Die Kosten für erfolglose KI-Experimente sollten danach aufgeteilt werden, wer die Initiative ergriffen hat, wer von den gewonnenen Erkenntnissen profitiert hat und welche Kostenkategorie der Art der Arbeit am besten entspricht. Die meisten Unternehmen behandeln die Kosten für KI-Experimente als Betriebsausgaben und verteilen sie auf die Geschäftsbereiche oder Technologiefunktionen, die das Projekt gefördert haben. In den folgenden Abschnitten werden die zentralen Fragen erläutert, die eine solide Zuordnungsstrategie prägen – von der buchhalterischen Klassifizierung bis hin zur Gestaltung der Governance.
Warum ist es so schwierig, die Kosten für KI-Experimente zuzuordnen?
Die Kosten für KI-Experimente lassen sich nur schwer zuordnen, da sich die damit verbundene Arbeit nicht eindeutig in herkömmliche Kostenkategorien einordnen lässt. Im Gegensatz zu einer Softwarelizenz oder einem Server-Rack liefert ein KI-Experiment ungewisse Ergebnisse, erstreckt sich über mehrere Teams und schafft oft einen indirekten oder erst später zum Tragen kommenden Mehrwert. Scheitert das Experiment, gibt es keinen Vermögenswert, der aktiviert werden könnte, kein Produkt, das abgeschrieben werden müsste, und keinen eindeutigen Verantwortlichen, dem die Kosten in Rechnung gestellt werden könnten.
Mehrere strukturelle Faktoren verschärfen das Problem. Erstens beinhalten KI-Projekte in der Regel gemeinsam genutzte Infrastruktur wie Cloud-Rechenleistung, Datenplattformen und Tools, die gleichzeitig mehreren Initiativen dienen. Eine genaue Aufteilung dieser Kosten erfordert Verfahren zur Kennzeichnung und Zuordnung, die viele Unternehmen noch nicht etabliert haben. Zweitens sind die beteiligten Teams – Dateningenieure, Datenwissenschaftler, Geschäftsanalysten und IT-Architekten – unterschiedlichen Kostenstellen zugeordnet, sodass die Personalkosten standardmäßig über das gesamte Unternehmen verteilt sind.
Drittens, und das ist vielleicht der wichtigste Punkt, ist die Verantwortlichkeit für KI-Experimente oft von vornherein unklar. Ein Geschäftsbereich schlägt möglicherweise den Anwendungsfall vor, die IT-Abteilung betreibt die Infrastruktur, und ein zentrales KI-Team stellt das Fachwissen zur Modellierung bereit. Wenn das Experiment scheitert, hat jede Partei ein Interesse daran, zu argumentieren, dass die Kosten woanders anzusiedeln sind. Ohne ein im Voraus vereinbartes Modell zur Kostenzuordnung wird die Diskussion reaktiv und politisch statt rational.
Sollten fehlgeschlagene KI-Experimente als CapEx oder OpEx behandelt werden?
Fehlgeschlagene KI-Experimente werden fast immer als Betriebsausgaben und nicht als Investitionsausgaben behandelt. Um Kosten zu aktivieren, muss ein Unternehmen nachweisen können, dass der Vermögenswert künftigen wirtschaftlichen Nutzen generieren wird. Ein gescheitertes Experiment bringt per Definition keinen einsetzbaren Vermögenswert hervor, sodass die buchhalterischen Voraussetzungen für eine Aktivierung nicht gegeben sind. Die Kosten werden in der Periode, in der sie anfallen, in der Gewinn- und Verlustrechnung erfasst.
Es gibt eine Nuance, die es zu beachten gilt. Einige Unternehmen führen KI-Experimente in Phasen durch, wobei frühe Erkundungsarbeiten gemäß den Rechnungslegungsvorschriften für Entwicklungsprojekte wie IAS 38 oder ASC 350 als OpEx und spätere Produktivierungsarbeiten als CapEx behandelt werden. Wird ein Experiment während der Erkundungsphase abgebrochen, stellt sich die Frage nach CapEx oder OpEx gar nicht erst. Wird es hingegen mitten in der Produktionsumsetzungsphase abgebrochen, müssen alle zuvor aktivierten Entwicklungskosten abgeschrieben werden, was zu einem wesentlichen bilanziellen Ereignis führen kann.
