Die Token-Rechnung ist kein KI-Geschäftsfall

Jeder Sachbearbeiter verlor wertvolle Zeit, noch bevor die eigentliche Arbeit begann. Es ging nicht nur darum, das Konto zu verstehen, die nächsten Schritte festzulegen oder das Kundengespräch voranzubringen. Bevor all das geschehen konnte, musste jemand mehrere ERP-Systeme öffnen, Rechnungsdaten vergleichen, den Zahlungsstatus prüfen, Lücken aufdecken, Differenzen ausgleichen und sich die nötige Sicherheit verschaffen, um die Fakten zu kennen. Von außen betrachtet sah die Arbeit wie reines Inkasso aus. Intern bestand ein Großteil der Tätigkeit jedoch aus Vorbereitung: dem Zusammentragen der einzelnen Teile, dem Prüfen der Zahlen und dem Vorbereiten der Unterlagen, bevor der Sachbearbeiter seine eigentliche Aufgabe erfüllen konnte.

Diese versteckte Arbeit kostete jeden Sachbearbeiter täglich etwa zwei Stunden. Das fiel nicht weiter auf, da sich die Mitarbeiter daran gewöhnt hatten. Das Unternehmen hatte gelernt, mit den täglichen Schwierigkeiten beim Wechsel zwischen Systemen, dem Abgleich von Datensätzen und der Informationsaufbereitung vor dem Handeln umzugehen. Doch wenn sich diese Art von Arbeit täglich im gesamten Team wiederholt, wird sie nicht nur zu einer Unannehmlichkeit, sondern zu einer strukturellen Belastung. Die Automatisierung des systemübergreifenden Rechnungsabgleichs sparte dem Unternehmen rund 9.000 Stunden ein – nicht durch Personalabbau oder indem man so tat, als ob die Bearbeitung von Inkassofällen keine Beurteilung erforderte, sondern indem die aufwändige Zusammenstellung von Daten beseitigt wurde, die qualifizierte Mitarbeiter von wertschöpfenderen Aufgaben abhielt.

Das ist der Aspekt, den viele KI-Business-Cases immer noch vernachlässigen. Sie konzentrieren sich zu sehr auf die sichtbaren Technologiekosten und zu wenig auf die unsichtbaren Arbeitskosten. Im KI-Bereich bedeutet das oft, dass man sich nur auf die Token-Rechnung konzentriert, die damit verbundenen Betriebskosten aber außer Acht lässt. Die Preisgestaltung von Modellen ist entscheidend. Input-Token, Output-Token, Caching, Kontextfenster, Latenz, Anbietertarife, Plattformgebühren und Nutzungslimits – all das spielt eine Rolle. Kein Unternehmen sollte diese Aspekte ignorieren. Sie sind jedoch nicht der Kern des Business Case. Sie sind nur ein Teilaspekt, und manchmal nicht einmal der wichtigste.

Die eigentliche ökonomische Frage ist nicht, welches Modell pro Token am günstigsten ist. Die eigentliche Frage ist, welches Betriebsmodell die niedrigsten zuverlässigen Kosten pro abgeschlossenem Ergebnis erzielt. Diese Unterscheidung ist wichtig, da ein Token leicht zu zählen ist, ein abgeschlossenes Ergebnis hingegen komplexer. Ein Token befindet sich in einer Rechnung. Ein abgeschlossenes Ergebnis ist Teil eines Workflows mit allen erforderlichen Prüfungen, Korrekturen, Nachbearbeitungen, Eskalationen, Wartezeiten, Governance-Maßnahmen, Ausnahmebehandlungen und menschlichen Beurteilungen, um den Auftrag tatsächlich abzuschließen. Wenn die Wirtschaftlichkeit von KI nur auf Modellebene gemessen wird, kann der Business Case zwar positiv erscheinen, der operative Aufwand jedoch hoch bleiben.

