35 % der deutschen Unternehmen setzen laut Bitkom bereits KI ein. Aber hier ist die Zahl, die weniger zitiert wird: Über die Hälfte dieser Unternehmen kann den ROI ihrer KI-Investition nicht beziffern. Sie zahlen, sie nutzen — und wissen nicht, ob es sich lohnt.
Das ist kein Vorwurf. KI-Investitionen sind schwerer zu messen als klassische Software-Anschaffungen, weil der Nutzen oft indirekt entsteht: durch gesparte Zeit, durch vermiedene Fehler, durch Anfragen, die nachts um 23 Uhr beantwortet werden und am nächsten Morgen in eine Beauftragung münden. Dieser Nutzen ist real — er muss aber methodisch erfasst werden.
Dieser Post liefert das Framework.
Warum die meisten KI-Budgets falsch kalkuliert werden
Der häufigste Fehler: Lizenzkosten werden mit Gesamtkosten gleichgesetzt. Das führt zu zwei Denkfehlern.
Erster Fehler: Die günstigen Tools werden unterschätzt, weil versteckte Kosten (interner Aufwand, fehlende DSGVO-Konformität, Qualitätsprobleme) nicht eingerechnet werden.
Zweiter Fehler: Die teuren Enterprise-Lösungen werden falsch bewertet, weil der tatsächliche Implementierungsaufwand und die Wartungskosten nicht in die Projektkalkulation eingehen.
In beiden Fällen fehlt eine vollständige Total-Cost-of-Ownership-Betrachtung — und eine klare Definition, was der Nutzen überhaupt sein soll.
Die vier Preissegmente — ehrlich bewertet
Segment 1: Kostenlose und Einstiegs-Tools (0–50 EUR/Monat)
ChatGPT Free, einfache SaaS-Chatbot-Builder, Basis-Sprachmodelle ohne Unternehmensanbindung.
Was diese Tools leisten: Textgenerierung, einfache Frage-Antwort-Dialoge, Ideenentwicklung im Schreibprozess. Für Einzelpersonen und bei nicht-kritischen Anwendungen funktional.
Was sie nicht leisten: DSGVO-konforme Verarbeitung ohne US-Datentransfer, Training auf unternehmensspezifische Daten, zuverlässige Integration in bestehende Workflows, qualifizierte Kundeninteraktion.
Ehrliche Einschätzung: Kostenlose Tools sind Lernwerkzeuge, keine Produktivsysteme. Wer sie im Kundenkontakt einsetzt, nimmt Qualitäts- und Rechtsrisiken in Kauf.
Interner Aufwand, der die Kostenlosigkeit relativiert: Wer diese Tools wirklich produktiv nutzt, investiert typischerweise 2–4 Stunden pro Monat in Prompts, Korrekturen und Nachbearbeitung. Bei einem internen Stundensatz von 40 EUR sind das bis zu 160 EUR/Monat versteckte Kosten.
Segment 2: Spezialisierte Fachlösungen (50–200 EUR/Monat)
Managed KI-Werkzeuge für spezifische Anwendungsfälle: KI-gestützte Kundenservice-Assistenten, E-Mail-Triage-Systeme, Dokumentenverarbeitung, Terminbuchungsautomatisierung.
Was diese Tools leisten: Sie sind auf konkrete Use-Cases optimiert, DSGVO-konform konfigurierbar, auf Unternehmensdaten trainierbar und bieten messbaren Output.
Beispiel-Rechnung für einen KI-Kundenservice-Assistenten bei einem Stadtwerk:
| Kennzahl | Wert |
|---|---|
| Monatliche Lizenzkosten | 150 EUR |
| Automatisiert beantwortete Anfragen/Monat | 250–400 |
| Zeitersparnis pro automatisierter Anfrage | 5–8 Min |
| Monatliche Zeitersparnis | 20–35 Stunden |
| Interner Stundensatz Sachbearbeitung | 35 EUR |
| Eingespartes Wertäquivalent/Monat | 700–1.225 EUR |
| ROI | 367–717 % |
Hinzu kommt ein Effekt, der in dieser Rechnung fehlt: Anfragen, die außerhalb der Geschäftszeiten gestellt und sofort beantwortet werden, konvertieren zu einem deutlich höheren Anteil als Anfragen, die bis zum nächsten Werktag warten müssen.
Segment 3: Plattform-integrierte KI (200–500 EUR/Monat)
Microsoft 365 Copilot, Google Workspace mit Gemini, branchenspezifische ERP-Erweiterungen mit KI-Funktionen.
Was diese Tools leisten: KI-Unterstützung direkt in den Arbeitstools, die Mitarbeiter ohnehin täglich nutzen. Meetingzusammenfassungen, E-Mail-Drafts, Datenanalyse in Excel, Präsentationserstellung.
Einschränkung: Der ROI hängt stark von der tatsächlichen Adoption ab. Viele Lizenzen werden gekauft und kaum genutzt — weil keine begleitete Einführung stattfindet. Ohne gezielte Schulung und Prozessintegration liegt die aktive Nutzungsquote in der Praxis oft unter 30 %.
Für Stadtwerke und Energieversorger mit M365-Infrastruktur ist der Copilot-Einstieg trotzdem sinnvoll — aber mit realistischen Erwartungen an die Anlaufzeit.
Segment 4: Individual- und Enterprise-Lösungen (ab 500 EUR/Monat)
Maßgeschneiderte KI-Systeme mit tiefer Integration in ERP, Leitsysteme, Abrechnungsplattformen oder Betriebsdatensysteme.
