Kostenersparnis: Mythos und Realität bei KI

Einleitung

Gemäss der Prognose des Marktforschungsunternehmens Gartner werden bis zum Jahr 2027 etwa 50% der von Unternehmen aufgrund der Einführung von KI entlassenen Mitarbeiter in diesen Positionen wieder beschäftigt sein. Als Gründe werden seitens der Analysten die Grenzen der Technologie sowie der unersetzliche Wert menschlicher Expertise genannt. Gemäss Gartner’s Hype Cycle soll sich die generative KI inzwischen sogar im sogenannten Tal der Enttäuschung befinden. Grund dafür seien die hohen Kosten, unklare Gewinne, technische Fehler und fehlende Datenqualität. Auch die bekannten Probleme von Sprachmodellen, etwa fehlerhafte Antworten, verzerrte Trainingsdaten und hohe Rechenanforderungen, erschweren die Integration in den Arbeitsalltag. Gartner betont jedoch, dass diese Phase regelmässig den Übergang von der Faszination zur Reifung erkennen lässt und ein anhaltender Erfolg vor allem von soliden Grundlagen abhängt.

Die Realität zeigte schon in der Vergangenheit bei anderen KI-Projekten in Unternehmen allzu häufig, dass Kosteneinsparungen oft an schlechter Datenqualität, fehlenden Schnittstellen und hohen Implementierungskosten scheitern. Wer also den Erfolg von KI-Projekten allein an der Reduktion von Vollzeit-Äquivalenten (FTEs bzw. Fulltime Equivalents) misst, übersieht die weitaus grösseren Hebel in der Prozessoptimierung und Fehlerprävention.

Kosteneinsparungen entstehen dagegen oft indirekt – durch die Vermeidung von Fehlern, schnellere Prozesse und die Fähigkeit, mit dem gleichen Personalbestand mehr Volumen zu bewältigen (Skalierbarkeit).

Im Gegensatz dazu erwartet laut einer Studie der Unternehmensberatung McKinsey rund ein Drittel der Unternehmen weltweit, ihre Belegschaft durch den Einsatz von KI im Jahr 2026 zu reduzieren. McKinsey zeigt mit seiner Studie «The state of AI: Global Survey 2025», dass die meisten Unternehmen sich noch in der Experimentier- oder Pilotphase befinden und das Interesse vor allem an KI-Agenten besonders gross ist. Dabei geben vier von fünf Unternehmen an, dass das Ziel der Effizienzverbesserung den Haupttreiber für KI-Initiativen darstellt und ein bedeutender Erfolgsfaktor in der Neugestaltung von Arbeitsabläufen.

Der beschriebene scheinbare Widerspruch löst sich auf, wenn man Branchen und Unternehmensreife differenziert: Unternehmen in der Pilotphase überschätzen kurzfristige Personaleffekte; Unternehmen mit reifer KI-Infrastruktur erzielen tatsächlich Effizienzgewinne – aber primär durch Skalierung, nicht durch Stellenabbau.

Kosteneinsparungen durch KI sind also real – aber sie entstehen indirekt, zeitverzögert und unter anderen Bedingungen, als der Hype suggeriert. Dieser Beitrag zeigt, wo der ROI tatsächlich entsteht und was CFOs konkret tun müssen, um ihn zu realisieren.

Der Return on AI und seine Messung

Die Messung des ROAI ist komplexer als ein klassischer ROI. Die Erfassung des AI-ROI gestaltet sich als grössere Herausforderung, die insbesondere in der Komplexität immaterieller Effekte, der Qualität der Daten sowie der Allokation begründet liegt. Dies resultiert in Fehlern bei der Zuordnung.

Grundsätzlich sind sowohl harte wie weiche Faktoren einzubeziehen:

Harte (quantitative) Faktoren

• Vollzeit-Äquivalente: Wie viele Arbeitsstunden pro Monat werden durch die KI-Lösung pro Prozessschritt eingespart?
• Fehlerquote: Reduktion der Kosten für Nachbesserungen oder Fehlbuchungen (z.B. in der Kreditorenbuchhaltung)
• Prozessgeschwindigkeit (Durchlaufzeit bzw. Cycle Time): Verkürzung der Zeit vom Dateneingang bis zum fertigen Report oder Entscheid

Bisherige Studien zeigen hierzu, dass harte Einsparungen vor allem durch Produktivitätsgewinne und Umsatzsteigerungen erwartet werden:

Diese Werte gelten für grosse Technologie- und Finanzdienstleistungsunternehmen mit ausgereifter Dateninfrastruktur – für Schweizer KMU sind erhebliche Abschläge realistisch.

