Wie unterscheidet man sinnvolle Ausgaben für KI von verschwendeten Ausgaben für KI?

Sie können sinnvolle KI-Ausgaben von KI-Verschwendung unterscheiden, indem Sie sich eine Frage stellen: Bringt diese KI-Initiative ein messbares Ergebnis hervor, das ihre Kosten rechtfertigt? Sinnvolle KI-Investitionen reduzieren den Arbeitsaufwand, beschleunigen Entscheidungen, verbessern die Kundenergebnisse oder generieren Umsatz. KI-Verschwendung hingegen verbraucht Budget für Tools, die im Hintergrund laufen, bereits vorhandene Funktionen duplizieren oder Ergebnisse liefern, auf die niemand reagiert. In den folgenden Abschnitten wird erläutert, wie man Verschwendung erkennt, Ausgaben nachverfolgt, den ROI misst und die Geschäftsargumente für intelligentere Investitionsentscheidungen im KI-Bereich aufbaut.

Was macht eine KI-Investition wirklich wertvoll und was macht sie zu einer Fehlinvestition?

Eine Investition in KI ist dann wirklich sinnvoll, wenn sie zu einem messbaren Geschäftsergebnis führt, das die Gesamtkosten übersteigt – einschließlich Lizenzgebühren, Integration, Rechenleistung, Wartung und des personellen Aufwands für den Betrieb. Verschwenderische KI-Ausgaben entstehen, wenn Tools ohne definierten Anwendungsfall, ohne Akzeptanz oder ohne Überprüfung eingesetzt werden, ob die Ergebnisse das Verhalten oder die Ergebnisse beeinflussen.

Der Unterschied liegt nicht in der Technologie selbst, sondern in der Steuerung und der Absicht. Ein generatives KI-Tool, das Berichte zusammenfasst, ist wertvoll, wenn es Entscheidungsträgern nennenswerte Zeit spart und diese Zeit für wertschöpfendere Aufgaben genutzt werden kann. Dasselbe Tool ist hingegen reine Verschwendung, wenn Analysten Zusammenfassungen erstellen, die niemand liest.

Drei Indikatoren unterscheiden zuverlässig zwischen Wert und Abfall:

• Ein festgelegter Problemverantwortlicher. Jemand aus der Branche hat sich dazu entschlossen, die Ergebnisse der KI zu nutzen, um eine Entscheidung zu treffen oder eine Aufgabe schneller und besser zu erledigen.
• Ein Ausgangswert zum Vergleich. Sie wissen, wie viel der Prozess vor der Einführung der KI gekostet hat bzw. wie lange er gedauert hat, sodass Sie die Differenz ermitteln können.
• Eine Rückkopplungsschleife. Das Team, das das Tool einsetzt, überprüft regelmäßig, ob es weiterhin den gewünschten Nutzen bringt, und kann es eskalieren oder außer Betrieb nehmen, falls dies nicht mehr der Fall ist.

Ohne diese drei Elemente sind Ausgaben für KI bestenfalls explorativ und schlimmstenfalls reine Verschwendung.

Was sind die häufigsten Anzeichen für KI-Verschwendung in der Unternehmens-IT?

Die häufigsten Anzeichen für eine Verschwendung von KI-Ressourcen in der Unternehmens-IT sind geringe Akzeptanzraten, doppelte Tools, nicht zugeordnete Kosten sowie KI-Ergebnisse, die nicht in Entscheidungen oder Arbeitsabläufe einfließen. Diese Muster bleiben oft unentdeckt, da die KI-Kosten über Cloud-Rechnungen, Software-Abonnements und interne Entwicklungsbudgets verstreut sind, anstatt an einer Stelle zusammengefasst zu werden.

