Versunkene Kosten bei einer KI-Investition sollten ignoriert werden, sobald sie keinen Aufschluss mehr über den zukünftigen Wert geben. Sobald Geld ausgegeben wurde und nicht mehr zurückgewonnen werden kann, ist es für zukunftsorientierte Entscheidungen irrelevant. Entscheidend ist, ob die Fortsetzung der Investition mehr Wert schafft als deren Beendigung – nicht, wie viel bereits investiert wurde. Diese Unterscheidung gilt für jede Entscheidung über Technologieinvestitionen, kommt jedoch bei KI-Projekten besonders zum Tragen, bei denen die Kosten schnell eskalieren und die Ergebnisse schwer zu messen sein können. In den folgenden Abschnitten werden die häufigsten Fragen behandelt, mit denen sich IT-Führungskräfte konfrontiert sehen, wenn sie abwägen, ob eine KI-Initiative fortgesetzt, neu ausgerichtet oder eingestellt werden soll.
Was macht eine KI-Investition eigentlich zu einer versunkenen Kosten?
Als „Sunk Costs“ bei einer KI-Investition gelten alle Ausgaben, die bereits getätigt wurden und unabhängig von Ihrer nächsten Entscheidung nicht mehr zurückgewonnen werden können. Dazu gehören bereits gezahlte Lizenzgebühren, bereits in Rechnung gestellte Beraterstunden, bereits bereitgestellte Infrastruktur sowie die Zeit, die das interne Team bereits für Design und Entwicklung aufgewendet hat. Sobald diese Ressourcen aufgebraucht sind, sind sie verloren – unabhängig davon, ob das Projekt fortgesetzt wird oder nicht.
Diese Unterscheidung ist wichtig, da nicht alle bisherigen Ausgaben berücksichtigt werden können. Wenn Sie für ein Abonnement einer Cloud-Plattform bezahlt haben, das im nächsten Monat gekündigt werden kann, sind die verbleibenden Monate vermeidbare Kosten und keine versunkene Kosten. Wenn Sie ein Modell anhand proprietärer Daten trainiert haben und dieses Modell anderweitig genutzt werden kann, können die Trainingskosten möglicherweise noch einen Wert für die Zukunft haben. Das „Sunk-Cost“-Denken bezieht sich speziell auf den Teil der Investition, der tatsächlich unwiederbringlich ist und daher bei Ihrer nächsten Entscheidung keinerlei Gewicht haben sollte.
In der Praxis fallen bei vielen KI-Projekten schneller als erwartet versunkene Kosten an. Rechenkosten für das Modelltraining, Integrationsarbeiten zur Anbindung der KI-Ergebnisse an bestehende Systeme sowie Maßnahmen zum Veränderungsmanagement, um Teams auf die Einführung vorzubereiten, sind in der Regel nach ihrer Durchführung nicht mehr erstattungsfähig. Zu erkennen, welche Kosten in diese Kategorie fallen, ist der erste Schritt zu einer klareren Entscheidungsfindung.
Inwiefern verzerrt der „Sunk-Cost-Irrtum“ Entscheidungen bei KI-Projekten?
Der „Sunk-Cost-Irrtum“ führt dazu, dass Entscheidungsträger eine KI-Investition vor allem aufgrund der bereits getätigten Ausgaben fortsetzen und nicht aufgrund dessen, was die Investition in Zukunft bringen wird. Bei KI-Projekten tritt diese Verzerrung besonders häufig auf, da die Anfangsinvestitionen oft hoch, sichtbar und politisch brisant sind, was es psychologisch schwierig macht, einzuräumen, dass die Investition nicht die erwartete Leistung erbringt.
Dieser Trugschluss zeigt sich in mehreren erkennbaren Mustern. Die Unternehmensleitung genehmigt möglicherweise zusätzliche Mittel, um die ursprüngliche Investition zu “schützen”, und stellt die fortgesetzten Ausgaben als notwendig dar, um eine Verschwendung der bisherigen Investitionen zu vermeiden. Teams passen möglicherweise die Erfolgskennzahlen mitten im Projekt an, um enttäuschende Ergebnisse akzeptabel erscheinen zu lassen. Die Beteiligten zögern möglicherweise eine Entscheidung über eine Neuausrichtung oder Einstellung des Projekts hinaus, in der Hoffnung, dass mehr Zeit das ursprüngliche Engagement rechtfertigen wird.
Für Führungskräfte aus den Bereichen IT und Finanzen sind die organisatorischen Kosten dieser Verzerrung erheblich. Ressourcen, die in einer gescheiterten KI-Initiative gebunden sind, stehen für Initiativen nicht zur Verfügung, die echte Erträge generieren könnten. Wenn KI-Kostenmanagement Da es an einem strukturierten Rahmen mangelt, füllt der Irrtum der versunkenen Kosten häufig die Entscheidungslücke aus, was dazu führt, dass weiterhin in Projekte investiert wird, die bei einer rationalen Analyse bereits eingestellt worden wären.
Welche Anzeichen deuten darauf hin, dass es Zeit ist, eine KI-Investition zu streichen?
