Wenn ein KI-Tool mehr kostet, als es einspart

Ein Kommunikationsteam stellt ein KI-Agent um die Medienberichterstattung zu überwachen, einen morgendlichen Bericht zu erstellen und Antwortvorschläge zu formulieren. Das Tool erstellt zügig eine erste Fassung. Ein leitender Mitarbeiter entfernt anschließend irrelevante Erwähnungen, überprüft die Quellen, passt den Ton an und überarbeitet die Empfehlungen, bevor der Bericht an die Geschäftsleitung weitergeleitet wird. Das Unternehmen hat diese Aufgabe nicht automatisiert, sondern eine neue Produktionsstufe hinzugefügt.

Ähnliche Berechnungen tauchen mittlerweile in den Bereichen Marketing, Kommunikation, Forschung und professionelle Dienstleistungen auf. KI wurde ursprünglich eingeführt, weil sie geringere Kosten und schnellere Ergebnisse versprach. Viele Unternehmen stellen nun fest, dass die direkten Technologiekosten nur einen Teil der Ausgaben ausmachen. Die Überprüfung durch Menschen, doppelte Abonnements, minderwertiges Quellenmaterial, unnötige Inhalte und zusätzliche Genehmigungsrunden können die erwarteten Einsparungen zunichte machen.

In manchen Fällen lässt sich das Problem mit einem kleineren KI-Modell lösen. In anderen Fällen reichen herkömmliche Software oder ein optimierter Arbeitsablauf aus. Es gibt auch Aufgaben, bei denen ein kompetenter Mitarbeiter kostengünstiger und zuverlässiger ist als ein autonomer Agent.

Unternehmen brauchen einen klareren Maßstab: Was kostet die Aufgabe heute, welche Schritte wird die KI aus dem Prozess übernehmen und wer muss das Ergebnis noch überprüfen?

Berechnen Sie die Gesamtkosten der Aufgabe

Die Kosten für KI lassen sich nur schwer einschätzen, da Unternehmen selten einen festen Preis für ein einzelnes fertiges Ergebnis zahlen. Sie zahlen Abonnements, Plattformgebühren und nutzungsabhängige variable Kosten. Ein Agent kann mehrere Modelle aufrufen, Datenbanken durchsuchen, seine eigenen Ergebnisse überarbeiten und Schritte wiederholen, ohne dem Nutzer zu zeigen, wie viel Rechenaufwand dabei entstanden ist.

Eine Anfrage, die wie ein einziger Befehl aussieht, kann Dutzende abrechnungsfähiger Vorgänge auslösen.

Nur 35 Prozent der Unternehmen in einer KPMG-Umfrage ihre KI-Ausgaben vollständig erfassen und kontinuierlich überwachen konnten. Weitere 42 Prozent hatten nur einen teilweisen Überblick, während 13 Prozent den Gesamtbetrag erst nach Erhalt der Rechnung erfuhren. Die Hälfte hatte KI-Agent-Projekte aufgrund der Kosten bereits eingeschränkt oder verschoben.

Die Kalkulation sollte nicht bei der Rechnung enden. Ein aussagekräftiger Business Case umfasst die Modell- und Plattformgebühren, die Implementierung und Integration, die Mitarbeiterschulung, den Zeitaufwand für die Überprüfung und Korrektur der Ergebnisse, die rechtliche und datenschutzrechtliche Prüfung, den zusätzlichen Arbeitsaufwand für Kunden oder Genehmigungsteams sowie die Kosten für Fehler oder unbrauchbares Material.

Nehmen wir einen Monatsbericht, für dessen Erstellung ein Analyst bisher acht Stunden benötigte. Ein KI-Tool verkürzt die Erstellungszeit auf eine Stunde, doch der Analyst verbringt vier Stunden damit, die Daten zu überprüfen und die Schlussfolgerungen neu zu formulieren. Die Zeitersparnis beträgt somit drei Stunden, nicht sieben. Wenn die Kosten für das Tool, die Implementierung und die Überwachung höher sind als diese drei Stunden, ist das Projekt wirtschaftlich nicht rentabel.