Für IT-Finanzmanager bedeutet dies in der Praxis, klare Phasengrenzen in die Steuerung von KI-Projekten einzubauen. Indem festgelegt wird, wann ein Projekt von der Explorationsphase in die Entwicklungsphase übergeht, und diese Entscheidung dokumentiert wird, wird das Unternehmen vor unklaren Abschreibungen geschützt, und die Finanzteams erhalten die Informationen, die sie benötigen, um die Kosten von Anfang an korrekt zu verbuchen.
Welche Kostenverteilungsmodelle eignen sich am besten für KI-Experimente?
Die effektivsten Kostenverteilungsmodelle für KI-Experimente sind solche, bei denen die Kosten dem Geschäftsbereich zugeordnet werden, der für den Anwendungsfall verantwortlich ist, während die Kosten für gemeinsam genutzte Infrastruktur proportional zum tatsächlichen Verbrauch verteilt werden. Ein direktes Chargeback-Modell funktioniert gut, wenn Geschäftsbereiche eine klare Trägerschaft für einzelne Experimente übernehmen. Ein Showback-Modell, bei dem Kosten zwar ausgewiesen, aber nicht formell in Rechnung gestellt werden, eignet sich besser für Unternehmen, die noch dabei sind, KI-Kompetenz aufzubauen, und die nicht möchten, dass finanzielle Reibungsverluste das Experimentieren behindern.
Je nach Reifegrad der Organisation kommen drei Zuteilungsansätze in Betracht:
- Direkte Rückbuchung: Der federführende Geschäftsbereich trägt die gesamten Kosten seines KI-Experiments, einschließlich Rechenleistung, Datenzugriff und zugewiesener Arbeitskräfte. Dies fördert die Eigenverantwortung, kann jedoch die Risikobereitschaft hemmen, wenn Geschäftsbereiche befürchten, für gescheiterte Experimente bestraft zu werden.
- Gezielte Zuteilung: Die Kosten für Experimente werden in einem zentralen Innovationsbudget gebündelt und anhand eines vereinbarten Verteilungsschlüssels – beispielsweise des Umsatzanteils oder der Mitarbeiterzahl – auf die Geschäftsbereiche verteilt. Dadurch wird das Risiko gestreut und deutlich gemacht, dass Experimente eine gemeinsame Investition des Unternehmens sind.
- Hybridmodell: Die Kosten für gemeinsam genutzte Infrastruktur werden anteilig auf der Grundlage von Verbrauchswerten umgelegt, während projektspezifische Kosten wie Anbietergebühren oder speziell für das Projekt eingesetzte Arbeitskräfte direkt der federführenden Einheit in Rechnung gestellt werden. Auf diese Weise wird ein Gleichgewicht zwischen Fairness und Einfachheit hergestellt.
Egal, für welches Modell Sie sich entscheiden – die Grundlage bildet eine zuverlässige Kostenkennzeichnung. Ohne eine einheitliche Kennzeichnung von Cloud-Ressourcen, Arbeitsaufwand und Ausgaben für Drittanbieter auf Projektebene liefert jedes Verrechnungsmodell Zahlen, die von den Teams angefochten werden. FinOps-Verfahren die erforderliche Systematik bei der Kennzeichnung und die Transparenz beim Verbrauch gewährleisten, die die KI-gestützte Kostenverrechnung praktikabel und nicht nur theoretisch machen.
Wer sollte die Kosten für ein gescheitertes KI-Projekt tragen?
Der Geschäftsbereich, der das KI-Projekt gefördert hat, sollte im Falle eines Scheiterns den Großteil der Kosten tragen. Die Förderung impliziert die Verantwortung für den Business Case, das erwartete Ergebnis und das damit verbundene finanzielle Risiko. Die Übertragung der Kosten auf den Förderer schafft den richtigen Anreiz: Geschäftsbereiche, die experimentieren möchten, müssen sorgfältig über Umfang, Machbarkeit und Ausstiegskriterien nachdenken, bevor sie Ressourcen bereitstellen.
