Wie lassen sich durch KI erzielte Umsätze zuverlässig zuordnen?

Um Umsätze zuverlässig der KI zuzuordnen, müssen KI-gesteuerte Maßnahmen über eine definierte Kausalkette mit messbaren Geschäftsergebnissen verknüpft werden. Die Herausforderung besteht darin, dass KI selten isoliert Umsatz generiert. Sie beschleunigt Entscheidungen, verbessert Prozesse oder ermöglicht Produkte, was bedeutet, dass die finanziellen Auswirkungen zwar real, aber indirekt sind. Die folgenden Fragen beleuchten, warum dies schwierig ist, welche Rahmenkonzepte dabei helfen und wie man eine Attribution entwickelt, die einer genauen Prüfung standhält.

Warum ist es so schwierig, Umsätze der KI zuzuordnen?

Es ist schwierig, Umsätze der KI zuzuordnen, da KI in der Regel Ergebnisse beeinflusst, anstatt sie direkt zu bewirken. Im Gegensatz zu einer Verkaufstransaktion oder einer Marketingkampagne mit einem eindeutigen Konversionsereignis fungiert KI als unterstützende Ebene. Sie verbessert eine Empfehlung, beschleunigt eine Entscheidung oder reduziert Fehler, und diese Verbesserungen schlagen sich dann im Umsatz nieder. Diesen Beitrag von allen anderen Variablen zu isolieren, ist wirklich komplex.

Mehrere Faktoren verschärfen diese Schwierigkeit noch:

• Multi-Touch-Kausalität: Umsatz entsteht in der Regel durch eine Kette von Ereignissen. Ein KI-Modell identifiziert möglicherweise einen hochwertigen Kunden, ein Vertriebsmitarbeiter greift daraufhin auf diesen Hinweis zurück, und Wochen später wird ein Geschäft abgeschlossen. Welchem Teil dieser Kette gebührt die Anerkennung?
• Kontrafaktische Unsicherheit: Man kann nicht immer wissen, was ohne die KI geschehen wäre. Wenn sich die Konversionsraten nach der Einführung einer Empfehlungsmaschine verbessern, kann ein Teil dieser Verbesserung auf Markttrends, saisonale Effekte oder andere zeitgleiche Veränderungen zurückzuführen sein.
• Lange Rückkopplungsschleifen: Die Vorteile der KI in Bereichen wie Kundenbindung oder Risikominderung zeigen sich oft erst im Laufe von Monaten oder Jahren, lange nach der ursprünglichen Investitionsentscheidung.
• Gemeinsam genutzte Infrastruktur: Viele KI-Systeme laufen auf gemeinsam genutzten Cloud- und Datenplattformen, was es schwierig macht, die Kosten und den Nutzen eines bestimmten Modells oder Anwendungsfalls zu isolieren.

Das sind keine Gründe, auf Messungen zu verzichten. Es sind Gründe, von Anfang an eine durchdachtere Attributionsmethodik zu entwickeln.

Welche Attributionsmodelle gibt es für durch KI generierte Umsätze?

Für KI-generierte Umsätze können verschiedene Attributionsmodelle angewendet werden, die von einfachen Heuristiken bis hin zu strengen Versuchsdesigns reichen. Das richtige Modell hängt von der Art des KI-Anwendungsfalls, den verfügbaren Daten und dem vom Unternehmen geforderten Präzisionsgrad ab.

Zuschreibung in kontrollierten Experimenten

Der zuverlässigste Ansatz ist ein A/B- oder Holdout-Test, bei dem eine Kontrollgruppe die KI-gesteuerte Maßnahme nicht erhält, während eine Versuchsgruppe davon profitiert. Die um die statistische Signifikanz bereinigte Umsatzdifferenz zwischen den beiden Gruppen stellt den inkrementellen Beitrag der KI dar. Diese Methode wird im E-Commerce und im Finanzdienstleistungssektor weit verbreitet eingesetzt, erfordert jedoch ein ausreichendes Volumen und eine stabile Testumgebung.