Für den Vergleich müssen tatsächliche Betriebsdaten herangezogen werden und nicht ein geschätzter Prozentsatz der Zeitersparnis.

Legen Sie fest, was die Arbeit wert ist, bevor Sie sich für ein Modell entscheiden

Viele Unternehmen setzen für Routineaufgaben das leistungsstärkste verfügbare Modell ein. Das vereinfacht die Beschaffung und bietet den Mitarbeitern Zugang zu einem vertrauten System, kann jedoch einfache Arbeiten unnötig verteuern.

Ein Premium-Modell kann bei einer anspruchsvollen Rechercheaufgabe gerechtfertigt sein, die widersprüchliche Belege, Fachsprache und mehrere Rechtsordnungen umfasst. Für Transkriptionen, Formatierungen, die Anpassung genehmigter Texte oder einfache Sitzungsprotokolle ist dies jedoch selten erforderlich.

Eine praktische Aufteilung könnte wie folgt aussehen.

Verwenden Sie herkömmliche Software oder ein kleines Modell für die Transkription und Formatierung. Diese Aufgaben folgen klaren Regeln und erfordern kein fortgeschrittenes logisches Denken.

Verwenden Sie ein kleines oder lokal gehostetes Modell, um genehmigte interne Dokumente zusammenzufassen. Das Ausgangsmaterial ist bereits definiert, und die Hauptanforderung besteht eher in einer kontrollierten Extraktion als in einer offenen Analyse.

Verwenden Sie für Varianten eines genehmigten Textes ein kleines oder mittelgroßes Modell. Der Wortlaut kann sich ändern, doch die Aussagen, der Tonfall und die Rahmenbedingungen sollten bereits festgelegt sein.

Setzen Sie fortgeschrittene Modelle für komplexe Analysen ein, bei denen widersprüchliche Quellen eine Rolle spielen. Ihre höhere Leistungsfähigkeit kann gerechtfertigt sein, wenn die Aufgabe technische Interpretationen, mehrere Märkte oder unvollständige Daten umfasst.

Regulierte externe Stellungnahmen sollten unter der Aufsicht erfahrener Fachleute bleiben. KI kann zwar dabei helfen, Dokumente zu vergleichen, Formulierungen zu prüfen oder einen ersten Entwurf zu erstellen, doch sollte ein verantwortungsbewusster Fachmann entscheiden, was die Organisation zu veröffentlichen bereit ist.

Überlassen Sie endgültige Entscheidungen in Bezug auf Ruf, Strategie und Kunden den Mitarbeitern. Diese Aufgaben hängen eher vom Urteilsvermögen, dem institutionellen Kontext und der Verantwortung ab als von der Qualität des ersten Entwurfs.

Die Zuordnung sollte das eigene Risikoprofil der Organisation widerspiegeln. Ein Pharmaunternehmen wird Aufgaben anders einstufen als eine Konsumgütermarke. Eine Bank benötigt möglicherweise eine geschützte Infrastruktur für Daten, die ein anderes Unternehmen über einen Standard-Cloud-Dienst verarbeiten kann.

Das Ziel besteht darin, nicht mehr jeden Auftrag als Test für die neueste Technologie zu betrachten. Die Leistungsfähigkeit des Modells sollte dem wirtschaftlichen Wert und den Auswirkungen des Auftrags entsprechen.

Vergleichen Sie KI mit den tatsächlichen Alternativen

Die Alternative zur KI ist nicht immer, dass eine Person denselben Vorgang manuell ausführt.

Ein regelbasiertes System kann eine sich wiederholende Berechnung möglicherweise genauer durchführen. Eine Suche kann ein genehmigtes Dokument zuverlässiger finden als ein Sprachmodell. Eine Standardvorlage kann einen aussagekräftigeren Kundenbericht liefern als ein Makler, der angewiesen ist, jede Woche eine neue Struktur zu erstellen.

