Welche Kostenkomponenten sollten in einem KI-Business-Case berücksichtigt werden?

Ein AI-Business-Case sollte Kosten in fünf Hauptkategorien umfassen: Dateninfrastruktur, Modellentwicklung oder -lizenzierung, Rechen- und Cloud-Ressourcen, Integration und Änderungsmanagement sowie den laufenden Betrieb. Diese Komponenten gelten unabhängig davon, ob Sie ein maßgeschneidertes Modell entwickeln, eine Anbieterlösung erwerben oder einen hybriden Ansatz verfolgen. In den folgenden Abschnitten werden die einzelnen Kostenbereiche detailliert aufgeschlüsselt und erläutert, wie sie für einen glaubwürdigen, vorstandsfähigen Business Case strukturiert werden sollten.

Wodurch unterscheidet sich die Kostenschätzung bei KI-Projekten von der bei herkömmlichen IT-Projekten?

Die Kostenschätzung bei KI-Projekten ist komplexer als bei herkömmlichen IT-Projekten, da KI-Systeme nichtlineare, nutzungsabhängige Kostenstrukturen aufweisen, die sich nach der Bereitstellung kontinuierlich weiterentwickeln. Im Gegensatz zu einer festen Softwareimplementierung mit definiertem Umfang beinhalten KI-Projekte iterative Experimente, datenabhängige Infrastruktur und eine fortlaufende Modellpflege, wodurch Vorabschätzungen naturgemäß mit Unsicherheiten behaftet sind.

Herkömmliche IT-Projekte folgen relativ vorhersehbaren Kostenmustern: Lizenzen, Implementierungsstunden, Hardware und Supportverträge. KI-Projekte weisen jedoch einige strukturelle Unterschiede auf, die die Kostenschätzung erschweren:

• Die Kosten für Experimente sind echte Kosten. Modellauswahl, Prompt-Engineering, Feinabstimmung und Bewertung erfordern Rechenzeit und Entwicklungsaufwand, noch bevor auch nur eine einzige Zeile Produktionscode geschrieben wird.
• Die Datenaufbereitung ist oft der größte versteckte Kostenfaktor. Das Bereinigen, Kennzeichnen und Strukturieren von Daten für das Training oder den Abruf durch KI kann die Kosten für das Modell selbst leicht übersteigen.
• Die Kosten für die Inferenz steigen mit der Nutzung. Jeder API-Aufruf, jede Abfrage und jede automatisierte Ausgabe verursacht Grenzkosten, die sich mit zunehmender Nutzung summieren.
• Modelle verlieren mit der Zeit an Gültigkeit. Im Gegensatz zu herkömmlicher Software ändern sich die Ergebnisse von KI-Systemen mit den Daten aus der realen Welt, was ein planmäßiges Nachtrainieren und eine kontinuierliche Überwachung erforderlich macht.

Aufgrund dieser Dynamik reicht ein statisches Projektbudget in der Regel nicht aus. Die Investitionskosten für KI müssen als Bandbreite mit festgelegten Annahmen modelliert werden und nicht als Einzelwertschätzung.

Was sind die wichtigsten Kostenkomponenten eines KI-Business-Case?

Die wichtigsten Kostenkomponenten eines KI-Business-Case sind Daten und Infrastruktur, Modellentwicklung oder -beschaffung, Rechenressourcen, Integration und Änderungsmanagement sowie der laufende Betrieb. Eine vollständige Aufschlüsselung der KI-Projektkosten umfasst alle fünf Kategorien sowohl in der Entwicklungsphase als auch im Lebenszyklus nach der Bereitstellung.

Daten und Infrastruktur

Dazu gehören die Beschaffung, Bereinigung, Kennzeichnung und Speicherung von Daten. Unternehmen unterschätzen häufig den technischen Aufwand, der erforderlich ist, um Daten für KI nutzbar zu machen. Architekturen mit Retrieval-Augmented Generation (RAG) verursachen zusätzlich zu den Standard-Speicherkosten weitere Kosten für Vektordatenbanken.

Modellentwicklung oder Lizenzierung

Wenn Sie ein maßgeschneidertes Modell erstellen, umfassen die Kosten den Zeitaufwand für Data Science und ML-Engineering, die Rechenleistung für Trainingsläufe sowie die Tools zur Nachverfolgung von Experimenten. Wenn Sie ein Basismodell oder ein SaaS-KI-Produkt lizenzieren, verlagern sich die Kosten auf API-Gebühren, Nutzerlizenzen und den Aufschlag des Anbieters auf die zugrunde liegende Rechenleistung.