So entstehen zu optimistische Business Cases für KI. Sie berücksichtigen den Entwurf, aber nicht die Überarbeitung. Sie zählen die Chatbot-Antwort, aber nicht den erneuten Kontakt. Sie zählen die erste Antwort, aber nicht den wiederaufgenommenen Fall. Sie zählen die Modellinteraktion, aber nicht den menschlichen Aufwand, der nötig ist, um das Ergebnis nutzbar zu machen. Sie zählen die sichtbare Automatisierung und ignorieren diejenigen, die im Stillen dafür sorgen, dass der Workflow vor Fehlkonstruktionen geschützt wird. Das ist keine rein finanzielle Angelegenheit. Es ist der Unterschied zwischen KI-Aktivität und KI-Wert.

Der Vergleich mit symbolischen Daten ist attraktiv, weil er Führungskräften etwas Konkretes bietet. Ein Modell ist günstiger, ein anderes schneller. Eines verarbeitet längere Kontexte, ein anderes ist besser im logischen Denken. Eines unterstützt Caching, ein anderes hat niedrigere Kosten pro Aufruf. Der Vergleich wirkt sachlich, weil die Zahlen klar sind, doch Klarheit auf der falschen Ebene kann irreführend sein. Ein günstiges Modell kann Ergebnisse liefern, die mehr Überprüfung, Korrektur und Eskalation erfordern. Ein teureres Modell kann den nachgelagerten Aufwand so weit reduzieren, dass es in der Praxis günstiger ist. Ein schlankes Modell mag für einfache Klassifizierungen perfekt sein, aber für die Bearbeitung komplexer Fälle schwach. Eine gestaffelte Strategie kann besser sein, als ein einziges Modell für alle Arten von Aufgaben zu verwenden.

Das Problem ist nicht die Frage nach günstig versus teuer, sondern die Frage nach dem Nutzen. Die Arbeit im Unternehmen ist nicht mit der KI-Antwort abgeschlossen. Sie endet erst, wenn der Fall gültig, akzeptiert und bearbeitet wurde und nicht als Nacharbeit an die Organisation zurückgeschickt wird. Wenn ein Workflow schnell abgeschlossen, später aber wieder geöffnet wird, war der erste Abschluss nicht das eigentliche Ergebnis. Wird eine Antwort schnell generiert, die Validierung durch einen Mitarbeiter dauert aber länger, entspricht die Geschwindigkeit des Modells nicht dem geschäftlichen Nutzen. Leitet ein Mitarbeiter Aufträge schnell weiter, sendet aber Ausnahmen an den falschen Verantwortlichen, bedeutet die Weiterleitungsgeschwindigkeit keine Produktivität, sondern beschleunigte Verwirrung.

Deshalb ist die Kosteneinheit entscheidend. Misst das Unternehmen die Kosten pro Modellaufruf, optimiert es auf kostengünstigere Aufrufe. Misst es hingegen die Kosten pro gelöstem Fall, optimiert es auf bessere Arbeit. Diese beiden Ansätze können zu sehr unterschiedlichen Entscheidungen führen. Der erste Ansatz betrifft die Werkzeugauswahl, der zweite die Betriebsabläufe. Bei der einen geht es um die kostengünstigste Modelllinie, bei der anderen darum, ob der Workflow ein zuverlässiges Ergebnis liefert, ohne die Kosten an anderer Stelle zu verlagern.

Das Beispiel mit den 9.000 Stunden ist aufschlussreich, weil es zeigt, wie die tatsächlichen Kosten oft aussehen, noch bevor KI überhaupt eingeführt wird. Die Kosten waren nicht in einer übersichtlichen Technologierechnung enthalten, sondern im täglichen Vorbereitungsaufwand: zwei Stunden pro Datenerfasser und Tag, verteilt auf mehrere Systeme. Die Arbeit schien nicht fehlerhaft, da sie weiterhin erledigt wurde. Das Problem war, dass die Organisation die Verschwendung normalisiert hatte. Genau das passiert in vielen KI-Projekten. Die Modellrechnung ist sichtbar, weil sie vom Anbieter gestellt wird. Die Kosten für Korrekturen bleiben verborgen, weil sie von den Mitarbeitern getragen werden. Die Kosten für Eskalationen bleiben verborgen, weil sie von den Managern getragen werden. Die Kosten für Nacharbeiten bleiben verborgen, weil sie vom Betrieb als normales Arbeitsvolumen behandelt werden. Die Kosten für das Vertrauen bleiben verborgen, weil die Mitarbeiter das Tool stillschweigend nicht für wirklich wichtige Aufgaben nutzen.

