Warum KI-Budgets weniger vorhersehbar sind als klassische Softwarebudgets

Bei klassischer Unternehmenssoftware ist das Budget recht einfach aufgebaut. Sie zahlen für Lizenzen, Implementierung, Schulung und vielleicht jährliche Wartung, und sobald alles im Betrieb läuft, bleiben die Kosten in einer Bandbreite, die jeder dem Vorstand erklären kann. Bei künstlicher Intelligenz sieht das ganz anders aus. Ein KI-Projekt, das als begrenzter Pilot startet, kann unerwartet teurer werden, wenn die Nutzung steigt, wenn zusätzliche Daten fehlen oder wenn Mitarbeitende mehr kontrollieren müssen, als wir im Voraus dachten. Das macht KI-Budgets nicht unbeherrschbar, aber es bedeutet, dass Sie sie anders aufbauen und nachverfolgen müssen, als Sie es von Ihrem ERP oder CRM gewohnt sind.

Warum klassische Software besser vorhersehbar wirkt

Traditionelle Software führt Regeln aus, die jemand im Voraus geschrieben hat. Dieselben Daten hinein ergeben dasselbe Ergebnis heraus, und das macht die Kostenstruktur klar: ein fester Lizenzpreis, ein abgegrenztes Implementierungsprojekt, Kosten für Konfiguration und Integration, regelmäßige Wartung, Support und Schulung. Klassische Softwareprojekte laufen natürlich auch einmal aus dem Ruder, aber sobald die Lösung stabil läuft, lassen sich die monatlichen Kosten recht gut vorhersagen. KI-Lösungen sind grundlegend anders aufgebaut, denn die endgültigen Kosten hängen nicht nur von der Anzahl der Nutzer ab, sondern auch davon, wie viele Informationen verarbeitet werden, welche Modelle Sie ansprechen und wie viel menschliche Kontrolle noch nötig ist.

Sechs Gründe, warum sich ein KI-Budget unterwegs verändert

Der erste Grund ist, dass Nutzungskosten mit dem Volumen mitwachsen. Viele KI-Dienste rechnen pro Verarbeitung, pro Dokument, pro Bild, pro Audiominute oder pro Textmenge ab, was bedeutet, dass eine Anwendung, die während des Pilots hundert Dokumente pro Monat verarbeitet, finanziell gut aussieht, aber plötzlich eine ganz andere Rechnung erzeugt, sobald Sie auf zehntausend Dokumente skalieren. Der Erfolg der Anwendung kann Ihre Rechnung buchstäblich wachsen lassen.

Der zweite Grund ist, dass nicht jedes KI-Modell gleich viel kostet. Für einfache Aufgaben reicht ein günstigeres Modell, während komplexe Analysen, größere Dokumente oder höhere Genauigkeit ein leistungsfähigeres und teureres Modell verlangen. Bei einer ersten Demonstration sehen Sie oft das beste Modell im Einsatz, und erst später merken Sie, wie viel es kostet, dieses Qualitätsniveau in größerem Maßstab zu halten.

Der dritte Grund liegt in den Daten selbst. Anbieter verpacken ein KI-Projekt gerne als Technologieprojekt, während in Wirklichkeit ein großer Teil des Budgets in das Sammeln, Bereinigen und Angleichen von Daten fließt. Produktcodes, Kundendaten oder Prozessinformationen sind manchmal schlicht nicht konsistent genug, um darauf zuverlässig aufzubauen, und diese Vorarbeit wird in der Praxis immer wieder unterschätzt.

Der vierte Grund sind Integrationen. Eine KI-Lösung muss meistens mit bestehenden Systemen wie Ihrem ERP, CRM, Dokumentenmanagement oder Buchhaltungspaket zusammenarbeiten, und während die KI-Funktionalität oft schnell gebaut ist, verlangt die Integration in bestehende Prozesse deutlich mehr Zeit, vor allem wenn ältere Software oder Individualentwicklung oder verstreute Datenquellen im Spiel sind.

Der fünfte Grund ist die menschliche Kontrolle. Ein KI-System liefert nicht automatisch ein Ergebnis, auf das Sie ohne Prüfung aufbauen können. Bei finanziellen, kommerziellen oder operativen Entscheidungen muss jemand prüfen, korrigieren oder freigeben, und diese menschliche Kontrolle ist ein echter Betriebskostenpunkt. Eine Lösung, die zwanzig Minuten automatisiert, aber anschließend fünfzehn Minuten Kontrolle verlangt, liefert deutlich weniger Wert, als die erste Demonstration vermuten ließ.

