KI-Business Cases richtig bewerten: Warum traditionelle ROI-Berechnungen bei KI-Projekten scheitern
Einleitung: Das Problem
Viele Unternehmen evaluieren KI-Projekte wie klassische IT-Investitionen: Kosten gegen Einsparungen, Payback-Berechnung, Go/No-Go. Dieser Ansatz greift systematisch zu kurz.
KI-Projekte sind fundamental anders: iterative Entwicklung, Lernkurven-Effekte, schwer quantifizierbare Nutzen. Controller stehen vor der Herausforderung, Controlling-Rigorosität mit der Unsicherheit innovativer Technologie zu verbinden.
Die Lösung: Paradigmenwechsel von starrer ROI-Rechnung zu dynamischem, KPI-basiertem Bewertungsframework.
Warum klassische ROI-Berechnung bei KI nicht funktioniert
1. Unsicherheit bei Kosten: Datenaufbereitung wird um Faktor 3-5 unterschätzt. Iterative Entwicklung statt festem Pflichtenheft. Kontinuierliches Training als Dauerkostenfaktor.
2. Schwer quantifizierbare Benefits: Zeitersparnis vs. Qualitätsgewinn? Skalierbarkeit, die heute nicht benötigt wird? Lernkurven-Effekte in statischer ROI-Rechnung?
3. Indirekte Effekte: Mitarbeiterzufriedenheit durch Wegfall von Routineaufgaben. Organisationale Lerneffekte. Vermeidung zukünftiger Wettbewerbsnachteile.
Alternative Bewertungsansätze
A) Stufenweise Business-Case-Bewertung
Statt eines einzelnen, großen Business Case empfiehlt sich eine Gate-basierte Bewertung in drei Phasen:
Phase 1: Proof of Concept (Budget: 10.000-20.000 EUR)
- Ziel: Technische Machbarkeit klären
- Bewertung: Binär (funktioniert/funktioniert nicht)
- Keine ROI-Berechnung nötig
- Entscheidung: Go für Pilotphase oder Stop
Phase 2: Pilotbetrieb (Budget: 30-50% des Gesamtbudgets)
- Ziel: Erste Metriken unter Realbedingungen
- Bewertung: Kann-Ziele vs. Muss-Ziele
- Beispiel Muss-Ziel: "Automatisierungsgrad >20% bei Qualität >80%"
- Beispiel Kann-Ziel: "CSAT-Verbesserung messbar"
- Entscheidung: Skalierung oder Optimierung
Phase 3: Vollständiger Rollout
- Erst hier: Vollständige ROI-Berechnung
- Baseline aus Pilotphase ist nun belastbar
- Hochrechnung auf Gesamtvolumen
Dieser Ansatz reduziert das Risiko von Fehlinvestitionen dramatisch: Statt 180.000 EUR auf Basis von Annahmen zu investieren, werden zunächst 15.000 EUR für den PoC ausgegeben. Nur bei positivem Ergebnis folgen weitere Tranchen.
B) KPI-Framework statt reiner ROI
Eine reine Euro-Bewertung wird KI-Projekten nicht gerecht. Erfolgreicher ist ein Multi-Dimensionales KPI-Framework:
Effizienz-KPIs (objektiv messbar):
- First Response Time: Durchschnittliche Zeit bis zur ersten Antwort
- Automatisierungsgrad: Anteil vollautomatisch gelöster Anfragen
- Throughput: Bearbeitete Anfragen pro Stunde
Qualitäts-KPIs (bedürfen manueller Prüfung):
- Customer Satisfaction Score (CSAT): Kundenzufriedenheit nach KI-Interaktion
- Resolution Rate: Erfolgreich gelöste Anfragen ohne menschliche Nachbearbeitung
- Escalation Rate: Anteil der Anfragen, die an menschliche Agents weitergeleitet werden
Kosten-KPIs (Controller-Perspektive):
- Cost per Contact: Gesamtkosten (Personal + Plattform) pro bearbeitetem Kundenkontakt
- Total Cost of Ownership: Einmalige + laufende Kosten über 3 Jahre
- Payback Period: Zeitpunkt, ab dem sich die Investition amortisiert
Das Entscheidende: Nicht alle KPIs müssen sofort positiv sein. Ein realistisches Zielbild könnte sein:
- Cost per Contact: -30% (von 8 EUR auf 5,60 EUR)
- CSAT: +25% (von 3,2 auf 4,0)
- First Response Time: -92% (von 24h auf 2h)
Selbst wenn die Kostenreduktion geringer ausfällt, können Qualitätsgewinne das Projekt rechtfertigen.