Die Rechnung ist sichtbar, die Kosten jedoch verteilt. Deshalb müssen KI-Business-Cases von der Arbeit selbst ausgehen, nicht von der Modellpreisgestaltung. Wie hoch sind die aktuellen Kosten des Workflows? Wie viel Zeit wird für Vorbereitung, Suche, Prüfung, Korrektur, Eskalation und Wiederaufnahme des Vorgangs aufgewendet? Was bedeutet ein zufriedenstellendes Ergebnis? Welche Schritte sind Routine? Welche erfordern Urteilsvermögen? Welche Ausnahmen treten wiederholt auf? Was geschieht bei fehlerhaften Ergebnissen? Welche menschliche Überprüfung bleibt bestehen, und handelt es sich dabei um eine geplante Kontrolle oder eine verdeckte Bereinigung? Ohne diese Fragen könnte das Unternehmen einen einwandfreien Business Case auf Basis eines unvollständigen Kostenbildes genehmigen.

Das ist wichtig, weil KI oft nur den ersten sichtbaren Schritt verbessert, bevor sie den gesamten Workflow optimiert. Sie erstellt, fasst zusammen, klassifiziert, ruft Daten schneller ab und generiert Ergebnisse schneller. Diese Geschwindigkeit ist zwar nützlich, aber nicht automatisch wertvoll. Der Wert hängt davon ab, was nach der Ergebnisdarstellung geschieht. Vertraut der Mitarbeiter dem Ergebnis? Akzeptiert der Kunde es? Bleibt der Fall abgeschlossen? Vermeidet der Workflow Nacharbeiten? Reduziert das Ergebnis Eskalationen? Verbessert es die Kontrolle? Schafft es Kapazitäten für bessere Arbeit? Oder verlagert es den Aufwand lediglich auf Prüfen, Korrigieren und Erklären?

Der operative Held freut sich über die sichtbare Einsparung. Der Architekt verfolgt die Kosten, bis das Problem endgültig gelöst ist. Ein Modell, das die Entwurfszeit um fünf Minuten verkürzt, klingt gut, bis der Fall wieder aufgerollt wird. Ein Chatbot, der mehr Anfragen bearbeitet, klingt gut, bis die Zahl der wiederholten Anfragen steigt. Ein automatisierter Workflow klingt gut, bis Ausnahmen an Vorgesetzte weitergeleitet werden. Ein günstigeres Modell klingt gut, bis die menschliche Überprüfung zum eigentlichen Kostenfaktor wird. Das ist keine Skepsis um ihrer selbst willen. Es ist operative Disziplin.

Dieselbe Logik zeigt sich auch im Detail. In einem anderen Vorgang mag die Reduzierung der Rechnungsladezeit von 16 auf 8 Sekunden isoliert betrachtet unbedeutend erscheinen. Eine halbe Sekunde hier, ein paar Sekunden dort, ein Klick weniger, eine Datei schneller abgerufen. Führungskräfte ignorieren solche kleinen Reibungsverluste oft, weil sie nicht strategisch klingen. Doch bei hohem Arbeitsaufkommen summieren sich diese kleinen Reibungsverluste. Wenige Sekunden multipliziert mit Tausenden von Transaktionen ergeben Kapazitätsverluste. Eine täglich wiederholte manuelle Prüfung wird zu einem Kostenfaktor. Ein regelmäßiger Systemwechsel wird zu einer versteckten Gebühr. Die Größe der Einheit ist weniger wichtig als ihre Häufigkeit und ihre Rolle im Arbeitsablauf.

