Welcher Workflow hat sich verändert, und was hat er eingebracht?
Wer als CFO die KI-Ausgaben prüft, sieht Lizenzen, Piloten, Plattformrechnungen und ein wachsendes Team. Mitarbeitende können schnellere Entwürfe und bessere Antworten vorweisen. Die Finanzfrage bleibt dennoch unvollständig beantwortet: Welches operative Ergebnis hat sich verändert, und was hat die vollständige Veränderung gekostet?
Genau diese Wirkung auf das Unternehmen analysiere ich hier. Adoption sagt etwas über die Nutzung aus. Sie belegt keine finanzielle Rendite. Eingesparte Zeit kann wertvoll sein, ohne dass eine Ausgabe sinkt, und eine produktive Oberfläche kann existieren, bevor jemand gezeigt hat, dass der Prozess besser funktioniert.
Die Investitionsentscheidung wird klarer, wenn das Unternehmen drei Fragen trennt: Gibt es ein nützliches abgeschlossenes Ergebnis, übersteht der Wert die vollen Kosten, und welche Evidenz rechtfertigt die Skalierung?
Marktevidenz als Orientierung lesen, nicht als eigenen Business Case
Die Umfrage von McKinsey vom November 2025 meldete bei 88 Prozent der Organisationen der Befragten eine regelmässige KI-Nutzung in mindestens einer Funktion, während 39 Prozent der KI eine Wirkung auf das EBIT des Unternehmens zuschrieben. Rund 6 Prozent erfüllten die anspruchsvolle Definition für High Performer. Diese Kategorien machen nicht alle ausserhalb der letzten Gruppe erfolglos. Sie unterscheiden zwischen Nutzung, berichteter finanzieller Wirkung und einer bestimmten Leistungsschwelle.
Der Bericht bringt stärkere Ergebnisse mit der Neugestaltung von Workflows in Verbindung. Das ist eine nützliche Richtung für weitere Untersuchungen, aber kein Beweis, dass eine vorgegebene Neugestaltung eine Rendite verursacht. Zudem handelt es sich um eine datierte Umfrage, nicht um eine geprüfte Vollerhebung des aktuellen Marktes.
Häufig wiederholte Quoten gescheiterter Piloten, ROI-Multiplikatoren von Anbietern und Umfragen unter Führungskräften messen oft Unterschiedliches. Eine Studie zu offengelegten Initiativen und eine Unternehmensumfrage lassen sich nicht als äussere Grenzen einer einzigen Erfolgsquote des Marktes behandeln. Ich würde diese scheinbare Präzision nicht nutzen, um eine lokale Investition zu genehmigen oder abzulehnen.
Nutzen Sie externe Evidenz, um Fragen und plausible Mechanismen auszuwählen. Bitten Sie dann die verantwortliche Person des tatsächlichen Workflows, Ausgangswert, beabsichtigte Veränderung und Ergebnis zu zeigen.
Entscheidung eins: ein abgeschlossenes Ergebnis finanzieren
Der stärkste frühe Kandidat wirkt womöglich gewöhnlich: die richtige interne Referenz finden, eine Serviceantwort vorbereiten oder ein wiederkehrendes Dokument prüfen. Entscheidend ist, dass das Unternehmen erkennen kann, wie ein brauchbarer Abschluss aussieht und wer ihn erhält.
Der Morgan-Stanley-Fall von OpenAI beschreibt Expertenbewertungen für Retrieval und Zusammenfassung, gefolgt von der Vorbereitung von Gesprächsnotizen mit Prüfung durch die Berater. Er meldet eine aktive Nutzung durch mehr als 98 Prozent der Beraterteams. Das ist vom Anbieter veröffentlichte Evidenz zu Adoption und Implementierung, keine offengelegte ROI-Berechnung für das gesamte Unternehmen.
Die nützliche Lehre liegt in der Verbindung von definierter Aufgabe, Evaluation und operativer Übergabe. Sie setzt weder voraus, dass Automatisierung den Berater ersetzen muss, noch dass jedes Unternehmen dieselbe Wirtschaftlichkeit erreicht.
Als industrielles Beispiel dient ein hypothetischer Angebotsassistent. Er kann schneller Entwürfe erstellen, während Engineering und Operations den Fall weiterhin verantworten. Ein glaubwürdiges Ergebnis wäre ein brauchbares Angebot, das den Kunden früher erreicht, mit zutreffender Konfiguration, gültigen Konditionen und intakter Lieferfreigabe. Das ist etwas anderes als das Zählen von Entwürfen.
Fragen Sie, welcher Engpass sich verändert und wer befugt ist, ihn zu verändern. Wird Kapazität frei, legen Sie fest, wohin sie fliesst: mehr bediente Nachfrage, eine vermeidbare Ausgabe weniger, bessere Qualität oder eine tragfähige Arbeitslast. Jede Option hat Wert; jede braucht Evidenz, die zur jeweiligen Behauptung passt. Der Begleitessay Ihre KI hat eine Stunde gespart. Wer bekommt sie? verfolgt diese Zuteilungsentscheidung.
Ein Pilot kann auch zum Lernen finanziert werden. Halten Sie fest, welche Unsicherheit er auflösen soll und welche Entscheidung daraus folgt. Lernen ist ein legitimes Ergebnis, wenn es sich überprüfen lässt; es sollte nicht stillschweigend als realisierter Gewinn ausgewiesen werden.
Entscheidung zwei: die vollständigen Gesamtkosten vergleichen
Ein Modellpreis ist nur eine Kostenposition. Der umgesetzte Prozess kann zusätzlich Integration, Dokumentenaufnahme, Berechtigungen, Retrieval, Evaluation, Monitoring, Support, Schulung und menschliche Prüfung erfordern. Diese Kosten können bei einer moderaten internen Arbeitslast dominieren, selbst wenn die Inferenz günstig ist.
Vergleichen Sie Designs, die dasselbe Ergebnis, dieselbe Qualität und dieselben Betriebsbedingungen erfüllen. Eine Seat-Lizenz und eine tokenbasiert abgerechnete API können unterschiedliche Leistungen umfassen und unterschiedlichen internen Aufwand erfordern. Wer nur ihre Listenpreise vergleicht, lässt eine teure Implementierung womöglich als günstigste Option erscheinen.
Dasselbe gilt für Modellstufen. Niedrigere Tokenpreise belegen keinen besseren Wert, wenn ein Design wiederholte Versuche, längeren Kontext oder mehr Prüfung braucht, um den Standard zu erreichen. Ein teureres Modell kann bei einer schwierigen Aufgabe wirtschaftlich sein; bei einer Routineaufgabe kann es Verschwendung sein. Testen Sie die vorgesehene Arbeitslast, statt eines der beiden Ergebnisse vorauszusetzen.
Verfügbare Durchsatzkontingente beschreiben Kapazität. Tatsächliche Anfragen, Tokenverbrauch, Cache-Verhalten und operative Auslastung beschreiben Nutzung. Ein veröffentlichtes Limit belegt nicht, dass ein Unternehmen diese Menge verbraucht. Braucht ein Prozess konstanten Durchsatz oder geringe Latenz, behandeln Sie die Kapazitätsplanung als eigene Designfrage.
Im Angebotsbeispiel vergleichen Sie die Kosten pro brauchbarem Fall, einschliesslich Prüfung, Nachbesserungen und ungelöster Ausnahmen. Beziehen Sie den Übergangsaufwand und die laufende Verantwortung ein. Zählen Sie dieselbe frei gewordene Stunde nicht zugleich als eingesparte Kosten und als umsatzwirksame Kapazität.
Prüfen Sie dann, wie sich die Wirtschaftlichkeit mit Volumen, Änderungen an den Quellen und Ausnahmen verschiebt. Ein günstiger Fallmix im Pilot kann genau die Fälle ausschliessen, die Engineering-Zeit binden. Ein ruhiger Monat kann die Supportlast zum Quartalsende verdecken. Der Business Case sollte diese Abhängigkeiten sichtbar machen, statt sie in einem Durchschnitt zu verstecken.
Entscheidung drei: auf Evidenz skalieren, die die Veränderung übersteht
Skalierung ist eine Entscheidung über Berechtigungen, Volumen und operative Kapazität. Mehr Nutzung kann andere Fälle, mehr Abhängigkeiten und grössere Folgen sichtbar machen. Ein erfolgreicher, eng begrenzter Test ist ein Grund, den nächsten Schritt zu gestalten, keine automatische Befugnis zum flächendeckenden Rollout.
Vergleichen Sie, wo möglich, ähnliche Fälle mit dem bisherigen Prozess. Nutzen Sie Kontrollgruppen oder einen gestaffelten Rollout, wenn machbar, und dokumentieren Sie Veränderungen bei Nachfrage, Personalbestand, Regeln und Quellenqualität. Kam die KI zusammen mit einer Prozessreparatur, weisen Sie die kombinierte Verbesserung ehrlich aus, statt den gesamten Gewinn dem Modell zuzuschreiben.
Qualität gehört zur Ergebnismessung dazu. Ein Supportsystem, das die Bearbeitungszeit verkürzt, aber mehr Wiederholungskontakte erzeugt, hat nur verschoben, wo die Arbeit anfällt. Ein Coding-Tool, das die Einreichung beschleunigt, aber nachgelagerte Fehler hinzufügt, hat nicht denselben Wert belegt wie schneller akzeptierte Arbeit. Das sind illustrative Mechanismen, keine berichteten Ergebnisse einer neuen Studie.
Kontrollen brauchen operative Verantwortliche. Jemand pflegt massgebliche Quellen, Evaluationsfälle, Berechtigungen und Wiederherstellung. Jemand kann eingreifen, wenn der Prozess versagt. Die passende Organisation muss nicht in jedem Unternehmen gleich aussehen, doch die Verantwortlichkeiten dürfen nicht implizit bleiben, nur weil der Anbieter das Modell betreibt.
Kostenkontrollen wie Output-Limits, Caching, Batching und Routing können nützlich sein, sofern sie das geforderte Ergebnis erhalten. Verfolgen Sie ihre tatsächliche Wirkung. Geringere Generierungskosten bei mehr Prüfzeit sind ein Zielkonflikt, keine uneingeschränkte Einsparung.
Das Finanzierungsgespräch
Die AI Opportunity Map kann helfen, ein Workflow-Problem mit Prozessreparatur, Integration oder Regeln zu vergleichen. Halten Sie auch die wirtschaftlichen Annahmen schriftlich fest. Beides sind zu prüfende Szenarien, kein Ersatz für beobachtete Resultate.
Bringen Sie die drei grössten KI-Budgetpositionen in die nächste Investitionsprüfung. Benennen Sie für jede die verantwortliche Person des Workflows, den Ausgangswert, den wichtigsten Fehlermodus und die Kostenleitplanke. Fehlt eine Angabe, vergeben Sie die nötige Arbeit, um die Lücke zu schliessen, und definieren Sie die Finanzierungsentscheidung, die davon abhängt. Ein fehlender Ausgangswert ist eine Messlücke; er macht ein laufendes System nicht fiktiv.
Manche Initiativen sollten kostengünstige Unterstützung bleiben. Manche sollten als begrenztes Lernen weiterlaufen. Manche rechtfertigen womöglich eine Veränderung des gesamten Prozesses, und manche sollten enden, wenn Qualität oder Wirtschaftlichkeit nicht tragen. Diese Unterscheidungen sind nützlicher als ein Portfolio, das danach sortiert ist, wie fortschrittlich die Technologie klingt.
Bevor Sie einen Workflow zur Entscheidung vorlegen, beginnen Sie mit Volumen, verantwortlicher Person, aktuellem Ergebnis und der Entscheidung, die Sie treffen wollen. Ein Transformationsvorschlag wird überprüfbar, wenn Menschen die Arbeit, die vollen Kosten und die Evidenz erklären können, die ihre Meinung ändern würde.