ROI von KI-Projekten berechnen

Kernfrage für Unternehmen

Der ROI eines KI-Projekts entsteht aus realistisch bewerteten Nutzenblöcken, einmaligen Investitionen, laufenden Kosten, Adoptionsgrad und einem klar definierten Betrachtungszeitraum (Niessner 2026; Zwingmann 2025).

Typische Stolpersteine

Viele Business Cases zählen Zeitersparnis doppelt. Wenn Mitarbeitende pro Vorgang Minuten sparen, entsteht noch keine realisierte Personalkostensenkung, solange das Unternehmen diese Zeit nicht tatsächlich für mehr Durchsatz, bessere Qualität, weniger Überstunden oder veränderte Kapazitätsplanung nutzt (Niessner 2026; Zwingmann 2025).

Ein zweiter Fehler liegt in zu niedrigen laufenden Kosten. KI-Projekte brauchen nach dem Go-live API- oder Hostingkosten, Monitoring, Datenpflege, Promptpflege, Support, Reviews, Security, Compliance und manchmal Retraining. Wer nur die Pilotkosten rechnet, überschätzt den ROI (Niessner 2026).

Zwingmann beschreibt zusätzlich die „Prototyping Trap“: Ein günstiger Prototyp wirkt überzeugend, aber die Produktionskosten entstehen erst durch Integration, Datenpipelines, Schulung, Governance, Monitoring und laufenden Betrieb. Führungskräfte sollten deshalb schon vor dem Pilot fragen, ob es einen plausiblen Pfad in den Betrieb gibt (Zwingmann 2025).

Bewährte Vorgehensweisen

Trennen Sie drei Blöcke: einmalige Investitionen, monatliche laufende Kosten und monatlichen laufenden Nutzen. Investitionen umfassen Integration, Datenaufbereitung, UI- oder Prozessanpassung, Schulung und Change. Laufende Kosten umfassen technische Nutzung, Betrieb, Datenpflege, Monitoring, Support und Compliance (Niessner 2026).

Bewerten Sie Nutzen konservativ. Zeitersparnis ergibt sich aus Minuten pro Vorgang, Volumen und Vollkostenstundensatz. Umsatznutzen kann aus höherer Conversion, größerem Warenkorb oder besserer Marge entstehen. Risikonutzen kann aus weniger Fehlern, weniger Gutschriften, geringeren Pönalen oder weniger Auditaufwand entstehen (Niessner 2026).

Planen Sie Adoption und Ramp-up. Ein KI-System liefert selten ab Tag eins den vollen Nutzen. Realistischer sind Szenarien wie 70 Prozent Nutzung im ersten Quartal und 90 Prozent später. Rechnen Sie konservativ, realistisch und optimistisch, damit Geschäftsführung und Finance die Unsicherheit sehen (Niessner 2026).

Ausgangswert vor dem Bau festlegen

Ein belastbarer Business Case beginnt mit dem Zustand ohne KI. Zwingmann empfiehlt, vor Entwicklung oder Beschaffung drei Fragen schriftlich zu beantworten: Was geschieht heute standardmäßig? Wird das Ergebnis mit KI besser? Wie groß ist die Verbesserung und was kostet sie? Ohne diesen Ausgangswert lässt sich ein späterer Effekt nicht sauber zurechnen; nachträglich konstruierte Kennzahlen erzeugen Scheingenauigkeit (Zwingmann 2026).

Bevorzugen Sie Baselines, die bereits in Prozessen und Fachsystemen entstehen: Ticketvolumen, Lösungsquote, Fehlerquote, Durchlaufzeit, Conversion, Gutschriften oder Kosten pro Vorgang. Wenn eine finanzielle Baseline nur durch engmaschige Überwachung einzelner Beschäftigter möglich wäre, sollte das Unternehmen nicht einfach mehr Personendaten sammeln. Es sollte prüfen, ob der Use Case besser über aggregierte Prozesswirkung, Qualität und Nacharbeit bewertet wird oder als Befähigungsinitiative statt als harter ROI-Fall gilt (Zwingmann 2026).