Der sechste Grund ist das Monitoring und die Nachverfolgung. Klassische Automatisierung läuft jahrelang auf denselben Regeln, während sich KI-Leistungen ändern können, sobald sich Eingaben, Geschäftskontext, Dokumente oder die zugrunde liegenden Modelle ändern. Sie wollen also fortlaufend wissen, wie viele Ergebnisse Sie korrigieren müssen, bei welchen Ausnahmen das System scheitert, wie oft Mitarbeitende eingreifen müssen, wie viel jede Verarbeitung kostet und ob die auf dem Papier versprochene Zeitersparnis auch tatsächlich Bestand hat.

Berechnen Sie nicht nur die Projektkosten

Ein solides KI-Budget besteht aus mindestens vier Bestandteilen, die Sie oft getrennt betrachten sollten. Die einmaligen Kosten wie Analyse, Implementierung, Konfiguration, Integrationen, Datenvorbereitung und Schulung. Die wiederkehrenden festen Kosten wie Plattformlizenzen, Support, Sicherheit, Hosting und Wartung. Die variablen Nutzungskosten, die mit der Zahl der Verarbeitungen, Dokumente, Nutzer oder Modellaufrufe wachsen. Und schließlich die internen Unternehmenskosten, denn auch die Zeit Ihrer Mitarbeitenden zählt: Prozessanalyse, Kontrollen, Korrekturen, Abstimmungen und Change-Management sind keine kostenlosen Ressourcen.

Arbeiten Sie mit Szenarien statt mit einem einzelnen Budgetbetrag

Ein KI-Budget wird verlässlicher, wenn Sie nicht eine Zahl auf den Tisch legen, sondern mindestens drei Szenarien. Ein Basisszenario, das zeigt, was die Lösung bei der erwarteten Nutzung kostet. Ein Wachstumsszenario, das zeigt, was passiert, wenn die Nutzung drei- oder zehnmal größer wird. Und ein Ungünstig-Szenario, das mit mehr Kontrollen, zusätzlichen Anpassungen oder unerwarteten Datenverbesserungen rechnet. So bekommt die Geschäftsführung keinen scheinbar präzisen Betrag, sondern eine realistische Bandbreite, die das Gespräch sofort ehrlicher macht.

Welche Kennzahlen sollte ein CFO verfolgen

Ein KI-Projekt dürfen Sie nicht nur an technischen Leistungen messen. Verfolgen Sie auch die finanziellen und operativen Indikatoren: die Kosten pro Verarbeitung, den Zeitgewinn pro Vorgang, den Anteil der Ergebnisse, die Sie manuell anpassen, die Fehlerkosten vor und nach der Einführung, die Zahl der menschlichen Eingriffe, die gesamten monatlichen Nutzungskosten und die tatsächlich erreichte Amortisationszeit. Diese Kosten pro Verarbeitung sind häufig interessanter als die gesamten Softwarekosten, denn sie machen sichtbar, ob das System auch bei höheren Volumen rentabel bleibt.

Bauen Sie die Kostenkontrolle bereits in den Entwurf ein

Die finanzielle Kontrolle darf nicht erst beginnen, wenn die ersten Rechnungen in Ihrem Postfach landen. Sie gehört bereits während der Analyse in den Entwurf: einfache Aufgaben von günstigeren Modellen erledigen lassen, Limits pro Nutzer oder Abteilung setzen, nur relevante Daten an das Modell schicken, menschliche Kontrolle auf risikoreiche Fälle beschränken, Nutzung und Kosten pro Prozess berichten und im Voraus Abbruchkriterien festlegen, damit ein Projekt, das nicht funktioniert, auch wirklich gestoppt werden kann.

Fazit

KI-Budgets sind weniger vorhersehbar, weil die Kosten von Nutzung, Datenvolumen, Modellwahl, Integrationen und menschlicher Kontrolle abhängen. Eine klassische Schätzung mit reinen Lizenz- und Implementierungskosten reicht nicht aus. Ein gutes KI-Budget besteht aus Szenarien, berücksichtigt interne Aufwände und koppelt die Kosten an messbare Geschäftsergebnisse. Die richtige Frage lautet also nicht einfach „was kostet diese KI-Lösung“, sondern „was kostet jede zuverlässige Verarbeitung, wie viel Arbeit spart sie und bleibt dieses Verhältnis attraktiv, wenn die Nutzung wächst“.