Wie führt man eine finanzielle Nachbetrachtung einer KI-Initiative nach der Investition durch?

Um eine finanzielle Nachbewertung einer KI-Initiative nach der Investition durchzuführen, vergleichen Sie die tatsächlichen Kosten und messbaren Geschäftsergebnisse mit dem ursprünglichen Business Case. Dabei nutzen Sie ein strukturiertes Rahmenwerk, das sowohl direkte finanzielle Erträge als auch indirekte Werttreiber erfasst. Die Überprüfung sollte beurteilen, ob die Initiative die versprochenen Ergebnisse geliefert hat, wie hoch die tatsächlichen Gesamtkosten waren und ob die Investition fortgesetzt, ausgeweitet oder eingestellt werden sollte. Für große Unternehmen ist dieser Prozess am effektivsten, wenn er die KI-Ausgaben mit den allgemeinen Praktiken des IT-Finanzmanagements verknüpft. Die folgenden Abschnitte beantworten die häufigsten Fragen, die bei der Strukturierung dieser Überprüfung aufkommen.

Welche Finanzkennzahlen sollten Sie nach dem Start einer KI-Initiative im Auge behalten?

Nach dem Start einer KI-Initiative sollten Sie die Gesamtbetriebskosten, die erzielten Kosteneinsparungen oder die Auswirkungen auf den Umsatz, die Kosten für die Modellinferenz, die Produktivitätssteigerungen pro Benutzer oder Team sowie die Raten der Fehler- und Nacharbeitsreduzierung verfolgen. Diese Kennzahlen stellen einen direkten Zusammenhang zwischen den KI-Aktivitäten und den finanziellen Ergebnissen her und liefern Ihnen die Daten, die Sie benötigen, um zu beurteilen, ob die Initiative die im ursprünglichen Business Case vorgesehenen Ziele erreicht.

Gehen Sie über die reinen Kennzahlen hinaus und unterteilen Sie Ihre Nachverfolgung in zwei Kategorien:

• Kostenkennzahlen: Infrastrukturkosten (Rechenleistung, Speicher, APIs), Lizenzgebühren, laufende Kosten für das Training und das Umtrainieren von Modellen, Support und Wartung sowie die der Initiative zugewiesenen internen Personalkosten
• Wertkennzahlen: Zeitersparnis pro Prozess, Reduzierung des manuellen Aufwands gemessen in Vollzeitäquivalenten, beeinflusste oder generierte Umsätze, Qualitätsverbesserungen und Verbesserungen bei der Entscheidungsgeschwindigkeit

Ein häufiger Fehler besteht darin, nur Kostenkennzahlen zu erfassen, während Wertkennzahlen unberücksichtigt bleiben. Ohne beide Seiten der Gleichung können Sie weder den tatsächlichen ROI berechnen noch eine fundierte Entscheidung darüber treffen, ob die Initiative ausgeweitet werden soll. Legen Sie von Anfang an einen Erfassungsrhythmus fest – idealerweise monatlich für Kostendaten und vierteljährlich für Wertkennzahlen –, damit Sie zum Zeitpunkt der Nachinvestitionsprüfung über eine verlässliche Ausgangsbasis verfügen.

Wie berechnet man den tatsächlichen ROI eines KI-Projekts?

Um den tatsächlichen ROI eines KI-Projekts zu berechnen, zieht man die insgesamt angefallenen Kosten von den insgesamt erzielten Vorteilen ab, dividiert das Ergebnis durch die Gesamtkosten und drückt es als Prozentsatz aus. Die Herausforderung liegt nicht in der Formel selbst, sondern darin, genau zu erfassen, was in die einzelnen Kategorien fällt – insbesondere auf der Kostenseite, wo bei KI-Projekten die Kosten regelmäßig zu niedrig angesetzt werden.