KI-Business-Cases erfordern dieselbe Disziplin. Ein Modellergebnis mag auf den ersten Blick kostengünstig erscheinen, doch wenn jedes Ergebnis eine kleine Korrektur erfordert und diese Korrektur in Tausenden von Fällen wiederholt wird, verändern sich die tatsächlichen Kosten. Spart ein Workflow zwar einige Minuten, führt aber zu einer höheren Wiederöffnungsrate, ändert sich die Wirtschaftlichkeit. Reduziert ein Tool eine Art manueller Arbeit, verursacht aber an anderer Stelle zusätzlichen Prüfaufwand, sind die Einsparungen nicht vollständig. Sie haben sich lediglich verlagert. Der Business Case sollte nicht nur fragen, was KI eliminiert, sondern auch, was sie hinterlässt.

Hier werden viele Programme anfällig. Sie gehen davon aus, dass menschliche Überprüfung kostenlos ist, weil die entsprechenden Mitarbeiter bereits vorhanden sind. Sie nehmen an, dass Korrekturen nur vorübergehend sind, weil sich das Modell verbessern wird. Sie gehen davon aus, dass Eskalationen selten sind, weil die Pilotstudie fehlerfrei verlief. Sie halten Governance für unnötigen Aufwand, weil sie nicht wie Produktivität aussieht. Sie nehmen an, dass Akzeptanz gleichbedeutend mit Wertschöpfung ist, weil die Nutzung sichtbar ist. Diese Annahmen erleichtern zwar die Genehmigung des Business Case, erschweren aber dessen Verteidigung.

Menschliche Korrektur ist eine der größten Fallen. Sie wird oft als verantwortungsvolle Aufsicht dargestellt, und manchmal ist sie das auch. Es gibt Arbeitsabläufe, bei denen eine menschliche Überprüfung notwendig, wertvoll und bewusst so gestaltet ist. Doch es besteht ein Unterschied zwischen Aufsicht und Bereinigung. Aufsicht schützt die Arbeit. Bereinigung gleicht Schwächen im Design aus. Wenn eine Person eine KI-Ausgabe überprüft, weil der Arbeitsablauf Urteilsvermögen erfordert, kann das gute Unternehmensführung sein. Wenn eine Person die Ausgabe jedoch neu schreibt, drei Systeme prüft, fehlenden Kontext ergänzt, die Ausnahme identifiziert und verhindert, dass eine falsche Aktion ausgeführt wird, handelt es sich um versteckte Nacharbeit. Wird diese versteckte Nacharbeit nicht gemessen, ist der Business Case der KI unvollständig.

Dasselbe gilt für Eskalationen. Eine gewisse Eskalation ist notwendig, insbesondere bei risikoreichen Aufgaben, doch vermeidbare Eskalationen verursachen Kosten. Wenn KI eine Ausnahme übersieht, einen Fall falsch weiterleitet oder ein Ergebnis liefert, dem ein Mitarbeiter im direkten Kundenkontakt nicht vertrauen kann, wird das Problem an einen Vorgesetzten, Spezialisten, Manager, das Risikoteam oder eine Führungskraft mit Kundenkontakt weitergeleitet. Diese Zeit ist teurer, führt zu mehr Störungen und wird im Modellvergleich selten berücksichtigt. Die Kosten der KI beschränken sich nicht nur auf den Ressourcenverbrauch des Modells. Sie umfassen auch den Aufwand, den das Unternehmen betreiben musste, um das Ergebnis nutzbar zu machen.

