KI-Wirtschaftlichkeit und ROI — Wissen

Management-Zusammenfassung

Kernaussage

Der belastbare Forschungsstand erlaubt weder die Aussage „KI rechnet sich immer“ noch „KI ist vor allem Hype“. Randomisierte und quasi-experimentelle Studien zeigen bei klar begrenzten Aufgaben erhebliche Produktivitäts- und Qualitätsgewinne. Andere Studien finden Nullwirkungen, negative Effekte oder starke Unterschiede nach Aufgabe und Erfahrungsniveau. Die sachlich richtige Schlussfolgerung lautet: KI ist kein einheitliches Investitionsgut. Wirtschaftlichkeit entsteht auf Ebene eines konkreten Prozesses, einer konkreten Aufgabe, eines konkreten Nutzersegments und einer konkreten technischen sowie organisatorischen Ausgestaltung. ^{[S-001, S-002, S-003, S-005, S-016, S-024]}

Noy und Zhang fanden bei 453 professionellen Schreibaufgaben im Mittel rund 40 Prozent kürzere Bearbeitungszeit und rund 18 Prozent höhere Qualität. Brynjolfsson, Li und Raymond fanden in einem realen Kundenservice-Setting rund 15 Prozent mehr erfolgreich gelöste Probleme je Stunde, mit besonders großen Gewinnen bei weniger erfahrenen Beschäftigten. Drei Unternehmens-RCTs mit 4.867 Softwareentwicklern schätzten kombiniert rund 26 Prozent mehr erledigte Aufgaben. Diese Befunde sind substanziell, aber lokal: Sie messen definierte Aufgaben und Ergebniskennzahlen, nicht automatisch EBIT, Personalabbau oder einen universellen Renditesatz. ^{[S-001, S-002, S-004]}

Die Gegenbefunde sind ebenso wichtig. Im „Jagged Frontier“-Experiment verschlechterte KI die Korrektheit bei einer Aufgabe außerhalb der beobachteten Modellstärken; Teilnehmende lagen 19 Prozentpunkte häufiger falsch. METR fand bei 16 sehr erfahrenen Open-Source-Entwicklern in 246 realen Issues eine durchschnittliche Verlangsamung von 19 Prozent, obwohl die Entwickler vorher und nachher an einen positiven Effekt glaubten. In einem Inkassoexperiment lag der Barwert der von KI-Anrufern eingezogenen Rückzahlungen im untersuchten Setting unter dem menschlicher Anrufer. Die dänische Arbeitsmarktstudie fand trotz hoher Nutzung nach zwei Jahren keine größeren Effekte auf registrierte Arbeitszeit und Einkommen. ^{[S-003, S-005, S-015, S-016]}

Diese Ergebnisse widersprechen einander nicht zwingend. Sie untersuchen unterschiedliche Aufgaben, Modelle, Nutzer, Arbeitsprozesse und Zielgrößen. Ein Assistent kann bei standardisierten Text- oder Supportaufgaben Wissen verteilen und die Lernkurve verkürzen, während er in einer tief vertrauten Codebasis zusätzlichen Kontext-, Prüf- und Korrekturaufwand erzeugt. Der ökonomisch entscheidende Faktor ist der Task-Model-Process-Fit. Durchschnittswerte ohne Aufgabenklassifikation sind für Investitionsentscheidungen gefährlich. ^{[S-002, S-003, S-005, S-024]}

Potenzial ist nicht realisierter Wert

Die häufig zitierte McKinsey-Spanne von 2,6 bis 4,4 Billionen US-Dollar beschreibt ein modelliertes jährliches Potenzial aus 63 Use Cases. Sie ist kein bereits realisierter Gewinn und keine Prognose für ein einzelnes Unternehmen. Makroökonomische Modelle unterscheiden sich erheblich in Annahmen zu Task-Abdeckung, Adoption, Kosten, Nachfrage und ergänzenden Investitionen. Konservativere Arbeiten kommen zu deutlich kleineren kurzfristigen Produktivitätswirkungen. ^{[S-026, S-027, S-029]}

Auch hohe Adoption beweist keine Rendite. Eurostat meldete für 2025, dass 20 Prozent der Unternehmen mit mindestens zehn Beschäftigten mindestens eine KI-Technologie nutzten; Destatis meldete für Deutschland im eigenen Erhebungsrahmen 26 Prozent. KfW kam für den Mittelstand 2026 auf rund 20 Prozent. Die Unterschiede zeigen nicht nur Dynamik, sondern auch verschiedene Grundgesamtheiten und Definitionen. Keine dieser Quoten misst den inkrementellen Kapitalwert oder EBIT-Effekt. ^{[S-056, S-057, S-059, S-060, S-061]}

