Wie berechnet man die KI-Kosten pro Nutzer, Transaktion oder Geschäftsergebnis?

Um die KI-Kosten pro Nutzer zu berechnen, dividieren Sie Ihre gesamten Ausgaben für die KI-Infrastruktur und den Betrieb durch die Anzahl der aktiven Nutzer im gleichen Zeitraum. Um die KI-Kosten pro Transaktion zu berechnen, dividieren Sie die gesamten KI-Ausgaben durch die Anzahl der verarbeiteten KI-gesteuerten Transaktionen. Um eine der beiden Kennzahlen mit den Geschäftsergebnissen zu verknüpfen, müssen diese Kosten den erzielten Umsätzen, den vermiedenen Kosten oder den Produktivitätsgewinnen gegenübergestellt werden, die jede KI-Workload erzeugt.

Für Unternehmen, die KI in großem Maßstab einsetzen, ist keine dieser Berechnungen einfach. KI-Workloads vereinen Rechenleistung, Speicherplatz, API-Aufrufe, Modelllizenzen und Kosten für die personelle Überwachung auf eine Weise, für die die herkömmliche IT-Kostenrechnung nie ausgelegt war. In den folgenden Abschnitten werden die einzelnen Berechnungsmethoden, ihre Unterschiede sowie die Verknüpfung der KI-Ausgaben mit den für das Unternehmen tatsächlich relevanten Ergebnissen erläutert.

Wovon hängen die tatsächlichen Kosten für den groß angelegten Einsatz von KI ab?

Die tatsächlichen Kosten für den groß angelegten Einsatz von KI setzen sich aus vier miteinander verknüpften Kostenebenen zusammen: Rechenleistung und Infrastruktur, Modelllizenzen und API-Nutzung, Datenverarbeitung und -speicherung sowie menschliche Überwachung. Die meisten Unternehmen unterschätzen die Gesamtkosten für KI, da sie nur die offensichtlichste Ebene erfassen – in der Regel die Kosten für Rechenleistung oder API-Gebühren –, während sich die anderen Kosten im Hintergrund unbemerkt summieren.

Wenn man diese Ebenen genauer betrachtet, erhält man ein klareres Bild davon, wohin die Ausgaben für KI tatsächlich fließen:

• Rechenleistung und Infrastruktur: GPU- oder TPU-Nutzung, Cloud-Instanzstunden sowie etwaige reservierte Kapazitäten für das Modelltraining oder die Inferenz. Diese Kosten schwanken erheblich, je nachdem, ob Sie Ihre eigenen Modelle ausführen oder diese als Dienstleistung nutzen.
• Modelllizenzierung und API-Nutzung: Abonnementgebühren, Token-basierte Preise oder Gebühren pro Aufruf von KI-Anbietern wie OpenAI, Google oder Microsoft. Bei großem Umfang können die Kosten für die API-Nutzung schneller steigen als die Nutzerakzeptanz.
• Datenverarbeitung und -speicherung: Die Kosten für die Erfassung, Bereinigung, Speicherung und Abfrage der Daten, auf denen Ihre KI-Modelle basieren. Dazu gehören Vektordatenbanken, Speicher für Embeddings und die Infrastruktur für Datenpipelines.
• Menschliche Aufsicht und Betriebsabläufe: Die Zeit, die Ihre Ingenieure, Datenwissenschaftler und IT-Mitarbeiter für die Verwaltung, Überwachung und Feinabstimmung von KI-Systemen aufwenden. Diese wird häufig bei der Berechnung der KI-Kosten nicht berücksichtigt, was zu einer verzerrten Darstellung der tatsächlichen Gesamtbetriebskosten führt.

Das Verständnis aller vier Ebenen ist der Ausgangspunkt für jede aussagekräftige KI-Kostenberechnung. Ohne diese Grundlage werden die Kennzahlen pro Nutzer und pro Transaktion Ihre tatsächlichen KI-Ausgaben systematisch zu niedrig ansetzen.

Wie berechnet man die KI-Kosten pro Nutzer?

Die KI-Kosten pro Nutzer werden berechnet, indem Sie Ihre gesamten KI-bezogenen Ausgaben über einen bestimmten Zeitraum durch die Anzahl der aktiven Nutzer dividieren, die im selben Zeitraum KI-gestützte Funktionen oder Tools nutzen. Der Begriff “aktiv” ist hier entscheidend: Wenn Sie alle registrierten oder lizenzierten Nutzer zählen, anstatt nur diejenigen, die tatsächlich KI-Workloads erzeugen, erhalten Sie einen Wert, der Ihre tatsächlichen Stückkosten unterschätzt.