Achten Sie auf folgende konkrete Warnzeichen:

• Verbreitung von „Shadow AI“. Einzelne Teams oder Abteilungen beschaffen KI-Tools eigenständig, was zu Überschneidungen bei den Funktionen führt, ohne dass eine zentrale Kontrolle besteht.
• Kosten für nicht zugeordnete oder nicht zweckgebundene KI-Rechenleistung. Die Cloud-Ausgaben für KI-Workloads lassen sich nicht auf ein bestimmtes Team, ein bestimmtes Produkt oder ein bestimmtes Geschäftsergebnis zurückführen.
• Pilotlähmung. KI-Pilotprojekte laufen monatelang ohne einen klaren Entscheidungspunkt weiter und verbrauchen Budget und Entwicklungszeit, ohne dass sie in die Produktion übergehen oder eingestellt werden.
• Nicht genutzte Lizenzen. Die Abonnements für KI-Software sind zwar aktiv, doch die Auslastung der Lizenzen ist gering, was häufig darauf zurückzuführen ist, dass die Tools spekulativ oder ohne angemessenes Änderungsmanagement erworben wurden.
• Es gibt keine Struktur zur Rechenschaftspflicht. Es gibt keinen fest zugewiesenen Verantwortlichen, der darüber wacht, ob sich eine KI-Investition auszahlt, sodass niemand Alarm schlägt, wenn dies nicht der Fall ist.

Diese Probleme spiegeln die allgemeinen Herausforderungen beim Kostenmanagement in der Cloud wider. Die Kosten werden zwar auf einer Rechnung sichtbar, doch ohne Verantwortlichkeiten und Steuerung führt Transparenz allein nicht zu Maßnahmen.

Wie hilft das IT-Finanzmanagement dabei, die Ausgaben für KI nachzuverfolgen?

Das IT-Finanzmanagement (ITFM) hilft dabei, KI-Ausgaben nachzuverfolgen, indem es eine strukturierte Taxonomie erstellt, die alle KI-bezogenen Kosten – sei es Cloud-Rechenleistung, Softwarelizenzen oder interner Personalaufwand – einem Geschäftsdienst, einem Produkt oder einem Ergebnis zuordnet. Ohne diese Struktur sind KI-Kosten innerhalb größerer IT-Budgets nicht erkennbar, sodass es unmöglich ist, zu beurteilen, ob sich einzelne Investitionen lohnen.

ITFM bietet zahlreiche praktische Funktionen für die Kostenverfolgung im KI-Bereich. Es ordnet gemeinsam genutzte Infrastrukturkosten, wie beispielsweise GPU-Rechenleistung oder gemeinsam genutzte Modell-APIs, den Teams und Produkten zu, die diese nutzen. Es ermöglicht Showback- und Chargeback-Prozesse, sodass die Geschäftsbereiche die tatsächlichen Kosten der von ihnen genutzten KI-Funktionen nachvollziehen können. Zudem schafft es die finanzielle Grundlage, die für die Berechnung des ROI erforderlich ist, wenn Sie die Prozesskosten vor und nach dem Einsatz von KI vergleichen.

Wenn ITFM in ein FinOps-Praxis, … ergänzen Sie die Finanzstruktur um eine Echtzeit-Übersicht über die Cloud-Kosten. Diese Kombination ist besonders nützlich für KI-Workloads, die auf einer Cloud-Infrastruktur ausgeführt werden, da die Rechenkosten dort während des Modelltrainings oder der Inferenz in großem Maßstab unvorhersehbar in die Höhe schnellen können. Zusammen liefern ITFM und FinOps IT-Führungskräften entscheidungsreife Einblicke und nicht nur einen Bericht darüber, was ausgegeben wurde.

Anhand welcher Kennzahlen sollten Sie den ROI von KI messen?

Um den ROI von KI zu messen, sollten Sie das Verhältnis zwischen dem messbaren geschäftlichen Nutzen und den Gesamtbetriebskosten über einen definierten Zeitraum hinweg erfassen. Die Kennzahlen zum Nutzen variieren je nach Anwendungsfall, die Kostenkennzahlen sind jedoch einheitlich: Sie umfassen Rechenleistung, Lizenzen, Integration, Wartung sowie die anfallenden Kosten für die Arbeitszeit der Mitarbeiter, die für den Betrieb und die Verwaltung des Tools aufgewendet wird.