Bewertung von Beiträgen und gewichtete Zuordnung

Wenn kontrollierte Experimente nicht durchführbar sind, wird bei der Beitragsbewertung jedem Faktor in der Entscheidungskette – einschließlich der KI-Komponente – ein gewichteter Anteil am Umsatz zugewiesen. Dies ähnelt der Multi-Touch-Attribution im Marketing. Diese Methode ist zwar weniger präzise, erweist sich jedoch in komplexen Unternehmensumgebungen, in denen Experimente nur schwer durchzuführen sind, als praktikabel. Die Gewichtungen sollten auf operativen Daten basieren und nicht auf Annahmen.

Attribution anhand von Proxy-Kennzahlen

Einige Anwendungsfälle der KI lassen sich am besten anhand von Ersatzkennzahlen messen, deren Zusammenhang mit dem Umsatz bekannt ist. So kann beispielsweise einem KI-System, das die Kundenabwanderung verringert, ein Wert zugewiesen werden, der sich aus dem durchschnittlichen Umsatz pro gebundenem Kunden multipliziert mit der Anzahl der Kunden ergibt, die das Modell nachweislich gebunden hat. Dies funktioniert, wenn der Zusammenhang zwischen der Ersatzkennzahl und dem Umsatz gut etabliert und stabil ist.

Inwiefern unterscheidet sich die Umsatzzuordnung mittels KI vom herkömmlichen IT-ROI?

Die Umsatzzuordnung bei KI unterscheidet sich vom herkömmlichen IT-ROI, da dieser in der Regel Kosteneinsparungen und Effizienzsteigerungen im Verhältnis zu einer definierten Investition misst, während bei der KI-Zuordnung der Weg von den Modellergebnissen zu den Geschäftsergebnissen nachverfolgt werden muss. Herkömmliche IT-Projekte liefern vorhersehbare, begrenzte Vorteile. KI-Systeme generieren probabilistischen, oft emergenten Wert, der sich im Laufe des Lernprozesses des Modells verändert.

Herkömmliche IT-ROI-Berechnungen folgen einer relativ linearen Logik: Man investiert in ein System, dieses reduziert den manuellen Arbeitsaufwand oder die Lizenzkosten, und man berechnet die Rendite. KI durchbricht diese Logik auf dreierlei Weise:

• Dynamische Leistung: Die Genauigkeit von KI-Modellen und ihre Auswirkungen auf das Geschäft entwickeln sich im Laufe der Zeit weiter, sodass ROI-Berechnungen zu einem bestimmten Zeitpunkt irreführend sein können.
• Umsatzsteigerung vs. Kosteneinsparung: Beim traditionellen IT-ROI steht häufig die Kostensenkung im Vordergrund. Beim KI-ROI spielt die Umsatzgenerierung eine immer größere Rolle, die sich jedoch schwerer eindeutig zuzuordnen lässt.
• Modellabhängigkeit: Der Wert eines KI-Systems hängt in einer Weise von der Datenqualität, der Integrationsintensität und der Akzeptanz durch die Nutzer ab, wie dies bei einer herkömmlichen Softwareeinführung nicht der Fall ist.

Das bedeutet, dass die Messung der finanziellen Auswirkungen von KI eine kontinuierliche Überwachung erfordert und nicht nur eine einmalige Überprüfung nach der Implementierung.

Welche Daten sind erforderlich, um KI-Umsätze zuverlässig zuzuordnen?

Für eine zuverlässige Umsatzzuordnung mittels KI sind vier Datenkategorien erforderlich: KI-Ausgabedaten (was das Modell vorhergesagt oder empfohlen hat), Entscheidungsdaten (ob und wie Menschen auf diese Ausgaben reagiert haben), Ergebnisdaten (das daraus resultierende Geschäftsergebnis) und Basisdaten (was ohne die KI geschehen wäre). Ohne alle vier sind alle Attributionszahlen unvollständig.

