KI-Projekte: Warum der ROI nicht im Pilot, sondern in der Steuerung entsteht

Wenn ein Mitarbeiter eine Analyse statt in vier Stunden in einer Stunde erstellt, ist zunächst etwas Messbares passiert: Die Aufgabe wurde schneller erledigt.

Ob dadurch aber tatsächlich wirtschaftlicher Wert entsteht, ist eine zweite Frage.

Die eingesparte Zeit kann beispielsweise:

BCG macht genau diese Unterscheidung zum Kern seiner aktuellen Analyse: Unternehmen sollten nicht nur messen, wie viele Stunden oder Arbeitsschritte KI einspart, sondern ob daraus ein konkreter finanzieller Effekt entsteht. [1]

Das verändert die Perspektive.

Die entscheidende Kennzahl ist dann nicht mehr:

„Wie viel schneller erledigen wir diese Aufgabe?“

Sondern beispielsweise:

„Was verändert sich dadurch an Projektkosten, Durchlaufzeit, externem Spend, Kapazität oder Ergebnis?“

Gerade für CFO, COO, Controlling und PMO ist diese Differenz entscheidend.

Viele KI-Projekte werden zunächst logisch aufgebaut: Ein konkreter Prozess wird ausgewählt, eine Anwendung getestet und deren lokaler Effekt gemessen.

Doch komplexe Projekte bestehen nicht aus isolierten Aufgaben.

Sie bestehen aus Abhängigkeiten zwischen Fachbereichen, Budgets, Projektplänen, Entscheidungen, internen Teams und externen Dienstleistern. Wird nur ein Teil dieses Systems schneller, muss das gesamte Projekt deshalb noch lange nicht schneller oder günstiger werden.

Ein einfaches Beispiel:

Ein KI-System kann einen Projektstatus innerhalb weniger Sekunden zusammenfassen. Wenn die zugrunde liegenden Kosteninformationen jedoch aus verschiedenen Dateien, Systemen oder Dienstleisterreports stammen und zunächst manuell konsolidiert werden müssen, entsteht zwar ein schnellerer Text – aber noch keine schnellere Steuerung.

Das gilt ebenso für Forecasts.

Eine Prognose ist nur so entscheidungsrelevant wie die Daten, auf denen sie basiert, und die Prozesse, die anschließend auf eine erkennbare Abweichung reagieren können.

PwC beschreibt in seinem aktuellen Beitrag zur Zukunft der Finanzfunktion „trusted, governed data“ als Grundlage für KI, Reporting, Forecasting und belastbare Entscheidungen. Auch das ist eine Beratungsperspektive, weist aber auf einen entscheidenden Punkt hin: Mehr Rechenleistung beseitigt keine unterschiedlichen Datenstände. [2]

Besonders deutlich wird das bei großen Projekten.

Accenture unterscheidet in einer aktuellen Analyse zu KI in Capital Projects zwischen isolierter Produktivitätsunterstützung und einer Ebene, auf der Informationen aus unterschiedlichen Funktionen miteinander verbunden werden.

Nach Darstellung von Accenture entsteht ein größerer Hebel erst dann, wenn beispielsweise Kosten, Termine, Risiken, Procurement und Reporting nicht als getrennte Informationswelten betrachtet werden. Die von Accenture veröffentlichten Wirkungsgrößen beruhen ausdrücklich auf eigenen Analysen von Implementierungen und modellierten Szenarien und sind deshalb nicht ohne Weiteres auf andere Projektarten übertragbar. [3]

Der konzeptionelle Unterschied ist trotzdem interessant:

Ein Tool verbessert eine Aufgabe. Ein Steuerungssystem verbessert die Entscheidungsfähigkeit des Gesamtprojekts.

Damit verschiebt sich auch die Frage nach KI-ROI.

Nicht:

Sondern:

Nehmen wir ein Unternehmen mit mehreren parallelen Projekten und externen Dienstleistern.

Für eine belastbare Steuerungsentscheidung können mindestens fünf Informationsbereiche relevant sein:

Solange diese Informationen in unterschiedlichen Reports und Datenständen liegen, bleibt die zentrale Managementaufgabe bestehen: Sie müssen erst zusammengeführt und interpretiert werden.

KI kann einzelne Schritte dabei beschleunigen.

Sie kann aber nicht automatisch ein strukturelles Informationsproblem lösen, wenn Kosten, Projektfortschritt und Leistungsstände nicht sinnvoll miteinander verbunden sind.

Wer Projektkosten steuern will, benötigt deshalb nicht nur bessere Analysen. Er benötigt eine verlässliche Grundlage, um früh zu erkennen, wann tatsächliche Entwicklung und ursprüngliche Planung auseinanderlaufen.