Unternehmensbefragungen beschreiben eine deutliche Wertlücke. BCG berichtete 2024, dass nur rund vier Prozent der befragten Unternehmen „substanziellen Wert“ erzielten und 22 Prozent über Proofs of Concept hinaus waren. McKinsey berichtete im März 2025, dass mehr als 80 Prozent keinen greifbaren Enterprise-EBIT-Effekt sahen; 17 Prozent schrieben mindestens fünf Prozent EBIT-Wirkung zu. Spätere Befragungen zeigen Fortschritt, aber weiterhin nur eine kleine Gruppe von High Performern. Diese Werte sind selbstberichtete Beratungsbefunde, keine geprüften Bilanzergebnisse. ^{[S-041, S-042, S-047, S-048]}

Die Rechenlogik

Ein belastbarer Business Case beginnt mit einer gemessenen Baseline und einem Gegenfaktum. Die Baseline dokumentiert Volumen, Bearbeitungszeit, Qualität, Fehler, Kosten, Nachfrage und Nutzersegmente vor dem Eingriff. Das Gegenfaktum beschreibt, was ohne KI wahrscheinlich geschehen wäre: unveränderter Prozess, geplantes Wachstum, eine Standardsoftware, ein Regelwerk oder eine andere Prozessverbesserung. Ohne diesen Vergleich werden Saison, Lernkurve, Nachfrageverschiebung und parallel laufende Maßnahmen fälschlich der KI zugerechnet. ^{[S-071, S-072, S-074, S-075]}

Zeitersparnis ist zunächst Kapazität, nicht Cash. Eine Stunde weniger Bearbeitungszeit wird erst finanziell wirksam, wenn bezahlte Stunden sinken, Überstunden oder externe Leistungen entfallen, eine Einstellung vermieden wird oder die Kapazität nachweisbar zusätzlichen Deckungsbeitrag erzeugt. Wird dieselbe Belegschaft lediglich früher fertig, kann der operative Nutzen real sein, aber er ist nicht automatisch eine zahlungswirksame Einsparung. ^{[S-009, S-010, S-071]}

Die Total Cost of Ownership umfasst neben Lizenz- oder Tokenpreis die Problem- und Prozessanalyse, Datenaufbereitung, Integration, Evaluation, Human Review, Ausnahmebearbeitung, Training, Change, Security, Datenschutz, Governance, Monitoring, Support, Ausfälle, Modellwechsel, technische Schuld und Exit. Gerade bei Agenten oder tief integrierten Systemen kann der sichtbare Modellpreis nur einen kleinen Teil der Vollkosten darstellen. ^{[S-073, S-079, S-080, S-081, S-082, S-086]}

Die richtige Stückkostenkennzahl ist daher nicht „Kosten pro KI-Antwort“, sondern „Kosten pro akzeptiertem, geprüftem und tatsächlich verwendetem Ergebnis“. Ein billiger Output, der häufig korrigiert oder verworfen wird, kann teurer sein als ein teurerer Output mit hoher Akzeptanz. Gleiches gilt umgekehrt: Ein großes Modell ist wirtschaftlich unnötig, wenn ein kleineres Modell oder ein deterministischer Prozess dieselbe Qualitätsgrenze erreicht. ^{[S-083, S-085, S-087]}

Entscheidung und Betrieb

Piloten müssen Erfolgsschwellen vorab festlegen und Vergleichsgruppen oder belastbare Alternativen verwenden. Reine Vorher-nachher-Vergleiche sind schwach. Randomisierung, gestaffelte Einführung, Holdouts oder geeignete quasi-experimentelle Designs erhöhen die Belegstärke. Gemessen werden müssen Nettozeit einschließlich Review, kostenbewertete Qualität, Nutzung, Ausnahmen, TCO und tatsächliche Umwandlung der Kapazität. ^{[S-071, S-072, S-075]}

Jeder Produktivitäts-KPI braucht mindestens einen Qualitäts- und einen RisikokPI. Geschwindigkeit ohne Fehlerkosten ist keine Produktivität. Für Coding zählen spätere Defekte und Wartung, für Kundenservice Wiederkontakte und falsche Zusagen, für RAG die Quellenrichtigkeit, für Recruiting Fairness und Rechtmäßigkeit, für Agenten Fehlaktionen und Interventionen. ^{[S-003, S-012, S-020, S-087, S-090]}