Deshalb ist der Kosten-pro-Lösung-Wert ein besserer Maßstab als der Kosten-pro-Token-Wert. Eine Lösung umfasst den gesamten Prozess: Eingabe, Abruf, Modellinteraktion, menschliche Prüfung, Korrektur, Eskalation, Governance, Abschluss und die Qualitätsprüfung nach dem Abschluss. Wird der Fall wieder geöffnet, war die Lösung nicht so gut wie vom Dashboard angezeigt. Ein Kundensupportfall gilt nicht als gelöst, nur weil der Bot einmal geantwortet hat. Er ist gelöst, wenn der Kunde sich nicht erneut wegen desselben Problems melden muss. Ein Finanz-Workflow gilt nicht als gelöst, nur weil das System einen Eintrag gebucht hat. Er ist gelöst, wenn der Eintrag gültig und abgeglichen ist und keine nachgelagerten Korrekturen erfordert. Ein Beschaffungs-Workflow gilt nicht als gelöst, nur weil ein Dokument extrahiert wurde. Er ist gelöst, wenn die Bestellung mit zuverlässigen Daten, korrekter Validierung und kontrollierten Ausnahmen weiterbearbeitet werden kann.

Hier ist mehr Struktur in den Gesprächen mit Anbietern gefragt. Anbieter können zwar die Leistungsfähigkeit ihrer Modelle, Plattformfunktionen, Automatisierungsbeispiele und Kostenvergleiche präsentieren – das ist zwar hilfreich, aber nicht ausreichend. Das Unternehmen muss seine eigenen betrieblichen Gegebenheiten in die Gespräche einbringen. Andernfalls orientiert sich der Anbieter bei der Erstellung des Business Case an den Möglichkeiten des Tools, nicht an den tatsächlichen Arbeitsanforderungen. Ein Unternehmen, das seinen Workflow nicht genau versteht, kauft leichtfertig generische KI-Lösungen. Es hört, dass KI Bearbeitungszeiten verkürzt, die Produktivität steigert, Mitarbeiter unterstützt, repetitive Aufgaben automatisiert und Kapazitäten freisetzt. Diese Aussagen mögen zutreffen, aber nur, wenn die Arbeit sorgfältig ausgewählt und konzipiert wird.

Die Frage ist nicht, ob KI generell Wert schaffen kann. Das kann sie. Die Frage ist vielmehr, ob dieser KI-Einsatz in diesem Arbeitsablauf nach Berücksichtigung aller Kosten einen messbaren Mehrwert generiert. Diese Frage erfordert operative Belege. Sie erfordert eine Ausgangsbasis. Wie viel Zeit benötigt die Arbeit aktuell? Wo entstehen Verzögerungen? Wie oft wird sie korrigiert? Wie oft muss sie erneut bearbeitet werden? Welche Ausnahmen führen zu einer Eskalation? Wie viel Aufwand wird für Suche, Vorbereitung, Vergleich und Validierung betrieben, bevor die eigentliche Arbeit beginnt? Wer trägt die versteckte Last?

Im Fall der 9.000 Stunden war die versteckte Belastung nicht philosophischer Natur. Sie war alltäglich und messbar. Zwei Stunden pro Mitarbeiter und Tag wurden durch den Vergleich mehrerer Systeme in Anspruch genommen, bevor die wertschöpfenderen Aufgaben erledigt werden konnten. Nachdem diese Belastung beseitigt war, steigerte der Betrieb seine Kapazität, ohne dass die Mitarbeiter als Problem dargestellt wurden. Das Problem lag nicht beim Mitarbeiter, sondern in der Arbeitsgestaltung. Diese Erkenntnis lässt sich direkt auf KI übertragen. Wenn der Business Case für KI darauf basiert, menschliche Arbeitskraft zu ersetzen, ohne zu verstehen, was diese Arbeitskraft beinhaltet, wird er oberflächlich sein. Ein Teil der Arbeitskraft ist Verschwendung. Ein Teil ist Beurteilung. Ein Teil dient der Kontrolle. Ein Teil der Ausnahmebehandlung. Ein Teil ist der Ausgleich für fehlerhafte Systeme. All dies als die gleiche „Zeitersparnis“ zu behandeln, führt zu Fehlentscheidungen.

