Die wichtigsten Erkenntnisse
Die meisten Unternehmen können die finanziellen Auswirkungen von KI nicht nachweisen, da sie den Prozess nicht gemessen haben, bevor KI ihn beeinflusst hat. Es gibt keine Ausgangsbasis und keinen Nachweis, sondern nur das, was die Demo zufällig gezeigt hat.
Eine gemeinsame Plattform, eine Datenschicht oder ein Integrationsteam wird anhand seiner eigenen schwachen Rendite beurteilt, während die davon abhängigen Anwendungsfälle anhand ihrer eigenen bewertet werden. Beide Zahlen sind falsch.
Pilotprojekte werden oft nicht deshalb ausgeweitet, weil sie sich bewährt haben, sondern weil niemand vor dem Eintreffen der Ergebnisse festgehalten hat, was unter Erfolg zu verstehen ist. Ohne diese Schwelle lässt sich fast jedes Ergebnis im Nachhinein als Erfolg darstellen.
Geschäftsmodelle, die auf einer einzigen optimistischen Zahl basieren, sind in der Regel von den Benchmarks anderer übernommen. Viel disziplinierter ist es, stattdessen mit einer Bandbreite zu arbeiten – einem Best-Case- und einem konservativen Szenario – und die Planung am konservativen Ende auszurichten.
Unternehmen, die KI in EBIT umwandeln, bewerten dies als Portfolio, bei dem eine Person für das finanzielle Ergebnis verantwortlich ist – und nicht als eine Ansammlung unabhängig voneinander verteidigter Pilotprojekte.
Die einzige Entscheidung, die darüber entscheidet, ob die KI-Transformation an Fahrt gewinnt oder ins Stocken gerät, ist die Verantwortlichkeit: Wer ist für das finanzielle Ergebnis des Portfolios verantwortlich und hat die Befugnis, Maßnahmen zu stoppen, die nicht funktionieren?
Für mittlere bis große Unternehmen, die Altsysteme modernisieren, KI/ML einführen und den Cloud-Betrieb in Branchen wie Finanzen, Versicherungen, Versorgungswirtschaft, Medien, Automobilindustrie und Gesundheitswesen optimieren, ist diese Lücke kostspielig. Sie führt dazu, dass vielversprechende Pilotprojekte zu fragmentierten Investitionen werden, die sich nicht in einem EBIT-Effekt auf Unternehmensebene niederschlagen – selbst wenn sich die Qualität der Umsetzung verbessert.
BARC und Domino Data Lab haben dies in Zahlen ausgedrückt: 57 % der Unternehmen geben nach wie vor an, dass die Erträge aus KI die Investitionen nicht übersteigen – eine Zahl, die sich seit 2025 nicht verändert hat, obwohl 93 % angeben, dass ihre KI nun im Produktionsbetrieb zuverlässiger läuft. McKinsey stellte fest, dass nur 39 % der Unternehmen der KI überhaupt Auswirkungen auf das EBIT auf Unternehmensebene zuschreiben können, wobei der Großteil dieser Gruppe weniger als 5 % zuschreibt. Während die Produktionsqualität stieg, hat sich die Verbindung zu den Gewinnen nicht verändert.
Warum führt ein hoher ROI bei KI-Anwendungsfällen so selten zu einer Rendite für das Unternehmen?
Warum führt ein hoher ROI bei KI-Anwendungsfällen so selten zu einer Rendite für das Unternehmen?
Heutzutage kommt es selten vor, dass ein Kunde mit einer Liste erfolgreicher Pilotprojekte zu mir kommt. Häufiger handelt es sich um eine Liste mit Pilotprojektideen, verbunden mit der schwierigeren Aufgabe, herauszufinden, welche Anwendungsfälle im gesamten Unternehmen es wert sind, getestet zu werden. Was ich hingegen häufig sehe, sind fragmentierte, unkontrollierte Experimente: Teams, die Tools unabhängig von der IT-Aufsicht ausprobieren, oft ohne einen klaren Plan zur Berechnung des KI-ROI und ohne dass ihre Vorgesetzten den Umfang dieser Maßnahmen kennen.
