Warum KI-ROI so schwer zu messen ist
KI-Projekte scheitern selten daran, dass sie keinen Nutzen bringen. Sie scheitern daran, dass der Nutzen nicht sichtbar gemacht wird. Vier strukturelle Gründe machen die ROI-Messung schwierig:
- Indirekter Nutzen dominiert. Zeitersparnis ist leicht messbar. Bessere Entscheidungsqualität, weniger Kundenbeschwerden oder höhere Mitarbeiterzufriedenheit sind schwerer zu beziffern, aber oft wertvoller.
- Fehlende Baseline. Wer vor dem Projekt nicht misst, wie lange ein Prozess dauert, kann hinterher keinen Vergleich ziehen. Das ist der häufigste Messfehler.
- Zeitliche Verzögerung. KI-Adoption braucht Anlaufzeit. Wer nach sechs Wochen misst, sieht Einführungsaufwände, aber noch nicht den vollen Nutzen.
- Kausalitätsproblem. Wenn gleichzeitig andere Änderungen eingeführt werden, ist schwer nachzuweisen, was genau zu Verbesserungen geführt hat.
ROI-Messung muss vor dem Projekt beginnen. Nicht danach. Baseline erheben, Messzeitraum festlegen, Kausalitätskontrolle planen. Das ist die Grundvoraussetzung für einen aussagekräftigen ROI.
Die 3 ROI-Kategorien
KI-Nutzen lässt sich in drei Kategorien einteilen, mit sehr unterschiedlicher Messbarkeit:
| Kategorie | Beispiele | Messbarkeit | Zeitraum sichtbar |
|---|---|---|---|
| 1. Direkte Kosteneinsparung | Zeitersparnis, weniger Fehler, automatisierte Prozesse | Hoch: gut quantifizierbar | 3–6 Monate |
| 2. Umsatzpotenzial | Schnellere Angebote, bessere Lead-Qualifizierung, höhere Abschlussrate | Mittel: indirekte Kausalität | 6–12 Monate |
| 3. Strategischer Wert | Wettbewerbsfähigkeit, Mitarbeiterzufriedenheit, Skalierbarkeit, Arbeitgeberattraktivität | Gering: schwer quantifizierbar | 12+ Monate |
Für die interne Genehmigung reichen Kategorie-1-Zahlen (direkte Einsparungen). Für langfristige Investitionsentscheidungen sollten alle drei Kategorien berücksichtigt werden: auch wenn Kategorien 2 und 3 nur geschätzt werden können.
Das ROI-Grundmodell und TCO
Die Grundformel ist einfach. Die korrekte Befüllung ist die eigentliche Aufgabe:
Total Cost of Ownership (TCO): alle Kosten einkalkulieren
Ein häufiger Fehler: Nur die Tool-Lizenz wird als Kosten betrachtet. Der vollständige TCO umfasst:
| Kostenart | Beschreibung | Typische Größenordnung |
|---|---|---|
| Tool-Lizenzen | Monatliche Kosten je Nutzer | 30–200 € / Nutzer / Monat |
| Implementierung | Einmalige Einrichtung, Integration, Prozessdesign | 5.000–30.000 € (einmalig) |
| Schulungen | Zertifizierungen, Onboarding, laufende Weiterbildung | 1.000–5.000 € pro Person |
| Interner Aufwand | AI Orchestrator-Zeit, Reviews, Governance | 4–8 h/Woche je Orchestrator |
| Anpassungen | Prompt-Optimierung, Prozessanpassungen | 2–5 h/Monat laufend |
Rechenbeispiel 1: KI im Vertrieb (Angebotserstellung)
Ausgangssituation: Ein Industrieunternehmen (150 Mitarbeitende) erstellt monatlich 60 individuelle Angebote. Zwei Vertriebsmitarbeitende verbringen je 2,5 Stunden pro Angebot: Recherche, Kalkulation, Formatierung, Prüfung. Stundensatz intern: 65 €.
Rechenbeispiel 2: KI in der Sachbearbeitung (E-Mail & Dokumente)
Ausgangssituation: Ein Dienstleistungsunternehmen (80 Mitarbeitende) hat 5 Sachbearbeiter, die täglich je 2 Stunden mit Standardkorrespondenz, Dokumentenzusammenfassungen und internen Reports verbringen. Stundensatz: 55 €.
Diese Zahlen sind realistische Richtwerte: keine Garantie. Der tatsächliche ROI hängt von der Qualität der Implementierung, dem Engagement der Mitarbeitenden und der Eignung des Use Cases ab. Eine sorgfältige Diagnose (Phase 1 der KI-Adoption) identifiziert die Use Cases mit dem höchsten ROI-Potenzial.
Typische Fehler bei der ROI-Berechnung
- Keine Baseline gemessen. Wer vorher nicht misst, kann nachher nicht vergleichen. Zeitaufwand, Fehlerquote und Outputvolumen müssen vor dem Projekt dokumentiert sein.
- Zu kurzer Messzeitraum. Nach sechs Wochen ist die Lernkurve noch nicht abgeschlossen. Erst nach 3–4 Monaten Produktivbetrieb zeigt sich der stabile ROI.
- Nur Tool-Lizenz als Kosten. Interner Aufwand (Schulung, Orchestrator-Zeit, Anpassungen) wird systematisch unterschätzt und lässt den ROI künstlich gut aussehen: bis jemand nachrechnet.
- Strategischen Nutzen ignorieren. Wer nur Zeitersparnis misst, unterschätzt den Gesamtwert. Mitarbeiterzufriedenheit, Qualitätssteigerung und Wettbewerbsfähigkeit gehören in die Gesamtbetrachtung.
- Einmalige Messung statt kontinuierlichem Tracking. ROI verbessert sich über Zeit, wenn Prozesse optimiert werden. Wer einmal misst und nie wieder, verpasst diese Verbesserung.
Wann KI sich nicht rechnet: ehrliche Einschätzung
Nicht jeder Prozess ist für KI geeignet. Es lohnt sich nicht, wenn:
- Das Volumen zu gering ist. Unter 3–4 Stunden pro Woche Bearbeitungszeit übersteigt der Einführungsaufwand den Nutzen.
- Null-Fehler-Toleranz besteht. Bei medizinischen Diagnosen, Rechtsdokumenten ohne menschliche Prüfung oder sicherheitskritischen Berechnungen ist das Risiko zu hoch.
- Klassische Automatisierung besser passt. Strukturierte, regelbasierte Prozesse (z.B. einfache Datentransformationen) sind mit RPA oder Skripten oft günstiger zu automatisieren als mit KI.
- Die Datengrundlage fehlt. KI braucht Inputdaten. Wenn diese nicht strukturiert oder nicht verfügbar sind, entsteht mehr Aufwand als Nutzen.
- Das Team nicht bereit ist. Hohe Widerstände und fehlende Bereitschaft zur Nutzung machen jeden ROI-Plan illusorisch. Zuerst Widerstände adressieren, dann investieren.