Was den Nutzen angeht, lassen sich die aussagekräftigsten Kennzahlen in drei Kategorien einteilen:

• Effizienzkennzahlen: Eingesparte Stunden pro Prozess, Senkung der Fehlerquoten, Verkürzung der Durchlaufzeit für eine Aufgabe oder Entscheidung.
• Finanzkennzahlen: Umsatzsteigerung durch KI-gestützte Empfehlungen, Kosteneinsparungen durch automatisierte Entscheidungen, Reduzierung des für einen Prozess erforderlichen Personalbedarfs.
• Qualitätskennzahlen: Verbesserung der Genauigkeit der Ergebnisse, der Kundenzufriedenheitswerte oder der Konsistenz von Entscheidungen, bei denen KI das menschliche Urteilsvermögen unterstützt.

Ein praktischer Ansatz besteht darin, die Messung auf der Ebene der Anwendungsfälle statt auf der Ebene der Tools vorzunehmen. Eine einzige KI-Plattform kann fünf verschiedene Anwendungsfälle mit sehr unterschiedlichen ROI-Profilen unterstützen. Wenn man die Plattform als Ganzes bewertet, lässt sich nicht erkennen, welche Anwendungsfälle erfolgreich sind und welche nicht. Eine detaillierte Messung liefert Ihnen die Daten, um verstärkt auf das zu setzen, was funktioniert, und das einzustellen, was nicht funktioniert.

Um diese Kennzahlen konsequent zu verfolgen, müssen zudem die KI-Kosten von Anfang an korrekt zugeordnet werden. Wenn Sie Rechen- und Lizenzkosten nicht einem bestimmten Anwendungsfall zuordnen können, lässt sich für diesen Anwendungsfall kein aussagekräftiger ROI berechnen.

Sollten KI-Kosten anders behandelt werden als andere IT-Kosten?

Die Kosten für KI sollten denselben finanziellen Steuerungsrahmen befolgen wie andere IT-Kosten, erfordern jedoch in drei Bereichen besondere Aufmerksamkeit: Schwankungen im Verbrauch, funktionsübergreifende Zuständigkeiten sowie das Tempo des Wandels bei Tools und Funktionen. Die Behandlung von KI als eine Sonderkategorie, die außerhalb des standardmäßigen IT-Finanzmanagements steht, führt zu blinden Flecken und erschwert die Festlegung von Verantwortlichkeiten.

Der Aspekt der Verbrauchsschwankungen ist wichtig. Im Gegensatz zu einer festen Softwarelizenz können die Kosten für KI-Rechenleistung – insbesondere bei generativer KI oder der Inferenz mit großen Modellen – je nach Nutzungsmuster erheblich schwanken. Dies erschwert die Prognose und macht die Kostenüberwachung in Echtzeit umso wichtiger. Dieselben Methoden, die Eine Bewertung des Reifegrades von FinOps Dies gilt für das Cloud-Kostenmanagement und lässt sich direkt hier anwenden: Tagging, Zuordnung, Rightsizing und verpflichtungsbasierter Einkauf.

Die Herausforderung der funktionsübergreifenden Zuständigkeiten ist auch im Bereich der KI besonders akut. Ein Data-Science-Team entwickelt vielleicht das Modell, ein Engineering-Team setzt es um, ein Geschäftsbereich nutzt es und die Finanzabteilung überwacht die Kosten – doch keine dieser Gruppen hat den vollständigen Überblick. Die Festlegung klarer Zuständigkeiten und eines gemeinsamen Entscheidungsrhythmus über alle Funktionen hinweg ist kein „Nice-to-have“. Es ist der Mechanismus, der KI-Ausgaben von einer Kostenstelle in eine kontrollierte Investition verwandelt.

Wie können IT-Führungskräfte einen Business Case für die Reduzierung von KI-Verschwendung erstellen?

IT-Führungskräfte können einen Business Case für die Reduzierung von KI-Verschwendung erstellen, indem sie die Kosten dieser Verschwendung quantifizieren, die Governance-Lücken identifizieren, die dazu geführt haben, und einen strukturierten Ansatz für die kontinuierliche Überwachung vorschlagen. Der Business Case muss nicht komplex sein, sollte jedoch den Zusammenhang zwischen KI-Ausgaben und Geschäftsergebnissen in einer Sprache verdeutlichen, die der Vorstand und die Finanzleitung verstehen.