Wenn ein Pilotprojekt bereits durchgeführt wurde, bezieht sich meine erste Frage nicht auf das Ergebnis. Sie ist einfacher: Zeigen Sie mir den Zustand des Prozesses vor Beginn des Pilotprojekts – gemessen und mit Quellenangabe. Wenn diese Ausgangsbasis nicht vorhanden ist, lässt sich nicht nachweisen, dass das Pilotprojekt das finanzielle Ergebnis beeinflusst hat – sondern nur, dass es einen guten Eindruck hinterlassen hat. Diese Unterscheidung ist wichtig, denn es gibt drei Warnzeichen, auf die man frühzeitig achten sollte, und für keines davon muss man auf einen Quartalsbericht warten.
Drei Warnzeichen dafür, dass ein Pilotprojekt nicht skalierbar ist
- Der Erfolg wird anhand der Aktivität gemessen, nicht anhand des Ergebnisses. „80 % des Teams nutzen es“ beschreibt die Akzeptanz, nicht den Mehrwert.
- Das Pilotprojekt liegt in der Verantwortung der IT-Abteilung oder einer Innovationsabteilung und nicht beim Prozessverantwortlichen, der die Gewinn- und Verlustverantwortung für den Arbeitsablauf trägt.
- Der Nutzen wird ausschließlich in eingesparten Stunden ausgedrückt, ohne dass etwas darüber gesagt wird, was mit diesen Stunden geschieht.
Dieser letzte Punkt bringt mehr Programme ins Straucheln, als man denkt.
Ein Pilotprojekt beweist zwar, dass die Technologie funktioniert, aber nicht, dass das Unternehmen davon profitieren kann. Das sind zwei verschiedene Nachweise, und die meisten Unternehmen erheben nur den ersten.
Eine Studie des MIT-Projekts NANDA bringt hier eine nützliche Komplikation ins Spiel. Ihre vielfach zitierte Erkenntnis, dass 95 % der Pilotprojekte mit generativer KI keine messbaren Auswirkungen auf Gewinn und Verlust zeigen, wird oft als Urteil über die Technologie interpretiert. Ganz so ist es jedoch nicht. Die Forscher nennen eine Lernlücke (Tools, die kein Feedback speichern und ständig neu eingewiesen werden müssen) sowie eine mangelhafte Integration in bestehende Arbeitsabläufe als Hauptursachen, neben der fehlenden Ausgangsbasis. Führt man all dies zusammen, ergibt sich ein umfassenderes Bild: Die Tools sind häufig nicht in die Arbeitsabläufe eingebunden, und selbst dort, wo dies der Fall ist, hat niemand festgehalten, wie die Situation „vorher“ aussah.
Warum lassen gemeinsame Kapazitätskosten jeden KI-Business-Case besser aussehen, als das Portfolio tatsächlich ist?
Warum lassen gemeinsame Kapazitätskosten jeden KI-Business-Case besser aussehen, als das Portfolio tatsächlich ist?
Hier ist ein Muster, das ich immer wieder in Unternehmen beobachte, die später behaupten, KI „lohne sich nicht“: Diese Unternehmen streichen genau den Initiativen die Mittel, von denen nie erwartet wurde, dass sie sich selbst tragen. Diese sollten eigentlich das Fundament bilden, auf dem alles andere aufbaut.
Eine grundlegende Fähigkeit, eine gemeinsame Datenplattform, eine Integrationsschicht oder ein sauberes System of Record weisen für sich genommen selten einen beeindruckenden ROI auf. Es handelt sich um Infrastruktur, und ihre tatsächlichen Kosten sind in der Regel höher, als es auf dem Papier den Anschein hat, wenn man die Datenaufbereitung, Mitarbeiterschulungen, Lizenzen und die laufende Wartung mit einbezieht. Ihre Aufgabe ist es, verschiedene andere Anwendungsfälle schneller, kostengünstiger oder überhaupt erst möglich zu machen. Wenn sie nach denselben Maßstäben bewertet wird wie ein eigenständiger Anwendungsfall, zieht sie den Kürzeren – und ist oft das Erste, was bei einer Kostenüberprüfung gestrichen wird, gerade weil niemand auf eine Gewinn- und Verlustrechnung verweisen kann, die ausschließlich ihr zuzuordnen ist.