Möglicherweise muss auch der Prozess selbst vereinfacht werden.

Ein Unternehmen, das fünf wöchentliche Berichte veröffentlicht, sollte sich fragen, ob alle fünf gelesen und genutzt werden, bevor es deren Erstellung automatisiert. Ein Marketingteam, das Dutzende von Varianten für soziale Medien erstellt, sollte die Anzahl der Versionen reduzieren, anstatt KI einzusetzen, um noch mehr davon zu produzieren. Eine Beratungsfirma mit inkonsistenten Quelldateien sollte zunächst die Wissensdatenbank bereinigen, bevor sie eine Dialogschnittstelle darauf aufbaut.

KI kann Tätigkeiten mit geringem Mehrwert beschleunigen. Sie macht diese Tätigkeiten jedoch nicht wertvoll.

Jeder vorgeschlagene Anwendungsfall sollte anhand von vier Optionen geprüft werden: Weiterhin durch eine Person erledigen, die Person mit einem eingeschränkten KI-Tool unterstützen, herkömmliche Automatisierung einsetzen oder die Aufgabe streichen bzw. vereinfachen.

Die Vollautomatisierung sollte sich durchsetzen, weil sie das beste Betriebsergebnis liefert, und nicht, weil sie am fortschrittlichsten erscheint.

Messen Sie den Arbeitsaufwand nach der manuellen Überprüfung

KI-Pilotprojekte werden oft anhand von Geschwindigkeit, Produktionsvolumen oder Nutzerakzeptanz bewertet. Diese Kennzahlen lassen sich zwar leicht erfassen, sind jedoch nur schwache Indikatoren für den geschäftlichen Nutzen.

Ein Kommunikationsteam kann an einem Nachmittag 50 Kampagnenideen entwickeln. Das Unternehmen benötigt möglicherweise zwei Tage, um diese zu prüfen. Ein Kundenserviceteam kann personalisierte Antworten in großem Umfang erstellen, doch Nachrichten von geringer Qualität können zu mehr Beschwerden und Korrekturarbeit führen. Ein Recherchesystem kann Tausende von Seiten verarbeiten, versäumt es dabei jedoch, die beiden Fakten zu identifizieren, die das Management benötigt.

Welche Kennzahlen sinnvoll sind, hängt von der jeweiligen Aufgabe ab. Dazu können beispielsweise die Gesamtkosten pro freigegebenem Ergebnis, die Arbeitszeit der Mitarbeiter vom Auftragseingang bis zur Fertigstellung, die Korrekturrate, der Prozentsatz der ohne wesentliche Überarbeitungen akzeptierten Ergebnisse, die Anzahl und Schwere der sachlichen Fehler, die Freigabezeit, die Kundenzufriedenheit, Einsparungen bei den Lieferantenkosten oder messbare Verbesserungen bei Umsatz und Service gehören.

Die Ausgangsbasis muss vor Beginn des Pilotprojekts dokumentiert werden. Ohne Kenntnis der aktuellen Kosten, Bearbeitungszeiten und Fehlerquote kann das Unternehmen nicht nachweisen, ob das neue System zu Verbesserungen geführt hat.

Ein 60-Sekunden-Entwurf bedeutet keinen Produktivitätsgewinn, wenn er 45 Minuten Korrekturarbeit für ein Dokument verursacht, dessen korrekte Erstellung zuvor 30 Minuten in Anspruch genommen hat.

Behalte die Person, die den Kontext versteht

Ein KI-System kann mehr Informationen verarbeiten als ein Mitarbeiter. Es weiß jedoch nicht automatisch, was Beachtung verdient.

