Zurück
Business 4 Min. Lesezeit - 5. Juni 26 - Stand 22. Juni 26 - Benjamin Drighès

AI & ROI: von der Projektidentifikation bis zur Rentabilitätsberechnung

Zusammenfassung

95 % der KI-Pilotprojekte niemals skaliert werden (MIT Project NANDA, 2025). Dennoch generieren Organisationen, die ihre Industrialisierung erfolgreich umsetzen, einen messbaren EBIT-Impact innerhalb von 6 bis 12 Monaten (McKinsey Global AI Survey, 2025). Der Unterschied liegt nicht am gewählten KI-Modell, sondern an der Methode. Bei Galadrim wenden wir einen 4-stufigen Ansatz an: nach ROI priorisieren, vorgelagerte Blockaden beseitigen, Prozesse dokumentieren, die KI/Mensch-Zusammenarbeit organisieren.

Warum so viele KI-Projekte nicht die erhofften Ergebnisse generieren

Drei Ursachen treten häufig auf:
  • Keine geschäftliche Rahmung. Das Projekt beginnt mit der Technologie ("wir wollen RAG machen") anstatt mit dem Problem ("wir verlieren täglich 2 Stunden bei der Bearbeitung eingehender E-Mails").
  • Keine budgetierte Industrialisierung. Der POC kostete 40 000 €. Seine tatsächliche Produktionsbereitstellung kostet 400 000 € (Infrastruktur, Sicherheit, Integration, MCO, Schulung).
  • Unklare KPIs. "Die Mitarbeitererfahrung verbessern" ist kein KPI. "Die Bearbeitungszeit eines Kundendossiers um 30 % reduzieren" ist einer.

Die Galadrim-Methode in 4 Schritten

1. Bedürfnisse erheben und nach ROI priorisieren

Wir beziffern den erwarteten Gewinn für jeden Anwendungsfall und ordnen die Vorhaben nach Rentabilität. Nur Projekte, deren Return nachweislich ist, gelangen in die Entwicklungsphase.
Unsere Scoring-Matrix basiert auf vier Dimensionen:
DimensionMindestschwelleWarum
VolumeZu bestimmenInvestition rechtfertigen
Beherrschbare KomplexitätErklärbare GeschäftslogikHalluzinationen vermeiden
Verfügbarkeit der DatenSaubere und zugängliche DatenOhne Daten, kein Projekt
Messbarer ImpactBezifferbarer Zeit-, Fehler- oder UmsatzgewinnROI nachweisen

2. Blockaden beseitigen: Souveränität, Sicherheit, Regulierung, Machbarkeit

Souveränität, DSGVO, AI Act, technische Machbarkeit: Wir entscheiden bereits bei der Rahmung über die Wahl der Infrastruktur (amerikanische Cloud in Europa gehostet oder souveränes Hosting) und der Modelle (proprietär oder offen).
Dieser Schritt vermeidet späte böse Überraschungen: Projekt nach 3 Monaten Entwicklung von der Rechtsabteilung abgelehnt, Modell muss unterwegs gewechselt werden, oder eine Souveränitätseinschränkung, die erst bei der Bereitstellung entdeckt wird. Wir behandeln diese Themen vor der ersten Codezeile.

3. Geschäftsprozesse für die KI überprüfen und dokumentieren

Wir kartieren bestehende Prozesse, vereinfachen sie bei Bedarf und dokumentieren sie, bevor wir automatisieren. Dieser Schritt verhindert die Industrialisierung von Fehlfunktionen.
Ein unklarer Geschäftsprozess bedeutet eine KI, die halluziniert. Ein gut dokumentierter Geschäftsprozess bedeutet eine KI, die korrekt ausführt. Dieser oft vernachlässigte Schritt ist das, was Projekte, die in Produktion funktionieren, von denen unterscheidet, die beim Skalieren scheitern.

4. Einen Prozess definieren, in dem KI und Menschen zusammenarbeiten

Der Agent führt repetitive Aufgaben aus, der Mensch validiert sensible Entscheidungen. Wir definieren im Voraus die Eskalationsschwellen und die Nachverfolgbarkeit der Aktionen.
Konkret beantworten wir für jeden Anwendungsfall: Welche Aktionen kann der Agent alleine ausführen? Welche Aktionen müssen von einem Menschen validiert werden? Welche Kriterien lösen eine Eskalation aus? Welche Ereignisse werden verfolgt und sind auditierbar? Diese operative Governance ist genauso wichtig wie das KI-Modell selbst.