Die Kostendaten untermauern dies. Eine Untersuchung der FinOps Foundation ergab, dass 98 % der Praktiker mittlerweile die KI-Ausgaben aktiv verwalten – ein deutlicher Anstieg gegenüber 63 % im Vorjahr –, doch im Durchschnitt können sie nur 40 bis 60 % dieser Ausgaben einem bestimmten Team, Produkt oder Anwendungsfall zuordnen. Das Unternehmen kennt den Gesamtbetrag. Es weiß jedoch nicht, wer dafür verantwortlich ist.
In der Praxis ist nicht die Rechnung der deutlichste Hinweis, sondern die Frage, wer danach fragt:
- Wer stellt die Frage nach den Kosten? Wenn die Frage „Wie viel geben wir eigentlich für KI aus?“ vom Finanzvorstand statt vom Technikvorstand gestellt wird, hinkt das Unternehmen bereits hinterher; ein gut geführtes Unternehmen kennt diese Zahl, bevor jemand danach fragen muss.
- Kosten, die sich keinem Verantwortlichen zuordnen lassen. Wenn eine Rechnung nicht mit einem Team oder einem Prozess verknüpft werden kann, kann niemand entscheiden, was abgeschaltet werden soll, und das Kostenmanagement verkommt zur automatischen Verlängerung von Abonnements.
- Derselbe Arbeitsschritt, dreimal implementiert. Ein Beispiel hierfür wäre ein OCR-Schritt (Optical Character Recognition) oder ein Dokumentenklassifizierer, der teamübergreifend doppelt vorhanden ist, ohne dass sich die Teams jemals abgestimmt hätten – was in einem Anwendungsfallverzeichnis sichtbar wird, lange bevor es sich in den Zahlen niederschlägt.
- Niemand kann sagen, wer ein Tool aus dem Verkehr zieht. Fragen Sie, wer die Befugnis hat, etwas abzuschalten, das niemand nutzt. Die Antwort ist Schweigen.
Inwiefern untergräbt die Fragmentierung der Toolchain unbemerkt den ROI von KI-Initiativen, wenn Sie skalieren?
Inwiefern untergräbt die Fragmentierung der Toolchain unbemerkt den ROI von KI-Initiativen, wenn Sie skalieren?
Die Mathematik ist hier gnadenlos. Ein Anwendungsfall erfordert möglicherweise Integrationen zwischen fünf Tools. Zehn Anwendungsfälle ergeben etwa fünfzig Integrationspunkte. Bei hundert Anwendungsfällen wird es für kein Unternehmen mehr möglich, diese ohne ein eigens dafür zuständiges Team zu verwalten – und zu diesem Zeitpunkt ist die Fragmentierung nicht mehr nur ein Kostenfaktor, sondern ein Hemmnis für alle anderen Bereiche.
Die Studie von Deloitte aus dem Jahr 2025 zu diesem Thema ist unmissverständlich: Unternehmen, die beim ROI von KI hinterherhinken, verfügen über fragmentierte Toolketten, die ständige manuelle Eingriffe erfordern, während diejenigen, die messbare Erträge erzielen, stattdessen in integrierte Plattformen investiert haben. Das ist die direkte logische Folge der oben beschriebenen Kombinatorik, und deshalb zeigt sich die Fragmentierung nicht als flaches Plateau, sondern als Umkehrung: Jede zusätzliche Punkt-zu-Punkt-Integration ist ein weiterer Faktor, der unbemerkt ausfallen kann, eine weitere Stelle, an der Kosten unsichtbar bleiben, bis jemand sie abgleichen kann, und ein weiterer Grund, warum dieselbe Aufgabe neu erstellt wird, weil niemand der bestehenden Version vertraut oder sie finden kann.
Warum sorgt die „Falle des beeindruckenden Pilotprojekts“ dafür, dass der ROI von KI-Investitionen auf der Ebene der Anwendungsfälle stecken bleibt?