ROI sollte durch Kapitalwert, Payback, Szenarien und Sensitivität ergänzt werden. Ein hoher prozentualer ROI kann bei kleinem Projekt wenig absoluten Wert liefern. Ein positiver erwarteter Kapitalwert kann bei untragbarem Tail Risk trotzdem ausgeschlossen werden. Der Business Case ist kein einmaliges Freigabedokument, sondern ein kontrolliertes Modell, das bei Preis-, Modell-, Daten-, Prozess- und Rechtsänderungen aktualisiert wird. ^{[S-071, S-073, S-074, S-084, S-096]}

Management-Fazit Nicht fragen: „Wie viel Produktivität bringt KI?“ Fragen: „Welcher konkrete Prozess wird gegenüber welcher Alternative um wie viel besser, mit welcher Belegstärke, zu welchen Vollkosten, für welche Nutzer, bei welcher Qualität und mit welchem realisierten finanziellen Wert?“

Die 50 wichtigsten Kernaussagen

Die Tabelle fasst die tragenden Aussagen zusammen. „Status“ beschreibt die Art des Belegs; „Einschränkung“ verhindert, dass lokale Ergebnisse als allgemeingültige Renditeversprechen gelesen werden.

ID	Kernaussage	Status	Einschränkung	Quellen	Refresh
F-001	Die häufig zitierte Spanne von 2,6 bis 4,4 Billionen US-Dollar bezeichnet ein modelliertes jährliches Wertpotenzial aus 63 Use Cases, nicht bereits realisierten Gewinn, Cashflow oder Unternehmens-ROI.	MODELLSCHÄTZUNG	Die Schätzung hängt von Adoption, Prozessveränderung, Kosten und tatsächlicher Umwandlung des Potenzials in wirtschaftlichen Wert ab.	S-026, S-027, S-028	mittel
F-002	Eine belastbare Wirtschaftlichkeitsrechnung vergleicht zusätzliche Kosten und zusätzliche Nutzenwirkungen im selben Scope, Zeitraum und Gegenfaktum.	METHODISCHER STANDARD	Weder Bruttoeinsparungen noch Projektkosten dürfen isoliert betrachtet werden.	S-071, S-073, S-074	niedrig
F-003	Gemessene Zeiteinsparung ist zunächst Kapazität. Sie wird erst dann zum monetären Nutzen, wenn die frei werdende Zeit tatsächlich produktiv genutzt, Nachfrage bedient, Fremdleistung vermieden oder Personalbedarf reduziert wird.	WIRTSCHAFTLICHE EINORDNUNG	Auch nicht monetarisierte Entlastung kann strategisch relevant sein, muss aber separat ausgewiesen werden.	S-009, S-010, S-071	niedrig
F-004	Im Kundenservice-Feldversuch mit 5.172 Beschäftigten stieg die Zahl gelöster Kundenprobleme pro Stunde durchschnittlich um 15 Prozent.	PEER-REVIEWTE FELDSTUDIE	Ein Unternehmen, ein spezifisches Assistenzsystem und mittlere Laufzeit; keine universelle Übertragbarkeit.	S-002	niedrig
F-005	Die Kundenservice-Effekte waren stark heterogen: weniger erfahrene oder schwächere Beschäftigte profitierten deutlich stärker, während sehr erfahrene Beschäftigte nur kleine Geschwindigkeitsgewinne und teilweise leichte Qualitätsverluste zeigten.	PEER-REVIEWTE FELDSTUDIE	Mittelwerte dürfen nicht ungeprüft auf Rollen, Personen oder Teilaufgaben übertragen werden.	S-002	niedrig
F-006	Noy und Zhang fanden bei 453 Fachkräften für abgegrenzte Schreibaufgaben im Mittel rund 40 Prozent weniger Bearbeitungszeit und 18 Prozent höhere Qualitätsbewertungen.	PEER-REVIEWTES EXPERIMENT	Kurze professionelle Schreibaufgaben; keine Messung von Gesamtprozess, Unternehmensgewinn oder langfristigem Lernen.	S-001	niedrig
F-007	In der BCG-Beraterstudie steigerten KI-Werkzeuge innerhalb der technologischen Leistungsgrenze Bearbeitungsgeschwindigkeit, Aufgabenmenge und Qualität.	PEER-REVIEWTE FELDSTUDIE	Die Aufgaben waren kuratiert; Modell, Nutzer und Prozess entsprechen nicht automatisch anderen Unternehmen.	S-003	niedrig
