Ist KI wirklich kostengünstiger als menschliche Arbeitskraft?

Die wahren Kosten der KI

Die meisten Unternehmen schätzen die Kosten für die KI-Implementierung auf kaum mehr als Lizenzgebühren und Rechenkosten. Was bei diesem Vergleich jedoch durchweg übersehen wird, ist, wo die tatsächlichen Ausgaben liegen.

„Die Gesamtkosten sind oft zwei- bis dreimal höher als ursprünglich prognostiziert, und der Zeitrahmen für die Realisierung von Einsparungen ist viel länger als erwartet“, sagt Helmer.

Anfängliche Implementierungskosten

Eine ordnungsgemäße Einrichtung erfordert die Integration der KI in andere Unternehmensplattformen, was oft mit erheblichem technischem Aufwand verbunden ist. „In komplexen oder risikoreichen Arbeitsabläufen kann sich der prognostizierte ROI – wenn man Support, Evaluierung, Nacharbeiten und Überwachung mit einbezieht – leicht verringern und in manchen Fällen sogar gänzlich verschwinden“, erläutert Mark Quinn, Leiter des KI-Betriebs bei Pearl.

Laufende Betriebskosten

Die Kontrolle der KI-Betriebskosten ist schwieriger als die Kontrolle von Personalbudgets. Token-basierte API-Gebühren können ohne Vorwarnung steigen, und die Infrastruktur, die heutige Modelle unterstützt, kann innerhalb weniger Monate veralten.

„Personalkosten hingegen lassen sich sehr leicht vorhersagen, da Unternehmen selbst über die Gehälter und Sozialleistungen ihrer Mitarbeiter entscheiden“, sagt Brian Jackson, Principal Research Director bei der Info-Tech Research Group

Personalkosten

Schulungen, Governance-Strukturen und Einarbeitungsprogramme sind laufende Kosten, keine einmaligen Implementierungskosten. „Die finanzielle Gleichung für KI muss berücksichtigen, dass eine Transformation nur dann Wert schafft, wenn die Organisation so gestaltet ist, dass sie diesen Wert aufnehmen kann“, sagt Christine Park, Chief People and AI Transformation Officer bei Branch.

Datenbereitschaft und Qualitätssicherung

Datenaufbereitung, Qualitätssicherung und fehlgeschlagene Experimente werden im ursprünglichen Business Case selten berücksichtigt. „KI ist keine einmalige Anschaffung; sie ist ein lebendiges System, das kontinuierliche menschliche Überwachung und operative Investitionen erfordert“, erklärt Helmer.

Opportunitätskosten

Ressourcen, die in der KI-Infrastruktur gebunden sind, stehen für andere technologische Prioritäten nicht mehr zur Verfügung. Greg Ingino, Chief Technology Officer bei Litera, musste dies auf die harte Tour lernen, als die KI-gesteuerte Codegenerierung neue Investitionen in CI/CD-Pipelines und die Bereitstellungsinfrastruktur erforderte, um den erhöhten Durchsatz bewältigen zu können.

„Die Wirtschaftlichkeit stimmt nach wie vor, aber die Art der Investition unterscheidet sich von dem, was wir ursprünglich prognostiziert hatten, und Unternehmen, die die Kosten für die Umsetzung ihrer eigenen Produktivitätssteigerungen und die veränderten Konsumgewohnheiten nicht einkalkulieren, werden ins Hintertreffen geraten“, sagt er.

Wenn KI mehr kostet als menschliche Arbeitskräfte

Der Kostenvergleich zwischen KI und menschlichem Personal scheitert in fünf spezifischen Szenarien, in denen KI nicht kosteneffizient ist.

