KI-ROI messen: Warum Pilot-Erfolg im Geschäftsergebnis oft unsichtbar bleibt

Ein KI-Pilot formuliert ein Angebot in Sekunden. Ob dadurch der gesamte Vorgang schneller, fehlerärmer oder profitabler wird, bleibt offen. Prüfen Sie deshalb vier konkurrierende Erklärungen für die Lücke zwischen Pilotleistung und Geschäftsergebnis.

Dieser Beitrag richtet sich an Verantwortliche, die über Weiterbetrieb, Nachbesserung oder Skalierung eines KI-Piloten entscheiden. Er vertieft die ROI-Frage aus dem AI-Fabrik-Leitfaden „Von Piloten zu Produktivsystemen“ an einem konkreten Prozess.

Vier mögliche Diagnosen statt einer vorgefertigten These

Wenn Pilotkennzahlen positiv sind, der Ergebnisbeitrag aber unklar bleibt, sind mindestens vier Deutungen plausibel:

Mehrere Diagnosen können zugleich zutreffen: Ein Pilot kann Lernwert liefern, schlecht gemessen sein und derzeit keinen positiven ROI erreichen.

In der McKinsey-Erhebung „The state of AI in 2025“ berichteten 39 Prozent der Befragten von einem EBIT-Effekt durch KI auf Unternehmensebene; bei den meisten lag der zugerechnete Anteil unter fünf Prozent. Fast zwei Drittel gaben zugleich an, KI noch nicht unternehmensweit zu skalieren. Workflow-Redesign gehörte zu den Merkmalen, die besonders stark mit berichteter EBIT-Wirkung verbunden waren.

Die Selbstauskünfte erklären nicht, ob bei einem einzelnen Prozess eine Wert- oder Messlücke vorliegt. Auch der Zusammenhang mit Workflow-Redesign belegt keine Ursache.

Die fünf Ebenen vom KI-Signal bis zum Geschäftswert

Die fünf Ebenen trennen technische Aktivität von wirtschaftlicher Wirkung. Sie sind ein Analysemodell, keine allgemeine Norm.

Die Wertlücke kann sich zwischen Ebene drei und vier oder zwischen Ebene vier und fünf öffnen. Eine um 30 Prozent kürzere Entwurfszeit kann in einer unveränderten Gesamtdurchlaufzeit verschwinden. Und selbst eine kürzere Durchlaufzeit ist noch kein finanzieller Nutzen, wenn die freie Kapazität ungenutzt bleibt.

Praxisprozess Angebotserstellung: Welche Kennzahlen relevant sein können

Die Angebotserstellung verbindet Textarbeit, Datenzugriff, Kalkulation, Freigaben und Kundenwirkung. Sie dient hier als Messbeispiel; für andere Prozesse müssen Kennzahlen und Grenzen angepasst werden.

Den Prozess zuerst sauber begrenzen

Die messbare Einheit kann beispielsweise lauten: ein Standardangebot vom qualifizierten Bedarf bis zum dokumentierten Versand. Sonderkonstruktionen, öffentliche Ausschreibungen und strategische Großangebote werden für dieses Beispiel zunächst ausgeschlossen. Start- und Endzeitpunkt sowie Ausschlusskriterien sollten im CRM oder Workflow-System eindeutig erfasst werden.

Der Ablauf kann aus sechs Schritten bestehen:

1. Bedarf und Kundendaten prüfen,
2. Produkte, Preise und Konditionen zusammenstellen,
3. Angebotstext und Leistungsbeschreibung erzeugen,
4. Marge, Vertragsklauseln und Vollständigkeit prüfen,
5. fachlich oder kaufmännisch freigeben,
6. versenden und Ergebnis im CRM nachhalten.

Die KI kann Daten zusammenfassen, passende Textbausteine vorschlagen und auf fehlende Angaben hinweisen. Preise, Rabatte, verbindliche Zusagen und Freigaben sollten jedoch aus kontrollierten Systemen und Regeln stammen. Ein sprachlich überzeugendes Angebot mit falschem Preis ist kein Produktivitätsgewinn.

