KI ist nicht mehr das Experiment. Jetzt muss sie sich rechnen.

Ein Management-Review, wie es derzeit in vielen Unternehmen stattfinden könnte: Vor einigen Monaten wurden mehrere KI-Initiativen gestartet. Der Kundenservice testet einen Assistenten, im Marketing entstehen Inhalte schneller, der Vertrieb lässt Gespräche automatisch zusammenfassen und eine interne Wissenslösung befindet sich im Pilotbetrieb. Die Nutzungszahlen entwickeln sich gut, Mitarbeiter berichten von Zeitersparnis und die Präsentation zum Projektstatus vermittelt den Eindruck, dass das Unternehmen bei künstlicher Intelligenz inzwischen einiges in Bewegung gebracht hat.

Dann fällt eine unangenehme Frage: Was davon ist eigentlich im Geschäft angekommen? Nicht in der Zahl der Nutzer oder Prompts, sondern in Produktivität, Umsatz, Kosten, Geschwindigkeit, Kundenbindung oder einem besseren Angebot. Diese Frage wird wichtiger, weil KI in vielen Unternehmen gerade eine Schwelle überschreitet. Es geht zunehmend weniger darum, ob man sich überhaupt mit der Technologie beschäftigen sollte. Interessanter wird, welche Anwendungen tatsächlich wirtschaftlichen Wert erzeugen und welche vor allem zeigen, dass ein Unternehmen KI verwendet.

Eine aktuelle Untersuchung von KfW Research liefert dazu einen bemerkenswerten Befund. Mittelständische Unternehmen, die KI einsetzen, weisen auch nach Berücksichtigung weiterer zentraler Performancetreiber ein stärkeres Umsatzwachstum, eine höhere Rendite und eine höhere Produktivität auf als Unternehmen ohne KI-Nutzung. Wichtig ist allerdings die Einschränkung, die KfW selbst macht: Bei der Produktivität lässt sich der positive Zusammenhang für eine breite Gruppe von KI-Nutzern feststellen. Beim Umsatzwachstum und insbesondere bei der Rendite ist die Gruppe, für die ein positiver Zusammenhang nachgewiesen werden kann, kleiner und stärker auf ohnehin bereits wachsende beziehungsweise renditestarke Unternehmen konzentriert.

Das ist interessant, aber kein Beweis dafür, dass die Einführung von KI automatisch Wachstum oder Rendite erzeugt. Für Unternehmen ist deshalb eine andere Frage relevanter: Unter welchen Bedingungen wird aus einer technologischen Möglichkeit tatsächlich ein Business Case?

Nutzung ist noch keine Wirkung

Nehmen wir einen KI-Assistenten im Vertrieb. Nach einigen Monaten verwendet inn ein großer Teil der Mannschaft, Gesprächsnotizen entstehen automatisch und Angebote lassen sich schneller vorbereiten. Die Mitarbeiter berichten, dass sie mehrere Stunden pro Woche sparen.

Das kann ein erfolgreiches Projekt sein. Ob es tatsächlich eines ist, hängt allerdings davon ab, welches Problem ursprünglich gelöst werden sollte. Wenn das Ziel darin bestand, Mitarbeiter von lästiger Administration zu entlasten, kann die Zeitersparnis bereits ein relevanter Nutzen sein. Sollte dagegen die Vertriebsproduktivität steigen, müsste irgendwann sichtbar werden, was mit der gewonnenen Zeit geschieht. Werden mehr qualifizierte Kundengespräche geführt? Gehen Angebote schneller zum Kunden? Verkürzt sich der Sales Cycle? Verbessert sich die Conversion? Kann dieselbe Mannschaft mehr Geschäft betreuen?

Der Unterschied ist wichtig, weil Unternehmen häufig das messen, was technisch leicht messbar ist. Nutzungszahlen, Logins, erzeugte Inhalte oder gesparte Bearbeitungsminuten stehen schnell zur Verfügung. Sie sagen allerdings noch nicht zwangsläufig etwas darüber aus, ob sich das Geschäft verbessert hat. Eine Technologie kann intensiv genutzt werden und trotzdem nur begrenzten wirtschaftlichen Wert erzeugen. Umgekehrt kann ein unspektakulärer KI-Einsatz in einem kritischen Kernprozess einen erheblichen Effekt haben, obwohl kaum jemand im Unternehmen darüber spricht.

Der Business Case sollte vor dem KI-Use-Case stehen

Wenn ein Unternehmen heute über neue KI-Projekte nachdenkt, sollte die erste Frage nicht lauten, wo sich die Technologie noch einsetzen lässt. Diese Frage produziert fast zwangsläufig eine lange Liste, weil generative und analytische KI inzwischen in sehr vielen Tätigkeiten grundsätzlich anwendbar sind.