Sie sollten in Erwägung ziehen, eine KI-Investition zu kürzen, wenn die zukunftsorientierten Argumente für eine Fortsetzung schwächer sind als die Argumente für einen Stopp oder eine Umverteilung der Ressourcen. Mehrere konkrete Anzeichen deuten in diese Richtung, und keines davon hängt davon ab, wie viel bereits ausgegeben wurde.
- Der Anwendungsfall hat sich verändert: Das geschäftliche Problem, das die KI lösen sollte, hat sich geändert, wurde zurückgestellt oder auf andere Weise gelöst. Die weiteren Investitionen zielen nun auf ein Problem ab, das keine strategische Relevanz mehr hat.
- Die Wertentwicklung hat sich unterhalb der Schwelle für „Value“ eingependelt: Das Modell bzw. das System weist keine nennenswerten Verbesserungen auf, und sein derzeitiges Leistungsniveau entspricht nicht dem Mindeststandard für die operative Nutzbarkeit.
- Die Einführung ist ins Stocken geraten: Die Zielgruppe nutzt das System nicht, und es gibt keinen glaubwürdigen Plan, dies zu ändern. Ein KI-Tool, das von den Nutzern umgangen wird, bietet keinen geschäftlichen Nutzen, unabhängig davon, wie technisch ausgereift es ist.
- Das Kosten-Nutzen-Verhältnis ist durchweg negativ: Die laufenden Kosten für Rechenleistung, Wartung und Support übersteigen den messbaren Nutzen, und es gibt keinen realistischen Optimierungsansatz, mit dem sich diese Lücke schließen ließe.
- Die Opportunitätskosten steigen: Die für diese Initiative bereitgestellten Ressourcen könnten einen wesentlich höheren Nutzen erzielen, wenn sie auf ein anderes Projekt umgeleitet würden.
Die Herausforderung besteht darin, dass diese Signale oft schon erkennbar sind, bevor Unternehmen darauf reagieren. Durch die Einbindung regelmäßiger Entscheidungskontrollen in Ihren Governance-Prozess für KI-Investitionen lassen sich diese Indikatoren erkennen, bevor die Kluft zwischen Kosten und Nutzen zu groß wird, um sie noch ignorieren zu können.
Wann sollten bisherige Ausgaben für KI noch Einfluss auf die Entscheidung haben?
Bisherige Ausgaben für KI sollten Ihre Entscheidung nur dann beeinflussen, wenn sie einen Wert darstellen, der die Wirtschaftlichkeit einer Fortsetzung im Vergleich zu einer Einstellung verändert. Dies ist etwas anderes, als die Entscheidung von bereits getätigten Kosten leiten zu lassen. Es geht vielmehr darum, anzuerkennen, dass manche früheren Investitionen einen wiedergewinnbaren oder wiederverwendbaren Wert schaffen.
Zu den relevanten Beispielen zählen ein trainiertes Modell, das für einen verwandten Anwendungsfall umfunktioniert werden kann, eine für eine KI-Anwendung entwickelte Datenpipeline, die nun mehreren Systemen dient, oder Integrationsarbeiten, die die Kosten für die Einführung künftiger KI-Fähigkeiten senken. In diesen Fällen haben die zuvor getätigten Ausgaben etwas hervorgebracht, das einen dauerhaften Nutzen hat, und dieser Nutzen fließt zu Recht in die zukunftsorientierte Analyse ein.
Der Test ist einfach: Schafft die bisherige Investition einen konkreten, quantifizierbaren Vorteil, der nicht bestehen würde, wenn Sie heute von vorne anfangen würden? Wenn ja, dann gehört dieser Vorteil in Ihre Entscheidungsanalyse ein. Wenn das einzige Argument für eine Fortsetzung darin besteht, dass Sie bereits viel Geld investiert haben, handelt es sich um den „Sunk-Cost-Irrtum“, und dieser sollte außer Acht gelassen werden.
Wie gehen IT-Finanzmanagement-Rahmenwerke mit der Analyse versunkener Kosten um?
IT-Finanzmanagement-Rahmenwerke bewältigen die Analyse versunkener Kosten, indem sie historische Ausgaben von zukunftsorientierten Investitionsentscheidungen trennen und Governance-Strukturen aufbauen, die diese Trennung durchsetzen. Rahmenwerke wie Technology Business Management (TBM) und FinOps bieten die erforderliche Kostentransparenz und Entscheidungsverantwortlichkeit, um KI-Investitionen anhand ihres zukünftigen Nutzens und nicht anhand vergangener Ausgaben zu bewerten.
Im Rahmen eines TBM-Ansatzes werden IT-Kosten den Geschäftsdienstleistungen und -ergebnissen zugeordnet. Dadurch lässt sich eine KI-Investition nicht nur anhand ihrer Kosten bewerten, sondern auch daran, welchen geschäftlichen Nutzen sie im Verhältnis zu ihren laufenden Betriebskosten tatsächlich liefert. Wenn diese Zuordnung eine anhaltende Lücke aufzeigt, unterstützt das Rahmenwerk eine strukturierte Diskussion darüber, ob das Projekt fortgesetzt, neu ausgerichtet oder eingestellt werden soll – und zwar auf der Grundlage von Daten und nicht aufgrund organisatorischer Politik.