Ein Medienbeobachtungsdienst kann zwar jede Erwähnung eines Unternehmens erfassen, ohne jedoch zu erkennen, welcher Artikel Einfluss auf Aufsichtsbehörden, Mitarbeiter oder einen wichtigen Kunden haben könnte. Ein Angebotsgenerator kann zwar alle angeforderten Leistungen enthalten, lässt dabei jedoch möglicherweise die während des Treffens angesprochenen wirtschaftlichen Bedenken außer Acht. Ein mehrsprachiges Tool kann zwar grammatikalisch korrektes Französisch erzeugen, das jedoch für ein institutionelles Publikum in Genf ungeeignet klingt.

Das sind oft die Gründe, warum die Aufgabe überhaupt gestellt wird.

Erfahrene Mitarbeiter bringen Hintergrundwissen aus früheren Entscheidungen, Kundengesprächen, internen Abläufen und Markterwartungen mit. Ihr Wert kommt am stärksten dort zum Tragen, wo die Arbeit eher auf Interpretation als auf Produktion ausgerichtet ist.

Eine gezieltere Form der Unterstützung kann zu den besten Ergebnissen führen. KI kann Material sammeln, Dokumente vergleichen oder einen ersten Entwurf erstellen. Der Mitarbeiter entscheidet, was die Informationen bedeuten, welche Empfehlung vertretbar ist und was kommuniziert werden sollte.

Wenn man diese Person durch einen vollständig autonomen Prozess ersetzt, lässt sich zwar Produktionszeit einsparen, allerdings entfällt dabei das Teil, für das der Kunde bezahlt hat.

Legen Sie Grenzen fest, bevor ein Mitarbeiter mit der Arbeit beginnt

Autonome Agenten verursachen andere Kostenprobleme als herkömmliche Chat-Tools. Sie können mehrere Schritte ausführen, externe Dienste nutzen und so lange weiterarbeiten, bis sie davon ausgehen, dass der Auftrag abgeschlossen ist.

Unternehmen benötigen vor der Einführung Betriebsgrenzen.

Der Agent sollte einen eng gefassten Zweck haben und nicht nur den allgemeinen Auftrag, “das Team zu unterstützen”. Nutzungsbeschränkungen sollten nach Aufgabe, Benutzer, Abteilung und Monat gelten. Der Agent sollte über eine Stoppregel verfügen, damit er Suchvorgänge oder Überarbeitungen nicht unbegrenzt wiederholen kann. Die Recherche sollte nach Möglichkeit auf definierte Datenbanken, Websites oder interne Quellen zurückgreifen. Sensible, mehrdeutige oder weitreichende Entscheidungen sollten an eine Person weitergeleitet werden. Ein namentlich benannter Verantwortlicher sollte für Qualität, Kosten und die fortgesetzte Nutzung verantwortlich bleiben.

Das Unternehmen sollte den Dienst außerdem nach der Pilotphase überprüfen. Ein Tool, das im ersten Monat vielversprechend erschien, kann mit zunehmender Nutzung teurer werden oder an Nutzen verlieren, sobald die Mitarbeiter seine Grenzen erkennen.

Ohne diese Kontrollmechanismen kann ein Agent zu einem teuren Mitarbeiter werden, den niemand führt.

Schweizer Organisationen sollten das Risiko bei ihren Entscheidungen berücksichtigen

Für Schweizer Unternehmen spricht oft ein starkes wirtschaftliches Argument für die Automatisierung, da Arbeitskräfte teuer sind. Bei regulierten oder mehrsprachigen Tätigkeiten können die potenziellen Einsparungen jedoch schnell zunichte gemacht werden.

Eine Bank kann eine Anlageinformation schneller erstellen und diese dann an die Rechtsabteilung, die Compliance-Abteilung und die Geschäftsleitung weiterleiten, da der Text Angaben enthält, die einer Überprüfung bedürfen. Ein Pharmaunternehmen kann die Beantwortung medizinischer Anfragen automatisieren, behält jedoch bei jeder Antwort die Überprüfung durch einen Fachsachverständigen bei. Eine öffentliche Einrichtung kann deutsche, französische und italienische Versionen erstellen, die jeweils eine lokale Anpassung erfordern.

