jahren anfällt, ist heute weniger wert als derselbe Betrag sofort – wegen entgangener Verzinsung, Inflation und Unsicherheit. Der Kapitalwert (Net Present Value, NPV) summiert alle abgezinsten Nutzen und zieht die abgezinsten Kosten ab; ein positiver NPV bedeutet, dass sich das Vorhaben unter den getroffenen Annahmen lohnt. Für die Praxis im Mittelstand muss das nicht hochkomplex sein: Schon eine einfache Abzinsung mit einem plausiblen Kalkulationszinssatz macht mehrjährige Vergleiche deutlich fairer als eine reine Summenrechnung.
Eng verwandt ist die Amortisationsdauer (Payback Period): der Zeitpunkt, an dem der kumulierte Nutzen die kumulierten Kosten erstmals übersteigt. Sie ist intuitiv verständlich und bei der Geschäftsführung beliebt, weil sie eine einfache Frage beantwortet: Wann haben wir unser Geld zurück? Ihre Schwäche ist, dass sie den Nutzen nach dem Break-even ignoriert – ein Vorhaben mit schneller Amortisation, aber geringem Langfristnutzen kann schlechter sein als eines mit längerer Amortisation und hohem Dauernutzen. Deshalb sollte die Amortisationsdauer nie allein stehen.
KI-Vorhaben sind mit besonderer Unsicherheit behaftet – über die tatsächliche Nutzungsrate, die erreichbare Qualität und die Stabilität der Kosten. Ein reifer ROI-Ansatz verschweigt diese Unsicherheit nicht, sondern macht sie transparent. Drei einfache Techniken helfen dabei:
Nutzenrealisierung (Benefit Realisation) bezeichnet den disziplinierten Prozess, den im Business Case versprochenen Nutzen tatsächlich zu erreichen und nachzuweisen. Viele Unternehmen enden mit dem Ex-ante-ROI: Sie rechnen vor der Entscheidung, entscheiden – und schauen nie wieder hin. Genau darin liegt eine der größten verschenkten Chancen. Denn ohne Nachmessung weiß niemand, ob der Nutzen eingetreten ist, welche Annahmen falsch waren und wo nachgesteuert werden müsste. Benefit Tracking schließt diese Lücke.
Der häufigste KPI-Fehler ist, Aktivität statt Wirkung zu messen. Dass ein KI-Werkzeug häufig genutzt wird, ist ein Input- oder Aktivitäts-KPI – er sagt noch nichts über den Nutzen. Entscheidend sind Ergebnis-KPIs, die den eigentlichen Wertbeitrag abbilden. Eine bewährte Hierarchie unterscheidet drei Ebenen: Adoptions-KPIs (wird das Werkzeug überhaupt genutzt?), Prozess-KPIs (verändert sich der Prozess wie erwartet?) und Wirkungs-KPIs (entsteht der finanzielle Nutzen?). Erst die Kombination erlaubt eine belastbare Aussage – denn nur wenn Adoption, Prozessveränderung und Wirkung zusammenpassen, ist der Nutzen real.
Benefit Tracking funktioniert als Regelkreis. Am Anfang steht die Baseline – die Ausgangsmessung vor der Einführung, ohne die kein Vorher-Nachher-Vergleich möglich ist. Darauf folgen die im Business Case definierten Zielwerte mit klaren Verantwortlichen. Im Betrieb werden die KPIs in einem festen Rhythmus gemessen – etwa quartalsweise – und mit den Zielwerten abgeglichen. Weichen Ist- und Zielwert voneinander ab, folgt die Ursachenanalyse und gegebenenfalls die Nachsteuerung: Manchmal ist die Adoption zu gering, manchmal war eine Annahme zu optimistisch, manchmal muss das Werkzeug angepasst werden. Dieser Kreislauf verwandelt den ROI von einer einmaligen Behauptung in ein lebendiges Steuerungsinstrument.
Schönrechnen beginnt selten mit einer glatten Lüge. Meist ist es eine Kette kleiner, für sich genommen plausibler Annahmen, die in Summe ein völlig überzeichnetes Bild ergeben. Die gute Nachricht: Die typischen Muster wiederholen sich, und man kann ihnen mit einfachen Gegenfragen begegnen. Die folgende Übersicht sammelt die häufigsten Fehler aus unserer Beratungspraxis.
Über die handwerklichen Fehler hinaus gibt es drei kognitive Fallen, die besonders tückisch sind. Der erste ist der Attributionsfehler: Eine Verbesserung – etwa kürzere Durchlaufzeiten – wird vollständig der KI zugeschrieben, obwohl parallel auch Prozesse umgestellt, Personal geschult oder die Nachfrage verändert wurde. Sauberer ist es, konkurrierende Erklärungen zu benennen und den KI-Anteil ehrlich einzugrenzen. Der zweite ist der Bestätigungsfehler: Wer eine Initiative durchgesetzt hat, sucht unbewusst nach Belegen für ihren Erfolg und übersieht Gegenteiliges. Ein unabhängiger Blick – etwa durch eine nicht am Projekt beteiligte Person – wirkt hier Wunder. Der dritte ist die Versunkene-Kosten-Falle: Bereits investierte Mittel verleiten dazu, ein enttäuschendes Vorhaben fortzuführen, obwohl ein nüchterner Blick nach vorn den Abbruch nahelegen würde.
Bevor ein ROI-Wert in eine Entscheidungsvorlage wandert, lohnt ein kurzer Selbsttest. Fünf Fragen decken die meisten Schwachstellen auf: Gibt es eine echte Baseline, oder ist der Vorher-Wert geschätzt? Sind alle Kostenblöcke der TCO enthalten, auch die internen? Ist der eingesparte Nutzen wirklich wertwirksam geworden, oder ist er nur theoretisch? Sind harte und weiche Faktoren getrennt ausgewiesen? Und: Würde die Rechnung auch im konservativen Szenario noch tragen? Wer alle fünf Fragen mit gutem Gewissen beantworten kann, hat einen belastbaren ROI – wer bei einer ins Stocken gerät, kennt seine nächste Aufgabe.