Der Kennzahlenbaum für die Angebotserstellung

Neben dem Durchschnitt sollte die typische Durchlaufzeit betrachtet werden, weil wenige komplexe Angebote den Mittelwert verzerren können. Sinnvoll ist außerdem eine Trennung nach Angebotsart, Region, Erfahrung und Auftragsgröße.

Durchgerechnetes Beispiel: Wann Zeitersparnis noch keinen ROI ergibt

Ein Unternehmen erstellt 600 Angebote pro Monat. 70 Prozent davon sind standardisiert genug für den betrachteten KI-Workflow. Von diesen 420 Angeboten werden 80 Prozent tatsächlich mit KI-Unterstützung bearbeitet: 336 Vorgänge pro Monat.

• Aktive Erstbearbeitungszeit bis zum Versand: 45 Minuten vorher, 31 Minuten nachher; spätere Korrekturen sind darin nicht enthalten
• Zeitgewinn: 14 Minuten je KI-unterstütztem Angebot
• Wirtschaftlich nutzbarer Anteil eingesparter Arbeitszeit: 50 Prozent – bei Erstbearbeitung und vermiedenen Korrekturen gleichermaßen
• Voll belasteter Stundensatz: 55 Euro
• Quote späterer Korrekturen: 7 Prozent vorher, 5 Prozent nachher
• Aufwand je vermiedener Korrektur: 35 Minuten

Die angenommenen jährlichen Vollkosten von 55.500 Euro setzen sich so zusammen:

Für die Integration sind einmalig 45.000 Euro angesetzt, gleichmäßig über drei Jahre verteilt. Eine andere Nutzungsdauer verändert die Jahresrechnung.

Die nominelle Zeitersparnis beträgt 336 × 14 Minuten = 4.704 Minuten oder 78,4 Stunden pro Monat. Wenn die Hälfte davon tatsächlich genutzt wird, werden 39,2 Stunden wirtschaftlich wirksam. Das entspricht 2.156 Euro pro Monat beziehungsweise 25.872 Euro pro Jahr.

Die um zwei Prozentpunkte niedrigere Korrekturquote vermeidet rechnerisch 6,72 spätere Nacharbeiten pro Monat. Bei 35 Minuten je Fall sind das nominell 2.587 Euro Arbeitszeit pro Jahr. Mit demselben Realisierungsfaktor von 50 Prozent werden daraus rund 1.294 Euro wirtschaftlich nutzbarer Vorteil. Insgesamt sind damit rund 27.166 Euro Jahresnutzen anrechenbar. Die getrennte Erfassung der Korrekturzeit verhindert, dass dieselben Minuten zweimal gezählt werden.

Den jährlichen Vollkosten von 55.500 Euro stehen somit 27.166 Euro Nutzen gegenüber:

ROI = (27.166 − 55.500) / 55.500 = −51,1 Prozent

Die Grenze dieser Effizienzrechnung ist entscheidend: Selbst wenn 100 Prozent der eingesparten Erstbearbeitungs- und Korrekturzeit wirtschaftlich genutzt würden, ergäben sich nur 54.331 Euro Jahresnutzen. Es fehlten weiterhin rund 1.169 Euro zur Kostendeckung. Mehr nutzbare Zeit verbessert den ROI, erreicht hier allein aber keinen Break-even.

Sensitivität statt Prognose: Wie Conversion das Ergebnis verändert

Die folgende Sensitivität zeigt, wie stark eine Veränderung der Abschlussquote das Ergebnis beeinflussen würde. Grundlage sind 336 KI-unterstützte Angebote pro Monat und 2.500 Euro durchschnittlicher Deckungsbeitrag pro gewonnenem Auftrag.

Für den Break-even fehlen in der Basisrechnung 28.334 Euro. Geteilt durch 336 Angebote × 12 Monate × 2.500 Euro Deckungsbeitrag ergibt das einen nötigen Anstieg der Abschlussquote um rund 0,28 Prozentpunkte. Rechnerisch ist die Schwelle klein; ob die KI sie verursacht, ist eine andere Frage.