Warum sorgt die „Falle des beeindruckenden Pilotprojekts“ dafür, dass der ROI von KI-Investitionen auf der Ebene der Anwendungsfälle stecken bleibt?
Der häufigste Grund, warum ein Pilotprojekt skaliert wird, obwohl es das nicht sollte, ist nicht, dass das Pilotprojekt an sich schlecht war. Vielmehr liegt es daran, dass das Erfolgskriterium erst festgelegt wurde, nachdem die Ergebnisse bereits vorlagen. Wenn der Schwellenwert nicht von Anfang an festgelegt wurde, lässt sich fast jedes Ergebnis als Erfolg darstellen – und das wird oft auch getan.
Es gibt ein damit verbundenes Muster, das es wert ist, genau benannt zu werden, denn es geht weniger um das Urteil einer einzelnen Person als vielmehr darum, wie sich Optimismus im Laufe eines Programms verstärkt. Wenn ein Business Case auf einer einzelnen Zielzahl statt auf einer Bandbreite basiert, ist diese einzelne Zahl in der Regel ein Zeichen dafür, dass niemand sie berechnet hat, sondern dass sie aus der Pressemitteilung eines Mitbewerbers oder einem Branchen-Benchmark übernommen und als Plan präsentiert wurde.
Sich für das konservative Ende dieses Spektrums zu entscheiden, anstatt sich am besten Fall zu orientieren, ist eine kleine Disziplin, die viel Enttäuschung im weiteren Verlauf verhindert. Außerdem bleibt so sichtbarer Spielraum, um das Ergebnis durch bessere Umsetzung, bessere Daten und bessere Feinabstimmung weiter zu verbessern, anstatt das erste Ergebnis als Obergrenze zu betrachten.
Dies ist zudem nicht nur ein Problem der KI-Branche. Berichte über KI-Programme in Unternehmen beschreiben Organisationen, die Dutzende, manchmal sogar Hunderte paralleler Pilotprojekte betreiben, ohne gemeinsame Bewertungskriterien – mehr Aktivität als Rechenschaftspflicht. Und der bekannte Fall von Klarna ist eine nützliche warnende Geschichte für den gegenteiligen Fehlerfall: ein Pilotprojekt, das nach einem Maßstab (Bearbeitungsvolumen, Kosten pro Interaktion) erfolgreich skaliert wurde, während die für die Kunden wichtige Kennzahl – die Servicequalität – erst gemessen wurde, als sie sich bereits sichtbar verschlechtert hatte.
Das Unternehmen machte später einen Teil davon rückgängig und stellte Mitarbeiter wieder ein. Die Lehre daraus ist nicht, dass es falsch war, das Pilotprojekt zu skalieren. Vielmehr wurde der „Erfolg“ so eng definiert, dass die tatsächlichen Kosten erst im Nachhinein sichtbar wurden.
Was unterscheidet Unternehmen, die ihren KI-ROI in EBIT umwandeln, von denen, die dies nicht tun?
Was unterscheidet Unternehmen, die ihren KI-ROI in EBIT umwandeln, von denen, die dies nicht tun?
Die Untersuchung von BCG zur „AI Value Gap“ ergab, dass „zukunftsorientierte“ Unternehmen – die nur 5 % der 1.250 befragten Firmen ausmachen – ein 1,7-mal höheres Umsatzwachstum und eine 1,6-mal höhere EBIT-Marge aufweisen als weniger dynamische Unternehmen. Viele gehen davon aus, dass dieser Vorsprung darauf zurückzuführen ist, dass mehr Pilotprojekte durchgeführt werden. Das ist jedoch nicht der Fall. Was „future-built“-Unternehmen tatsächlich von den anderen unterscheidet, sind integrierte Datenumgebungen, eine klar definierte Roadmap, formelle Governance und eine Unternehmenskultur, die tatsächlich bereit ist, den Wandel anzunehmen – und ihn nicht nur zu genehmigen.
Bewertung der KI-Bereitschaft
Verschaffen Sie sich einen klaren Überblick darüber, inwieweit Ihre Daten darauf vorbereitet sind, KI-Initiativen in Ihrem Unternehmen zu unterstützen und zu skalieren.