Rechen- und Cloud-Ressourcen

Die GPU-Rechenleistung für Training und Inferenz stellt in der Regel den Posten mit den größten Schwankungen bei den Kosten dar. Cloud-Anbieter berechnen unterschiedliche Gebühren für On-Demand- und reservierte Kapazitäten, und die Kosten für die Inferenz hängen stark von der Modellgröße, dem Token-Volumen und den Latenzanforderungen ab. Hier kommt FinOps-Verfahren Schaffen Sie direkten Mehrwert, indem Sie die Cloud-Nutzung überwachen und optimieren, bevor die Kosten ins Unermessliche steigen.

Integration und Veränderungsmanagement

Die Anbindung eines KI-Systems an bestehende Arbeitsabläufe, APIs und Datenquellen erfordert einen erheblichen technischen Aufwand. Change Management, Anwenderschulungen und die Neugestaltung von Prozessen sind ebenfalls reale Kosten, die in Business Cases oft gänzlich außer Acht gelassen werden.

Laufende Geschäftstätigkeit

Überwachung, Umschulungen, Modellversionierung, Sicherheitsüberprüfungen und Compliance-Audits sind wiederkehrende Kosten, die in jeder ehrlichen Berechnung der Gesamtbetriebskosten berücksichtigt werden müssen.

Welche KI-Kosten werden am häufigsten unterschätzt?

Die am häufigsten unterschätzten KI-Kosten sind die Datenaufbereitung, die Inferenz in großem Maßstab, die Modellpflege und das Änderungsmanagement. Die meisten Unternehmen konzentrieren sich bei ihren ersten Schätzungen auf die Modellentwicklung und übersehen dabei den operativen Aufwand, der nach der Bereitstellung entsteht.

In der Praxis werden Unternehmen immer wieder von diesen vier Kostenbereichen überrascht:

1. Datenaufbereitung und -qualität. Rohdaten sind so gut wie nie für den Einsatz in der KI geeignet. Bei datenintensiven Anwendungsfällen können die Arbeiten zur Annotation, Dublettenbereinigung, Formatstandardisierung und Governance 40 bis 70 Prozent des gesamten Projektaufwands ausmachen.
2. Inferenzkosten im Produktionsmaßstab. Ein Prototyp, dessen Betrieb fast nichts kostet, kann teuer werden, wenn er für Tausende von Nutzern bereitgestellt oder in hochfrequente automatisierte Arbeitsabläufe integriert wird. Token-basierte Preismodelle führen zu einer raschen Kosteneskalation.
3. Modelldrift und Retraining-Zyklen. KI-Modelle müssen neu trainiert oder feinabgestimmt werden, wenn sich die zugrunde liegenden Datenverteilungen verändern. Dabei handelt es sich um wiederkehrende Betriebskosten und nicht um einmalige Projektkosten.
4. Management von organisatorischen Veränderungen. Die Umsetzung erfolgt nicht automatisch. Die Neugestaltung von Prozessen, Rollenänderungen, Schulungsprogramme und die interne Kommunikation sind mit konkreten Kosten verbunden, die in der Wirtschaftlichkeitsanalyse berücksichtigt werden müssen.

Die ausdrückliche Einbeziehung dieser Posten unter konservativen Annahmen stärkt die Glaubwürdigkeit Ihres KI-Business-Case, anstatt ihn zu schwächen. Vorstände und Finanzteams reagieren positiver auf ein umfassendes Kostenbild als auf ein Budget, das sie nach der Markteinführung überrascht.

Wie sollten die laufenden Betriebskosten für KI in einem Business Case strukturiert werden?

Die laufenden Betriebskosten für KI sollten als wiederkehrende jährliche Kostenposition strukturiert werden, die Rechen- und Inferenzkosten, Modellwartung, Überwachung und Compliance sowie Plattform- oder Anbietergebühren abdeckt. Durch die Trennung von einmaligen Einrichtungskosten und wiederkehrenden Betriebskosten erhalten die Finanzabteilung und die Unternehmensleitung einen klaren Überblick über die Gesamtbetriebskosten der KI über einen mehrjährigen Zeitraum.

