Business Case für KI: Warum die meisten Projekte ohne Zahl starten

Ein KI-Vorhaben ohne Zahl ist eine Wette

In vielen Finanzinstituten beginnt ein KI-Vorhaben mit einer überzeugenden Demo und guter Absicht, aber ohne belastbare Zahl. Ein halbes Jahr später fragt das Management nach dem Effekt, und niemand kann ihn beziffern, weil ihn vorher niemand festgelegt hat.

Ein tragfähiger Business Case für ein KI-Vorhaben beantwortet vor dem ersten Sprint drei Fragen: Welcher Aufwand fällt heute im Prozess an, welcher Anteil davon entfällt realistisch nach der Automatisierung, und was kostet die Lösung im laufenden Betrieb? Fehlt eine dieser drei Zahlen, lässt sich der Nutzen später weder nachweisen noch in der nächsten Budgetrunde verteidigen.

Warum KI-Vorhaben so oft ohne belegten Nutzen bleiben

Der Engpass ist selten das Geld, sondern die Klarheit über den Hebel. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Kreditinstituten nennen nur 19 Prozent der Institute ohne KI-Anwendungen fehlendes Budget als Hindernis (2023: 32 Prozent). Als Erfolgsfaktor sehen dagegen 46 Prozent klar definierte Anwendungsfälle, nur 17 Prozent ein ausreichendes Budget.

Dieselbe Studie zeigt, wie verbreitet KI inzwischen ist und wie wenig gesteuert: 78 Prozent der Institute setzen KI produktiv ein, 70 Prozent beschreiben ihre KI-Projekte überwiegend als isolierte Einzelinitiativen. Isolierte Initiativen haben selten eine gemeinsame Messlogik, und ohne Messlogik bleibt der Nutzen eine Behauptung. Warum das ein Strukturproblem ist, zeigt der Beitrag zu unkoordinierten KI-Initiativen in Banken.

International fällt der Befund ähnlich aus. Gartner hat im Juli 2024 prognostiziert, dass mindestens 30 Prozent der Projekte mit generativer KI bis Ende 2025 nach dem Proof of Concept abgebrochen werden, wegen schlechter Datenqualität, unzureichender Risikokontrollen, steigender Kosten oder unklarem Geschäftswert. Der Bericht „The GenAI Divide: State of AI in Business 2025“ der MIT-Initiative NANDA kommt nach eigener Auswertung von über 300 veröffentlichten KI-Initiativen, 52 Interviews und 153 Befragungen zu dem Ergebnis, dass 95 Prozent der Organisationen keinen messbaren Ertrag aus generativer KI erzielen. Beide Quellen sind branchenübergreifend; der gemeinsame Nenner ist kein Technikproblem, sondern ein Mess- und Steuerungsproblem.

Welche drei Zahlen einen belastbaren Business Case tragen

Ein belastbarer Business Case stützt sich auf Ist-Aufwand, realistischen Automatisierungsgrad und Betriebskosten. Alle drei lassen sich vor dem Start erheben, wenn der Prozess klar abgegrenzt ist.

• Ist-Aufwand: Zahl der Vorgänge pro Jahr, durchschnittliche Bearbeitungszeit je Vorgang und Kostensatz je Arbeitsstunde im betroffenen Bereich. Daraus ergibt sich der heutige Aufwand in Euro und in Bearbeitungsstunden.

• Realistischer Automatisierungsgrad: Er liegt fast nie bei hundert Prozent, weil Ausnahmen, Plausibilitätsprüfungen und Entscheidungen beim Menschen bleiben. Ehrlich gerechnet wird mit einem Rest, den die KI vorbereitet, aber nicht abschließt.

• Betriebskosten: Lizenz oder Nutzung, Integration in Kernsystem und Fachanwendungen, laufender Verbrauch im Regelbetrieb sowie Aufwand für Überwachung und Pflege.

Erst die Differenz aus eingesparten Bearbeitungsstunden und Betriebskosten ergibt den tatsächlichen Hebel. Hinzu kommen Effekte, die sich schwerer in Euro fassen lassen, etwa vermiedene Fehler, kürzere Durchlaufzeiten für Kundinnen und Kunden oder Kapazität, die für Beratung frei wird. Diese Effekte gehören in den Business Case, aber getrennt ausgewiesen, damit die harte Rechnung nicht verwässert.

Welche Rechenfehler einen Business Case kippen

Zwei Fehler tauchen immer wieder auf. Der erste verwechselt Pilotkosten mit Betriebskosten: Ein Pilot auf wenigen hundert Fällen ist günstig, der Betrieb über das gesamte Volumen eines Jahres nicht. Wer diese Logik übersieht, unterschätzt die Kosten generativer KI im Regelbetrieb systematisch.