Bevor Unternehmen den nächsten KI-Use-Case starten, lohnt sich deshalb eine andere Reihenfolge.

Nicht jede technisch interessante Anwendung hat automatisch eine hohe wirtschaftliche Bedeutung.

Geht es darum, Projektkosten früher zu erkennen? Externe Ausgaben besser zu steuern? Verzögerungen zu vermeiden? Kapazitäten anders einzusetzen?

Je konkreter diese Frage beantwortet wird, desto besser lässt sich später feststellen, ob tatsächlich Wert entstanden ist.

„Zeit gespart“ kann eine relevante Kennzahl sein – reicht als ROI-Nachweis aber oft nicht aus.

Je nach Use Case können Kosten, Durchlaufzeit, Forecast-Abweichung, externer Spend oder Projektmarge geeigneter sein.

Vor dem Pilot sollte deshalb feststehen, welcher Ausgangswert als Vergleich dient.

Hier liegt in komplexen Projektorganisationen häufig der schwierigste Teil.

Sind Plan- und Ist-Daten vergleichbar? Haben Auftraggeber und Dienstleister denselben Informationsstand? Werden Projektfortschritt und Kosten im gleichen Rhythmus aktualisiert? Sind die Daten früh genug verfügbar, um noch handeln zu können?

Ein schneller Algorithmus auf verspäteten oder fragmentierten Informationen bleibt ein schneller Algorithmus auf verspäteten oder fragmentierten Informationen.

Auch die beste Analyse erzeugt noch keinen wirtschaftlichen Effekt.

Es muss klar sein, wer entscheiden darf, welche Handlungsoptionen bestehen und wie schnell eine erkannte Abweichung tatsächlich eine Konsequenz auslöst.

Erst an dieser Stelle wird aus Information Steuerung.

BCG empfiehlt Unternehmen in seiner aktuellen Analyse, ihre KI-Investitionen nicht möglichst breit über viele voneinander getrennte Piloten zu verteilen, sondern sich stärker auf wenige wirtschaftlich relevante Bereiche zu konzentrieren und dort End-to-End-Prozesse zu betrachten. [1]

Für das Projekt- und Kostenmanagement lässt sich daraus eine einfache Konsequenz ableiten:

Unternehmen sollten nicht nur ein Portfolio von KI-Use-Cases verwalten. Sie sollten ein Portfolio der Entscheidungen betrachten, die durch diese Use Cases besser werden sollen.

Das schafft eine andere Priorisierung.

Ein unspektakulärer Use Case, der früh eine relevante Budgetabweichung sichtbar macht, kann wirtschaftlich wertvoller sein als eine beeindruckende Anwendung, die tausende Arbeitsstunden spart, ohne dass sich daraus ein messbarer Effekt für das Unternehmen ergibt.

Damit werden auch KI-Investitionen vergleichbarer:

Das sind keine KI-Fragen.

Es sind Steuerungsfragen.

Die aktuelle Diskussion über KI-ROI zeigt vor allem eines: Unternehmen haben kein reines Technologieproblem.

Sie haben die Aufgabe, Investitionen, Projekte, externe Leistungen und Entscheidungen miteinander zu verbinden.

Gerade dort, wo viele Dienstleister, hohe Budgets und parallele Projekte zusammenkommen, reichen einzelne Optimierungen nicht aus. Wenn Kosteninformationen, Projektstatus und Leistungsstände getrennt betrachtet werden, kann selbst eine sehr gute Analyse nur einen Ausschnitt optimieren.

Aus Ramp7-Perspektive liegt deshalb eine zentrale Managementfrage vor jeder Automatisierung:

Haben Entscheider überhaupt eine konsistente Grundlage, auf der sie Projekte, Budgets, Dienstleister, Timings und Risiken gemeinsam beurteilen können?

Erst wenn diese Ebene funktioniert, lässt sich sinnvoll entscheiden, an welchen Stellen KI zusätzlichen Wert erzeugen kann.

Nicht mehr KI-Piloten sind das Ziel.

Bessere Entscheidungen sind es.

KI wird viele operative Tätigkeiten schneller machen. Einige davon erheblich.

Für Unternehmen beginnt die schwierigere Aufgabe danach: aus diesen Produktivitätsgewinnen messbaren wirtschaftlichen Wert zu machen.

Das erfordert weniger Begeisterung für einzelne Tools und mehr Klarheit darüber, wie Projekte tatsächlich gesteuert werden:

Welche Kosten entstehen? Wo steht das Projekt? Welche Leistung wurde erbracht? Wo weichen Planung und Realität voneinander ab? Und wann muss das Management handeln?

Wer diese Fragen beantworten kann, schafft die Voraussetzung dafür, dass aus KI-Nutzung mehr wird als lokale Effizienz.

Dann wird aus Geschwindigkeit Steuerungsfähigkeit.