Eine praktische Formel sieht folgendermaßen aus:

• Schritt 1: Summieren Sie alle KI-bezogenen Kosten für den Zeitraum, einschließlich Rechenleistung, API-Gebühren, Dateninfrastruktur, Lizenzen und eines anteiligen Betrags der Personalkosten.
• Schritt 2: Definieren Sie den Begriff “aktiver Nutzer” einheitlich, beispielsweise als jeden Nutzer, der im Laufe des Monats mindestens eine KI-gestützte Interaktion ausgelöst hat.
• Schritt 3: Teilen Sie die gesamten KI-Ausgaben durch die Anzahl der aktiven Nutzer.
• Schritt 4: Segmentieren Sie nach Abteilung, Produktlinie oder Anwendungsfall, um festzustellen, wo die KI-Kosten pro Nutzer im Verhältnis zu dem von diesen Nutzern generierten Wert hoch sind.

Die daraus resultierende Kennzahl gewinnt an Aussagekraft, wenn man sie über einen längeren Zeitraum hinweg verfolgt und zwischen verschiedenen Teams vergleicht. Hohe KI-Kosten pro Nutzer in einem Vertriebsteam, das deutlich mehr Geschäfte abschließt, können durchaus gerechtfertigt sein. Die gleiche Kennzahl in einem Supportbereich, in dem keine messbare Produktivitätssteigerung zu verzeichnen ist, deutet hingegen auf ein Potenzial zur Kostenoptimierung hin. Die Kosten pro Nutzer sind eine diagnostische Kennzahl, kein endgültiges Urteil.

Wie berechnet man die KI-Kosten pro Transaktion?

Die KI-Kosten pro Transaktion werden berechnet, indem die gesamten KI-Ausgaben über einen bestimmten Zeitraum durch die Anzahl der in diesem Zeitraum abgeschlossenen KI-gesteuerten Transaktionen geteilt werden. Eine “Transaktion” ist in diesem Zusammenhang jede einzelne, messbare Einheit der KI-Leistung: ein verarbeitetes Dokument, eine geklärte Kundenanfrage, eine abgeschlossene Betrugsprüfung, eine generierte Empfehlung oder ein akzeptierter Code-Vorschlag.

Die Herausforderung besteht darin, die Transaktionsgrenzen genau zu definieren, bevor man die Zahlen auswertet. Unklare Transaktionsdefinitionen führen zu Zahlen, die nicht über verschiedene Zeiträume oder Teams hinweg verglichen werden können. Um die KI-Kosten pro Transaktion genau zu berechnen:

• Definieren Sie die Transaktionseinheit auf der Ebene des Anwendungsfalls und nicht auf der Systemebene. Ein einzelnes KI-System kann mehrere Transaktionsarten mit sehr unterschiedlichen Kostenprofilen unterstützen.
• Die Kosten für gemeinsam genutzte Infrastruktur sollen proportional auf die verschiedenen Transaktionsarten aufgeteilt werden, basierend auf dem Rechenaufwand oder dem Anrufaufkommen.
• Beziehen Sie fehlgeschlagene oder abgelehnte Transaktionen nur dann in Ihren Nenner ein, wenn sie weiterhin KI-Ressourcen beanspruchen, was in der Regel der Fall ist.
• Verfolgen Sie die Kosten pro Transaktion im Zeitverlauf, um festzustellen, ob sich die Effizienz mit steigendem Volumen verbessert.

Gut strukturiert FinOps-Verfahren Wir bieten Ihnen die Infrastruktur für Tagging, Zuordnung und Berichterstellung, die Sie benötigen, um die KI-Ausgaben nach Workloads aufzuschlüsseln – eine Voraussetzung für jede zuverlässige Berechnung der Kosten pro Transaktion.

Was ist der Unterschied zwischen den KI-Kosten pro Transaktion und den Kosten pro Geschäftsergebnis?

Die KI-Kosten pro Transaktion geben an, wie viel Sie für die Erzeugung einer Einheit KI-Output ausgeben. Die KI-Kosten pro Geschäftsergebnis geben an, wie viel Sie ausgeben, um ein Ergebnis zu erzielen, das für das Unternehmen tatsächlich von Bedeutung ist. Der Unterschied ist erheblich: Eine Transaktion ist eine Aktivität, während ein Geschäftsergebnis eine Folge ist, die finanziellen oder strategischen Wert hat.

