KI-ROI im Mittelstand messen: ein Framework für Entscheider

Die häufigste Frage in Erstgesprächen ist nicht „Was kann KI?”, sondern „Woran sehe ich, dass es sich gelohnt hat?”. Eine berechtigte Frage. Denn während die KI-Nutzung im Mittelstand steigt, fehlt vielen Projekten der saubere Nachweis, dass sie Geld verdienen statt kosten. Dieser Beitrag liefert ein Framework dafür: welche Kennzahlen zählen, wie eine ehrliche ROI-Rechnung aussieht und welcher Fehler die meisten Business Cases unbrauchbar macht.

Worum es geht: die Kurzfassung

• KI verbreitet sich schnell. Laut Bitkom nutzten 2025 rund 36 Prozent der deutschen Unternehmen KI, fast doppelt so viele wie ein Jahr zuvor (20 Prozent). Verbreitung ist aber kein Erfolgsnachweis.
• Der Nachweis fehlt oft. Eine MIT-Untersuchung von 2025 fand, dass etwa 95 Prozent der untersuchten generativen KI-Pilotprojekte keinen messbaren Effekt auf das Ergebnis hatten. Gartner erwartet, dass bis Ende 2027 über 40 Prozent der Agentic-AI-Projekte abgebrochen werden.
• Der Grund ist selten die Technik. Es fehlt die Verankerung im Prozess und eine Ausgangsmessung, gegen die sich der Erfolg prüfen ließe.
• Jeder Use-Case braucht eine Leitkennzahl, die zu seinem Zweck passt – Dunkelverarbeitung, Prognosegüte oder Antwortzeit, nicht eine universelle KI-Zahl.
• Die ROI-Formel ist einfach. Schwierig ist die ehrliche Annahme dahinter, vor allem die Frage, ob frei werdende Zeit wirklich umgewidmet wird.

Was bedeutet ROI bei KI-Agenten?

ROI bei KI-Agenten ist das Verhältnis aus jährlichem Nutzen und den Gesamtkosten über die Laufzeit. Der Nutzen besteht meist aus eingesparter Bearbeitungszeit, vermiedenen Fehlerkosten und seltener aus direktem Mehrumsatz. Die Kosten teilen sich in die einmalige Implementierung und die laufenden Kosten für Inferenz, Hosting, Monitoring und Pflege. Wer nur den ersten Block rechnet, bekommt eine Zahl, die im zweiten Jahr nicht hält.

Wichtig ist die Abgrenzung zur reinen Effizienz. Eine gesparte Stunde ist nur dann ein Euro, wenn die Stunde anders produktiv wird. Das klingt selbstverständlich, ist aber der Punkt, an dem viele Rechnungen unsauber werden.

Warum die meisten KI-Projekte ihren ROI nicht belegen

Die Zahlen sind deutlich. Die MIT-Untersuchung „The GenAI Divide” von 2025 stützt sich auf 150 Interviews, eine Befragung von 350 Beschäftigten und die Analyse von 300 öffentlichen KI-Einführungen. Das Ergebnis: Nur rund 5 Prozent der Pilotprojekte erzielten eine schnelle Umsatzwirkung, der Rest blieb ohne messbaren Effekt auf die Gewinn- und Verlustrechnung. Die Forscher führen das nicht auf schwache Modelle zurück, sondern auf eine Lücke bei der Integration in echte Arbeitsabläufe.

Auch Gartner prognostiziert den Abbruch von über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 – wegen steigender Kosten, unklaren Geschäftswerts und unzureichender Risikokontrollen. Bemerkenswert ist eine zweite Beobachtung aus der MIT-Arbeit: Der größte Nutzen lag nicht im sichtbaren Marketing, sondern in der unscheinbaren Back-Office-Automatisierung. Genau dort, wo sich der Erfolg auch sauber messen lässt.

Die Lehre für den Mittelstand ist nüchtern: Nicht die ambitionierteste Idee gewinnt, sondern der klar abgegrenzte Prozess mit messbarem Volumen. Welche Prozesse sich dafür eignen, behandelt der Beitrag Was kann ein Unternehmen automatisieren?.

Welche Kennzahlen je Use-Case-Typ zählen

Eine universelle KI-Kennzahl gibt es nicht. Was zählt, hängt vom Zweck ab. In unseren Projekten beginnen wir deshalb mit einer Leitkennzahl je Use-Case und ergänzen sie um zwei bis drei Stützgrößen. Dieses Raster hat sich bewährt:

Zwei Regeln dazu. Erstens: Die Leitkennzahl muss vor dem Projekt einen Wert haben, sonst lässt sich kein Fortschritt zeigen. Zweitens: Genauigkeit ist nie allein aussagekräftig. Ein Klassifikations-Agent mit 96 Prozent Trefferquote, der nur 10 Prozent der Fälle automatisch durchbucht, spart weniger als einer mit 90 Prozent Trefferquote und 45 Prozent Durchbuchung. Erfolg misst sich an der entlasteten Arbeit, nicht an der Modellnote.

Eine einfache ROI-Formel für Automatisierungs-Use-Cases

Für zeitsparende Prozesse reicht ein schlankes Modell:

Jährlicher Nutzen = Vorgänge pro Jahr × Anteil entlasteter Vorgänge × Zeitersparnis je Vorgang × Vollkostensatz (plus vermiedene Fehlerkosten, falls bezifferbar).

ROI im Jahr = (Jährlicher Nutzen − laufende Kosten) ÷ (anteilige Implementierung + laufende Kosten).

Eine illustrative Beispielrechnung für einen Dokumentenprozess, mit offen gelegten Annahmen – setzen Sie Ihre eigenen Werte ein:

Die Zahl von rund 51.000 Euro entsteht aus 8.000 automatisch verarbeiteten Vorgängen zu je 5 Minuten plus 8.000 vorqualifizierten zu je 2 Minuten, bewertet mit 55 Euro Vollkostensatz. Sie ist ein Modell, kein Versprechen. Der Wert steht und fällt mit zwei Annahmen: dem realistischen Automatisierungsanteil und der Frage, ob die frei werdende Zeit tatsächlich umgewidmet wird. Ein vergleichbares, ausführlicheres Modell für einen konkreten Prozess finden Sie im Beitrag zur Reklamationsbearbeitung mit KI; die Retouren-Variante steht im Artikel zum Retourenmanagement mit KI.

Vor dem Projekt: die Baseline messen

Der häufigste Fehler ist kein Rechenfehler, sondern eine fehlende Ausgangsmessung. Ohne Baseline gibt es nach dem Go-Live nichts, womit sich der neue Zustand vergleichen ließe – und genau diese Lücke benennt die MIT-Arbeit als Kernursache.

Die Baseline ist günstig zu bekommen. Messen Sie über zwei bis vier Wochen vor dem Projekt: Wie viele Vorgänge fallen an, wie lange dauert ein Vorgang im Schnitt, wie hoch ist die heutige Fehlerquote, wie viele Fälle laufen schon heute ohne Eingriff durch? Diese vier Werte machen aus jeder späteren Verbesserung eine belegbare Zahl statt einer Behauptung.

Typische Fehler bei der ROI-Bewertung

Vier Muster tauchen immer wieder auf:

• Laufende Kosten unterschätzt. Inferenz, Monitoring und Pflege werden vergessen. Ein Agent ist kein einmaliges Bauwerk, sondern ein betriebener Prozess.
• Soft-Benefits überhöht. „Bessere Datenqualität” und „zufriedenere Mitarbeiter” sind real, aber schwer zu beziffern. Wer den Business Case darauf stützt, baut auf Sand.
• Zeitersparnis ohne Umwidmung. Gesparte Minuten, die niemand anders nutzt, erscheinen in der Rechnung, aber nicht im Ergebnis.
• Zu breiter Erstprojekt-Zuschnitt. Je mehr Prozesse ein Pilot gleichzeitig abdeckt, desto schwerer wird der saubere Nachweis. Schmal anfangen, messen, ausweiten.

Wer diese vier Fallen kennt, trifft eine ehrlichere Entscheidung – auch wenn sie manchmal lautet, ein Vorhaben noch nicht zu starten. Eine Einordnung, woran Sie einen seriösen Partner erkennen, gibt der Beitrag zum KI-Berater für den Mittelstand. Den Überblick über die lohnenden Anwendungsfälle liefert der Pillar-Beitrag zu den KI-Anwendungsfällen im Mittelstand 2026, eine Einführung ins Thema der Artikel Vom Assistenten zum Mitarbeiter: Agentic AI.

Häufige Fragen

Wie lange dauert es bis zum ROI bei KI-Projekten? Bei klar abgegrenzten Automatisierungs-Use-Cases mit hohem Volumen ist die Amortisation oft im ersten bis zweiten Jahr erreichbar. Bei breit angelegten Projekten ohne klaren Prozess dauert es länger oder bleibt aus. Entscheidend ist, ob ein Prozess mit messbarem Volumen und klarer Baseline dahintersteht.

Welche Kosten werden am häufigsten übersehen? Die laufenden Kosten nach dem Go-Live: Inferenz, Hosting, Monitoring und vor allem die Pflege. Wer nur die Implementierung kalkuliert, rechnet den Business Case zu schön.

Lässt sich Zeitersparnis seriös in Euro umrechnen? Nur, wenn die frei werdende Zeit tatsächlich anders genutzt wird, etwa für Mehrvolumen ohne Neueinstellung oder für abgebaute Überstunden. Wird sie nicht umgewidmet, ist die Ersparnis rechnerisch da, aber nicht im Ergebnis.

Warum scheitern so viele KI-Projekte am ROI-Nachweis? Die MIT-Untersuchung von 2025 fand bei rund 95 Prozent der generativen KI-Pilotprojekte keinen messbaren Ergebniseffekt. Hauptgrund war die fehlende Integration in echte Arbeitsabläufe und eine fehlende Ausgangsmessung.

Braucht jeder Use-Case eine eigene Kennzahl? Jeder Use-Case braucht eine Leitkennzahl, die zu seinem Zweck passt. Eine universelle KI-Kennzahl gibt es nicht.

Wo Sie ansetzen, wenn Sie heute starten möchten

Nehmen Sie einen einzigen, klar umrissenen Prozess. Messen Sie zwei bis vier Wochen die Baseline. Wählen Sie eine Leitkennzahl aus dem Raster oben und rechnen Sie den Business Case mit ehrlichen Annahmen, inklusive laufender Kosten. Erst dann fällt die Entscheidung über Bau, Kauf oder Verzicht.

Wenn Sie für einen konkreten Prozess eine belastbare ROI-Einschätzung möchten, vereinbaren Sie ein Beratungsgespräch. Sie bekommen eine ehrliche Rechnung mit Bandbreiten – und im Zweifel die Empfehlung, das Projekt noch nicht zu starten.

Methodik: Recherche KI-gestützt, fachlich geprüft und faktengecheckt von Tobias Egner – mit Hintergrund aus Handel und KI-Engineering. Genannte Kennzahlen stammen aus der Bitkom-Studie zur KI-Nutzung 2025, der MIT-Untersuchung „State of AI in Business 2025” und einer Gartner-Prognose vom Juni 2025; Stand Mai 2026. Die Beispielrechnung ist ein illustratives Modell, keine Projektzusage.