Allerdings wird die Antwort differenzierter, wenn das Scheitern auf Faktoren zurückzuführen ist, die außerhalb der Kontrolle des Auftraggebers liegen. Scheitert ein KI-Experiment aufgrund einer unzureichenden zugrunde liegenden Dateninfrastruktur, ist es sinnvoll, einen Teil der Kosten mit der für die Datenqualität zuständigen IT-Abteilung zu teilen. Scheitert es hingegen, weil ein Anbieter unbrauchbare Werkzeuge geliefert hat, verlagert sich die Kostendiskussion auf vertragliche Abhilfemaßnahmen.
Ein Governance-Prinzip, das sich in der Praxis bewährt hat, besteht darin, sich bereits vor Beginn des Experiments – und nicht erst nach dessen Abschluss – über die Kostenträgerschaft zu einigen. Dokumentieren Sie bereits in der Projektanlaufphase die federführende Einheit, die Rolle der IT-Abteilung, etwaige gemeinsame Abhängigkeiten sowie die finanziellen Folgen eines Scheiterns. Dadurch werden Unklarheiten beseitigt, die die Kostenverteilung nach einem Scheitern so umstritten machen.
Wie können IT-Finanzmanagement-Rahmenwerke das Kostenrisiko im Zusammenhang mit KI verringern?
IT-Finanzmanagement-Rahmenwerke reduzieren das KI-Kostenrisiko, indem sie Transparenz, Verantwortlichkeit und Disziplin bei der Entscheidungsfindung schaffen, bevor Gelder ausgegeben werden. Wenn die Kosten für KI-Experimente innerhalb eines strukturierten ITFM-Rahmens nachverfolgt werden, können Unternehmen in Echtzeit erkennen, wofür sie Geld ausgeben, wer die Ausgaben tätigt und ob die Investition auf dem richtigen Weg ist, den erwarteten Nutzen zu erzielen. Diese Transparenz ermöglicht frühzeitiges Eingreifen anstelle einer nachträglichen Analyse.
Das TBM-Framework (Technology Business Management) ist in diesem Zusammenhang besonders relevant. TBM bietet eine standardisierte Taxonomie zur Klassifizierung von IT-Ausgaben, einschließlich Investitionen in KI und Innovation, und verknüpft diese Kosten mit den Geschäftsdienstleistungen und Ergebnissen, die sie unterstützen. Wenn ein KI-Experiment in der TBM-Taxonomie erfasst wird, können Finanz- und IT-Verantwortliche dessen Kosten mit ähnlichen Initiativen vergleichen, beurteilen, ob die Ausgabenrate mit dem erwarteten Nutzen übereinstimmt, und eine fundierte Entscheidung darüber treffen, ob das Projekt fortgesetzt, neu ausgerichtet oder eingestellt werden soll.
ITFM-Rahmenwerke ermöglichen zudem eine bessere Budgetierung für KI-Experimente. Anstatt KI-Kosten als unvorhersehbaren Restposten zu behandeln, können Unternehmen ein eigenes Budget für KI-Experimente einrichten, das klare Regeln für die Mittelzuweisung, die Überprüfung des Fortschritts und die Rückforderung nicht genutzter Mittel enthält. Dadurch wird das KI-Kostenrisiko von einer Überraschung zu einer kontrollierbaren Größe.
Welche Steuerungsstrukturen verhindern, dass die Kosten für KI-Experimente ins Unermessliche steigen?
Führungsstrukturen, die verhindern, dass die Kosten für KI-Experimente ins Unermessliche steigen, sind solche, die klare Zuständigkeiten, zeitlich begrenzte Finanzierung und regelmäßige Überprüfungsrhythmen miteinander verbinden. Der häufigste Fehler ist ein KI-Experiment, das mit einem bescheidenen Budget beginnt, auf technische Komplexität stößt und dessen Umfang schrittweise erweitert wird, ohne dass jemand die zusätzlichen Ausgaben offiziell genehmigt. Um dieses Muster zu verhindern, ist eine bewusste Gestaltung erforderlich.