Der Vergleich sollte die Kosten dieser Kontrollmaßnahmen berücksichtigen.

Auch die Vertraulichkeit spielt bei der Wahl des Systems eine Rolle. Kundenakten, Mitarbeiterfälle, unveröffentlichte Ergebnisse und strategische Dokumente dürfen nicht einfach so in externe Tools eingegeben werden. Ein kostengünstigeres öffentliches Modell kann unter Umständen teurer werden, sobald das Unternehmen geschützte Infrastruktur, Zugriffskontrollen und Überwachungsmaßnahmen einrichtet.

Die Abhängigkeit von Anbietern ist auch mit wirtschaftlichen Kosten verbunden. Preise, Nutzungskontingente und die Verfügbarkeit von Modellen können sich ändern. Ein auf einen Anbieter ausgerichteter Arbeitsablauf kann ohne Vorwarnung unwirtschaftlich werden oder nicht mehr verfügbar sein.

Schweizer Unternehmen sollten weiterhin die Möglichkeit haben, Routineaufgaben zwischen Anbietern zu verlagern und sensible Prozesse in kontrollierten Umgebungen zu belassen. Die Organisation sollte Eigentümerin ihrer Eingabeaufforderungen, Genehmigungsregeln, Daten und Prozessdokumentation sein, anstatt diese so tief in einer Plattform zu verankern, dass ein Wechsel unpraktikabel wird.

Bitten Sie die Behörden, darzulegen, wo sich die Effizienz zeigt

Kunden sollten davon ausgehen, dass Agenturen KI dort einsetzen, wo sie zur Verbesserung des Auftrags beiträgt. Sie sollten zudem eine klare Erläuterung der wirtschaftlichen Auswirkungen erwarten.

Ein Angebot einer Agentur sollte darlegen, bei welchen Tätigkeiten KI zum Einsatz kommt, ob die Kosten für Technologien von Drittanbietern enthalten sind oder separat in Rechnung gestellt werden, welche Informationen in externe Systeme gelangen, wo die Überprüfung durch Menschen stattfindet, ob KI die Produktionszeit verkürzt, was mit der eingesparten Zeit geschieht und wer für das Endergebnis verantwortlich bleibt.

Die Einsparung kann sich in Form einer geringeren Gebühr, einer schnelleren Abwicklung, einer gründlicheren Recherche oder einer stärkeren Einbindung von leitenden Beratern äußern. Jeder dieser Punkte kann durchaus gerechtfertigt sein. Ein Kunde sollte in der Lage sein, den Nutzen zu erkennen.

Ein größeres Materialvolumen bedeutet nicht automatisch eine bessere Qualität. Eine größere Anzahl an Artikeln, Konzepten und Kampagnenvarianten kann den Genehmigungsaufwand für den Kunden erhöhen. Eine Agentur, die mithilfe von KI zehn Möglichkeiten auf drei aussagekräftige Empfehlungen eingrenzt, bietet möglicherweise einen höheren Mehrwert als eine Agentur, die 30 ungefilterte Optionen vorlegt.

Dienstleistungsunternehmen sollten anhand der Qualität der Entscheidung und des vom Kunden erforderlichen Aufwands bewertet werden, nicht danach, wie viel Material sie nun produzieren können.

Führen Sie einen ordnungsgemäßen „Make-or-Buy“-Test durch

Bevor die Geschäftsleitung einen Anwendungsfall für KI genehmigt, kann sie eine kurze Reihe von Fragen stellen.

Welches Problem lösen wir? Beschreiben Sie die Verzögerung, die Kosten, den Fehler oder die Schwachstelle im Service aus betrieblicher Sicht.

Was kostet der derzeitige Prozess? Berücksichtigen Sie dabei den Zeitaufwand der Mitarbeiter, Lieferantengebühren sowie Genehmigungs- und Korrekturprozesse.

Welchen Teil wird die KI übernehmen? “Die Produktivität steigern” reicht nicht aus.