Für den Business Case ist die umgekehrte Reihenfolge interessanter: Wo verliert das Unternehmen heute Geschäft, Zeit oder Marge? Wo verhindert ein Engpass Wachstum? Welche Arbeit wird mit zunehmendem Umsatz proportional teurer? Wo warten Kunden unnötig lange? Welche Entscheidung ist zu langsam, weil Informationen fehlen? Und gibt es vielleicht sogar ein Kundenproblem, aus dem mit neuen technologischen Möglichkeiten ein neues Produkt entstehen könnte? Erst danach sollte geprüft werden, ob KI dafür ein geeigneter Hebel ist.

Das klingt wie ein kleiner Unterschied in der Fragestellung. Tatsächlich verändert es die Auswahl der Projekte erheblich. Wer mit der Technologie beginnt, findet Anwendungen. Wer mit dem wirtschaftlichen Problem beginnt, findet im besten Fall Investitionen.

Diese Logik ist nicht spezifisch für künstliche Intelligenz. Bei größeren Digitalisierungs- und Geschäftsvorhaben war die technische Möglichkeit selten die schwierigste Frage. Schwieriger war immer, den Zusammenhang zwischen Geschäftsidee, Technologie, verändertem Prozess und wirtschaftlicher Wirkung sauber herzustellen. KI macht dieses Problem lediglich sichtbarer, weil sich heute sehr schnell beeindruckende Prototypen bauen lassen.

Die Zeitersparnis-Falle

Besonders kritisch sind Business Cases, die fast ausschließlich mit eingesparter Arbeitszeit argumentieren. Die Rechnung ist verführerisch einfach: Ein Werkzeug spart pro Mitarbeiter zwei Stunden pro Woche, das Unternehmen beschäftigt 100 Menschen, also entstehen 200 Stunden zusätzliche Kapazität. Multipliziert man diese Zeit mit internen Personalkosten, erscheint innerhalb weniger Minuten ein sechsstelliger jährlicher Nutzen.

Die Mathematik kann stimmen und der Business Case trotzdem zu optimistisch sein. Wenn dieselben 100 Mitarbeiter nach Einführung des Werkzeugs weiterhin dieselben Gehälter erhalten und die gewonnene Zeit nicht anders wirtschaftlich genutzt wird, hat das Unternehmen zunächst Kapazität geschaffen, aber noch keine entsprechende Kosteneinsparung realisiert. Das kann trotzdem wertvoll sein, etwa weil Überstunden sinken, Qualität steigt oder Mitarbeiter mehr Zeit für anspruchsvollere Aufgaben erhalten. Diese Effekte sollten nur nicht mit realisierten Einsparungen verwechselt werden.

Wirtschaftlich interessant wird die zusätzliche Kapazität dort, wo sich eine zweite Veränderung anschließt. Ein Service-Team kann mit derselben Mannschaft mehr Kunden bedienen, der Vertrieb führt zusätzliche Gespräche, die Entwicklung bringt Produkte schneller auf den Markt oder eine administrative Funktion muss bei weiterem Wachstum nicht proportional zusätzliche Stellen aufbauen.

Bei einem belastbaren KI-Business-Case sollten deshalb zwei Ebenen auseinandergehalten werden:

• Operativer Effekt: Welche Tätigkeit wird schneller, besser, günstiger oder fällt ganz weg?
• Wirtschaftliche Übersetzung: Wie verändert dieser operative Effekt Umsatz, Kosten, Kapazität, Risiko, Marge oder Wachstum?

Zwischen diesen beiden Ebenen liegt häufig der Teil, der in einer beeindruckenden Demo noch nicht beantwortet wird.

Der größte Hebel liegt möglicherweise nicht beim einfachsten Use Case

Für die ersten Schritte mit einer neuen Technologie ist es sinnvoll, mit relativ leicht umsetzbaren Anwendungen zu beginnen. Mitarbeiter sammeln Erfahrung, technische und rechtliche Fragen werden sichtbar und ein Unternehmen entwickelt ein besseres Gefühl dafür, was funktioniert und was nicht. Diese Lernphase sollte allerdings nicht mit einer langfristigen KI-Strategie verwechselt werden.

Wenn alle Wettbewerber denselben allgemein verfügbaren Assistenten einsetzen können, entsteht daraus möglicherweise ein Produktivitätsgewinn, aber noch kein nachhaltiger Wettbewerbsvorteil. Der größere Hebel könnte an einer ganz anderen Stelle liegen: in der Preisfindung, der Produktionsplanung, im Einkauf, in der Wartung,
in einem zentralen Vertriebsprozess, in der Produktentwicklung oder in einem neuen datenbasierten Angebot für Kunden.

Solche Anwendungen sind meist schwieriger. Sie benötigen bessere Daten, mehr Prozessverständnis, Integration in bestehende Systeme und Menschen, die sowohl das Geschäft als auch die technologischen Möglichkeiten verstehen. Gerade deshalb können sie wirtschaftlich relevanter sein.

Für die erste KI-Phase war die Frage “Was können wir ausprobieren?” völlig legitim. In der nächsten Phase sollte häufiger gefragt werden, wo diese Technologie etwas verändern kann, das für das Geschäft tatsächlich zählt.