Ein überzeugender Business Case trennt die Arbeitsschritte. Was soll wegfallen? Was soll unterstützt werden? Was soll weiterhin manuell erledigt werden? Was soll wiederverwendbares Wissen werden? Was soll eine Eskalation auslösen? Was hätte von vornherein keine manuelle Belastung sein dürfen? Diese Trennung verhindert, dass KI zu einer weiteren Ebene teurer Verwirrung wird. Sie verändert auch die Sichtweise der Finanzabteilung auf KI. Der CFO sollte nicht nur nach den Kosten des Modells fragen. Er sollte sich fragen, wo der Wert entsteht, ob die Kosten das System verlassen oder sich nur verlagern, ob tatsächlich Kapazitäten freigesetzt werden, ob die Wiederbehebungsraten sinken, ob der Workflow einfacher zu steuern ist und ob das Unternehmen wiederverwendbares Wissen aufbaut oder im nächsten Jahr erneut für die gleiche Arbeit bezahlen muss.

Diese Fragen sind nicht KI-feindlich. Sie fördern den Wert. Sie schützen das Unternehmen vor bloßer Show. KI-Show entsteht, wenn das Unternehmen zwar Aktivitäten vorweisen kann, aber keine operative Verbesserung nachweisen kann. Ein Tool ist live. Ein Dashboard ist aktiv. Es wird genutzt. Der Anbieter ist zufrieden. Das interne Programm wirkt modern. Doch die eigentliche Arbeit ist nach wie vor aufwendig. Mitarbeiter korrigieren weiterhin. Führungskräfte eskalieren weiterhin. Ausnahmen wiederholen sich. Die Finanzabteilung erkennt den Wert immer noch nicht klar. Das ist keine Transformation. Das ist bloße Fassade.

Der bessere Weg ist bodenständiger. Beginnen Sie mit den aktuellen Arbeitskosten. Berücksichtigen Sie dabei auch die unsichtbaren Kosten. Zählen Sie die Schritte für Suchen, Zusammenstellen, Prüfen, Korrigieren, Wiederöffnen, Eskalieren und Steuern. Entscheiden Sie dann, wo KI Reibungsverluste verantwortungsvoll reduzieren kann. Messen Sie nach der Implementierung, ob sich das Gesamtergebnis verbessert hat, nicht ob das erste Ergebnis schneller erzielt wurde. Dies ist besonders wichtig, wenn Organisationen von Copiloten zu Agenten übergehen. Ein Copilot kann zwar beim Erstellen eines Entwurfs, Zusammenfassen eines Dokuments oder Vorbereiten einer Antwort helfen, aber der Mensch ist weiterhin nah am Ergebnis. Ein Agent kann den Workflow direkter beeinflussen. Er kann Aufgaben weiterleiten, aktualisieren, auslösen, priorisieren oder ausführen. Dadurch verändern sich die Kosten von Fehlern.

Wenn ein Mitarbeiter mehr Korrekturen auslöst, können die Kosten schnell steigen. Geht er schlecht mit Ausnahmen um, erhöht sich die Eskalation. Handelt er ohne ausreichende Nachvollziehbarkeit, steigen die Governance-Kosten. Fehlt es den Mitarbeitern an Vertrauen, sinkt die Akzeptanz. War der Workflow nicht vorbereitet, muss das Unternehmen die Kosten für die Bereinigung tragen. Die Kosten für die Nachbearbeitung werden dies nicht widerspiegeln. Der tatsächliche Aufwand wird es zeigen.

Deshalb sollte der Business Case auf Workflow-Ebene und nicht auf Modellebene erstellt werden. Unterschiedliche Workflows erfordern unterschiedliche wirtschaftliche Logik. Eine risikoarme Klassifizierungsaufgabe mit hohem Volumen kann ein kostengünstigeres Modell mit geringer manueller Stichprobenprüfung rechtfertigen. Ein komplexer Finanzfall kann ein leistungsfähigeres Modell, strengere Kontrollen und eine sorgfältigere manuelle Überprüfung erfordern. Ein kundenorientierter Workflow kann Qualitätsfenster und die Messung von Wiederöffnungszeiten erfordern. Ein Compliance-sensitiver Workflow kann Rückverfolgbarkeit und kontrollierte Eskalation erfordern. Eine einheitliche Modellstrategie für alle Arbeitsarten ist selten die optimale Lösung. Die optimale Lösung besteht darin, den Umfang der KI-Leistung, die menschliche Aufsicht, die Governance und die Kostentoleranz an die Art der Arbeit anzupassen.