Eine praktische Struktur für den Business Case umfasst vier Elemente:

1. Aktuelle Bestandsaufnahme der staatlichen Ausgaben. Erfassen Sie alle laufenden Ausgaben im Zusammenhang mit KI, einschließlich Cloud-Rechenleistung, SaaS-Lizenzen und interner Entwicklungszeit. Stellen Sie fest, welche Kosten sich auf ein bestimmtes Geschäftsergebnis zurückführen lassen und welche nicht.
2. Abfallmengenbestimmung. Schätzen Sie den Wert ungenutzter Lizenzen, nicht voll ausgelasteter Rechenkapazitäten und Pilotprojekte, die nicht vorangekommen sind. Selbst konservative Schätzungen fallen in der Regel erheblich aus, wenn KI-Tools ohne zentrale Aufsicht eingeführt wurden.
3. Vorschlag zur Unternehmensführung. Skizzieren Sie das Verantwortungsmodell, den Entscheidungsrhythmus und die Verfahren des Finanzmanagements, die erforderlich sind, um eine Wiederholung von Verschwendung zu verhindern. Dazu ist kein großes Team erforderlich, wohl aber klare Rollenverteilungen und ein regelmäßiger Überprüfungsprozess.
4. Erwartetes Ergebnis. Geben Sie die prognostizierten Einsparungen sowie den Zeitrahmen an, in dem diese erzielt werden können. Verweisen Sie dabei auf die Führungsstruktur als den Mechanismus, der die Einsparungen nachhaltig macht und dafür sorgt, dass es sich nicht um eine einmalige Maßnahme handelt.

Die überzeugendsten Business Cases stellen die Kostenoptimierung im Bereich KI nicht als Kosteneinsparung dar, sondern als Umschichtung von Budgets von wenig wertschöpfenden KI-Ausgaben hin zu wertschöpfenden KI-Initiativen. Diese Sichtweise findet bei Vorständen und Finanzvorständen Anklang, da sie Innovationen fördert, anstatt sie einzuschränken.

So helfen wir Ihnen dabei, Ihre KI-Ausgaben in messbaren Mehrwert umzuwandeln

Bei It’s Value unterstützen wir IT-Führungskräfte und CIOs dabei, eine Struktur für die Finanzsteuerung aufzubauen, die die Ausgaben für KI transparent, nachvollziehbar und optimiert macht. Unser Ansatz verbindet IT-Finanzmanagement mit FinOps-Methoden, um Ihnen einen umfassenden Überblick darüber zu verschaffen, wohin Ihr KI-Budget fließt und ob es die gewünschten Ergebnisse liefert.

Konkret unterstützen wir Sie bei folgenden Aufgaben:

• Vollständige Kostenverrechnung für KI-Workloads, einschließlich Cloud-Computing, gemeinsam genutzter Infrastruktur und Softwarelizenzen, die den Geschäftsdienstleistungen und -ergebnissen zugeordnet sind.
• FinOps-Verfahren für KI-Rechenleistung, darunter die Anpassung der Bestandsgrößen, die Regelung der Kennzeichnung sowie den verpflichtungsbasierten Einkauf, um Schwankungen und Mehrausgaben zu reduzieren.
• Gestaltung einer funktionsübergreifenden Steuerung, die Finanz-, IT-, Technik- und Geschäftsabteilungen auf eine gemeinsame Verantwortung für Investitionsentscheidungen im Bereich KI auszurichten.
• Berichte, die als Entscheidungsgrundlage dienen, Damit die Unternehmensleitung den ROI der KI auf der Ebene der Anwendungsfälle bewerten und fundierte Entscheidungen darüber treffen kann, wo investiert, ausgeweitet oder eingestellt werden soll.
• Integration mit Technology Business Management (TBM), die Verknüpfung von KI-Kostendaten mit Ihrem übergeordneten IT-Finanzmanagement-Rahmenwerk für strategische Portfolioentscheidungen.

Wenn Sie wissen möchten, wohin Ihre Ausgaben für KI fließen und welche Investitionen sich tatsächlich auszahlen, Nehmen Sie Kontakt mit uns auf um zu besprechen, wo wir anfangen sollen.