Ein praktischer Ansatz umfasst drei Schritte:

1. Die insgesamt angefallenen Kosten beziffern: Berücksichtigen Sie alle Kosten für Infrastruktur, Lizenzen, Entwicklung, Integration, Datenaufbereitung, Schulungen und interne Personalkosten vom Projektbeginn bis zum Stichtag. Verlassen Sie sich nicht auf die ursprüngliche Budgetschätzung, sondern beziehen Sie die tatsächlichen Zahlen aus den Finanz- und IT-Systemen.
2. Realisierte Vorteile quantifizieren: Unterscheiden Sie zwischen „harten“ Vorteilen (messbare Kosteneinsparungen, direkt auf die KI-Ergebnisse zurückzuführende Einnahmen) und „weichen“ Vorteilen (Produktivitätssteigerungen, schnellere Entscheidungen). Setzen Sie „weiche“ Vorteile nach Möglichkeit in finanzielle Werte um, beispielsweise durch Multiplikation der eingesparten Stunden mit den durchschnittlichen Personalkosten einschließlich Sozialabgaben.
3. An die Zeit anpassen: Wenn die Initiative noch nicht einen vollständigen Leistungszyklus durchlaufen hat, sollten die Leistungszahlen auf Jahresbasis umgerechnet und mit einer Kostenprognose für das gesamte Jahr verglichen werden, anstatt nur einen Teilzeitraum heranzuziehen.

Insbesondere bei KI-Initiativen ist es bei der Berechnung des ROI sinnvoll, statt eines einzelnen Wertes einen Konfidenzbereich anzugeben. Da sich die KI-Leistung aufgrund von Modellabweichungen oder Veränderungen der Datenqualität verschieben kann, vermittelt ein Bereich, der sowohl Best-Case- als auch Worst-Case-Szenarien berücksichtigt, der Unternehmensführung ein realistischeres Bild als eine Punktschätzung.

Welche Kosten werden bei einer Nachprüfung einer KI-Investition typischerweise übersehen?

Die Kosten, die bei einer Nachbetrachtung von KI-Investitionen am häufigsten übersehen werden, sind die Datenaufbereitung und -kennzeichnung, das erneute Trainieren von Modellen, von Entwicklerteams eingerichtete „Shadow-IT“-Infrastruktur, der Zeitaufwand interner Mitarbeiter sowie die laufenden Kosten für die menschliche Überwachung, die zur Validierung der KI-Ergebnisse erforderlich ist. Diese versteckten Kosten können den ROI, der im ursprünglichen Business Case auf dem Papier vielversprechend aussah, erheblich schmälern.

Einige Kategorien verdienen besondere Beachtung:

• Datenkosten: Das Bereinigen, Beschriften und Verwalten der Daten, mit denen das Modell gefüttert wird, wird oft als bereits angefallene Kosten aus einem früheren Projekt betrachtet, anstatt sie der KI-Initiative zuzuordnen. In der Praxis handelt es sich dabei jedoch um eine direkte Abhängigkeit, die berücksichtigt werden sollte.
• Weiterbildung und Wartung: KI-Modelle verlieren mit der Zeit an Leistungsfähigkeit, da sich die Daten aus der Praxis von den Trainingsdaten entfernen. Die Rechen- und Personalkosten für ein regelmäßiges Nachtrainieren werden in der ursprünglichen Investitionsplanung selten berücksichtigt.
• Arbeit unter Einbeziehung des Menschen: Bei vielen KI-Implementierungen ist eine Überprüfung der Ergebnisse durch Menschen erforderlich, insbesondere in regulierten Branchen. Wenn dieser Arbeitsaufwand von bestehenden Teams ohne ausdrückliche Zuweisung übernommen wird, geht er in der Kostenbasis unter.
• Integration und Veränderungsmanagement: Die Anbindung von KI-Ergebnissen an nachgelagerte Systeme und die Schulung der Mitarbeiter im richtigen Umgang damit verursachen Kosten, die häufig nicht im Budget des KI-Projekts enthalten sind.

Eine gründliche FinOps-Praxis hilft dabei, die Kosten für Cloud-Infrastruktur offenzulegen, die von Entwicklungsteams eigenständig bereitgestellt werden – eine der häufigsten Ursachen für nicht erfasste KI-Ausgaben in Unternehmensumgebungen.

Inwiefern unterscheidet sich eine Nachbetrachtung einer Investition in KI von einer üblichen IT-Projektnachbetrachtung?