Ein Experiment braucht andere Regeln als eine Investition - aber nicht für immer

Von einem frühen KI-Piloten nach wenigen Wochen einen vollständig belastbaren Return on Investment zu verlangen, wäre zu kurz gedacht. Innovation braucht Raum für Lernen, und wer jede Idee vom ersten Tag an ausschließlich an kurzfristigen Ergebnisgrößen misst, wird am Ende vor allem Projekte bekommen, deren Ausgang ohnehin schon weitgehend bekannt ist.

Trotzdem braucht auch ein Experiment irgendwann einen Entscheidungspunkt. Ein Unternehmen sollte vorher wissen, welche Erkenntnis es gewinnen möchte und wann entschieden wird, ob ein Anwendungsfall skaliert, verändert oder beendet wird. Gerade die Möglichkeit des Beendens ist wichtig. Ein Use Case kann technisch funktionieren, von Mitarbeitern gerne genutzt werden und trotzdem keinen wirtschaftlichen Effekt erzeugen, der weitere Investitionen rechtfertigt. Ihn dann zu stoppen, bedeutet nicht, dass das Experiment gescheitert ist. Wenn danach klarer ist, was funktioniert und was nicht, hat es seinen Zweck erfüllt.

Problematisch wird es erst, wenn aus einem Pilotprojekt ein dauerhafter Zustand wird, weil niemand mehr grundsätzlich fragt, weshalb das Unternehmen eigentlich weiter investiert.

Nicht jeder Effekt muss sofort in Euro messbar sein

Gleichzeitig wäre es zu einfach, KI ausschließlich nach kurzfristiger Kosteneinsparung zu beurteilen. Manche Anwendungen verbessern Qualität, reduzieren Risiken oder schaffen Fähigkeiten, deren wirtschaftlicher Wert erst später sichtbar wird. Ein Unternehmen kann beispielsweise Wissen besser verfügbar machen, die Geschwindigkeit von Entscheidungen erhöhen oder Fähigkeiten aufbauen, die für zukünftige Produkte relevant werden.

Auch solche Effekte gehören in einen Business Case. Sie müssen nur sauber benannt werden. Wenn ein Unternehmen bewusst entscheidet, dass ein Projekt zunächst eine strategische Fähigkeit aufbauen soll und deshalb noch keinen kurzfristigen Ergebnisbeitrag liefern muss, ist das eine legitime Investitionsentscheidung. Weniger
überzeugend ist es, wenn ein Projekt zunächst als Effizienzinitiative verkauft wird und nach ausbleibender Einsparung plötzlich nur noch als strategisches Lernprojekt bezeichnet wird.

Gute Business Cases sind nicht deshalb gut, weil sich jeder Nutzen auf zwei Nachkommastellen berechnen lässt. Sie sind gut, wenn vor einer Investition klar ist, welche Annahmen getroffen werden und woran das Management später beurteilen will, ob diese Annahmen noch tragen.

Die entscheidende Frage beginnt deshalb nicht erst nach dem Go-live. Schon während eines Digitalisierungs- oder KI-Projekts sollte klar sein, woran einige Monate nach der Einführung erkennbar sein soll, dass tatsächlich Nutzen entstanden ist. Ein technisch funktionierendes System und ein erfolgreich abgeschlossenes Projekt sind schließlich noch nicht dasselbe wie eine veränderte betriebliche Realität.

KI wird zur Managementaufgabe, wenn die Demo vorbei ist

Die erste Phase der KI-Diskussion war stark von Möglichkeiten geprägt. Was kann die Technologie, welche Tätigkeiten verändert sie und welche Anwendungen sollten Unternehmen ausprobieren? Diese Phase war notwendig, weil wirtschaftliche Potenziale kaum erschlossen werden können, ohne die Technologie zunächst zu verstehen.

Die nächste Phase dürfte nüchterner werden. KfW Research findet aktuell einen positiven Zusammenhang zwischen KI-Nutzung und Unternehmensperformance, allerdings mit deutlichen Unterschieden je nach Kennzahl und Unternehmensgruppe. Das ist ein guter Anlass, genauer hinzusehen, aber kein Grund, aus jeder KI-Initiative automatisch einen Wachstumstreiber zu machen.

Für ein Managementteam ergeben sich daraus fünf Fragen an die wichtigsten laufenden KI-Initiativen:

• Welches konkrete geschäftliche Problem oder welche Chance war der Ausgangspunkt?
• Welche operative Veränderung sollte durch KI entstehen?
• Woran lässt sich diese Veränderung tatsächlich beobachten?
• Wie übersetzt sie sich in wirtschaftlichen oder strategischen Wert?
• Welche Entscheidung folgt daraus: skalieren, verändern oder beenden?

Wer diese Fragen beantworten kann, braucht nicht unbedingt die größte Zahl an KI-Use-Cases. Wertvoller ist eine belastbare Vorstellung davon, welche Technologieinvestitionen das Geschäft tatsächlich weiterbringen.