• Aufgaben mit geringem Volumen und hoher Komplexität. Hohe Fixkosten zahlen sich nur aus, wenn sie sich auf große, konstante Arbeitslasten verteilen. In einem kürzlich geführten Gespräch mit dem CIO eines Getränkevertriebsunternehmens analysierte Helmers Team, ob KI einen zweiwöchigen Kunden-Onboarding-Prozess auf weniger als einen halben Tag verkürzen könnte. Die prognostizierten Kosten beliefen sich auf etwa drei Jahre Arbeitsaufwand für das Team, das diese Aufgabe bereits bewältigte. Der CIO behielt den menschlichen Arbeitsablauf bei. „Diese Erfahrung hat bestätigt, dass schneller nicht immer besser ist, wenn sich der finanzielle Ertrag nicht mit der Kostenstruktur des Unternehmens deckt“, sagt Helmer.
• Arbeit, die von Ermessensentscheidungen abhängt. Der Test besteht darin, zu prüfen, ob die Anforderungen einer Rolle mit den Stärken eines LLM übereinstimmen. „Ein Umfeld, das viel Ermessensspielraum bei der Entscheidungsfindung, kreatives Denken als Reaktion auf neue Variablen, eine schnelle Neugewichtung von Aufgaben erfordert oder von zwischenmenschlichen Beziehungen abhängt, wird immer den Menschen den Vorzug geben“, sagt Jackson.
• Sich schnell ändernde Anforderungen. Wenn sich die Art der Arbeit schneller ändert, als ein Modell aktualisiert werden kann, summieren sich die Kosten für die Umschulung, und die Ausnahmen übersteigen das, wofür die KI trainiert wurde.
• Stark regulierte Umgebungen. Anforderungen an die menschliche Überprüfung in Umgebungen mit einem hohen Maß an Rechenschaftspflicht verändern die Wirtschaftlichkeit von KI. Ingino verweist darauf, dass in seinem Unternehmen Litera – einem Legal-Tech-Unternehmen – eine übersehene Klausel oder ein Fehler beim Dokumentenvergleich einen Berufshaftpflichtanspruch nach sich zieht. Bei Litera werden mittlerweile fast 70 Prozent des Codes, der in die Produktion geht, von KI generiert, doch jede einzelne Zeile muss vor der Auslieferung weiterhin von einem Entwickler überprüft und genehmigt werden.
• Unternehmen mit unzureichender Datenreife. Die Qualität der Dateninfrastruktur entscheidet darüber, ob KI im Produktivbetrieb zuverlässig funktionieren kann. „KI, die auf Daten minderer Qualität läuft, verursacht kostspielige Fehler statt Einsparungen“, sagt Sean Ryan, Partner und Leiter des Technologiebereichs bei der Alexander Group.

Die Bedingungen, die in solchen Szenarien zum Scheitern der KI führen, verdeutlichen auch, wo sie erfolgreich ist, wenn diese Bedingungen umgekehrt sind. Ein von Jackson angeführtes Beispiel aus einer Kundenorganisation ist ein Krankenhaus, das KI einsetzte, um das Pflegepersonal bei Versicherungsformalitäten zu unterstützen. Das Pflegepersonal verbrachte 20 Prozent seiner Zeit mit den Formalitäten, die von den Krankenkassen für die Auszahlung von Leistungen verlangt wurden. Als das Krankenhaus vorhandene Patientendaten nutzte, um diesen Prozess zu automatisieren, hatten die Pflegekräfte mehr Zeit für die Patienten.

„Dadurch wurde die Pflegekapazität effektiv erhöht, als wären 20 Prozent mehr Pflegekräfte eingestellt worden, was die Patientenerfahrung und die Gesundheitsergebnisse verbesserte“, so Jackson.

Framework zur Berechnung des ROI

Eine Analyse von Gartner vom Juni 2025 prognostizierte, dass über 40 Prozent der Projekte mit agentischer KI bis Ende 2027 aufgrund eskalierender Kosten und unklarer geschäftlicher Vorteile eingestellt werden. Standardmodelle zur Berechnung des KI ROI unterschätzen die Kosten auf beiden Seiten. Eine umfassende KI-Kostenanalyse muss die verdrängten Arbeitskräfte ebenso gründlich berücksichtigen wie die Technologie, die sie ersetzt.

„Der Fehler besteht darin, KI als einmalige Implementierungskosten zu behandeln, obwohl sie in Wirklichkeit eine operative Fähigkeit ist“, sagt Quinn.