Beispielsweise könnte ein KI-Modell monatlich 10.000 Kundenservice-Transaktionen zu Kosten von jeweils zwei Euro verarbeiten. Wenn jedoch nur 60% dieser Transaktionen zu einer Problemlösung ohne Eskalation an einen Mitarbeiter führen, sind Ihre Kosten pro erfolgreicher Lösung erheblich höher, als es die Kosten pro Transaktion vermuten lassen. Und wenn jedes gelöste Problem den Mitarbeitern messbar Zeit spart, können Sie beginnen, die Kosten pro gelieferter Werteinheit statt der Kosten pro Aktivitätseinheit zu berechnen.

Die Kosten pro Geschäftsergebnis lassen sich schwerer berechnen, da hierfür definiert werden muss, was unter “Ergebnis” zu verstehen ist, gemessen werden muss, ob die KI dieses tatsächlich erzielt hat, und ihm ein Wert zugewiesen werden muss. Doch gerade diese Kennzahl macht Investitionsentscheidungen im Bereich KI gegenüber dem Vorstand und der Finanzabteilung vertretbar. Die Kosten pro Transaktion geben Aufschluss darüber, ob Ihre KI effizient arbeitet. Die Kosten pro Geschäftsergebnis zeigen Ihnen, ob sich der Betrieb überhaupt lohnt.

Wie lassen sich Ausgaben für KI mit messbaren Geschäftsergebnissen verknüpfen?

Sie stellen einen Zusammenhang zwischen den Ausgaben für KI und messbaren Geschäftsergebnissen her, indem Sie eine Verantwortungskette aufbauen, die von einzelnen KI-Workloads über die von ihnen unterstützten Geschäftsprozesse bis hin zu den finanziellen oder operativen Ergebnissen reicht, die diese Prozesse hervorbringen. Dazu sind drei Dinge erforderlich: eine konsistente Kostenverrechnung, definierte Ergebniskennzahlen und eine Governance-Struktur, die beide Aspekte gemeinsam überprüft.

In der Praxis bedeutet das:

• AI-Ausgaben auf Workload-Ebene kennzeichnen: Jede KI-Anwendung sollte Metadaten enthalten, aus denen hervorgeht, welchen Geschäftsprozess sie unterstützt, welches Team dafür verantwortlich ist und zu welchem Produkt oder welcher Dienstleistung sie beiträgt. Ohne diese konsequente Kennzeichnung lassen sich die Ausgaben auf keiner Detailebene mit den Ergebnissen in Verbindung bringen.
• Legen Sie vor der Bereitstellung Erfolgskennzahlen fest: Für jede KI-Initiative sollte es eine im Vorfeld festgelegte Reihe von Ergebniskennzahlen geben, wie beispielsweise die Verkürzung der Bearbeitungszeit, die Steigerung der Konversionsrate oder die Senkung der Fehlerquote, die als Maßstab für die Bewertung der Kosten dienen.
• Richten Sie einen regelmäßigen Überprüfungsrhythmus ein: Kosten- und Ergebnisdaten sollten regelmäßig gemeinsam überprüft werden, nicht nur im Rahmen von Haushaltszyklen. Hier überschneiden sich FinOps und das Finanzmanagement in der IT: Die gleichen Methoden, die für die Steuerung der Cloud-Ausgaben sorgen, lassen sich direkt auf das Management der KI-Ausgaben anwenden.
• Kosten- und Leistungsdaten mithilfe von KI zusammenführen: Die KI-Kosten pro Ergebnis werden erst dann sichtbar, wenn Ihre Finanzberichterstattung mit den operativen Daten verknüpft ist. Dies erfordert in der Regel gemeinsame Tools oder eine gezielte Datenintegration zwischen den Teams aus den Bereichen Finanzen, IT und Geschäft.

Das „Technology Business Management“ (TBM)-Rahmenwerk bietet hierfür eine nützliche Struktur. Es ordnet Technologiekosten den Dienstleistungen und Produkten zu, die sie ermöglichen, und von dort aus den Geschäftsfähigkeiten und Ergebnissen, die sie unterstützen. Wendet man dieselbe Logik auf KI-Workloads an, erhält man eine einheitliche Methode, um KI-Ausgaben in die Sprache des Geschäftswerts zu übersetzen.

Welche Tools und Frameworks unterstützen die Kostenverfolgung im Bereich KI?

Die nützlichsten Tools und Frameworks für die KI-Kostenverfolgung kombinieren Funktionen zum Cloud-Kostenmanagement mit Finanz-Governance-Strukturen, die dem verbrauchsbasierten, variablen Kostenprofil der KI gerecht werden. Kein einzelnes Tool löst das Problem vollständig, doch eine gut ausgewählte Kombination aus FinOps-Tools, IT-Finanzmanagement-Plattformen und Tools zur KI-Beobachtbarkeit schließt die wichtigsten Lücken.