Offenkundig bestehen die grössten Herausforderungen mit den Daten und der Qualität. Der Return on Investment (ROI) manifestiert sich in der Regel erst nach einem Zeitraum von zwei bis vier Jahren und nicht, wie bei anderen IT-Projekten, nach sieben bis zwölf Monaten. Auch besteht Unklarheit darüber, welcher Anteil des Gewinns auf AI zurückzuführen ist. Es mangelt an Expertise sowie der Identifikation von geeigneten Anwendungsfällen (Use Cases).

Weiche (qualitative) Faktoren

Auch die Messung und Berücksichtigung immaterieller bzw. qualitativer Vorteile erweist sich regelmässig als grosse Herausforderung. Hierzu zählen beispielsweise:

• Entscheidungsqualität: Führen präzisere KI-Prognosen zu besseren Margen?
• Mitarbeiterzufriedenheit: Sinkt die Fluktuation, weil monotone Aufgaben wegfallen?

Der wahre Wert der KI offenbart sich oft erst im «Schatten-ROI». Während die Buchhaltung nach eingesparten Franken sucht, findet das Management den Wert in einer erhöhten Resilienz und einer agileren Organisation. Wer nur die harten Kosten betrachtet, übersieht, dass KI in erster Linie die Komplexitätskosten («Cost of Complexity») senkt.

Werttreiber-Baum als Entscheidungshilfe

Um die KI-Rendite nachzuweisen, empfiehlt sich die Nutzung von Werttreiber-Bäumen (Value Driver Trees).

Ein Werttreiberbaum dient als kognitive Landkarte für den CFO. Er zeigt auf, dass die Investition in die Datenqualität (Input) über die Zwischenstationen «höhere Prognosegenauigkeit» und «reduzierte Sicherheitsbestände» (operationale Hebel) direkt in einen verbesserten Working Capital Cycle (finanzieller Output) mündet. So wird die KI von der Blackbox zum transparenten Wertschöpfungsmotor.

Die Logik des Werttreiberbaums soll deshalb am Beispiel «KI-gestützte automatisierte Rechnungsverarbeitung» gezeigt werden:

Hierbei wird deutlich, dass eine KI-gestützte Datenbereinigung (Input) nicht unmittelbar Personalkosten senkt, sondern zunächst die Fehlerquote in der Logistik reduziert (operationale Ebene), was wiederum das Working Capital entlastet und so den Cashflow steigert (finanzieller Output).

Die ROAI-Formel

Eine einfache, aber präzise Logik für die Ermittlung des Return on AI (ROAI), mit dem die Rendite von Investitionen in KI gemessen werden soll, lautet wie folgt: ROAI =

(Summe der eingesparten Prozesskosten + Wertschöpfungsgewinn)
(Entwicklungskosten + Betriebskosten + Schulungsaufwand)

Beispiel:

Angenommen, ein KMU investiert CHF 80 000.– in eine KI-gestützte Rechnungsverarbeitung (Entwicklungskosten CHF 50 000.–, Betriebskosten CHF 20 000.–/Jahr, Schulungskosten CHF 10'000). Die Prozesskosten sinken von CHF 120 000.– auf CHF 75 000.–/Jahr (somit 45 000.– als jährliche Ersparnis). Zusätzlich entsteht ein Skontonutzen von CHF 15 000.– dadurch, dass das KMU eine Lieferantenrechnung innerhalb der Skontofrist bezahlt und dadurch einen Preisnachlass erhält. Dies ist realistisch, denn ohne KI dauert der gesamte Beschaffungsprozess (Purchase-to-Pay) vom Wareneingang über die Prüfung und Weiterleitung zur Freigabe und Buchung erheblich länger.

In diesem Beispiel wäre der ROAI im ersten Jahr folglich: (45 000 + 15 000) / 80 000 = 75%.

Ab Jahr 2 (nur Betriebskosten) beträgt der ROAI dann: (60 000) / 20 000 = 300%.

Die Beratungsgesellschaft KPMG weist in ihrem «Global Tech Report 2026» darauf hin, dass der Return on Investment (ROI) von Technologieinvestitionen einer hohen Variabilität unterliegt, die durch verschiedene Faktoren determiniert wird. Zu diesen zählen die Bereitschaft, eine sorgfältige Unternehmensführung, Disziplin bei der Umsetzung sowie organisatorische Agilität.