JPMorgan ist das bekannteste Beispiel, das die meisten Menschen bereits kennen: Das Unternehmen betreibt mehrere hundert KI-Anwendungsfälle auf einer einzigen einheitlichen Datenplattform und hat sich zum Ziel gesetzt, bis Ende 2026 die Zahl auf tausend zu erhöhen. Die DBS Bank ist ein weniger oft genanntes, aber anschaulicheres Beispiel für diesen Mechanismus: Eine gemeinsame Daten- und wiederverwendbare KI-Infrastruktur, die die Markteinführungszeit für neue Anwendungsfälle von etwa fünfzehn Monaten auf unter drei verkürzt hat – gerade weil nicht bei jedem neuen Anwendungsfall bei Null angefangen werden musste, sondern gemeinsame Funktionen wiederverwendet statt für jeden einzelnen neu aufgebaut wurden.
Was wir in den Unternehmen beobachten, die dies in der Größenordnung umsetzen, mit der wir typischerweise arbeiten – also mittelständische und größere Unternehmen statt weitverzweigter multinationaler Konzerne –, lässt sich auf drei Gewohnheiten zurückführen:
- Diese Unternehmen denken in Portfolios, nicht in einzelnen Fällen. Eine Liste, eine einheitliche Struktur zur Bewertung jedes Eintrags (Ausgangssituation, Wert, Auswirkungen auf das EBITDA, ob er unter OPEX oder CAPEX fällt), sodass die Fälle wirklich vergleichbar sind, anstatt dass jeder seine eigene Geschichte verteidigt.
- Voraussetzungen behandeln sie als Voraussetzungen. Ein grundlegender Fall (Datenqualität, Integration, ein sauberes Register) wird nicht hinter den Fällen eingestuft, die davon abhängen – selbst wenn seine eigenständige Rendite auf dem Papier schwach erscheint.
- Die Verantwortung liegt beim Prozessverantwortlichen, nicht beim Technologieverantwortlichen. Dieselbe Person, die die Skalierung genehmigt, ist auch diejenige, die ein Jahr später für das Ergebnis geradesteht.
Welche Änderungen in den Bereichen Governance und Messung sorgen tatsächlich dafür, dass sich der ROI von KI auf Unternehmensebene auswirkt?
Welche Änderungen in den Bereichen Governance und Messung sorgen tatsächlich dafür, dass sich der ROI von KI auf Unternehmensebene auswirkt?
65 Prozent der CEOs geben bereits an, dass ihr Unternehmen Anwendungsfälle auf der Grundlage des ROI priorisiert. Doch laut derselben Umfrage lieferten nur 25 Prozent der KI-Initiativen tatsächlich die erwartete Rendite, und lediglich 16 Prozent wurden unternehmensweit skaliert. Das Richtige über Priorisierung zu sagen und es tatsächlich umzusetzen, erweisen sich als zwei verschiedene Disziplinen.
Die Kennzahlen, deren Verfolgung sich lohnt, lassen sich klar nach Ebene unterteilen:
- Unternehmensebene, vierteljährlich: konsolidierte Auswirkungen auf das EBITDA durch das KI-Portfolio (nicht die Summe einzelner Versprechen); Gesamtkosten für KI sowie der prozentuale Anteil, der tatsächlich einem Verantwortlichen zugeordnet wird; die Anzahl der Anwendungsfälle, die in Produktion sind, im Vergleich zu denen, die bewusst gestoppt wurden; durchschnittliche Zeit von der Idee bis zur Entscheidung über Skalierung oder Einstellung.
- Portfolioebene: Amortisationszeit pro Fall, das Verhältnis von OPEX zu CAPEX sowie der Anteil der Fälle, die auf einer konkreten, systemgestützten Basislinie beruhen und nicht auf einer deklarierten.
- Anwendungsfall-Ebene: Was die meisten Teams bereits erfassen: Genauigkeit, Bearbeitungszeit, Volumen. Diese Ebene war nie das Problem, aber die Messung des ROI bedeutet hier, die technische Leistung von den operativen Auswirkungen zu trennen, damit die Modellqualität nicht mit dem geschäftlichen Nutzen verwechselt wird.
