Was ROI bei KI wirklich bedeutet

Warum klassischer ROI allein nicht reicht

Die klassische ROI-Rechnung funktioniert so: Man bestimmt Investitionskosten und laufende Aufwände, stellt den erwarteten Nutzen in Geldeinheiten daneben und errechnet eine Amortisationsdauer und einen Renditewert. Für eine neue Maschine oder eine ERP-Erweiterung funktioniert das passabel — weil Einsatzbereich und Effekt klar abgegrenzt sind.

Bei KI-Investitionen stößt dieses Schema an vier Grenzen:

Verzerrte Baseline. Vielfach weiß man nicht präzise, wie lange die aktuelle manuelle Bearbeitung dauert oder wie viele Fehler darin stecken. Der „Vorher-Zustand" ist oft schlechter dokumentiert als der Entscheider glaubt. Ohne saubere Baseline bleibt der Nutzen eine Schätzung.

Mehrere Wirkungsebenen. KI wirkt selten nur auf Kosten. Häufig auch auf Qualität, auf Reaktionszeiten, auf Mitarbeitendenzufriedenheit und auf die Fähigkeit, neue Angebote überhaupt anzubieten. Diese Effekte lassen sich nicht alle sauber in Euro übersetzen, sind aber real.

Lern- und Kaskadeneffekte. Der erste Use Case baut Kompetenzen auf, die der zweite und dritte nutzt. Ein Pilot kostet überproportional, weil Teams erst lernen müssen. Die gleiche Investition im fünften Use Case ist ein Bruchteil dessen — und wirkt schneller.

Zeithorizont. Mancher Effekt zeigt sich nach drei Monaten, mancher nach zwei Jahren. Eine Amortisationsrechnung, die alles auf zwölf Monate reduziert, unterschätzt die strategische Wirkung systematisch.

Drei Wirkungsebenen, die sauber zu trennen sind

Für eine belastbare Bewertung hilft es, KI-Effekte konsequent auf drei Ebenen zu denken.

Ebene 1 — Effizienz. Direkt messbar. Zeitersparnis pro Vorgang, entfallende Schritte, reduzierte Durchlaufzeit. Beispiel: Ein Sachbearbeiter braucht für die Erstellung eines Standard-Angebots bisher 30 Minuten, mit einem KI-unterstützten Draft nur noch 8 Minuten. Bei 2.000 Angeboten im Jahr sind das rund 730 Stunden. Das lässt sich in Geld übersetzen und ist in einer klassischen ROI-Rechnung direkt fassbar.

Ebene 2 — Qualität. Indirekt messbar, aber messbar. Weniger Reklamationen, höhere Konsistenz, besser strukturierte Ergebnisse. Beispiel: Die automatisierte Angebotserstellung senkt die Fehlerquote von 8 auf 2 Prozent. Daraus ergeben sich weniger Nachbearbeitung, weniger Kundennachfragen, bessere Conversion. Die Finanzwirkung lässt sich annähern — wenn Sie vorab wissen, was eine Reklamation oder ein verlorener Deal kostet.

Ebene 3 — Fähigkeit. Strategisch, schwer zu messen, oft am wertvollsten. Neue Angebote werden überhaupt erst möglich, Sie reagieren schneller auf Marktveränderungen, Sie bauen Wissen, das Wettbewerber nicht haben. Beispiel: Ein strukturiertes KI-Wissenssystem macht es möglich, einen neuen Vertriebsstandort in drei Monaten produktiv zu bringen statt in zehn. Der Wert ist real, lässt sich aber nicht sauber diskontieren.

Für die Leitung ist wichtig: Ein Portfolio aus KI-Investitionen wirkt typischerweise auf allen drei Ebenen gleichzeitig. Die reine Kostenlogik misst nur die erste — und verpasst oft die beiden wichtigeren.

Time-to-Value statt reiner Amortisation

Ein zweiter Denkrahmen, der sich bewährt: Time-to-Value. Gemeint ist der Zeitraum, bis eine KI-Investition spürbar Wirkung entfaltet. Nicht die Break-Even-Dauer, sondern der Moment, ab dem die Organisation den Nutzen im Alltag erlebt.

Drei Stufen:

1. First Win. Der erste konkrete Fall, in dem das System messbar Arbeit abgenommen hat. Oft in Wochen erreichbar.
2. Routine. Der Use Case läuft im Alltag, mehrere Mitarbeitende nutzen ihn selbstverständlich. Wenige Monate.
3. Skalierung. Das Muster lässt sich auf weitere Use Cases übertragen. Sechs bis achtzehn Monate.

Diese Sichtweise ist für die Steuerung oft hilfreicher als eine starre Amortisationsrechnung, weil sie dem Lernpfad Rechnung trägt.

Typische Denkfehler auf Entscheiderebene

• Nur FTE-Einsparungen sehen. Wer KI ausschließlich als Personalkostensenker denkt, kommt in vielen Unternehmen nicht weit, weil Personalabbau sozial und oft auch rechtlich begrenzt ist. Der Hebel liegt häufiger in Entlastung, Qualität und Fähigkeit.
• Lernkurve vergessen. Der erste Use Case ist immer teurer, als er aussieht. Die Rechnung wird realistischer, wenn man von Beginn an in Portfolio-Logik denkt — fünf Use Cases verteilen die Aufbauinvestition.
• TCO unterschätzen. Lizenz, Integration, Governance, Datenpflege, Schulung — die laufenden Kosten sind substanziell. In Lektion 3 rechnen wir sie durch.
• Keine Baseline. Ohne Vorher-Messung gibt es kein verlässliches Nachher. Eine Woche strukturierter Basismessung spart später viel Streit über Effekte.
• Überversprechen. Wer im Board einen ROI von 300 Prozent in einem Jahr in Aussicht stellt, macht sich angreifbar. Belastbare, mittlere Ziele halten länger.

Ein kurzer praktischer Rahmen

Für eine solide Bewertung reichen drei Fragen, die Sie vor jedem nennenswerten KI-Investment stellen:

1. Welche der drei Wirkungsebenen adressieren wir hauptsächlich? Klarer Fokus vereinfacht Messung und Kommunikation.
2. Wie sieht die Baseline aus, und wer misst sie? Ohne Vorher-Daten keine belastbare Wirkung.
3. Wo liegt der First Win in sechs bis zwölf Wochen? Ein Pilot, der nach einem Quartal keinen konkreten Nutzen zeigt, ist selten auf dem richtigen Weg.

Was Sie aus dieser Lektion mitnehmen

KI-Investitionen folgen nicht der klassischen ROI-Logik. Sie wirken auf drei Ebenen — Effizienz, Qualität, Fähigkeit —, brauchen eine saubere Baseline, eine ehrliche Betrachtung der Lernkurve und einen realistischen Zeithorizont. Wer diese Logik verinnerlicht, trifft bessere Investitionsentscheidungen und kommuniziert sie überzeugender. In der nächsten Lektion priorisieren wir Use Cases.