Globale Organisationen benötigen noch mehr Sorgfalt. Derselbe Workflow kann je nach Region wirtschaftlich unterschiedlich sein, da sich Arbeitskosten, Sprachbarrieren, Prozessreife, regulatorische Vorgaben, Kundenerwartungen und Datenqualität unterscheiden. Ein Modell, das in einem Markt effizient erscheint, kann in einem anderen zu Korrekturaufwand führen. Ein Workflow, der in einer Region automatisierungsbereit ist, erfordert andernorts möglicherweise mehr menschliches Urteilsvermögen. Ein globaler Business Case, der lokale Gegebenheiten ignoriert, wirkt im Zentrum zwar reibungslos, erweist sich in der Praxis aber als mangelhaft. Die Lösung besteht nicht darin, jeden Markt als Sonderfall zu behandeln. Vielmehr gilt es, allgemeine wirtschaftliche Logik mit lokalen Erkenntnissen zu kombinieren. Die Kosten pro gelöstem Ergebnis bilden die gemeinsame Logik. Die lokalen Erkenntnisse erklären, was im jeweiligen Kontext erforderlich ist, um das gewünschte Ergebnis zu erzielen.

Dasselbe Prinzip gilt für Mitarbeiter. Werden sie zwar zur Nutzung von KI aufgefordert, ihre Leistung aber weiterhin nur anhand manueller Prozesse gemessen, optimieren sie nach den alten Kriterien. Werden sie aufgefordert, Ergebnisse zu validieren, die Validierung aber als Verzögerung gewertet, geraten sie unter Druck, schneller zu arbeiten, als es der Workflow zulässt. Werden sie aufgefordert, Wissen zu erfassen, aber nur der Abschluss von Fällen belohnt, bleibt die Wissenserfassung zweitrangig. Werden sie aufgefordert, Agenten zu betreuen, diese Betreuung ist aber in der Arbeitsplanung nicht vorgesehen, unterschätzt die Wirtschaftlichkeitsberechnung den menschlichen Aufwand, der für eine zuverlässige KI erforderlich ist. Auch die reine Leistungsabrechnung spiegelt dies nicht wider. Das Leistungssystem hingegen schon.

Deshalb lässt sich der Wert von KI nicht von der Betriebsgestaltung trennen. Das Modell ist nur ein Teil der Kosten. Die wichtigere Frage ist, ob die Organisation die Arbeit, die Rolle, die Governance und die Messung auf das gewünschte Ergebnis ausgerichtet hat. Die Lehre aus dem Fallbeispiel mit den 9.000 Arbeitsstunden ist nicht, dass Automatisierung immer die Lösung ist. Die Lehre ist vielmehr, dass versteckte Arbeit sichtbar gemacht werden muss, bevor man ernsthafte Wertversprechen abgeben kann. Sobald der versteckte Vergleichsaufwand sichtbar war, konnte das Unternehmen die Arbeit neu gestalten. KI erfordert dieselbe Disziplin. Bevor Führungskräfte Einsparungen verkünden, müssen sie erkennen, welche Arbeit wegfällt, welche Arbeit bestehen bleibt und welche neue Arbeit entsteht.

Andernfalls wird der Business Case zu vereinfacht. Er behauptet, KI spare Zeit, berücksichtigt aber keine Korrekturen. Er behauptet, KI reduziere Kosten, erfasst aber keine Eskalationen. Er behauptet, KI steigere die Produktivität, misst aber nicht die Anzahl der wiederaufgenommenen Aufgaben. Er behauptet, KI unterstütze Mitarbeitende, fragt aber nicht, ob das Tool die Belastung verringert oder eine zusätzliche Kontrollinstanz eingeführt hat. Die symbolische Rechnung ist nicht der Business Case für KI, denn sie ist nur der sichtbarste Teil des Systems. Der eigentliche Business Case liegt in der praktischen Arbeit. Er zeigt sich in der Zeitersparnis für Mitarbeitende, den vermiedenen Fehlern, der reduzierten Nacharbeit, den wiederverwendeten Ausnahmen, den verbesserten Entscheidungen, den verstärkten Kontrollen und den für wirklich wichtige Aufgaben freigesetzten Kapazitäten.