Eine praktische Gliederung für den Abschnitt „Betriebskosten“ eines KI-Business-Case sieht wie folgt aus:

• Rechen- und Inferenzkosten: Geschätzte monatliche Cloud-Kosten auf Basis des prognostizierten Nutzungsvolumens, wobei die Wachstumsannahme an die Prognosen zur Akzeptanz gekoppelt ist.
• Modellpflege: Entwicklungsstunden für geplante Weiterbildungen, Feinabstimmungen und Versionsverwaltung, ausgedrückt als vierteljährliche oder jährliche Vollzeitäquivalent-Zuweisung.
• Überwachung und Beobachtbarkeit: Werkzeugkosten und Entwicklungsaufwand für die Überwachung der Ausgabequalität, die Erkennung von Verzerrungen und die Leistungsüberwachung.
• Sicherheit und Compliance: Prüfungszyklen, Datenschutzüberprüfungen und Überprüfungen der Einhaltung gesetzlicher Vorschriften, die insbesondere für KI-Anwendungsfälle im Finanzwesen, im Gesundheitswesen oder im öffentlichen Sektor relevant sind.
• Anbieter- und Plattformgebühren: API-Abonnements, SaaS-Lizenzen und Supportverträge, die unabhängig vom Nutzungsvolumen regelmäßig ablaufen.

Die Darstellung dieser Zahlen als Prognosen für das erste, zweite und dritte Jahr erleichtert es den Entscheidungsträgern, die Investition im Hinblick auf den erwarteten Nutzen im Zeitverlauf zu bewerten, anstatt KI als einmalige Kapitalausgabe zu betrachten.

Wie lässt sich der Nutzen beziffern, um die Investitionskosten für KI zu rechtfertigen?

Sie quantifizieren den Nutzen von KI, indem Sie betriebliche Verbesserungen in finanzielle Kennzahlen umrechnen: Zeitersparnis multipliziert mit den Personalkosten, Fehlerreduzierung multipliziert mit den Kosten pro Fehler und Umsatzsteigerung in Verbindung mit konkreten, durch KI ermöglichten Ergebnissen. Die Berechnung des Nutzens muss auf Basis von Ist-Werten beruhen und darf nicht auf Wunschvorstellungen basieren.

Eine aussagekräftige ROI-Berechnung für KI umfasst in der Regel drei Nutzenkategorien:

Effizienz und Kostensenkung

Ermitteln Sie Prozesse, in denen KI den manuellen Aufwand reduziert. Beziffern Sie die pro Woche eingesparten Stunden, multiplizieren Sie diese mit den Gesamtkosten der betroffenen Stellen und rechnen Sie den Wert auf Jahresbasis um. Gehen Sie dabei konservativ vor und berücksichtigen Sie eine Anlaufphase, bevor sich die Produktivitätsgewinne in vollem Umfang einstellen.

Qualität und Risikominderung

Wenn KI Fehlerquoten, Compliance-Verstöße oder Nachbearbeitungszyklen reduziert, schätzen Sie die Kosten dieser Fehler unter den derzeitigen Bedingungen und modellieren Sie die Reduzierung. Dies ist insbesondere für Anwendungsfälle in der Dokumentenverarbeitung, Betrugserkennung oder Qualitätskontrolle relevant.

Umsatz- und Wachstumsförderung

Wenn KI eine schnellere Produktlieferung, ein besseres Kundenerlebnis oder neue Dienstleistungsmöglichkeiten ermöglicht, verknüpfen Sie den Nutzen mit einer konkreten Umsatzannahme. Diese Kategorie erfordert die größte Sorgfalt und sollte nicht als einzelne Zahl, sondern mit expliziten Annahmen und Sensitivitätsspannen dargestellt werden.

Wenn man die Vorteile in Spannen statt als Punktwerte darstellt und die Annahmen, die hinter den einzelnen Zahlen stehen, klar darlegt, lässt sich der Business Case besser verteidigen, wenn er von der Finanzabteilung oder dem Vorstand hinterfragt wird.

Welche Kostenunterschiede gibt es zwischen den Ansätzen „Build“, „Buy“ und „Hybrid“ im Bereich der KI?

Bei „Build“-Ansätzen fallen höhere Vorlaufkosten für die Entwicklung an, dafür bieten sie langfristig mehr Flexibilität. Bei „Buy“-Ansätzen verlagern sich die Kosten auf Lizenzgebühren und die Abhängigkeit vom Anbieter. Bei hybriden Ansätzen verteilen sich die Kosten auf beide Bereiche, allerdings steigt dadurch die Komplexität der Integration. Die richtige Wahl hängt von der Einzigartigkeit Ihres Anwendungsfalls, Ihren internen KI-Kapazitäten und Ihrer Toleranz gegenüber einer Anbieterabhängigkeit ab.

