Die meisten AI-ROI-Versprechen bestehen aus einer einzelnen, beeindruckenden Zahl ohne erkennbare Herleitung. Das folgende Framework macht die Herleitung sichtbar: gestützt auf etablierte Quellen wie Forrester und McKinsey, ergänzt um akademische Forschung zum realistischen Zeithorizont – und an zwei echten Beyond-Prompt-Projekten durchgerechnet, nicht nur behauptet.
Warum die meisten AI-ROI-Versprechen zu glatt sind
Wer sich mit AI-Anbietern oder -Beratungen austauscht, stößt fast immer auf dieselbe Zahl: eine einzelne, beeindruckende Prozentangabe ohne erkennbare Herleitung. Wie die Zahl zustande kommt, welche Kosten mitgerechnet wurden und über welchen Zeitraum sie gilt, bleibt meist offen. Das ist kein Zufall – eine Spanne mit Herleitung verkauft sich schlechter als eine runde Schlagzeile. Für eine Investitionsentscheidung taugt das trotzdem wenig.
Vier Quellen, eine gemeinsame Logik
Forresters Total-Economic-Impact-Methodik (TEI) ist seit über zwanzig Jahren Industriestandard für Technologie-Investitionsentscheidungen. Sie zerlegt eine Investition konsequent in vier Dimensionen – Kosten, Nutzen, Risiko und Flexibilität – statt Kosten und Nutzen isoliert zu betrachten.
McKinsey ergänzt eine wichtige Warnung: Reine Effizienzgewinne werden häufig wegkonkurriert und kommen eher Kunden als dem investierenden Unternehmen zugute. Nach McKinseys eigener Einschätzung gehen 30 bis 40 Prozent des Potenzials verloren, wenn Prozesse und Anreize nicht mit umgebaut werden. Echter, dauerhafter Wert entsteht erst, wenn ein Vorhaben durchgängig von der Fähigkeit bis zur Finanzzahl nachvollziehbar bleibt, statt direkt zur Wunschzahl zu springen.
Die akademische Forschung liefert eine dritte, oft übersehene Erkenntnis: Ökonomen um Erik Brynjolfsson (NBER Working Paper 25148, „The Productivity J-Curve“) zeigen, dass neue Basistechnologien wie AI zunächst komplementäre, oft immaterielle Investitionen erfordern – etwa neu gestaltete Abläufe oder Einarbeitung. Kurzfristig ist deshalb mit einer flachen oder sogar rückläufigen Wirkung zu rechnen, bevor sich die Investition auszahlt. Wichtig: Das gilt für die Einführung einer neuen Fähigkeit – nicht automatisch für die Automatisierung eines bereits bekannten Prozesses.
Der vierte Baustein ist ein etablierter Standard im IT-Business-Case: die Trennung von harten Nutzen (direkt in Euro ausdrückbar, etwa Zeitersparnis oder Fehlerkosten) und weichen Nutzen (real, aber nur mit einer nachvollziehbaren Herleitung in Geld übersetzbar, etwa Datenqualität oder Entscheidungsgeschwindigkeit). Wer nur harte Nutzen zählt, lässt werthaltige Vorhaben systematisch schlechter aussehen, als sie sind.
Die zentrale Erkenntnis: nicht jedes Projekt tickt gleich
Der größte Denkfehler in vielen AI-ROI-Rechnungen ist, alle Vorhaben über einen Kamm zu scheren. Die beiden Fallbeispiele unten zeigen: Wird ein bereits bekannter, gut verstandener Prozess automatisiert oder ein bestehendes System durch eine passende Lösung ersetzt, amortisiert sich die Investition schnell und verlässlich – ohne die Anlaufzeit, die für komplett neue AI-Fähigkeiten realistisch ist. Genau deshalb unterscheidet dieses Framework konsequent zwischen beiden Fällen, statt einen pauschalen AI-Zeithorizont anzusetzen.
Theorie ist die eine Seite – hier die Probe an zwei abgeschlossenen Beyond-Prompt-Projekten, mit echten Zahlen statt Beispielrechnung.
Fonds-Cockpit
Internes Tool für laufende Kapitalkonten-Führung, Trading-Dokumentation und den Jahresabschluss eines kleinen Anlagevehikels, das eine bis dahin manuelle Excel-Verwaltung ablöst.
- Investition
- 4.750 €
- Jährlicher Nutzen
- ≈ 8.620 €/Jahr an eingesparter Verwaltungszeit
- Payback
- ≈ 6,6 Monate
ERP-System
Individuelles ERP-System, das ein bestehendes, unpassendes SaaS-System vollständig ablöst.
- Investition
- 7.000–8.000 €
- Jährlicher Nutzen
- 7.200 €/Jahr allein aus der eliminierten SaaS-Lizenz (Zeitersparnis kommt zusätzlich, hier konservativ nicht mitgezählt)
- Payback
- ≈ 12,5 Monate
Ist das ROI-Framework ein Angebot oder eine verbindliche Zusage?+
Nein. Das Framework liefert eine nachvollziehbare Herleitung und eine Richtwert-Spanne, kein Angebot. Der tatsächliche Rahmen für dein Vorhaben wird im kostenlosen Erstgespräch anhand deiner konkreten Zahlen festgelegt.
Warum amortisieren sich die zwei Beispiele so schnell, obwohl AI-Projekte oft Jahre brauchen sollen?+
Weil beide Beispiele einen bereits bekannten Prozess automatisieren bzw. ein bestehendes System ablösen – dafür ist keine neue organisatorische Fähigkeit nötig, wie sie die akademische Forschung oben für komplett neue AI-Fähigkeiten beschreibt. Bei einem Vorhaben, das eine grundlegend neue Fähigkeit einführt, würde das Framework einen entsprechend längeren, realistischeren Zeithorizont ansetzen.
Zählt ihr weiche Nutzen wie Datenqualität einfach mit in die Zahl?+
Nein. Weiche Nutzen werden benannt, aber nur dann in Euro übersetzt, wenn sich eine nachvollziehbare Herleitung dafür aufstellen lässt. Ohne eine solche Herleitung bleiben sie explizit als Faktor genannt, statt eine Zahl zu erfinden, die sich nicht sauber begründen lässt.
Kann ich mein eigenes Vorhaben selbst durchrechnen?+
Aktuell ist dieses Framework als Methodik beschrieben, noch nicht als interaktiver Rechner. Ein Tool dazu ist in Vorbereitung. Bis dahin ist der schnellste Weg zu einer Einschätzung für dein konkretes Vorhaben der AI Opportunity Scan oder ein kostenloses Erstgespräch.