Eine Überprüfung nach der Investition in eine KI-Initiative unterscheidet sich von einer üblichen IT-Projektüberprüfung, da der Nutzen von KI probabilistisch, dynamisch und oft indirekt ist, während traditionelle IT-Projekte zu festgelegten Zeitpunkten definierte Ergebnisse liefern. Die Leistung eines KI-Modells ändert sich im Laufe der Zeit, seine Kosten skalieren nichtlinear mit der Nutzung, und seine geschäftlichen Auswirkungen verteilen sich häufig auf verschiedene Teams, anstatt sich auf ein einziges messbares Ergebnis zu konzentrieren.

Drei strukturelle Unterschiede bestimmen, wie Sie die Überprüfung durchführen:

• Die Zuordnung der Vorteile ist schwieriger: Ein neues ERP-System verarbeitet entweder Transaktionen oder eben nicht. Eine KI-Empfehlungsmaschine beeinflusst Entscheidungen, doch das finanzielle Ergebnis dieser Entscheidungen hängt von vielen anderen Faktoren ab. Sie benötigen eine klare Attributionsmethodik vor der Überprüfung, nicht erst danach.
• Die Kostenbasis ist variabel und fortlaufend: Herkömmliche IT-Projekte sind mit Kapitalkosten und bekannten laufenden Kosten verbunden. KI-Initiativen hingegen verursachen Infrastrukturkosten, die mit dem Inferenzvolumen skalieren, Umschulungszyklen, die durch Leistungseinbußen ausgelöst werden, sowie Datenkosten, die mit zunehmendem Umfang steigen. Bei der Überprüfung muss die Entwicklung im Blick behalten werden, nicht nur die aktuellen Ausgaben.
• Zu den Erfolgskriterien muss der Zustand des Modells gehören: Über die finanziellen Kennzahlen hinaus sollte bei der Überprüfung beurteilt werden, ob das Modell nach wie vor innerhalb seiner ursprünglichen Genauigkeits- und Zuverlässigkeitsparameter arbeitet. Ein finanziell positives Ergebnis, das auf einem sich verschlechternden Modell basiert, ist eine zukünftige Belastung und kein Erfolg.

Wann sollte eine Überprüfung nach der Investition zu einer Entscheidung über einen Ausstieg, eine Reduzierung der Beteiligung oder eine Neuausrichtung führen?

Eine Überprüfung nach der Investition sollte eine „Stop“-Entscheidung auslösen, wenn die realisierten Kosten die realisierten Vorteile dauerhaft übersteigen und keine glaubwürdige Aussicht auf eine Umkehr besteht; eine „Scale“-Entscheidung, wenn die Initiative messbaren Mehrwert liefert und sich die Wirtschaftlichkeit der Einheit mit steigendem Volumen verbessert; sowie eine „Pivot“-Entscheidung, wenn die Kerntechnologie zwar funktioniert, der ursprüngliche Anwendungsfall jedoch falsch war oder der Einsatzkontext geändert werden muss.

Orientieren Sie sich bei jeder Entscheidung an diesen Signalen:

• Halt: Der ROI ist nach einer angemessenen Einführungsphase negativ, die Akzeptanz ist trotz der Bemühungen im Bereich Change Management gering, oder die Qualität der zugrunde liegenden Daten lässt sich mit den verfügbaren Ressourcen nicht verbessern.
• Maßstab: Der ROI ist positiv und steigt weiter an, die Nutzerakzeptanz wächst organisch, und dasselbe Modell bzw. derselbe Ansatz lässt sich auf weitere Anwendungsfälle übertragen, ohne dass dies mit einem entsprechenden Kostenanstieg verbunden ist.
• Drehpunkt: Die Technologie liefert zwar präzise Ergebnisse, doch der Geschäftsprozess, für dessen Unterstützung sie entwickelt wurde, hat sich geändert, oder ein anderer Anwendungsfall würde mit derselben Investition einen höheren Mehrwert schaffen.