Welche Aufgaben bleiben den Mitarbeitern noch? Identifizierung, Überprüfung, Beurteilung, Eskalation und Rechenschaftspflicht.

Wie hoch darf die Fehlerquote sein? Die Antwort darauf fällt bei einer internen Zusammenfassung anders aus als bei einer vorgeschriebenen Kundenkommunikation.

Reicht ein kleineres Modell oder ein herkömmliches Werkzeug aus? Testen Sie die kostengünstigste geeignete Option.

Können wir die Aktivität stattdessen beenden? Die Automatisierung eines nicht genutzten Berichts führt zu Verschwendung.

Wie werden wir das Ergebnis messen? Legen Sie vor Beginn des Pilotprojekts die Kennzahlen für Kosten, Qualität und Service fest.

Wann werden wir damit aufhören? Legen Sie die Bedingungen fest, unter denen der Anwendungsfall eingeschränkt oder eingestellt wird.

Dieser Prozess sollte keine monatelangen Entscheidungswege erfordern. Er erfordert jedoch, dass Vertreter aus den Bereichen Geschäft, Finanzen, IT und Risikomanagement gemeinsam dieselbe Aufgabe prüfen.

Ein KI-Pilot sollte scheitern dürfen

Unternehmen führen schwache KI-Projekte oft weiter, weil die Unternehmensleitung sie öffentlich angekündigt hat, Mitarbeiter Zeit in sie investiert haben oder das Unternehmen den Anschein erwecken möchte, sich für Innovation zu engagieren.

Ein Pilot hat seine Aufgabe erfüllt, wenn er eine fundierte Entscheidung trifft – einschließlich der Entscheidung, den Flug nicht fortzusetzen.

Die Einstellung eines teuren Agenten bedeutet nicht, dass man für immer zur manuellen Arbeit zurückkehren muss. Das Unternehmen kann die Aufgabe erneut in Betracht ziehen, wenn sich die Modelle verbessern, die Preise sinken oder der zugrunde liegende Prozess neu gestaltet wird. Es kann auch ein nützliches Element beibehalten und den Rest entfernen.

Ein Kommunikationsteam könnte die automatisierte Transkription beibehalten und automatisierte Empfehlungen hingegen aufgeben. Ein Beratungsunternehmen könnte KI für den Dokumentenvergleich nutzen, während die Erstellung des Kundenberichts weiterhin einem Analysten überlassen bleibt. Eine Marketingabteilung könnte genehmigte Anpassungen automatisieren, nicht jedoch die Entwicklung neuer Kampagnen.

Ein gezielter Einsatz ist in der Regel glaubwürdiger als eine “AI-first”-Regel, die auf jeden Prozess angewendet wird.

KI sollte die Arbeitslast verringern, nicht die Arbeit neu verteilen

Ein Business Case ist überzeugend, wenn KI Kosten senkt, die Qualität verbessert oder eine Dienstleistung ermöglicht, die zuvor wirtschaftlich nicht realisierbar war.

Die Technologie ist unzureichend, wenn sie zwar die Entwurfszeit verkürzt, aber den Überprüfungsaufwand erhöht, zusätzliches Material erzeugt, das niemand benötigt, oder einen klaren menschlichen Prozess durch ein undurchsichtiges System mit variablen Kosten ersetzt.

Die praktische Frage ist nicht, ob KI die Aufgabe erledigen kann. In vielen Fällen ist sie dazu in der Lage. Das Management muss wissen, ob der gesamte Prozess besser funktioniert, nachdem das Tool seine Arbeit beendet hat und die daran beteiligten Mitarbeiter ihre Aufgaben erfüllt haben.

Manchmal spricht die Antwort für ein fortschrittliches Modell. Manchmal reicht ein kleineres System oder eine herkömmliche Automatisierung aus. Ein geschulter Mitarbeiter kann unter Umständen immer noch den besseren Service zu geringeren Gesamtkosten bieten. Das ist ganz normale betriebswirtschaftliche Disziplin.