Der wichtigste Grundsatz vorweg: Für den Mittelstand ist ein pragmatischer, konservativer ROI mehr wert als ein perfektes, aber nie fertiggestelltes Modell. Es geht nicht darum, jede Nachkommastelle zu belegen, sondern darum, gute Entscheidungen zu treffen und Vorhaben ehrlich zu steuern. Ein einfaches, nachvollziehbares Modell, das konsequent gepflegt wird, schlägt jede aufwendige Rechnung, die nach dem Kick-off in der Schublade verschwindet.
Nutzencontrolling scheitert im Mittelstand selten am Können, sondern an fehlender Zuständigkeit. Es braucht keine eigene Abteilung, aber eine klare Antwort auf die Frage: Wer ist für den ROI dieses Vorhabens verantwortlich? Bewährt hat sich ein benannter Nutzenverantwortlicher pro Initiative – meist aus dem Fachbereich, der den Nutzen realisieren soll, nicht aus der IT. Dieser Person obliegt es, die Baseline zu erheben, die KPIs zu pflegen und im Review Rechenschaft abzulegen. Die Geschäftsführung wiederum sollte den ROI-Status in einem festen Turnus einfordern – nicht als Kontrolle, sondern als Steuerungsritual.
Ein einzelner ROI-Wert ist nützlich; erst im Portfolio entfaltet er seine volle Kraft. Wer mehrere KI-Vorhaben mit derselben Methodik bewertet, kann sie vergleichen, priorisieren und ein Portfolio steuern, in dem sichere Effizienzgewinne und riskantere Innovationswetten bewusst gemischt sind. So wird der KI-ROI zum Bindeglied zwischen einzelnem Anwendungsfall und übergeordneter KI-Strategie – und aus einer Sammlung von Einzelprojekten eine steuerbare Roadmap. Genau hier greifen KI-ROI, Business Case und KI-Strategie ineinander.
Die große Erzählung rund um generative KI lautet: Sie beschleunigt das Schreiben, Recherchieren, Zusammenfassen und Programmieren und macht damit Wissensarbeit produktiver. Diese Wirkung ist real – aber ihr ROI ist besonders anfällig für die in Kapitel 07 beschriebenen Fehler. Denn der Produktivitätsgewinn generativer KI verteilt sich in kleinen Portionen über viele Personen und Aufgaben, ist stark von der Fähigkeit der Nutzenden abhängig und lässt sich nur schwer sauber der KI zurechnen. Die zentrale Frage lautet erneut: Verwandelt sich die gewonnene Zeit in Wert, oder verpufft sie?
Bei generativer KI kollidiert das ROI-Handwerk mit drei Besonderheiten. Erstens ist der Zeitgewinn granular und verstreut: Wenn viele Mitarbeitende bei vielen kleinen Aufgaben je ein paar Minuten sparen, ist die Summe potenziell groß, aber die Wertwirksamkeit fraglich – gesparte Minuten in einem ohnehin gefüllten Arbeitstag werden nicht automatisch produktiv. Hier ist ein konservativer Realisierungsfaktor unverzichtbar. Zweitens hängt der Nutzen stark von der Kompetenz der Nutzenden ab: Gute Prompts und die kritische Prüfung der Ergebnisse trennen echten Gewinn von Scheingewinn. Drittens drohen Qualitätsrisiken wie fehlerhafte oder erfundene Ausgaben, deren Korrektur Zeit kostet und den Nettonutzen mindert – ein Aspekt, der in naiven Rechnungen oft fehlt.
Für den ROI von GenAI-Produktivität empfiehlt sich deshalb ein besonders vorsichtiges Vorgehen: klar abgegrenzte Anwendungsfälle statt pauschaler „Alle werden produktiver“-Annahmen, eine ehrliche Baseline, ein niedriger Realisierungsfaktor und ein wacher Blick auf die Korrekturaufwände. Der Produktivitätsnutzen ist da – aber er will diszipliniert gemessen werden, statt aus Studienschlagzeilen abgeleitet zu werden.
Auf der Kostenseite bringt generative KI Posten mit sich, die klassische IT-Investitionen nicht kennen und die in die TCO gehören. Werden personenbezogene oder vertrauliche Daten verarbeitet, entstehen Datenschutzkosten: für die datenschutzrechtliche Bewertung, gegebenenfalls eine Datenschutz-Folgenabschätzung, die Prüfung von Auftragsverarbeitung und Datenflüssen sowie technische Schutzmaßnahmen. Hinzu kommen Governance-Kosten für interne Richtlinien, Freigabeprozesse und die Vermeidung von Schatten-IT sowie Kosten für Schulung und Kompetenzaufbau, ohne die weder der Nutzen realisiert noch die Risiken beherrscht werden. Wer diese Blöcke unterschlägt, rechnet den GenAI-ROI systematisch zu gut.
Ein wichtiger Hinweis zur Einordnung: Datenschutz- und regulatorische Anforderungen an KI – etwa aus der DSGVO oder dem EU AI Act – sind komplex und im Einzelfall unterschiedlich zu bewerten. Dieser Artikel behandelt sie ausschließlich unter dem Blickwinkel ihrer Kostenwirkung im ROI und ersetzt keine rechtliche Prüfung. Ob und in welchem Umfang konkrete Pflichten greifen, ist mit den zuständigen Fachleuten, gegebenenfalls einer Fachjurist:in, zu klären. Dies ist keine Rechtsberatung.
