Ein mittelständisches Logistikunternehmen aus dem Raum Stuttgart hat letztes Jahr 180.000 Euro in ein KI-System zur Routenoptimierung investiert. Sechs Monate später fragt der Geschäftsführer seinen IT-Leiter: “Hat sich das gelohnt?”
Der IT-Leiter zuckt mit den Schultern. Das System läuft. Die Fahrer nutzen es. Ob es wirklich Geld spart — unklar.
Diese Szene spielt sich gerade in Tausenden von Unternehmen ab.
Warum so viele KI-Projekte keinen ROI nachweisen können
Eine Studie von KPMG aus 2025 zeigt: Rund 95 Prozent der generativen KI-Projekte in Unternehmen schaffen es nicht, einen klar messbaren Return on Investment zu belegen. Das liegt selten daran, dass die KI nichts bringt — sondern daran, dass niemand vorher definiert hat, was “etwas bringen” überhaupt bedeutet.
Das ist der häufigste Fehler: Man kauft ein KI-Tool, führt es ein, und schaut danach, ob es sich irgendwie anfühlt, als hätte es geholfen.
ROI-Messung beginnt vor dem Kauf, nicht danach.
Harte Einsparungen vs. weiche Vorteile
Bevor du anfängst zu messen, musst du verstehen, dass KI-Nutzen in zwei völlig verschiedenen Kategorien auftaucht — und sie nicht vermischen.
Harte Einsparungen sind direkt messbar in Euro: weniger Arbeitsstunden für eine bestimmte Aufgabe, niedrigere Fehlerquote (die Kosten verursacht), schnellere Durchlaufzeiten, die sich in Lieferterminen niederschlagen. Diese Zahlen kannst du in eine Tabelle schreiben.
Weiche Vorteile sind real, aber schwerer zu quantifizieren: bessere Entscheidungsqualität, höhere Mitarbeiterzufriedenheit weil Routinearbeit wegfällt, schnellere Reaktion auf Marktveränderungen, bessere Kundenerfahrung. Diese Dinge haben Wert — aber ihn in Euro auszudrücken erfordert Annahmen.
Der Fehler, den viele machen: Sie messen ausschließlich weiche Vorteile (“Unsere Mitarbeiter fühlen sich entlastet”) und nennen das ROI. Das überzeugt keinen Finanzchef. Oder sie ignorieren weiche Vorteile komplett und wundern sich, warum die Zahlen nicht passen.
Du brauchst beides — getrennt ausgewiesen.
Das Baseline-Problem
Hier stolpern die meisten: Ohne eine Baseline gibt es keinen ROI.
Baseline bedeutet: Wie war es vorher? Wie lange hat Aufgabe X gedauert? Wie viele Fehler sind bei Prozess Y passiert? Was hat das manuelle Erstellen von Bericht Z gekostet?
Wenn du das nicht weißt, kannst du nicht messen, ob KI etwas verändert hat. Und rückwirkend rekonstruieren ist schwer, weil sich Prozesse parallel verändern und niemand mehr sicher weiß, wie es “davor” war.
Praktische Regel: Bevor du ein KI-Tool einführst, dokumentiere mindestens vier Wochen lang die relevanten Kennzahlen in den betroffenen Prozessen. Klingt aufwendig. Ist aber die einzige saubere Grundlage.
Ein Framework für den Mittelstand
Das Stuttgarter Logistikunternehmen hat das Problem später angegangen — rückwirkend, was schwieriger ist, aber möglich. So kann ein strukturierter Ansatz aussehen:
Schritt 1: Nutzenkategorien definieren
Welche Arten von Nutzen erwartest du von dieser KI-Investition? Zeitersparnis? Fehlerreduktion? Umsatzsteigerung? Kundenbindung? Definiere das spezifisch, nicht generisch. Nicht “effizienter werden”, sondern “die Erstellungszeit für Ausgangsrechnungen von 45 auf unter 10 Minuten reduzieren”.
Schritt 2: Für jede Kategorie eine Messmethode festlegen
Zeitersparnis: Stichproben bei betroffenen Mitarbeitern, Zeiterfassung, Systemlogs. Fehlerreduktion: Fehlertickets, Reklamationsquoten, manuelle Nacharbeitszeiten. Umsatzeffekte: Conversion-Raten, Angebotserstellungszeiten, Cross-Selling-Quoten.
Schritt 3: Kosten vollständig erfassen
Der häufigste ROI-Rechenfehler ist, nur die Lizenzkosten anzusetzen. Die echten Kosten umfassen: Softwarekosten, Implementierungsaufwand (intern und extern), Schulungszeiten der Mitarbeiter, laufende Wartung und Anpassung, und — das wird fast immer vergessen — die Opportunitätskosten der Mitarbeiter, die das System betreuen.
Schritt 4: Zeitraum und Messzeitpunkte festlegen
KI-Projekte brauchen Zeit, bis sie wirken. Niemand ist nach zwei Wochen produktiver mit einem neuen Tool. Plant realistische Messpunkte: nach drei Monaten eine erste Einschätzung, nach sechs Monaten eine umfangreichere Auswertung, nach zwölf Monaten den Jahresvergleich.