Wichtige zu berücksichtigende Kategorien:

• FinOps-Plattformen: Tools wie Apptio Cloudability bieten Funktionen zur Kostenverrechnung, Empfehlungen zur Optimierung der Kapazitäten und zum Commitment-Management über verschiedene Cloud-Anbieter hinweg. Diese Plattformen lassen sich so erweitern, dass sie KI-spezifische Workloads erfassen, sofern die Tagging- und Zuordnungsrichtlinien korrekt eingerichtet sind. A Bewertung des Reifegrades von FinOps ist ein nützlicher Ausgangspunkt, um zu erkennen, wo Ihre derzeitigen Vorgehensweisen Lücken aufweisen.
• Tools zur Beobachtbarkeit von KI: Plattformen, die speziell für die Überwachung von LLM- und KI-Workloads entwickelt wurden, wie beispielsweise LangSmith oder ähnliche Tools, erfassen die Token-Nutzung, die Latenz und die Modellleistung auf Aufrufebene. Diese liefern die detaillierten Daten, die in die Berechnung der Kosten pro Transaktion einfließen.
• IT-Finanzmanagement-Plattformen: TBM-konforme Plattformen ordnen Technologiekosten den Geschäftsdienstleistungen und -ergebnissen zu. Durch die Integration von KI-Kostendaten in eine TBM-Taxonomie erhalten Führungskräfte einen einheitlichen Überblick über die KI-Ausgaben im Zusammenhang mit dem übrigen IT-Portfolio.
• Benutzerdefinierte Dashboards und Datenpipelines: Viele Unternehmen entwickeln interne Tools, um KI-Nutzungsdaten von Anbietern mit Finanzdaten aus ihren ERP- oder Finanzsystemen zu verknüpfen. Dies ist oft notwendig, da Standardtools die KI-Kostenverrechnung noch nicht von Haus aus vollständig unterstützen.

Die Rahmenbedingungen sind ebenso wichtig wie die Tools. FinOps bietet das Betriebsmodell für die Kostensteuerung in den Bereichen Cloud und KI: die Rollen, Entscheidungsbefugnisse, Zeitabstände und Verantwortungsstrukturen, die Daten in Entscheidungen umsetzen. Ohne diese Steuerungsebene liefern selbst die besten Tools Berichte, auf die niemand reagiert. Sie können herausfinden, wie Einführung von FinOps-Tools In der Praxis lässt sich so nachvollziehen, wie ein geregelter KI-basierter Kostenverfolgungsprozess von Anfang bis Ende aussieht.

So unterstützen wir Sie bei der Verwaltung und Berechnung Ihrer KI-Kosten

Wir arbeiten mit großen Unternehmen zusammen, um Finanz-Governance-Strukturen und -Tools zu entwickeln, die KI-Kostenberechnungen nicht nur sichtbar, sondern auch umsetzbar machen. Unser Ansatz verknüpft KI-Ausgaben durch eine Kombination aus FinOps-Verfahren, TBM-Frameworks und praktischer Unterstützung bei der Umsetzung direkt mit den Geschäftsergebnissen. Konkret helfen wir Ihnen dabei:

• Entwickeln und implementieren Sie eine Taxonomie zur Kostenverrechnung, die KI-Workloads auf der richtigen Detailebene erfasst und dabei Rechenleistung, API-Nutzung, Dateninfrastruktur sowie den betrieblichen Aufwand abdeckt.
• Legen Sie Kostenrichtwerte pro Benutzer und pro Transaktion fest, damit Sie die Wirtschaftlichkeit einzelner KI-Einheiten im Zeitverlauf verfolgen und über Teams und Anwendungsfälle hinweg vergleichen können.
• Integrieren Sie die KI-Kostendaten in Ihr übergeordnetes IT-Finanzmanagement-Reporting, damit die Führungskräfte die KI-Ausgaben im Kontext des gesamten Technologieportfolios betrachten können.
• Schaffen Sie einen Regelrhythmus für die Unternehmensführung und Entscheidungsstrukturen, die die Transparenz der KI-Kosten in konkrete Optimierungs- und Investitionsentscheidungen umsetzen.
• Verknüpfen Sie die Ausgaben für KI mit festgelegten Kennzahlen für Geschäftsergebnisse, damit die Finanzabteilung und der Vorstand einen klaren Überblick über den Zusammenhang zwischen Technologieinvestitionen und messbarem Geschäftsnutzen erhalten.

Wenn Sie die Erfassung der KI-Kosten aus Tabellenkalkulationen in ein Managementsystem überführen möchten, das denselben hohen Standards entspricht, die Sie auch für den Rest Ihres IT-Portfolios anwenden, Nehmen Sie Kontakt mit uns auf und wir zeigen Ihnen, wo Sie anfangen können.