Führungskräfte dürfen die Modellkosten nicht ignorieren. Sie sollten sie genau verstehen. Sie sollten sie aber nicht mit der Wirtschaftlichkeit von KI verwechseln. Die bessere Frage lautet nicht: „Welches Modell ist günstiger?“ Die bessere Frage lautet: „Welcher Workflow liefert ein zuverlässiges Ergebnis zu den richtigen Kosten, mit dem richtigen Maß an Kontrolle und ohne die Last an anderer Stelle zu verlagern?“ Diese Frage ist schwieriger. Sie ist aber auch die einzige, die die Wahrheit ans Licht bringt.

Fragen und Antworten

F: Warum ist die Token-Rechnung kein Anwendungsfall für KI-Geschäftsmodelle?

A: Die Token-Rechnung zeigt nur die sichtbaren Kosten der Modellnutzung. Sie beinhaltet nicht die gesamten Betriebskosten, die für ein zuverlässiges Ergebnis erforderlich sind, wie z. B. Abruf, Prüfung, Korrektur, Eskalation, Governance, Nachbearbeitung, Wiedereröffnung von Fällen und Mitarbeiterzeit.

F: Wie hoch sind die Kosten pro gelöstem Fall?

A: Die Kosten pro abgeschlossenem Ergebnis umfassen die Gesamtkosten, die für die korrekte Durchführung der Arbeit und deren Aufrechterhaltung erforderlich sind. Dazu gehören die Modellinteraktion, die manuelle Überprüfung, Korrekturen, Eskalationen, Governance-Maßnahmen und jegliche Nacharbeiten, die vor dem endgültigen Abschluss des Vorgangs anfallen.

F: Kann ein günstigeres Modell in der Praxis teurer werden?

A: Ja. Ein günstigeres Modell kann teurer werden, wenn es mehr Korrekturen, Nacharbeiten, Eskalationen oder wiedereröffnete Fälle verursacht. Ein teureres Modell kann hingegen insgesamt günstiger sein, wenn es zuverlässigere Ergebnisse liefert und den damit verbundenen, oft versteckten Aufwand reduziert.

F: Welche versteckten Kosten sollten Führungskräfte in Business Cases für KI berücksichtigen?

A: Führungskräfte sollten menschliche Korrekturmaßnahmen, wiederholten Kontakt, wiederaufgenommene Fälle, Eskalation, Qualitätsprüfung, Governance, Implementierungsaufwand, Systemintegration, Abrufinfrastruktur und die Zeit, die Mitarbeiter mit der Überprüfung oder dem Wiederaufbau von KI-Ausgaben verbringen, berücksichtigen.

F: Wie sollte die Finanzbranche den Wert von KI bewerten?

A: Die Finanzabteilung sollte über die Modellkosten hinausblicken und prüfen, ob sich der Arbeitsablauf verbessert hat. Die Schlüsselfragen sind, ob Durchlaufzeiten, Korrektur-, Nacharbeits-, Eskalations- und Wiedereröffnungsraten sinken und ob tatsächlich Kapazitäten freigesetzt oder lediglich in versteckte Prüftätigkeiten verlagert werden.

F: Was ist der erste praktische Schritt vor der Genehmigung eines KI-Business-Cases?

A: Beginnen Sie mit der Erfassung der aktuellen Arbeitskosten, einschließlich versteckter Kosten für Vorbereitung, Recherche, Prüfung, Korrektur und Eskalation. Sobald die Gesamtkosten sichtbar sind, kann die KI anhand des Ergebnisses, das sie verbessern soll, bewertet werden, und nicht nur anhand des Preises des Modells.