Über 1 Mrd. £ an Buchungen, 90 % der Kampagnenparameter automatisiert
ITV benötigte eine Plattform zur Anzeigenverwaltung, die manuelle Arbeitsschritte eliminiert, ohne dabei die Komplexität zu erhöhen. Wir haben „Planet V“ mit zwei funktionsübergreifenden Teams entwickelt. Die Plattform wird mittlerweile von mehr als 1.000 Nutzern pro Monat und über 200 Agenturen genutzt und liefert dank maschineller Lernverfahren Prognosen, die die Vorhersagen von Menschen um 20 % übertreffen.
Wie berechnet man den ROI von KI auf Portfolioebene?
Wie berechnet man den ROI von KI auf Portfolioebene?
Die Formel selbst ist einfach: Der finanzielle Nettogewinn durch KI geteilt durch die Gesamtkosten der Umsetzung. Was Unternehmen Schwierigkeiten bereitet, ist nicht die Mathematik, sondern die Frage, welche Faktoren auf beiden Seiten der Gleichung berücksichtigt werden und ob die Formel konsistent angewendet wird.
Auf einen einzelnen Anwendungsfall angewendet, ist diese Berechnung unkompliziert, und die meisten Teams führen sie bereits recht gut durch. Auf ein Portfolio angewendet bedeutet dies, dieselbe Berechnung für jeden Fall nach einer einheitlichen Struktur durchzuführen, damit die tatsächlichen Kosten einer grundlegenden Funktion und der tatsächliche Nutzen eines davon abhängigen Anwendungsfalls nicht doppelt gezählt oder gänzlich übersehen werden. Diese Konsistenz – mehr noch als die Formel selbst – ist es, die aus einer Sammlung einzeln plausibler Zahlen ein Geschäftsziel macht, an das sich das Unternehmen halten kann.
Was sollte die Unternehmensführung anders machen, um zu verhindern, dass der ROI von KI auf der Ebene der Anwendungsfälle stagniert?
Was sollte die Unternehmensführung anders machen, um zu verhindern, dass der ROI von KI auf der Ebene der Anwendungsfälle stagniert?
Wenn ich eine Entscheidung nennen müsste, die darüber entscheidet, ob all das oben Genannte eintritt, dann wäre es diese: die Verantwortlichkeit für das Ergebnis zuzuweisen. Führungskräfte sollten KI als eine Portfolioentscheidung betrachten und nicht als lose Sammlung von Pilotprojekten: Eine namentlich benannte Person, die für die Gewinn- und Verlustrechnung verantwortlich ist, die Rechenschaft für das finanzielle Ergebnis des KI-Portfolios trägt und die Befugnis hat, Initiativen zu stoppen, die sich nicht bewähren.
Der Grund, warum diese Entscheidung wichtiger ist als Strategiedokumente, die Wahl der Plattform oder Governance-Rahmenbedingungen, ist ganz einfach: Eine Strategie lässt sich niederschreiben. Eine Plattform lässt sich kaufen.
Alles in diesem Beitrag verweist in unterschiedlicher Form auf genau diese Entscheidung:
- Die gemeinsame Plattform als Infrastruktur finanzieren, nicht als Anwendungsfall, der um seine eigene ROI-Zeile konkurriert.
- Vor der Skalierung eine echte Vorabprüfung durchführen, die auf Fakten basiert und nicht auf einer guten Demo und einem selbstbewussten Förderer, und gemeinsame und doppelte Kosten ehrlich berücksichtigen.
- Den gesamten KI-Bereich als ein Portfolio mit einem einzigen verantwortlichen Eigentümer behandeln und nicht als eine Sammlung von Pilotprojekten, von denen jedes seine eigene Existenz verteidigt.
Die Organisationen, die die „Use-Case-Grenze“ überwinden, sind nicht diejenigen mit den meisten KI-Aktivitäten. Es sind diejenigen, die frühzeitig entschieden haben, wer für das Ergebnis verantwortlich ist.
Häufig gestellte Fragen
Was gilt als guter Maßstab für die Ermittlung des ROI von KI?