Investitionsentscheidungen, insbesondere im Hinblick auf neue KI-Tools, basieren nach Ansicht der KPMG oft auf indirekten und hypothetischen Vorteilen, was die Komplexität einer erfolgreichen Umsetzung zusätzlich erhöht. Führungskräfte im Technologiebereich sollten sich daher an den typischen ROI-Mustern orientieren und ihre ROI-Kennzahlen anpassen, um sie auf den geschäftlichen Mehrwert abzustimmen, den KI generieren kann. Wie diese Anpassung genau aussieht oder erfolgen sollte, wird jedoch nicht näher beschrieben.

Drei Ebenen der Kosteneinsparung

Kosteneinsparungen durch den Einsatz von KI-Tools können heute im Wesentlichen auf den folgenden drei Ebenen identifiziert werden:

• direkte Einsparungen: Automatisierung von Routineaufgaben (z.B. automatisierte Rechnungskontrolle, KI-gestütztes Reporting im Controlling)
• Vermeidung von Opportunitätskosten: Bessere Prognosen (sog. Predictive Analytics) verhindern Lagerüberbestände oder Fehlentscheidungen bei Investitionen und bewirken so eine Kosteneinsparung.
• Produktivitätssprung: Fachkräfte werden von administrativen Aufgaben entlastet und können sich auf wertschöpfende Analysen konzentrieren (besonders relevant angesichts des Fachkräftemangels in der Schweiz).

Vor allem Opportunitätskosten sind als indirekte Kostensenkungen nicht zu unterschätzen: Dazu können Kosteneinsparungen durch Qualitäts- und Risikoreduktion (z.B. Fraud-Detection) gezählt werden, wenn Strafzahlungen vermieden und eine verbesserte Compliance erreicht wird. Ebenso können Skaleneffekte durch optimierte Lieferketten oder Echtzeitanalysen die Material- und Energiekosten reduzieren helfen.

Die «versteckten» Kostentreiber

• Data Cleaning: 80% des Aufwands fliesst oft in die Aufbereitung der Daten.
• Compliance & Sicherheit: In der Schweiz sind Datenschutz (DSG) und regulatorische Anforderungen (FINMA bei Banken) Kostentreiber bei der KI-Einführung.
• Change-Management: Mitarbeiter müssen geschult werden, um die KI effektiv zu nutzen.

Die folgende Übersicht zeigt die wesentlichen Kostenreiber, ihren prozentualen Budgetanteil und mögliche Ursachen im Vergleich:

Ein wesentlicher Kostenfaktor bei modernen KI-Lösungen sind zudem die API-Kosten für generative KI-Modelle. Diese werden typischerweise pro 1000 Token (etwa 750 bis 1000 Wörter) berechnet und können bei intensiver Nutzung (z.B. im Kundenservice) schnell einige Tausend Franken pro Monat betragen.

Neben den API-Kosten fallen – je nach Implementierungsart – zusätzliche Infrastrukturkosten an für das Cloud-Hosting, die Nutzung von Datenbanken (z.B. für die Speicherung von Trainingsdaten) sowie für die Rechenleistung und Datenübertragung.

Grenzen der KI

Die von Gartner prognostizierte Wiedereinstellungswelle ist kein Zeichen für das Scheitern der KI, sondern für einen Lernprozess: Unternehmen erkennen, dass KI-Agenten den Menschen nicht substituieren, sondern seine Fähigkeiten augmentieren (erweitern).

Die Kostenersparnis liegt somit nicht im Wegfall von Köpfen, sondern in der massiven Senkung der «Kosten pro Transaktion» bei gleichbleibender Qualität.

Ein oft unterschätzter Faktor in der Realitätsprüfung sind allerdings die Betriebskosten der Modelle und die Kosten für die fortlaufende Compliance (Stichwort: EU AI Act und Schweizer DSG). Ein positiver ROI stellt sich nur ein, wenn die Skalierungseffekte diese laufenden Betriebskosten übersteigen.

Nachfolgend werden vier konkrete Grenzen mit je einer Handlungsimplikation aufgeführt:

Fünf Massnahmen aus Sicht eines CFO

Massnahme 1: Datenverantwortung klären. Für jede Kerndomäne sollte ein Data Owner benannt und das System of Record für die fünf wichtigsten Kennzahlen schriftlich festgehalten werden. Das revidierte Schweizer DSG verlangt implizit genau diese Klarheit – wer sie hat, ist regulatorisch und operativ besser aufgestellt.