Diese Kategorie macht Sinn, wenn:
- Der Use-Case hochspezifisch ist und sich mit Standard-Tools nicht abbilden lässt
- Das Datenvolumen so groß ist, dass individuelle Modelle wirtschaftlich sind
- Regulatorische Anforderungen eine bestimmte Hosting-Architektur erzwingen
Realistische Erwartung: Projektlaufzeit 3–12 Monate, Break-Even nach 12–24 Monaten. Nur sinnvoll mit klar definiertem Use-Case, messbarem Output und internem technischem Ansprechpartner.
Das TCO-Framework: Total Cost of Ownership vollständig berechnen
Vollständige Kostenbetrachtung für ein Jahr:
TCO/Jahr = Lizenzkosten (12 Monate) + Einrichtungsaufwand + Interner Pflegeaufwand (Stunden × Stundensatz) + Schulungskosten + gegebenenfalls Integrationsaufwand
Total Value/Jahr = Eingesparte Arbeitsstunden × Stundensatz + Zusätzliche Konversionen × Kundenwert + Reduzierte Fehlerkosten + Kundenbindungseffekte
ROI = (Total Value − TCO) / TCO × 100
Beispielrechnung: Stadtwerk mit 120 Mitarbeitern
Anwendungsfall: KI-Kundenservice-Assistent für Standardanfragen (Zählerstand, Abschlag, Umzug) — 3.000 Kundenkontakte/Monat, davon ca. 60 % automatisierbar.
| Position | Wert |
|---|---|
| Lizenzkosten/Jahr | 14.400 EUR |
| Implementierung und Training | 8.000 EUR einmalig |
| Interner Pflegeaufwand/Jahr | 2.400 EUR (5h/Monat × 40 EUR) |
| TCO Jahr 1 | 24.800 EUR |
| TCO ab Jahr 2 | 16.800 EUR |
| Automatisierte Anfragen/Monat | ~1.800 |
| Zeitersparnis/Anfrage | 6 Min |
| Monatliche Zeitersparnis | 180 Stunden |
| Stundensatz Sachbearbeitung | 35 EUR |
| Eingespartes Wertäquivalent/Jahr | 75.600 EUR |
| ROI Jahr 1 | 205 % |
| ROI ab Jahr 2 | 350 % |
Das sind keine Fantasiezahlen. Es sind konservative Annahmen auf Basis realer Projektdaten.
Die versteckten Kosten, die in keinem Angebot stehen
Interner Zeitaufwand beim Anbieter-Onboarding: Auch bei managed Services müssen interne Mitarbeiter Zeit investieren, um Wissensbasis, Prozesse und FAQs zusammenzustellen. Realistisch: 4–10 Stunden initial.
Change-Management: Mitarbeiter, die befürchten, durch KI ersetzt zu werden, sabotieren neue Tools — nicht absichtlich, aber effektiv. Eine strukturierte Einführung kostet Zeit und Aufmerksamkeit der Führungsebene.
Anpassungsbedarf nach Go-Live: Kein System läuft von Anfang an zu 100 %. Planen Sie 1–2 Monate Optimierungsphase ein, in der Antwortqualität beobachtet und nachjustiert wird.
Opportunitätskosten des Abwartens: Das ist die am schwersten greifbare, aber oft teuerste Zahl. Jede Anfrage, die nachts unbeantwortet bleibt, hat eine Conversion-Wahrscheinlichkeit — und eine Abwanderungswahrscheinlichkeit zu einem Wettbewerber, der rund um die Uhr verfügbar ist.
Für Stadtwerke in liberalisierten Märkten ist das keine theoretische Zahl. Wechselkampagnen laufen zu jeder Tageszeit.
Die richtige Reihenfolge für die Investitionsentscheidung
Nicht die Frage „Welches Tool?“, sondern diese Reihenfolge:
- Use-Case definieren: Welcher Prozess soll verbessert werden? Wie viele Stunden kostet er heute?
- Messgröße festlegen: Was gilt als Erfolg? Zeitersparnis, Conversion-Rate, Fehlerquote?
- Ausgangswert messen: Ohne Baseline keine Bewertung. Dokumentieren Sie den Ist-Zustand.
- Tool auswählen: Jetzt erst das passende Werkzeug für den definierten Use-Case.
- Pilotphase: Drei Monate, begrenzte Nutzergruppe, definierte Erfolgsmetriken.
- Entscheidung: Skalieren, anpassen oder einstellen — auf Basis echter Daten.
Fazit
KI-Investitionen lohnen sich — aber nicht pauschal und nicht ohne Kalkulation. Die Tools, die den höchsten ROI liefern, sind selten die teuersten. Sie sind die, die präzise auf einen definierten Use-Case passen, in die vorhandene Infrastruktur integrierbar sind und von den Mitarbeitern tatsächlich genutzt werden.
Für Stadtwerke, Energieversorger und mittelständische Unternehmen gibt es heute praxiserprobte Lösungen in einer Preisklasse, die bei nur wenigen zusätzlichen Kundenbindungen oder gesparten Arbeitsstunden Break-even erreicht.
Die unbequeme Wahrheit bleibt: Wer nicht misst, weiß nicht, ob es sich lohnt. Wer aber den richtigen Use-Case identifiziert und konsequent nachverfolgt, findet selten eine andere Anlageklasse, die bei so geringem Risiko so konstant positive Renditen liefert.
Wenn Sie für Ihr Unternehmen eine realistische Kosten-Nutzen-Berechnung aufstellen und die richtigen Maßnahmen in der richtigen Reihenfolge identifizieren möchten: Sprechen Sie mich gerne an.