Eine Basislinie ist die Leistung des Prozesses, die vor dem Einsatz von KI gemessen wurde, wobei es sich um eine Quelle handelt, auf die man verweisen kann – nicht um eine Erinnerung oder eine Schätzung. Sie sollte konkret genug sein, um später einen Vergleich anzustellen, wobei vor und nach der Einführung dieselben KPIs verwendet werden, damit jede Veränderung auf eine Ursache zurückgeführt werden kann: Kosten pro Arbeitseinheit, Durchlaufzeit, Fehlerquote oder was auch immer die eigentliche Kernleistung des Prozesses ist. Ohne diese Basis ist jede Zahl nach der Implementierung lediglich eine Behauptung, kein Ergebnis.
Warum sind KI-Pilotprojekte zwar technisch erfolgreich, erzielen aber dennoch keinen ROI? Welche Rolle spielt KI bei der digitalen Transformation?
Meistens lag das daran, dass der Erfolg anhand von Aktivitäten (Einführung, Nutzung, eingesparte Arbeitsstunden) gemessen wurde und nicht anhand eines finanziellen Ergebnisses, das an Kosten oder Umsatz gekoppelt war, und dass es keine Vergleichsbasis gab. Die „2025 CEO“-Studie von IBM ergab, dass in den letzten Jahren nur 25 % der KI-Initiativen den erwarteten ROI erzielten und lediglich 16 % unternehmensweit skaliert wurden. Ein Pilotprojekt kann zwar beweisen, dass die Technologie einwandfrei funktioniert, doch ist das Unternehmen dennoch nicht in der Lage, den daraus resultierenden Nutzen nachzuweisen.
Inwiefern unterscheidet sich der ROI von KI auf Portfolioebene vom ROI auf Anwendungsfall-Ebene?
Beim Use-Case-ROI wird gefragt, ob sich eine einzelne Initiative für sich genommen amortisiert hat. Beim Portfolio-ROI wird gefragt, ob sich die KI-Landschaft als Ganzes – einschließlich der gemeinsam genutzten Infrastruktur, auf die einzelne Use Cases zurückgreifen, für die sie aber nicht direkt aufkommen – finanziell gelohnt hat. Dies wird berechnet, indem die Gesamtkosten den Gesamtnutzen der gesamten Landschaft gegenübergestellt werden, nicht nur eines einzelnen Pilotprojekts. Nur eine Portfolio-Betrachtung verhindert, dass grundlegende Funktionen gestrichen werden, weil sie keine Rendite erzielen, die sie allein nie erbringen sollten.
Welche Kennzahlen zum ROI von KI sollte die Unternehmensführung im Blick behalten?
Zumindest: die Auswirkungen des KI-Portfolios auf das konsolidierte EBITDA, die konsequente Erfassung der Gesamtkosten in den Bereichen Lizenzierung, Cloud-Infrastruktur und Wartung, der Anteil dieser Kosten, der einem namentlich genannten Verantwortlichen zugeordnet wird, die Anzahl der Anwendungsfälle, die in der Produktion sind, im Vergleich zu denen, die bewusst gestoppt wurden, sowie die durchschnittliche Zeitspanne von der Idee bis zur Entscheidung über Skalierung oder Einstellung. Die Anzahl der bewusst eingestellten Pilotprojekte ist ein besonders gutes Indiz dafür, ob die Messung realistisch ist.
Wer sollte in einem Unternehmen für den ROI der KI verantwortlich sein?
Im Idealfall sollte eine einzige Person die Gewinn- und Verlustverantwortung für das finanzielle Ergebnis des KI-Portfolios tragen und befugt sein, Initiativen zu stoppen, die sich nicht bezahlt machen. Wenn die Verantwortung beim Prozessverantwortlichen und nicht bei der Technologieabteilung liegt, führt dies in der Regel zu ehrlicheren und nachhaltigeren Ergebnissen – insbesondere dann, wenn dieser Verantwortliche auch die Einführung und die gesamten Betriebskosten des entwickelten Systems überwacht und nicht nur die Entwicklungskosten.