F-008	Außerhalb der Leistungsgrenze des Modells waren KI-Nutzer in derselben Studie bei einer komplexen Aufgabe 19 Prozentpunkte seltener richtig als die Kontrollgruppe.	PEER-REVIEWTE FELDSTUDIE	Der Befund zeigt keine allgemeine Unbrauchbarkeit, sondern die wirtschaftliche Bedeutung der richtigen Aufgabenabgrenzung und Prüfung.	S-003	niedrig
F-009	Drei randomisierte Feldexperimente mit insgesamt 4.867 Softwareentwicklern ergaben kombiniert 26,08 Prozent mehr erledigte Aufgaben bei Zugang zu einem KI-Coding-Assistenten.	WORKING PAPER / FELDEXPERIMENTE	Die Einzelexperimente waren statistisch unpräziser; Akzeptanz und Effekt waren bei weniger erfahrenen Entwicklern höher.	S-004	mittel
F-010	Die METR-RCT mit 16 erfahrenen Open-Source-Entwicklern und 246 realen Issues ergab im untersuchten Setting eine 19-prozentige Verlangsamung bei erlaubter KI-Nutzung.	RCT / ENGER KONTEXT	Erfahrene Entwickler, vertraute große Repositories und frühe 2025er Werkzeuge; kein Durchschnitt für Softwareentwicklung insgesamt.	S-005, S-006	mittel
F-011	METR erklärte 2026, dass Selbstselektion in der späteren Datenerhebung eine unverzerrte Schätzung des aktuellen Durchschnittseffekts verhindert.	FORSCHUNGSUPDATE	Rohdaten aus freiwillig gewählten Aufgaben dürfen nicht als repräsentativer Produktivitätseffekt ausgegeben werden.	S-007	hoch
F-012	Selbsteinschätzung kann von gemessener Wirkung abweichen: Die METR-Teilnehmer erwarteten Beschleunigung und glaubten auch nach dem Versuch an einen Vorteil, obwohl die gemessene Zeit stieg.	RCT / WAHRNEHMUNGSBEFUND	Der Befund ist kontextspezifisch, belegt aber die Notwendigkeit objektiver Messung.	S-005, S-006	niedrig
F-013	Im Feldexperiment mit 7.137 Wissensarbeitern veränderte GenAI vor allem individuell steuerbare Arbeitsmuster wie E-Mail-Zeit; koordinationsabhängige Meetingzeit änderte sich nicht signifikant.	WORKING PAPER / FELDEXPERIMENT	Arbeitsmuster sind kein direkter Gewinn- oder Outputnachweis.	S-009	mittel
F-014	Generative KI kann die Bewertung individueller kreativer Ergebnisse verbessern und gleichzeitig die Vielfalt der Gesamtheit der Ergebnisse verringern.	PEER-REVIEWTES EXPERIMENT	Für Innovation muss neben Einzelqualität auch Portfolio-Diversität gemessen werden.	S-012	niedrig
F-015	Im P&G-Feldexperiment konnten KI-unterstützte Einzelpersonen in bestimmten Produktinnovationsaufgaben das Leistungsniveau klassischer Teams erreichen und Aufgaben schneller erledigen.	PEER-REVIEWTE FELDSTUDIE	Spezifische Aufgaben, Organisation und Experiment; kein pauschaler Beleg für die Halbierung von Teams.	S-013	mittel
F-016	Die prominent verbreitete Studie zu angeblich deutlich mehr Materialentdeckungen durch KI ist nicht belastbar; MIT erklärte, keinerlei Vertrauen in Datenherkunft, Zuverlässigkeit, Validität oder Verlässlichkeit der Forschung zu haben.	OFFIZIELLER NEGATIVBEFUND	Die Ergebnisse dürfen nicht zur ROI-Prognose oder als Beleg für 44 Prozent mehr Innovation verwendet werden.	S-021	niedrig
F-017	BCG klassifizierte 2024 nur 4 Prozent der befragten Unternehmen als Erzeuger substanziellen KI-Werts; 22 Prozent waren über den Proof of Concept hinaus.	BERATUNGSBEFRAGUNG	Selbstbericht, eigene Reifegraddefinition und keine geprüften Finanzabschlüsse.	S-041, S-042	mittel