Bei einer angenommenen Ausgangsquote von 20 Prozent bräuchte der Nachweis eines Anstiegs um 0,5 Prozentpunkte in einem üblichen zweiseitigen Test rund 100.000 unabhängige Angebote je Gruppe (5 Prozent Signifikanzniveau, 80 Prozent Teststärke – die Chance, diesen angenommenen Effekt zu entdecken). Bei 420 geeigneten Angeboten pro Monat und hälftiger Aufteilung wären das rechnerisch gut 40 Jahre. Die Näherung für zwei Anteilswerte setzt vergleichbare, unabhängige Fälle voraus; Verkäufer- und Fallmixeffekte können den Bedarf verändern. Für diesen Pilot bleibt Conversion daher ein Szenario, bis stärkere Evidenz vorliegt.

So wird die Wirkung belastbar: sechs einfache Messregeln

1. Ausgangslage vor dem Pilot festhalten

Erfassen Sie vor dem Start Zeit, Qualität und Kosten. Bei hohen Fallzahlen können vier Wochen genügen, bei saisonalen Prozessen braucht es mehr. Definition und Erfassung der Kennzahlen bleiben über beide Phasen gleich.

2. Ähnliche Fälle vergleichen

Vergleichen Sie möglichst ähnliche Vorgänge zeitgleich mit und ohne KI. Alternativen sind ein gestaffelter Rollout oder ein dokumentierter Vorher-Nachher-Vergleich. Berücksichtigen Sie Saison, Auftragsmix und parallele Änderungen.

3. Geplante und tatsächliche Nutzung trennen

Erfassen Sie sowohl alle vorgesehenen als auch die tatsächlich KI-unterstützten Fälle. Nur die aktive Gruppe zu zeigen, überschätzt den Rollout-Erfolg.

4. Qualitätsgrenzen vorab festlegen

Eine Zielgröße wird mit klaren Qualitätsgrenzen kombiniert. Beispiel: Die typische Durchlaufzeit soll sinken, während korrekte Angebote, Preis- und Klauselfehler sowie Marge mindestens stabil bleiben.

5. Den Nutzen erst nach Realisierung verbuchen

Freie Minuten werden erst zu finanziellem Nutzen, wenn dadurch mehr Vorgänge bearbeitet, Rückstände reduziert, Fremdleistungen vermieden oder andere wertschöpfende Arbeit erledigt wird. Deshalb sollte nur der tatsächlich nutzbare Anteil der Zeitersparnis angerechnet werden.

6. Messaufwand und Entscheidung proportional halten

Wählen Sie den Messaufwand nach Investition und Risiko. Eine günstige Assistenzfunktion braucht kein monatelanges Forschungsdesign; eine breite Einführung verlangt einen belastbareren Vergleich.

Auch das NIST AI Risk Management Framework betont kontextbezogene Ziele, einsatznahe Tests und laufende Überwachung. Die technische Perspektive vertieft der AI-Fabrik-Beitrag „LLM-Evaluierung: So messen Unternehmen KI-Qualität“.

Was die Kundenservice-Forschung zeigt – und was nicht

Eine 2025 im Quarterly Journal of Economics veröffentlichte Feldstudie mit 5.172 Kundenservice-Mitarbeitenden fand im Durchschnitt 15 Prozent mehr gelöste Fälle pro Stunde. Bei weniger erfahrenen Beschäftigten waren es 30 Prozent; bei den erfahrensten blieb der Produktivitätseffekt klein, teils sank die Gesprächsqualität leicht.

Die Studie erfasst auch Qualitätsmaße, betrifft aber nur ein Unternehmen und ein Chat-System. Ein allgemeiner ROI folgt daraus nicht. Eigene Servicepiloten sollten Lösungsrate, Wiederkontakte, Eskalationen, Zufriedenheit und Kosten je Lösung messen. Der AI-Fabrik-Praxischeck zu Voice-Agenten im Kundenservice ergänzt technische Grenzen.

Was die verwendeten Quellen belegen – und was offenbleibt

Die vier Hauptquellen beantworten unterschiedliche Fragen. Keine von ihnen beweist für sich die zentrale Argumentation oder liefert einen allgemeingültigen ROI-Benchmark.