C) Gate-basierte Budgetfreigabe
Ein professionelles KI-Projekt arbeitet mit Meilenstein-basierter Budgetierung. Statt das Gesamtbudget zu Projektbeginn freizugeben, wird in Tranchen entschieden:
Meilenstein 1: Projektstart (Budget: ~30% des Gesamtbudgets)
Deliverables:
- Projektauftrag dokumentiert
- Team aufgesetzt und Kick-off durchgeführt
- Plattform-Screening gestartet
- DSGVO-Check: Datenkategorien und Pseudonymisierungskonzept abgestimmt
Abnahmekriterien:
- Scope ist klar definiert
- Risiko-Register liegt vor
- Budget-Tracking ist eingerichtet
Meilenstein 2: Implementierung (Budget: ~40% des Gesamtbudgets)
Deliverables:
- PoC/MVP abgeschlossen
- Datenaufbereitung durchgeführt
- Integration in Ticket-System technisch lauffähig
- Testprotokolle ohne kritische Findings
Abnahmekriterien:
- Human-in-the-Loop-Prozess ist aktiv
- Pilot-Setup vorbereitet (Routing, Monitoring, Logging)
- Sicherheitstests bestanden
Meilenstein 3: Rollout & Betrieb (Budget: ~30% des Gesamtbudgets)
Deliverables:
- Pilotbetrieb erfolgreich abgeschlossen
- Schulungen und Change-Maßnahmen umgesetzt
- Rollout-Plan freigegeben
Abnahmekriterien:
- Monitoring-Dashboard zeigt KPIs live an
- Betriebs- und Support-Prozesse etabliert
- Monatliches Reporting gestartet
Dieser Ansatz hat zwei entscheidende Vorteile:
- Risikominimierung: Bei negativen Erkenntnissen kann das Projekt gestoppt werden, bevor das gesamte Budget verbrannt ist.
- Lerneffekte: Erkenntnisse aus frühen Phasen fließen in spätere Budgetentscheidungen ein.
Praxisbeispiel: KI im Kundenservice
Ein mittelständisches Unternehmen mit 150 Mitarbeitern plant die KI-gestützte Optimierung seines Kundenservice:
Ausgangssituation: 2.500 Kundenanfragen/Monat, 5-köpfiges Service-Team, 24h Bearbeitungszeit (E-Mail), CSAT 3,2/5, Cost per Contact: 8 EUR
Projektziele: First Response Time < 2h, 40% Automatisierung, CSAT 4,0/5, Cost per Contact: 5,60 EUR
Gesamtbudget: 180.000 EUR (107.000 EUR einmalig + 73.000 EUR p.a. laufend)
Die ROI-Falle
Klassische Rechnung: Einsparung 2,40 EUR pro Kontakt × 30.000 Kontakte/Jahr = 72.000 EUR → Payback 18 Monate.
Das Problem: Diese Rechnung unterstellt, dass tatsächlich Personalkosten sinken. In der Realität:
- Personalkosten bleiben konstant (Team wird nicht reduziert)
- KI-Plattformkosten kommen hinzu: +6.000 EUR/Monat
- Ergebnis: Cost per Contact steigt zunächst von 8 auf 10,40 EUR!
Das Ziel von 5,60 EUR ist nur erreichbar durch:
- Tatsächlichen Stellenabbau (2-3 Mitarbeiter) – politisch schwierig
- Volumenwachstum – KI skaliert ohne zusätzliche Personalkosten
- Natürliche Fluktuation – Stellen werden nicht nachbesetzt (unkontrollierbarer Zeitpunkt)
Das FTE-Splitterkopf-Problem
Die größte Schwachstelle vieler KI-Business Cases: Die Annahme linearer FTE-Einsparungen.
Typisches Szenario:
- Marketing: 0,3 FTE eingespart
- Vertrieb: 0,4 FTE eingespart
- HR: 0,5 FTE eingespart
- Kundenservice: 0,8 FTE eingespart
- Summe: 2,0 FTE = 160.000 EUR/Jahr
Realität: Keine einzige Stelle wurde abgebaut. Die Mitarbeiter sind alle noch da – sie haben nur "mehr Zeit für strategische Aufgaben".
Kernproblem: Solange keine komplette Stelle abgebaut wird, entstehen keine Kosteneinsparungen. Splitterköpfe über Abteilungen verteilt = keine Budget-Reduktion.
Wann es funktioniert:
- ✅ Externe Verträge kündigen (z.B. Call-Center-Outsourcing)
- ✅ Natürliche Fluktuation nutzen (Stellen nicht nachbesetzen)
- ✅ Vermeidung von Neueinstellungen bei Wachstum
Was nicht funktioniert:
- "Mitarbeiter haben mehr Zeit" → Keine Kostenreduktion
- 0,3 FTE hier, 0,4 FTE dort → Keine Stelle abgebaut
- "Effizienz steigt" → Solange Kosten gleich, kein Budget-Effekt
Ehrliche Business-Case-Rechnung:
- Hard Savings (Jahr 1-2): 0-40.000 EUR (realistisch: 0,5 FTE via Fluktuation)
- Soft Benefits: 24/7-Verfügbarkeit, Skalierbarkeit, Mitarbeiterzufriedenheit
- Payback: Nicht 18 Monate, sondern 36-48 Monate (wenn überhaupt)
Controller-Empfehlung: Rechnen Sie nur mit ganzen, tatsächlich abgebauten Stellen. Trennen Sie klar zwischen Hard Savings (nachweisliche Budgetreduktion) und Soft Benefits (Kapazitätsgewinn).
Checkliste für Controller: Vor Projektstart klären
Messbarkeit:
- Sind IST-Werte sauber dokumentiert? (Mindestens 6-12 Monate Historie)
- Wurden saisonale Schwankungen berücksichtigt?
KPIs & Tracking:
- Welche KPIs sind automatisiert erfassbar?
- Wer ist für KPI-Tracking verantwortlich? (keine geteilte Verantwortung)
Budget & Realismus:
- Gibt es Gate-basierte Freigaben? (keine Blanko-Freigabe)
- FTE-Realismus-Check: Sind kalkulierte Personaleinsparungen umsetzbar? (Ganze Stellen, nicht Splitterköpfe)
- Hard vs. Soft Savings: Sind Einsparungen klar getrennt?
Risiko:
- Gibt es einen Human-in-the-Loop-Plan?
- Unter welchen Bedingungen wird das Projekt gestoppt?
Fazit
KI-Business Cases erfordern eine neue Form der wirtschaftlichen Bewertung – eine, die Controlling-Rigorosität mit der Unsicherheit innovativer Technologie verbindet. Traditionelle ROI-Berechnungen greifen zu kurz, weil sie die iterative Natur von KI-Projekten, schwer quantifizierbare Nutzeneffekte und indirekte Wertbeiträge nicht abbilden können.
Erfolgreiche Bewertung basiert auf drei Säulen:
- Stufenweise Evaluation: PoC → Pilot → Rollout mit Gate-basierter Budgetfreigabe
- Multi-dimensionales KPI-Framework: Effizienz, Qualität und Kosten gleichwertig messen
- Realistische Erwartungen: Nicht alle Benefits sind quantifizierbar; nicht alle Kosten sind vorhersehbar
Die Rolle des Controllers:
Controller sind in KI-Projekten nicht die "Verhinderer", sondern die Enabler wirtschaftlicher Rationalität. Ihre Aufgabe ist es nicht, Innovation zu blockieren, sondern sicherzustellen, dass:
- Investitionen auf Basis realistischer Annahmen getätigt werden
- Fortschritte messbar und transparent sind
- Risiken erkannt und gesteuert werden
- Ressourcen effizient eingesetzt werden
Der ideale KI-Controller denkt in Szenarien statt in starren Prognosen, arbeitet mit Muss- und Kann-Zielen statt mit fixen ROI-Vorgaben, und versteht KI als kontinuierlichen Lernprozess statt als abgeschlossenes Projekt.
Unternehmen, die KI-Projekte mit dieser Haltung bewerten und steuern, haben eine deutlich höhere Erfolgsquote – nicht trotz, sondern wegen professionellem Controlling.