Ein konkreter Fall: Odealim

Die Odealim Gruppe, ein Versicherungsbroker (165 Mio. € Umsatz, 900 Mitarbeitende), erhält monatlich Zehntausende von Kundenanfragen per E-Mail. Schwierig im grossen Massstab zu bearbeiten, ohne die Servicequalität zu beeinträchtigen oder die Bearbeitungszeiten zu sprengen.
Wir haben entwickelt und eingesetzt emailCopilot, ein System, das aufAI-Agenten LLMs basiert, Anfragen klassifiziert, nützliche Daten in Kundendossiers und Verträgen (Garantien, Prämien) sucht und Antwortvorschläge generiert. Die Sachbearbeitenden validieren oder passen über eine dedizierte Oberfläche an, eine direkte Anwendung unseres Schrittes 4 (KI/Mensch-Zusammenarbeit).
Gemessene Ergebnisse:
  • 200 tägliche Nutzer in den operativen Teams (Produktionsmanagement, Schadenfälle, Buchhaltung).
  • 50 000+ Antworten pro Monat mit KI-Unterstützung bearbeitet.
  • +150 % Produktivitätssteigerung angestrebt im bereitgestellten Umfang.
Das Projekt begann mit einer 8-tägigen Rahmung (ROI-Priorisierung von 12 potenziellen Anwendungsfällen, 4 wurden ausgewählt), einer Souveränitäts-/Infrastruktur-Abwägung, der Dokumentation der Geschäftsprozesse der Sachbearbeitenden, gefolgt von einem in 6 Wochen industrialisierten POC mit täglicher Überwachung ab Tag 1.
Über den Autor: Benjamin Drighès ist Partner und CTO IA bei Galadrim, einer französischen Tech- & IA-Agentur mit Sitz in Paris, Nantes und Lyon. Er hat seit 2017 über 100 IA-Projekte für Kunden wie BNP Paribas, Carrefour, Showroomprivé, Odealim, Stellantis und Chanel geleitet. Galadrim ist Preisträgerin des Top AI Awards 2024 (Kategorie E-Commerce, Groupe IFOP) für die für Showroomprivé entwickelte Lösung Scriptor.
Sie haben ein IA-Projekt, das im POC-Stadium feststeckt, oder Sie möchten von Anfang an richtig starten? Lassen Sie uns über Ihren Fall sprechen.

FAQ

Wie berechnet man den ROI eines IA-Projekts?

Grundformel: (erzielte Gewinne - Gesamtkosten) / Gesamtkosten. Die Gewinne gliedern sich in Hard Returns (gesparte Stunden, vermiedene Fehler, verarbeitete Volumen) und Soft Returns (Kundenzufriedenheit, Entscheidungsgeschwindigkeit). Die Kosten umfassen Entwicklung, Infrastruktur, Tokens, Betrieb und Schulung. Laut Gartner generieren nur im Vorfeld abgegrenzte und industrialisierte Projekte einen messbaren Business Impact, wobei führende Unternehmen innerhalb eines Jahres einen zweistelligen ROI erzielen (Gartner, 2025).

Wie lange dauert es, bis sich ein IA-Projekt rentiert?

Laut McKinsey beobachten reife Organisationen einen messbaren EBIT-Impact innerhalb von 6 bis 12 Monaten nach der Produktivsetzung. Einfache Automatisierungen (Extraktion, Klassifikation) rentieren sich in 3 bis 8 Wochen; komplexe agentenbasierte oder multimodale Projekte in 3 bis 6 Monaten (McKinsey Global AI Survey, 2025).

Warum scheitern 80 % der IA-Projekte?

Drei Hauptursachen: fehlende Business-Rahmenbedingungen im Vorfeld, fehlendes Budget für die Industrialisierung, unklare oder nicht in der Baseline gemessene KPIs. Gemäss der RAND Corporation (2024), scheitern IA-Projekte doppelt so häufig wie Nicht-IA-IT-Projekte. Der POC funktioniert als Demo, überlebt aber den Übergang zur Skalierung nicht.

Was ist die Galadrim-Methode für den Erfolg eines IA-Projekts?

Unsere 5-Schritte-Methode: (1) Bedürfnisse sammeln und nach ROI priorisieren, (2) Vorgesetzte Blockaden beseitigen (Souveränität, DSGVO, AI Act, Machbarkeit), (3) Geschäftsprozesse überprüfen und dokumentieren, (4) IA/Mensch-Zusammenarbeit mit Eskalationsschwellen definieren, (5) Eine Feedback-Schleife innerhalb von 24 h einrichten.

Welches Budget ist für ein rentables IA-Projekt einzuplanen?

Abgrenzung: 5 000 bis 15 000 €. Industrialisierbarer POC: 30 000 bis 80 000 €. Komplette Industrialisierung: 100 000 bis 500 000 € je nach Komplexität. Monatliche Betriebskosten (Tokens, Infra): 1 bis 5 % der Entwicklungskosten. Ab 2026 kommen die Auditkosten des AI Act hinzu (5 bis 15 k€/Jahr).

Möchten Sie bei der Lancierung Ihres digitalen Projekts begleitet werden?

Reichen Sie Ihr Projekt jetzt ein