In der Praxis bedeutet das, dass Sie Folgendes benötigen:

• Protokollierte Modellausgaben mit Zeitstempeln und Konfidenzwerten
• Aufzeichnungen über Maßnahmen, die als Reaktion auf Modellergebnisse ergriffen wurden, idealerweise auf Transaktions- oder Kundenebene
• Umsatz- oder Ergebnisdaten, die mit diesen Maßnahmen auf derselben Detailebene verknüpft werden können
• Eine aussagekräftige Ausgangsbasis, sei es aus einer Holdout-Gruppe, einer Phase vor der Einführung oder einer statistischen Kontrollgruppe
• Metadaten zu Störvariablen wie Preisänderungen, Marktbedingungen oder Kampagnenaktivitäten während des Messzeitraums

Die Datenqualität ist die entscheidende Einschränkung. Viele Unternehmen verfügen zwar über die Tools zur Durchführung von Attributionsanalysen, es fehlt ihnen jedoch an der Dateninfrastruktur, um KI-Ergebnisse mit den nachgelagerten Geschäftsergebnissen zu verknüpfen. Der Aufbau dieser Infrastruktur ist eine Grundvoraussetzung und kein nachträglicher Einfall.

Wie können IT-Finanzmanagement-Rahmenwerke die KI-Attribution unterstützen?

IT-Finanzmanagement-Rahmenwerke unterstützen die Umsatzzuordnung im Bereich KI, indem sie die erforderliche Kosten- und Werttransparenz schaffen, um KI-Investitionen mit Geschäftsergebnissen zu verknüpfen. Ohne einen strukturierten Ansatz zur Nachverfolgung, wohin KI-Ausgaben fließen und welche Ergebnisse sie erzielen, bleibt die Zuordnung rein anekdotisch. Rahmenwerke wie Technology Business Management (TBM) und FinOps-Verfahren die Taxonomien und Governance-Strukturen bereitstellen, die diese Rückverfolgbarkeit ermöglichen.

Insbesondere bieten ITFM-Rahmenwerke in dreierlei Hinsicht Unterstützung:

• Kostenverrechnung: Sie ordnen die Kosten für die KI-Infrastruktur – einschließlich der Ausgaben für Rechenleistung, Speicher und Datenplattformen – bestimmten Anwendungsfällen oder Geschäftsbereichen zu. Damit erhalten Sie den Nenner für jede ROI-Berechnung.
• Wertkennzeichnung: Indem Sie KI-Workloads mit Unternehmensdienstleistungen oder Produkten in einer TBM-Taxonomie verknüpfen, stellen Sie einen strukturellen Zusammenhang zwischen den Technologieausgaben und den dadurch unterstützten Umsatzströmen her.
• Rhythmus der Unternehmensführung: Regelmäßige Überprüfungszyklen, die in die ITFM-Governance integriert sind, stellen sicher, dass KI-Investitionen nicht nur beim Projektabschluss, sondern regelmäßig anhand der erzielten Ergebnisse bewertet werden.

Die Integration von FinOps und TBM ist besonders nützlich für KI-Workloads, die in der Cloud ausgeführt werden, wo die nutzungsabhängigen Kosten erheblich schwanken können und die Zuordnung sowohl finanzielle Disziplin als auch technische Transparenz erfordert.

Was sind die häufigsten Fehler bei der Ermittlung des geschäftlichen Nutzens von KI?

Der häufigste Fehler bei der Messung des geschäftlichen Nutzens von KI besteht darin, einen Beitrag zuzuschreiben, ohne einen Kausalzusammenhang nachzuweisen. Unternehmen verweisen oft auf einen Umsatzanstieg, der nach der Einführung von KI eingetreten ist, und betrachten den zeitlichen Zusammenhang als Beweis für die Wirkung. Dabei wird Korrelation mit Kausalität verwechselt, was zu Zahlen führt, die einer genauen Prüfung durch die Finanzabteilung oder den Vorstand nicht standhalten.