Eine wirksame Steuerung von KI-Experimenten umfasst in der Regel die folgenden Elemente:
- Festgelegte Versuchsrichtlinien: Für jede KI-Initiative werden vor Beginn der Arbeiten ein schriftlicher Umfang, eine Budgetobergrenze, ein Zeitplan sowie klare Erfolgskriterien und Misserfolgskriterien vereinbart.
- Stage-Gate-Prüfungen: Die Fördermittel werden in Tranchen freigegeben, die an Meilensteinprüfungen geknüpft sind, und nicht als Pauschalbetrag zu Beginn. Sollte eine Überprüfung ergeben, dass das Experiment nicht vorankommt, wird die nächste Tranche zurückgehalten.
- Namentlich genannte finanzielle Eigentümer: Für das Budget des Experiments ist eine bestimmte Person verantwortlich, nicht ein Team oder ein Ausschuss. Diese Person genehmigt alle Änderungen am Projektumfang, die sich auf die Kosten auswirken.
- Zentrale Kostentransparenz: Alle Ausgaben für KI-Experimente, einschließlich Cloud-Nutzung, Anbietergebühren und interner Personalkosten, werden in einem einzigen Dashboard ausgewiesen, auf das die Finanzabteilung, die IT-Abteilung und der federführende Geschäftsbereich Zugriff haben.
- Regeln für den Sonnenuntergang: Experimente, die ihre Budgetobergrenze überschreiten oder ihre Meilensteintermine verpassen, werden automatisch zur Entscheidung über eine Beendigung oder Fortsetzung eskaliert, anstatt standardmäßig fortgesetzt zu werden.
Diese Governance-Praktiken in einen breiteren Kontext einordnen strategisches Portfolio-Management Dieser Ansatz stellt sicher, dass KI-Experimente nicht isoliert, sondern gemeinsam mit anderen Technologieinvestitionen bewertet werden. Wenn alle Initiativen nach einheitlichen Bewertungskriterien um denselben Kapitalpool konkurrieren, trifft das Unternehmen bessere Abwägungen und vermeidet die Finanzierung von Experimenten, die einer strukturierten Überprüfung nicht standhalten würden.
So helfen wir Ihnen, die Kosten für KI-Experimente zu verwalten
Wir arbeiten mit Unternehmen zusammen, um finanzielle Transparenz und Governance-Strukturen zu schaffen, die KI-Experimente überschaubar statt unvorhersehbar machen. Unser Ansatz verbindet ITFM-, TBM- und FinOps-Praktiken zu einem einheitlichen Rahmenwerk, das Ihnen die Kontrolle über die KI-Kosten ermöglicht – von der ersten Zeile Code bis hin zur endgültigen Entscheidung, ob ein Projekt fortgesetzt oder eingestellt wird.
Konkret unterstützen wir Sie bei folgenden Aufgaben:
- Entwicklung von KI-Kostenverrechnungsmodellen, die auf Ihre Organisationsstruktur und Ihren Reifegrad zugeschnitten sind
- Einführung von Kostenkennzeichnung und Transparenz bei der Cloud-Nutzung, damit die Ausgaben für KI-Experimente in Echtzeit nachverfolgt werden können
- Aufbau von „Stage-Gate“-Steuerungsrahmenwerken, die eine schleichende Ausweitung des Projektumfangs und Budgetüberschreitungen verhindern
- Integration der KI-Investitionsüberwachung in Ihre TBM-Taxonomie, damit die Kosten zusammen mit dem Rest Ihres IT-Portfolios sichtbar sind
- Durchführung von FinOps-Reifegradbewertungen, um festzustellen, an welchen Stellen bei Ihren derzeitigen Verfahren zum Cloud-Kostenmanagement die Ausgaben für KI nicht erfasst werden
Wenn Sie Struktur und Transparenz in die Art und Weise bringen möchten, wie Ihr Unternehmen KI-Experimente finanziert und abrechnet, Nehmen Sie Kontakt mit uns auf und wir zeigen Ihnen, wo Sie anfangen können.