• Gesamtbetriebskosten. Ein ehrliches Gesamtbetriebskostenmodell erfordert Eingaben, die in den meisten Business Cases ausgelassen werden. Helmer nennt die wesentlichen Punkte:
  • Datenverarbeitung und -aufbereitung
  • Systemintegration
  • Change-Management
  • Laufender Modellbetrieb und Umschulung
  • Governance und Compliance
• Time-to-Value. Renditen stellen sich später als prognostiziert ein, wenn die Kosten für Integration und Change-Management bereits zu Beginn der Investition vorzeitig anfallen.
• Skalierbarkeitsschwellen. Einzelne KI-Einheiten werden erst dann rentabel, wenn ein ausreichendes Volumen erreicht ist. Die Variabilität von Geschäftsprozessen verzögert durchweg den Zeitpunkt, zu dem diese Schwelle erreicht wird.
• Risikobereinigte Renditen. Jedes seriöse Finanzplanungsmodell für KI muss die Kosten für Personalabbau berücksichtigen. „Wenn Unternehmen Personal abbauen, um KI-Investitionen zu finanzieren oder zu rechtfertigen, sind die Kosten – die sie oft nicht in ihre Modellierung einbeziehen – genau jene, die erst dann sichtbar werden, wenn der Schaden bereits entstanden ist“, sagt Dr. Andrea Derler, leitende Forscherin bei Visier.
• Qualitative Vorteile. Geschwindigkeitsgewinne, Verbesserungen der Genauigkeit und die Innovationsfähigkeit der Mitarbeiter, die nun für höherwertige Aufgaben freigesetzt werden, sind echte Vorteile; sie müssen jedoch explizit modelliert und dürfen nicht einfach vorausgesetzt werden.

Intelligentere Investitionsentscheidungen im Bereich KI treffen

Was erfolgreiche KI-Investitionen von gescheiterten unterscheidet, lässt sich auf einige wenige konsequente Ansätze zurückführen.

• Beginnen Sie mit volumenstarken, wiederholbaren Prozessen. Die Kosteneffizienz von KI kommt vor allem bei Aufgaben zum Tragen, die sich wiederholen, regelbasiert sind und ein konstant hohes Volumen aufweisen. Feste Implementierungs- und Überwachungskosten werden erst dann rentabel, wenn sie auf ein ausreichendes Volumen verteilt werden.
• Bauen Sie KI-Kompetenz als fortlaufendes Programm auf. Die Tools ändern sich zu schnell, als dass eine einzige Schulung ausreichen würde, um die Fähigkeiten aufrechtzuerhalten. „Planen Sie dies als echtes Programm und nicht als Pilotprojekt“, sagt Ingino.
• Legen Sie Governance-Regeln fest, bevor Sie die Lösung ausweiten. Definieren Sie Datenrichtlinien, Nutzungsgrenzen und Strukturen zur Rechenschaftspflicht, bevor Sie die Lösung unternehmensweit einführen. Ein Versagen der Governance kann mehr kosten als die KI-Investition selbst.
• Entwickeln Sie hybride Workflows aus Mensch und KI. Definieren Sie vor der Entwicklung das Geschäftsergebnis, den Qualitätsstandard und den erforderlichen menschlichen Beitrag und führen Sie anschließend einen Proof of Concept durch, um zu testen, ob die Technologie die Aufgabe überhaupt bewältigen kann. Legen Sie in jeder Phase definierte Leistungskennzahlen fest. Quinn empfiehlt, jede Einführung ab diesem Zeitpunkt in Phasen zu unterteilen und erst dann zu erweitern, wenn das System den vereinbarten Standard erfüllt. Die meisten Implementierungen erfordern an kritischen Entscheidungspunkten nach wie vor menschliche Aufsicht.
• Behandeln Sie die langfristige Wartung als Betriebskosten. Modelle verlieren an Qualität, Anforderungen ändern sich und Updates können bestehende Arbeitsabläufe stören. Eine KI-Budgetplanung, die die laufenden Wartungskosten außer Acht lässt, unterschätzt von vornherein die Gesamtbetriebskosten der KI.

KI ist eine strategische Investition, die dieselbe Sorgfalt erfordert wie jede andere wichtige Technologieentscheidung und keine garantierte Kosteneinsparung darstellt. Das bedeutet eine schrittweise Einführung, langfristige Wartungskosten und von Anfang an integrierte Kennzahlen zur Rechenschaftspflicht.

Unternehmen, die Personal abbauen, um KI zu finanzieren, und später ihre Belegschaft wieder aufstocken, haben denselben Fehler begangen – Gehaltsvergleiche statt Gesamtkosten waren der entscheidende Faktor.

„Die eigentlichen finanziellen Fragen, die sich Führungskräfte stellen sollten, lauten nicht einfach: ‚Wie viele Arbeitsplätze kann KI ersetzen?‘, sondern: ‚Auf welche Fähigkeiten, welches Wissen und welche Stabilität verzichten wir dabei, und wie können wir wissen, ob die neue Struktur tatsächlich besser funktioniert?‘“, sagte Derler.

Dieser Artikel ist im Original in englischer Sprache auf Search CIO erschienen.