Massnahme 2: Datenqualität messen und sichtbar machen. Drei bis fünf Qualitäts-KPIs mit Ampellogik – Fehlerrate Buchungen, Time-to-Close, Dublettenrate Debitorenstamm – liefern die Basis für jede spätere ROAI-Messung.

Massnahme 3: Einen wiederkehrenden Prozess mit Power Query automatisieren. Der monatliche ERP-Export, die Debitorenabstimmung oder die Kostenstellenauswertung sind typische Kandidaten. Power Query ist in Excel enthalten, erfordert keine Programmierkenntnisse und liefert sofort messbaren Nutzen.

Massnahme 4: KI-Assistenten in den CFO-Alltag integrieren. Zu Beginn wenigstens Standard-Prompts für Abweichungsanalyse und Kommentierung des Monatsabschlusses sowie eine einseitige interne KI-Policy. Dagegen bleiben Lohndaten, M&A-Informationen und Kundendaten mit Personenbezug aussen vor.

Massnahme 5: ROAI-Messung. Für jeden KI-Anwendungsfall vor der Einführung einen Werttreiberbaum skizzieren, Basiswerte erfassen und die ROAI-Formel anlegen. Zumindest eine quartalsweise Berechnung bzw. Messung ist zu empfehlen.

Fazit

Kosteneinsparung durch KI ist kein Mythos, aber sie ist auch kein automatisches Ergebnis der Technologienutzung. Realität wird sie dort, wo KI nicht als isoliertes IT-Projekt, sondern als strategische Investition in die Prozesslandschaft verstanden wird.

Für die Generierung verlässlicher Daten, klarer Prozesse und technischer Stabilität sind geeignete Massnahmen erforderlich. Dies zeigt sich vor allem an den derzeit sehr gefragten KI-Agenten, die zur autonomen Aufgabenbearbeitung befähigt sind. Gerade solche KI-Agenten stellen besondere Anforderungen an die zugrunde liegende Datenbasis und Datenqualität. Erforderlich sind somit Daten, die in einer Weise aufbereitet sind, dass sie für den Einsatz von KI tatsächlich nutzbar sind.

Langfristig werden daher vor allem jene Akteure profitieren, die aus den Fehlern der Hype-Jahre gelernt haben und auf solide Prozesse, verantwortungsvolle Datenarbeit und klare Richtlinien setzen.

Für Schweizer Unternehmen bedeutet dies: Wer heute in saubere Datenstrukturen und die digitale Kompetenz seiner Mitarbeitenden investiert, wird morgen die Früchte in Form von deutlich sinkenden Grenzkosten und einer massiven Steigerung der Skalierbarkeit ernten. Der wahre ROI der KI liegt nicht im Ersetzen des Menschen, sondern im Ersetzen ineffizienter Strukturen.

Abschliessend lässt sich sagen: Die KI-Rendite ist kein Mythos, aber sie ist eine langsame Rendite. Sie erfordert Mut zur Investition in die Infrastruktur, bevor die erste Stelle eingespart werden kann. Schweizer Unternehmen sollten den Erfolg ihrer KI-Initiativen daher nicht nur an kurzfristigen Budgetkürzungen messen, sondern an ihrer Resilienz-Rendite: der Fähigkeit, Marktvolatilität ohne massive Kostensteigerungen abzufedern. Wahre Effizienz entsteht dort, wo die KI den Menschen von der Last der Datenverwaltung befreit, damit dieser sich der Last der Entscheidung widmen kann.

Quellen

Demary, V. et al. (2025): Wie wird KI die Produktivität in Deutschland verändern? Gutachten im Auftrag des Gemeinschaftsausschusses der Deutschen Gewerblichen Wirtschaft. Köln: Institut der deutschen Wirtschaft (IW).

Gartner (2025): The latest Hype Cycle for Artificial Intelligence. Online: The Latest Hype Cycle for Artificial Intelligence Goes Beyond GenAI.

ICV/CPMC (2025): Digitalisierung im Controlling – Benchmarking Studie. Ergebnisbericht (Auszug). Wörthsee: Internationaler Controller Verein.

Kintz, M. et al. (2024): Potenziale Generativer KI für den Mittelstand. Wie große KI-Modelle die Arbeitswelt verändern. Stuttgart: Fraunhofer IAO.

KPMG (2025): Global Tech Report 2026. Online: https://kpmg.com/xx/en/our-insights/ai-and-technology/global-tech-report.html

McKinsey (2025):  The state of AI in 2025. Online: www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai