Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Der Auftragsbestand in der deutschen Industrie ist auf Rekordhöhe, der Kostendruck bleibt hoch, und Digitalisierung gilt als Ausweg. Immer mehr Mittelständler investieren in Künstliche Intelligenz. Doch viele scheitern nicht an der Technik, sondern an der Wirtschaftlichkeitsrechnung. Sie wenden auf KI dieselbe ROI-Logik an, die bei ERP-Einführungen oder Maschineninvestitionen funktioniert. Das ist ein Fehler mit Konsequenzen.
Einmalige Kalkulation reicht nicht
Bei klassischen IT-Projekten gilt: Investition einmalig bewerten, Nutzen abschätzen, Entscheidung treffen. Bei KI funktioniert das nicht. Modelle, Datenlagen und Nutzungsmuster verändern sich laufend. Ein Business Case, der vor dem Go-live erstellt wurde, spiegelt sechs Monate später andere Kosten und andere Ergebnisse wider.
Ein Proof of Concept zeigt, dass eine KI technisch funktioniert. Mehr nicht. Ob sie wirtschaftlich tragfähig ist, entscheidet sich erst bei der Integration in bestehende Produktionsprozesse, ERP-Systeme und Compliance-Strukturen. Wer nach einem erfolgreichen Piloten direkt in den Rollout geht, riskiert böse Überraschungen beim Skalieren.
Kostenstruktur verlagert sich nach dem Go-live
Ein weiterer Denkfehler betrifft die Kostenverteilung. Viele Unternehmen kalkulieren Entwicklung und Einführung sorgfältig. Was sie unterschätzen: Der laufende Betrieb verursacht erhebliche Folgekosten. Dazu zählen Modellnutzungsgebühren, Rechenleistung, Monitoring und kontinuierliche Optimierung. Hinzu kommen organisatorische Anpassungen, die oft erst nach der Einführung greifen. Diese Kosten fehlen in vielen internen Business Cases.
Gerade für mittelständische Produktionsbetriebe ist das relevant. Wer eine KI-Lösung zur Qualitätskontrolle oder Produktionssteuerung einführt, kalkuliert häufig nur den Implementierungsaufwand. Die laufenden Infrastrukturkosten und der Personalaufwand für Betrieb und Pflege des Systems bleiben in der Planung oft zu niedrig angesetzt.
Zeitgewinne verpuffen ohne Prozessveränderung
Ein strukturelles Problem liegt in der Übersetzung individueller Effizienzgewinne in Unternehmensergebnisse. KI spart Mitarbeitern Zeit, etwa beim Auswerten von Dokumenten, beim Sortieren von Anfragen oder beim Erstellen von Berichten. Diese Zeitgewinne wirken sich aber nur dann auf Umsatz oder Kapazität aus, wenn Prozesse entsprechend angepasst werden. Passiert das nicht, bleibt der gemessene Nutzen auf Mitarbeiterebene stecken und taucht in keiner Ergebnisrechnung auf.
Das ist kein Messproblem, sondern ein Gestaltungsproblem. Unternehmen müssen definieren, wie freigesetzte Kapazität verwendet wird: mehr Output, schnellere Durchlaufzeiten, Verlagerung auf höherwertige Tätigkeiten. Ohne diese Entscheidung fehlt die Grundlage für jede Wirtschaftlichkeitsrechnung.
Kostensenkung ist nicht der einzige Maßstab
Viele Unternehmen rechtfertigen KI-Investitionen primär über Einsparungen. Das greift zu kurz. In der Praxis entsteht ein erheblicher Teil des Nutzens durch mehr Output mit bestehenden Teams, kürzere Time-to-Market oder bessere Entscheidungsqualität. Diese Effekte lassen sich nicht direkt in Kostenreduktion übersetzen, aber sie verändern die Wettbewerbsposition.
Für Produktionsleiter bedeutet das: Die Frage ist nicht nur, was eine KI-Anwendung kostet, sondern was sie in messbaren Geschäftsergebnissen bewegt. Bearbeitungszeiten, Fehlerquoten, Automatisierungsgrad und Umsatzbeitrag sind geeignetere Steuerungsgrößen als allein die eingesparten Personalstunden.
Kennzahlen für eine belastbare Bewertung
Eine realistischere Bewertung kombiniert finanzielle und operative Kennzahlen. Auf der Kostenseite gehören Entwicklung, Integration, Betrieb, Modellnutzung und Wartung vollständig erfasst. Auf der Nutzenseite sind Produktivitätskennzahlen wie Automatisierungsgrad und Durchlaufzeiten ebenso relevant wie Qualitätskennzahlen, etwa Fehlerquoten und Genauigkeit der Ergebnisse. Erst die Kombination ergibt ein verlässliches Bild.
Ein praktisch belastbarer Ansatz arbeitet mit überprüfbaren Schwellenwerten statt mit statischen Prognosen. Das bedeutet: Vor dem Start wird festgelegt, was bis zu welchem Zeitpunkt in der Produktion messbar sein muss, und ab wann ein Projekt gestoppt wird. Nicht der Preis pro verarbeitetem Datensatz entscheidet, sondern die Kosten pro akzeptiertem, verwertbarem Ergebnis.
Fazit
KI-Projekte nach klassischer Softwarelogik zu bewerten, führt systematisch zu Fehlkalkulationen. Die Kosten verlagern sich in den laufenden Betrieb, individuelle Effizienzgewinne müssen aktiv in Unternehmensergebnisse überführt werden, und der Business Case muss regelmäßig überprüft und angepasst werden. Für Entscheider im Mittelstand heißt das: Vor jeder Investition klären, wie Zeitgewinne in Kapazität oder Umsatz umgewandelt werden, und welche messbaren Schwellenwerte über Fortführung oder Abbruch entscheiden.