FinOps-Verfahren sorgen für eine zusätzliche Ebene der Kostentransparenz in Echtzeit, die insbesondere für KI-Workloads relevant ist, die auf einer Cloud-Infrastruktur ausgeführt werden. Durch die detaillierte Erfassung der Rechen-, Speicher- und API-Kosten erleichtert FinOps die Unterscheidung zwischen erstattungsfähigen und nicht erstattungsfähigen Ausgaben und ermöglicht es, die zukünftigen Kosten für die Fortführung einer KI-Initiative den Kosten von Alternativen gegenüberzustellen. Genau diese Art von entscheidungsrelevanten Erkenntnissen verhindert, dass das „Sunk-Cost“-Denken die Lücke füllt, die durch mangelnde finanzielle Transparenz entsteht.
Worauf sollte eine Investitionsentscheidung im Bereich KI stattdessen basieren?
Eine Investitionsentscheidung im Bereich der KI sollte auf dem erwarteten zukünftigen Wert der Fortführung im Vergleich zur besten alternativen Nutzung dieser Ressourcen basieren. Das bedeutet, dass die prognostizierten Ergebnisse bewertet werden müssen, nicht die bisherigen Ausgaben. Die relevanten Faktoren sind zukunftsorientiert: Was wird diese Investition bewirken, zu welchen laufenden Kosten, mit welcher Erfolgswahrscheinlichkeit und im Vergleich zu welchen anderen Möglichkeiten, die man mit demselben Budget und denselben personellen Kapazitäten hätte?.
Bei einer strukturierten Bewertung werden in der Regel vier Faktoren berücksichtigt:
- Zukünftiger Nutzen: Welche messbaren geschäftlichen Ergebnisse lassen sich realistisch gesehen durch fortgesetzte Investitionen erzielen, und in welchem Zeitraum?
- Verbleibende Kosten: Was wird es kosten, dieses Ergebnis zu erreichen, einschließlich Rechenleistung, Personal, Integration und Änderungsmanagement?
- Risikoadjustierte Wahrscheinlichkeit: Wie wahrscheinlich ist es, dass das Projekt dieses Ergebnis erzielt, wenn man die aktuelle Leistung, die Fähigkeiten des Teams und die Marktbedingungen berücksichtigt?
- Opportunitätskosten: Was ist die nächstbeste Verwendungsmöglichkeit für diese Ressourcen, und wie schneidet diese im Vergleich in denselben drei Bereichen ab?
Dieses Rahmenwerk gilt unabhängig davon, ob Sie eine neue KI-Initiative bewerten oder darüber entscheiden, ob Sie eine bereits laufende Initiative fortsetzen sollen. Die bereits aufgewendeten Mittel spielen bei keinem dieser vier Faktoren eine Rolle, und genau darum geht es.
Wie wir Ihnen helfen, bessere Investitionsentscheidungen im Bereich KI zu treffen
Bei It’s Value unterstützen wir Unternehmen dabei, finanzielle Transparenz und Steuerungsstrukturen zu schaffen, die rationale Investitionsentscheidungen im Bereich KI ermöglichen. Wenn IT-Kosten undurchsichtig sind und die Verantwortlichkeiten für Entscheidungen unklar sind, dominiert häufig das „Sunk-Cost“-Denken, da es keine strukturierte Alternative gibt. Wir ändern dies, indem wir Kostendaten mit Geschäftsergebnissen verknüpfen und Entscheidungsrahmen schaffen, die eine vorausschauende Analyse unterstützen.
Konkret unterstützen wir Investitionsentscheidungen im Bereich KI durch:
- Einführung von FinOps: Echtzeit-Transparenz über die Kosten von KI-Workloads in verschiedenen Cloud-Umgebungen, sodass Sie stets wissen, welche Ausgaben anfallen und welche Ergebnisse erzielt werden
- Integration von TBM und FinOps: Die Verknüpfung von Cloud-Kostendaten mit Rahmenwerken zum geschäftlichen Nutzen, damit Investitionsentscheidungen auf einer Ergebnisanalyse und nicht auf historischen Ausgaben basieren
- Entscheidungsreife Berichterstattung: Führungsstrukturen und Berichtsrhythmen, die die Signale aufzeigen, auf die Sie reagieren müssen, bevor die Kluft zwischen Kosten und Nutzen unüberbrückbar wird
- Bewertung des Reifegrades von FinOps: Ein strukturierter Ansatz, um zu verstehen, wo Ihre derzeitigen Verfahren im Bereich KI und Cloud-Finanzmanagement stehen und wo die wertvollsten Verbesserungen möglich sind
Wenn Sie vor einer Investitionsentscheidung im Bereich KI stehen und sich ein klareres Bild davon machen möchten, wo der tatsächliche Mehrwert liegt, Nehmen Sie Kontakt mit uns auf um zu besprechen, wie wir helfen können.