Vollkosten und Nutzen: Warum Tokenpreise nur einen Teil erklären

Vollkosten – Total Cost of Ownership (TCO) – umfassen Einführung und Betrieb. Dazu gehören:

• Lizenzen, API-, Token- und Infrastrukturkosten,
• Integration, Datenaufbereitung, Berechtigungen und Prompt-Pflege,
• Evaluation, Monitoring und Qualitätskontrollen,
• Datenschutz, Sicherheit, Mitbestimmung, Schulung und Support,
• Fehler-, Ausfall-, Modellwechsel-, Migrations- und Abschaltkosten.

Die FinOps Foundation empfiehlt, KI-Verbrauch und Prozessergebnis gemeinsam zu betrachten. Dafür eignet sich etwa:

Kosten pro erfolgreichem Vorgang = sämtliche zurechenbaren Vollkosten / Anzahl der Vorgänge, die Ziel und Qualitätsgrenzen erfüllen

Jährlicher Nettonutzen = realisierter Kapazitätsnutzen + zusätzlicher Deckungsbeitrag + vermiedene Fehler- und Risikokosten − jährliche TCO einschließlich verteilter Einführungskosten

Ein günstiger Modellaufruf kann durch Wiederholungen pro erfolgreichem Ergebnis teuer werden.

Was eine ROI-Rechnung dennoch ausblenden kann

Kundenvertrauen, Kompetenzaufbau und Entlastung sollten nicht mit beliebigen Eurobeträgen versehen werden. Sie lassen sich jedoch durch beobachtbare Ersatzkennzahlen konkretisieren:

Diese Kennzahlen bleiben getrennt vom finanziellen ROI und werden mit ihrer jeweiligen Belegstärke ausgewiesen.

Governance als Teil der Ergebnisbewertung

Für Angebote müssen Datenzugriff, Preisfreigaben, Vertragsklauseln, Protokollierung und menschliche Verantwortung geklärt sein.

Praktische Risikokennzahlen sind:

• Anteil der Angebote mit nicht freigegebenen Preis- oder Vertragsabweichungen,
• Anteil der KI-Ausgaben ohne nachvollziehbare Datenquelle,
• Fehler nach Kundenversand und dadurch entstehende Kosten,
• Zugriffs- oder Datenschutzvorfälle sowie Zeit bis zur Korrektur.

Monitoring darf nicht zur verdeckten Leistungsüberwachung werden. In Deutschland ist bei technischen Einrichtungen zur Überwachung von Verhalten oder Leistung der Beschäftigten § 87 Abs. 1 Nr. 6 BetrVG zu prüfen. Datenschutz und Rollenrechte bleiben ebenfalls Teil des Prozessdesigns.

Fazit: Erst diagnostizieren, dann über Skalierung entscheiden

Ein fehlender ROI-Nachweis kann Wertlücke, Messlücke oder Zeitverzug bedeuten. Entscheiden Sie anhand von Durchlaufzeit, Fehlern, Marge, Vollkosten und nutzbarer Kapazität – und prüfen Sie Lernwert und Risiken gesondert. Ein positiver Pilotwert ohne guten Vergleich kann ebenso täuschen wie ein fehlender ROI-Beleg.

Weiterführende Artikel auf AI-Fabrik

• Von Piloten zu Produktivsystemen: Wie Unternehmen 2026 Generative AI wirklich skalieren
• LLM-Evaluierung: So messen Unternehmen KI-Qualität
• Microsoft Copilot im Vertrieb & Key Account Management sicher einsetzen
• Voice-Agenten mit GPT-Live-1: Sinnvolle Praxis für KMU und Enterprise

Quellen

• Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey: Generative AI at Work, Quarterly Journal of Economics, Band 140, Ausgabe 2, Mai 2025.
• McKinsey & Company: The state of AI in 2025: Agents, innovation, and transformation, 5. November 2025.
• NIST: AI Risk Management Framework Core – Map, Measure, Manage, AI RMF 1.0; online eingesehen am 23. September 2026. NIST weist darauf hin, dass Version 1.0 derzeit überarbeitet wird.
• FinOps Foundation: Token Economics: The Atomic Unit of AI Value, 10. Mai 2026.
• statsmodels: NormalIndPower.solve_power, Dokumentation der Teststärkenrechnung für zwei unabhängige Gruppen; Rechenannahmen im Text ausgewiesen.