Der zweite Fehler setzt den Automatisierungsgrad zu hoch an und blendet die Ausnahmen aus, an denen ein Modell im Echtbetrieb scheitert. Beide Fehler machen aus einem soliden Business Case eine überzeugende Folie, die der Realität nicht standhält. Ein dritter, leiserer Fehler ist ein Business Case für einen Anwendungsfall, der gar nicht der teuerste Engpass ist; wie sich die richtigen Fälle finden lassen, beschreibt der Beitrag zur Auswahl von KI-Anwendungsfällen.

Welche Kennzahlen den Nutzen im Prozess sichtbar machen

Messbar ist, was am Prozess hängt. In der Kreditbearbeitung sind das etwa die Durchlaufzeit je Kreditakte, die Zahl der Nachforderungen und die Fehlerquote in der Vorprüfung. Im Service sind es die Bearbeitungsdauer je Anfrage und die Quote der beim ersten Kontakt gelösten Anliegen. Im Posteingang zählen Anteil der automatisch zugeordneten Dokumente und Liegezeit bis zur Bearbeitung.

Ein klar umrissener Hebel ist der Einsatz von KI in der Marktfolge: Jede eingesparte Minute je Vorgang wirkt dort direkt auf die Menge der bearbeiteten Fälle. Wird der Hebel benannt, bevor das Tool ausgewählt ist, wird danach das Richtige gemessen.

Warum die Ausgangsmessung vor dem Pilot entscheidet

Die Ausgangsmessung ist der Nullpunkt jedes Nachweises. Sie hält fest, wie lange ein Vorgang heute dauert, wie viele Stellen ihn bearbeiten und wie oft er zurückläuft. Ohne diesen Wert gibt es später keinen Vergleich, nur Einschätzungen.

Zur Ausgangsmessung gehört ein Erfolgskriterium mit Stichtag, zum Beispiel nach 90 Tagen im Echtbetrieb. Ohne Stichtag verschiebt sich der Nachweis ins Unbestimmte, und der Pilot wird zur Dauerschleife statt zum Regelbetrieb. Warum so viele Vorhaben genau dort hängen bleiben, zeigt der Beitrag zur Pilotfalle in Banken.

Was das Management vor der Freigabe eines KI-Budgets klären sollte

Die Freigabe eines KI-Budgets ist eine Steuerungsentscheidung, keine Technikentscheidung. Fünf Punkte gehören deshalb vor jede Freigabe:

1. Einen Prozess wählen, dessen Kosten heute schon spürbar sind und dessen Zahlen sich sauber erheben lassen.

2. Die Ausgangsmessung durchführen und Volumen, Bearbeitungszeit und Fehlerquote festhalten, bevor die Lösung ausgewählt wird.

3. Den Automatisierungsgrad konservativ ansetzen und die Ausnahmen ausdrücklich einplanen.

4. Betriebskosten für das volle Jahresvolumen rechnen, nicht für den Pilot.

5. Erfolgskriterium, Stichtag und Verantwortung festlegen: eine benannte Person, die das Ergebnis nach 90 Tagen berichtet.

Häufige Fragen

Wie wird der ROI eines KI-Vorhabens in einem Finanzinstitut berechnet?
Aus dem Vergleich einer vor dem Start gemessenen Ausgangslage mit dem Ergebnis im Echtbetrieb: eingesparte Bearbeitungsstunden mal Kostensatz, abzüglich Lizenz-, Integrations- und Betriebskosten. Qualitative Effekte werden getrennt ausgewiesen.

Warum reicht ein erfolgreicher Pilot nicht als Beleg?
Ein Pilot läuft auf wenigen, oft ausgewählten Fällen und mit geringen Kosten. Belastbar wird der Nutzen erst im vollen Volumen, mit allen Ausnahmen und den tatsächlichen Betriebskosten.

Welche Kennzahl eignet sich für den Start?
Eine Kennzahl, die direkt am Prozess hängt und sich vorher und nachher messen lässt, etwa die Durchlaufzeit je Vorgang oder die Fehlerquote in der Vorprüfung. Eine einzige gut gemessene Kennzahl ist mehr wert als viele ungefähre.

Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.

Wie belastbar die Zahlen hinter dem nächsten KI-Vorhaben sind, zeigt sich meist schon an der Frage, wer heute den Ist-Aufwand des Prozesses kennt. Wir freuen uns über ein erstes Gespräch zu diesem Thema.