Weitere häufige Fehler sind:

• Nur Effizienzsteigerungen messen: Viele Bemühungen zur Messung der KI konzentrieren sich ausschließlich auf Kostensenkungen und Zeitersparnisse, wobei die Aspekte der Umsatzgenerierung und Risikominderung völlig außer Acht gelassen werden.
• Verwendung von „Vanity Metrics“: Modellgenauigkeit, Vorhersagevolumen oder die Anzahl der API-Aufrufe sind technische Kennzahlen, keine Kennzahlen für den geschäftlichen Nutzen. Sie müssen in Ergebnisse übersetzt werden, die von der Finanzabteilung und der Unternehmensleitung anerkannt werden.
• Einmalige Messung: Wenn man den ROI der KI als Berechnung zum Projektabschluss und nicht als fortlaufenden Überwachungsprozess betrachtet, übersieht man, wie sich der Wert im Zuge der Weiterentwicklung des Modells und der zunehmenden Nutzung verändert.
• Abgesehen von den Kosten: Eine Umsatzzuordnung ohne vollständige Kostentransparenz führt zu überhöhten ROI-Werten. Die Kosten für Cloud-Computing, Data Engineering, Modellpflege und Nachtrainierung müssen alle berücksichtigt werden.
• Keine im Voraus vereinbarte Methodik: Wenn sich die Teams aus den Bereichen Finanzen, IT und Geschäftsführung vor der Einführung nicht auf einen Attributionsansatz einigen, streiten sie sich anschließend über die Zahlen, anstatt entsprechend zu handeln.

Wie wir Ihnen dabei helfen, den geschäftlichen Nutzen von KI zu messen und zuzuordnen

Wir unterstützen Unternehmen dabei, die finanzielle und organisatorische Infrastruktur aufzubauen, die eine glaubwürdige und wiederholbare Umsatzzuordnung mittels KI ermöglicht. Anstatt die KI-Messung als einmalige Maßnahme zu betrachten, binden wir sie in das übergeordnete IT-Finanzmanagement ein, sodass KI-Investitionen mit derselben Sorgfalt nachverfolgt werden wie alle anderen Technologieausgaben.

So sieht das in der Praxis aus:

• Wir ordnen Ihre KI-Workloads mithilfe von TBM- und FinOps-Frameworks den Geschäftsdienstleistungen und Kostenstellen zu und verschaffen Ihnen so einen klaren Überblick darüber, welche Kosten jede Initiative verursacht und welchen Nutzen sie bringt.
• Wir unterstützen Sie dabei, die Attributionsmethoden bereits im Vorfeld festzulegen, damit sich die Verantwortlichen aus den Bereichen Finanzen, IT und Geschäftsprozesse bereits vor Beginn der Implementierung darüber einigen, wie der Wert gemessen werden soll.
• Wir entwickeln Governance-Prozesse, die dafür sorgen, dass der Nutzen der KI langfristig im Blick behalten wird – und nicht nur bis zum Projektabschluss.
• Wir integrieren die Cloud-Kostendaten Ihrer KI-Infrastruktur in Ihr übergeordnetes FinOps-Betriebsmodell, wobei sichergestellt wird, dass die Rechen- und Plattformkosten den jeweiligen Anwendungsfällen, die sie in Anspruch nehmen, korrekt zugeordnet werden
• Wir übersetzen technische KI-Ergebnisse in eine Finanz- und Wirtschaftssprache, die auch in Gesprächen auf Vorstandsebene Bestand hat.

Wenn Sie von anekdotischen Aussagen zum Nutzen der KI zu einer Wirkungsanalyse übergehen möchten, der die Finanzabteilung und die Unternehmensleitung vertrauen, Nehmen Sie Kontakt mit uns auf um zu besprechen, wo wir anfangen sollen.