Hier sehen Sie, wie sich das Kostenprofil bei den drei Ansätzen unterscheidet:

• Erstellung (Entwicklung benutzerdefinierter Modelle): Hohe Anfangsinvestitionen in Data-Science-Fachkräfte, Rechenkapazitäten und Tools. Geringere Grenzkosten pro Inferenz, wenn Sie die Infrastruktur selbst betreiben. Volle Kontrolle über das Modell, aber auch volle Verantwortung für Wartung, Nachtraining und Compliance.
• Kaufen (Anbieter- oder SaaS-KI-Produkt): Geringere Anfangskosten und eine schnellere Amortisation. Die Kosten sind in der Anfangsphase besser vorhersehbar, können jedoch mit steigender Nutzung unvorhersehbar ansteigen. Preisänderungen seitens der Anbieter, Vertragsbedingungen und datenschutzrechtliche Aspekte bergen langfristige finanzielle Risiken.
• Hybrid (Grundmodell plus benutzerdefinierte Feinabstimmung oder RAG): Kombiniert API- oder Lizenzkosten mit internen Investitionen in die Entwicklung. Bietet einen Mittelweg zwischen Geschwindigkeit und Anpassungsmöglichkeiten, verursacht jedoch Integrationskosten und führt zu einer Abhängigkeit sowohl von externen als auch von internen Komponenten.

Für die meisten großen Unternehmen wird der hybride Ansatz immer häufiger genutzt, da er es Teams ermöglicht, leistungsstarke Grundmodelle zu nutzen, ohne diese von Grund auf neu entwickeln zu müssen, und gleichzeitig die Ergebnisse an firmeneigene Daten und Arbeitsabläufe anzupassen. Bei der Aufschlüsselung der KI-Projektkosten für einen hybriden Ansatz müssen sowohl die Kosten für den Anbieter als auch die Kosten für die interne Entwicklung gleichzeitig berücksichtigt werden.

So unterstützen wir Sie bei der Erstellung eines umfassenden AI-Business-Case

Um einen glaubwürdigen Business Case für KI zu erstellen, braucht es mehr als nur eine Tabellenkalkulation. Es bedarf finanzieller Transparenz über den gesamten Technologiekostenstapel hinweg – von Cloud-Rechenleistung über Lieferantenverträge bis hin zu internen Personalkosten – sowie der Fähigkeit, diese Kosten mit messbaren Geschäftsergebnissen zu verknüpfen.

Mit unseren Kompetenzen in den Bereichen IT-Finanzmanagement und FinOps unterstützen wir Unternehmen genau dabei:

• Wir bieten Ihnen einen umfassenden Überblick über Ihre Cloud- und KI-bezogenen Ausgaben bei AWS, Azure und GCP, einschließlich der Kosten für Inferenz, Speicherplatz und Support, die in Standard-Abrechnungsberichten leicht übersehen werden.
• Wir helfen Ihnen dabei, die KI-Kosten den richtigen Geschäftsbereichen, Produkten oder Initiativen zuzuordnen, damit die Verantwortlichkeiten vom ersten Tag an klar sind.
• Wir unterstützen die „Build-versus-Buy“-Analyse, indem wir die Gesamtbetriebskosten für verschiedene Ansätze zur Beschaffung von KI-Lösungen modellieren, einschließlich der oft übersehenen operativen Folgekosten.
• Wir integrieren KI-Kostendaten in Ihr übergeordnetes IT-Finanzmanagement-System, sodass KI-Investitionen mit derselben Sorgfalt bewertet werden wie alle anderen Technologieausgaben.
• Wir betreiben eine Bewertung des Reifegrades von FinOps die aufzeigt, wo Ihr Unternehmen derzeit in Bezug auf die Kostensteuerung bei Cloud und KI steht und welche Maßnahmen den schnellsten Nutzen bringen.

Wenn Sie einen AI-Business-Case erstellen und sicherstellen möchten, dass die Kostenkomponenten vollständig sind, die Annahmen zum Nutzen fundiert sind und die Finanzstruktur einer Prüfung durch den Vorstand standhält, Nehmen Sie Kontakt mit uns auf um zu besprechen, wie wir Sie unterstützen können.