Die Überprüfung sollte zu einer klaren Empfehlung mit belegenden Daten führen, nicht zu einer ausgewogenen Zusammenfassung, bei der die Entscheidung der Intuition überlassen bleibt. Die Unternehmensleitung benötigt eine vertretbare Position, und die Finanzprüfung ist das Instrument, das diese liefert.

Welche Tools und Frameworks unterstützen die KI-gestützte Finanzprüfung auf Unternehmensebene?

Auf Unternehmensebene lässt sich die finanzielle Überprüfung von KI-Projekten am besten durch eine Kombination aus Technology Business Management (TBM)-Frameworks, FinOps-Verfahren zur Transparenz der Cloud-Kosten und Portfolio-Management-Tools unterstützen, die die Finanzdaten einzelner Initiativen mit den Investitionsentscheidungen des Unternehmens verknüpfen. Kein einzelnes Tool deckt das gesamte Spektrum ab, doch die Integration dieser drei Ebenen verschafft Ihnen die Transparenz und Governance, die für eine einheitliche Überprüfung von KI-Investitionen erforderlich sind.

Das TBM-Framework bietet eine Taxonomie, die KI-Kosten den von ihnen unterstützten Diensten und Geschäftsfunktionen zuordnet und so einen Vergleich der Ausgaben für KI-Initiativen mit anderen Technologieinvestitionen auf einer vergleichbaren Basis ermöglicht. FinOps-Verfahren machen die durch KI-Workloads verursachten Kosten für die Cloud-Infrastruktur sichtbar, darunter Rechen-, Speicher- und API-Aufrufkosten, die häufig nicht im offiziellen Projektbudget enthalten sind. Strategisches Portfoliomanagement Diese Tools fassen dann die Daten auf Initiativebene zu einer Portfolio-Übersicht zusammen, sodass die Führungskräfte die KI-Investitionen sowohl untereinander als auch im Verhältnis zum gesamten IT-Portfolio priorisieren können.

Für Organisationen, die mehrere KI-Initiativen gleichzeitig durchführen, ist eine standardisierte Bewertungsvorlage, die einheitlich auf alle Initiativen angewendet wird, ebenso wichtig wie die Tools selbst. Ohne eine gemeinsame Struktur liefert jede Bewertung unterschiedliche Daten in unterschiedlichen Formaten, wodurch ein initiativenübergreifender Vergleich unmöglich wird.

Wie wir die Bewertung von KI-Investitionen unterstützen

Wir unterstützen Unternehmen beim Aufbau einer Finanzmanagement-Infrastruktur, die zuverlässige und wiederholbare KI-basierte Nachbewertungen von Investitionen ermöglicht. Unser Ansatz verknüpft die Kosten von KI-Initiativen mit den geschäftlichen Ergebnissen durch eine Kombination aus ITFM-, TBM- und FinOps-Verfahren und bietet Ihnen so eine zentrale Informationsquelle für Ihr gesamtes Technologie-Investitionsportfolio. Konkret unterstützen wir Sie bei folgenden Aufgaben:

• Einführung von Kostenverrechnungsstrukturen, die die gesamte Kostenbasis von KI-Initiativen erfassen, einschließlich Cloud-Infrastruktur, Daten und interner Arbeitskosten
• Einführung von FinOps-Verfahren, die die Cloud-Kosten von KI-Workloads in Echtzeit aufzeigen, sodass bei Überprüfungen nach der Investition genaue Daten statt Schätzungen herangezogen werden
• Integration der Finanzdaten der KI-Initiative in Ihre übergeordnete TBM-Taxonomie, um einen einheitlichen Vergleich über Ihr gesamtes Technologieportfolio hinweg zu ermöglichen
• Entwicklung von Steuerungsprozessen und Überprüfungsrhythmen, die zu klaren Empfehlungen für die Einstellung, Skalierung oder Neuausrichtung führen, anstatt zu unklaren Zusammenfassungen

Wenn Sie einen strukturierten Ansatz entwickeln möchten, um KI-Investitionen zu prüfen und sie mit messbarem geschäftlichem Nutzen zu verknüpfen, Nehmen Sie Kontakt mit uns auf um zu besprechen, wo wir anfangen sollen.