Investitionsgrenze und laufenden Cost Cap trennen

Zwingmann verwendet den Begriff Cost Cap in zwei unterschiedlichen Fassungen. Das Buch von 2025 versteht ihn als umfassende Kostenobergrenze für Entwicklung, Einführung, Lizenzen, Infrastruktur, Wartung und interne Ressourcen. Der spätere Blogbeitrag The Cost Cap Model verengt ihn ausdrücklich auf wiederkehrende Betriebskosten und stellt einmalige Entwicklungskosten außerhalb dieses operativen Caps (Zwingmann 2025; Zwingmann 2025).

Für die Unternehmenspraxis sind deshalb zwei getrennte Grenzen sinnvoll (Zwingmann 2025; Zwingmann 2025):

1. Investitionsgrenze: maximaler einmaliger Aufwand für Entwicklung, Integration, Datenaufbereitung, Einführung, Schulung und interne Projektressourcen.
2. Run-Cost-Cap: maximal zulässige laufende Kosten je Monat, Quartal oder Jahr für Inferenz, Hosting, Lizenzen, Monitoring, Datenpflege, Support und einen Risikopuffer.

Vergleichen Sie den Run-Cost-Cap mit einem Value Threshold derselben Periode, also dem wiederkehrenden Mindestwert. Bleibt der gelieferte Wert über dem Threshold und der Betrieb unter dem Cap, liegt das Vorhaben im operativen Wirtschaftlichkeitskorridor. Das allein beweist aber noch keinen positiven Gesamt-ROI: Die einmalige Investition muss sich zusätzlich innerhalb des vereinbarten Betrachtungszeitraums amortisieren (Zwingmann 2025; Niessner 2026).

Abbildung: Der Entscheidungspfad trennt den Ausgangswert ohne KI, die einmalige Investitionsgrenze und den laufenden Wirtschaftlichkeitskorridor aus Mindestwert und Run-Cost-Cap. Quelle: eigene Darstellung nach Zwingmann 2025, Zwingmann 2025 und Zwingmann 2026.

Zwingmanns 20-20-Regel eignet sich als pragmatischer Prototypenfilter: Ein erster Prototyp sollte in weniger als 20 Tagen lieferbar sein und nicht mehr als 20 Prozent des erwarteten jährlichen Wertpotenzials kosten. Wenn das nicht gelingt, ist der Use Case meist zu groß, zu unklar oder wirtschaftlich noch nicht reif genug (Zwingmann 2025).

Wirtschaftlichkeit und fachliche Machbarkeit bleiben zwei getrennte Gates. Value Threshold, Cost Cap und 20-20-Regel zeigen, ob ein Test finanziell sinnvoll begrenzt ist; sie beweisen nicht, dass die KI mit realistischen Fällen die erforderliche Qualität erreicht. Diesen Leistungsnachweis behandelt KI-Machbarkeit vor der Integration testen (Zwingmann 2026).

Abbildung: Projekterfolg hängt nicht nur vom Modell ab. Stakeholder- und Change Management, Datenqualität, Compliance, Pilotierung, Schulung und Monitoring beeinflussen Kosten, Adoption und damit den tatsächlichen ROI. Quelle: eigene Darstellung nach Niessner 2026.

Einstiegspunkte für die Umsetzung

Fragen Sie vor der Freigabe: Welche Nutzenblöcke rechnen wir wirklich in Euro? Welche Effekte bleiben qualitative Begleitindikatoren? Welche laufenden Kosten fallen monatlich an? Welchen Adoptionsgrad nehmen wir an? Nach wie vielen Monaten muss sich das Projekt amortisieren, damit wir weitermachen (Niessner 2026)?

Diese Seite ergänzt KI-Nutzen planen und messen, das Reifegrad und Messlogik verbindet. Die passenden Projektkennzahlen beschreibt KPIs und Monitoring für KI-Projekte (Niessner 2026; Zwingmann 2025).