Schritt 5: Qualitativ ergänzen
Führe nach drei und nach sechs Monaten kurze strukturierte Interviews mit den Mitarbeitern, die das System nutzen. Fünf Fragen, 15 Minuten. Was hat sich konkret verändert? Was nervt noch? Was hätten sie nicht erwartet? Diese Antworten erklären die Zahlen — und zeigen, wo nachgesteuert werden muss.
Welche Tools für die ROI-Messung helfen
Viele Teams versuchen, KI-ROI in Excel zu tracken — das reicht für den Start, skaliert aber schlecht. Sobald mehrere Prozesse gleichzeitig beobachtet werden, lohnt sich ein dediziertes Reporting-Tool.
Power BI und Looker Studio eignen sich gut, um Kennzahlen aus verschiedenen Quellen (ERP, CRM, Ticketsystem) in einem Dashboard zusammenzuführen. So siehst du auf einen Blick, ob die Treibstoffkosten, Überstunden oder Fehlerquoten sich nach der KI-Einführung verändert haben. Für die Datenauswertung ohne Data-Science-Hintergrund ist Julius AI eine praktische Option: Datei hochladen, Frage stellen, Diagramm erhalten.
Wer schon mit einem dieser Tools arbeitet, hat die Infrastruktur für sauberes KI-Berichterstellung-Setup bereits da — es geht “nur” darum, die richtigen Kennzahlen vor der KI-Einführung zu dokumentieren und danach konsequent zu vergleichen.
Was das Stuttgarter Unternehmen herausgefunden hat
Zurück zur Routenoptimierung. Das Unternehmen hat rückwirkend Treibstoffkosten, Überstunden und Kundenbeschwerden über verspätete Lieferungen aus dem Vorjahr ausgewertet und mit den sechs Monaten nach KI-Einführung verglichen.
Ergebnis: Die Treibstoffkosten lagen sieben Prozent niedriger. Überstunden im Fahrerbereich um zwölf Prozent reduziert. Kundenbeschwerden wegen Verspätungen halbiert.
Klingt gut. Aber: Im gleichen Zeitraum waren die Dieselpreise gesunken, und ein wichtiger Großkunde hatte gekündigt, was das Auftragsvolumen reduziert hatte. Beides hatte Einfluss auf die Zahlen.
Das ist das Problem mit rückwirkender Analyse: Andere Faktoren laufen parallel. Deswegen ist die saubere Baseline vor der Einführung so wichtig — sie friert die Bedingungen ein und gibt dir eine sauberere Vergleichsbasis.
Das Unternehmen hat trotzdem einen positiven ROI berechnet: Mit konservativen Annahmen über den KI-Anteil an den Verbesserungen kommt man auf einen Break-even nach 14 Monaten. Das ist vertretbar für eine Infrastrukturinvestition dieser Größenordnung.
Wo KI-ROI besonders schwer zu messen ist
Generative KI in der Texterstellung ist notorisch schwer zu messen. Die Zeit für Erstentwürfe sinkt — aber die Qualitätsprüfung, das Überarbeiten, das Anpassen an den Markenstil kostet Zeit, die selten erfasst wird. Und ob der Output besser ist als vorher, ist kaum objektiv messbar.
Ähnliches gilt für KI-Agenten in komplexen Workflows: Sie funktionieren in Teilen gut, in anderen Teilen muss viel manuell nachgebessert werden. Den genauen Wertbeitrag zu isolieren ist aufwendig.
Das bedeutet nicht, dass diese Anwendungen keinen Wert haben. Es bedeutet, dass du bei der ROI-Berechnung ehrlicher mit den Annahmen sein musst und weiche Metriken stärker einbeziehen solltest.
Wenn die Zahlen nicht passen
Manchmal zeigt eine ehrliche ROI-Analyse, dass ein KI-Projekt nicht den erhofften Wert gebracht hat. Das ist unangenehm — aber nützlich.
Die häufigsten Gründe: Das Problem war nicht groß genug, um sich zu lohnen. Der Prozess war zu wenig standardisiert. Die Mitarbeiterakzeptanz war zu gering. Das falsche Tool für das richtige Problem.
In solchen Fällen ist ein Pivot sinnvoller als Weitermachen aus Sunk-Cost-Logik. Was hat das Projekt über euren Prozess gelehrt? Was würdet ihr beim nächsten Mal anders machen?
Wenn du frühzeitig wissen willst, welche KI-Anwendungen in deiner Branche tatsächlich wirtschaftlich sind, lohnt ein Blick auf Predictive Analytics im Vertrieb — dort sind die Messkriterien typischerweise klarer definiert als bei generativen Anwendungen.
Einen guten Überblick, wie du KI-Einführungen insgesamt strukturierst, findest du in unserem Artikel KI einführen ohne zu scheitern. Und wenn du noch an den Grundlagen deiner KI-Strategie arbeitest, hilft KI-Strategie in 5 Schritten als Ausgangspunkt.
Willst du praktische Frameworks für KI-Investitionen und Mittelstandsthemen direkt in dein Postfach? Dann abonniere den KI-Syndikat Newsletter — wöchentlich, praxisorientiert, ohne Buzzword-Gewitter.