F-018	BCG klassifizierte 2025 5 Prozent der Unternehmen als future-built, 35 Prozent als skalierend mit beginnendem Wert und 60 Prozent als Unternehmen mit kaum materiellem Wert.	BERATUNGSBEFRAGUNG	Eigene Kategorien; nicht mit einer amtlichen Erfolgsquote gleichzusetzen.	S-043, S-044	mittel
F-019	Adoption, Nutzungshäufigkeit, Zahl der Lizenzen und Zahl der Piloten sind Aktivitätskennzahlen, aber keine wirtschaftlichen Ergebniskennzahlen.	METHODISCHE EINORDNUNG	Sie sind als Leading Indicators nützlich, wenn zusätzlich Output, Qualität, Kosten und Cash-Wirkung gemessen werden.	S-047, S-048, S-071	niedrig
F-020	Eurostat meldete für 2025 eine KI-Nutzungsquote von 20,0 Prozent bei EU-Unternehmen mit mindestens zehn Beschäftigten.	AMTLICHE STATISTIK	Die Quote misst Nutzung mindestens einer KI-Technologie, nicht ROI oder Reife.	S-056, S-057	mittel
F-021	Destatis weist für 2025 eine KI-Nutzung von 26 Prozent in der deutschen Unternehmensbefragung aus.	AMTLICHE STATISTIK	Grundgesamtheit, Fragebogen und Definition müssen vor Vergleichen mit ifo, KfW oder Eurostat geprüft werden.	S-059, S-060	mittel
F-022	KfW Research schätzte 2026, dass etwa 20 Prozent des deutschen Mittelstands KI einsetzen.	OFFIZIELLE FORSCHUNGSBEFRAGUNG	Die Kennzahl beschreibt Adoption, nicht finanziellen Return.	S-061, S-062	mittel
F-023	OECD-Befragungen von KMU zeigen berichtete Leistungsverbesserung und Unterstützung bei Skill-Lücken, aber wesentlich seltener einen direkt nachgewiesenen Umsatz- oder Gewinnbeitrag.	OFFIZIELLE BEFRAGUNG	Selbstbericht und ausgewählte Stichprobe; keine kausale Renditeschätzung.	S-066, S-067	mittel
F-024	Makroökonomische Prognosen sind Bandbreiten auf Grundlage von Exposition, Adoption, Leistungsannahmen und Wachstumseffekten; sie sind keine Budgetvorlage für einen einzelnen Use Case.	MAKROÖKONOMISCHE EINORDNUNG	Unterschiedliche Modelle können bei legitimen Annahmen stark unterschiedliche Resultate liefern.	S-026, S-027, S-029, S-032	mittel
F-025	Task-Potenzial, Branchenpotenzial, gesamtwirtschaftlicher Effekt und realisierter Unternehmens-ROI sind vier verschiedene Betrachtungsebenen.	EIGENE SYNTHESE	Eine Prozentzahl darf nicht zwischen diesen Ebenen übertragen werden, ohne Mechanismus und Nenner offenzulegen.	S-023, S-026, S-028, S-100	niedrig
F-026	Ein positiver Pilot kann beim Skalieren verschwinden, weil Nutzerstruktur, Daten, Ausnahmen, Integration, Support, Governance und variable Kosten wachsen.	METHODISCHE SYNTHESE	Skalierung braucht einen neuen Business Case mit Produktionsdaten und nicht nur Hochrechnung der Pilotquote.	S-040, S-047, S-071, S-086	niedrig
F-027	Eine Baseline muss mindestens Volumen, Bearbeitungs- und Wartezeit, Qualitätsniveau, Fehler, Nacharbeit, Nachfrage, Personalkosten und Prozessvarianten erfassen.	METHODISCHER STANDARD	Ohne belastbaren Ausgangszustand kann ein späterer Unterschied nicht wirtschaftlich interpretiert werden.	S-071, S-072, S-073	niedrig
F-028	Das Gegenfaktum beschreibt, was ohne das KI-Projekt im selben Zeitraum voraussichtlich passiert wäre.	METHODISCHER STANDARD	Es kann technologische Trends, saisonale Effekte, Personalwechsel und andere Verbesserungsmaßnahmen enthalten.	S-071, S-072, S-075	niedrig
F-029	Ein einfacher Vorher-nachher-Vergleich ist schwach, wenn gleichzeitig Volumen, Personal, Preise, Prozesse, Saison oder Managementziele verändert wurden.	METHODISCHER STANDARD	Je höher die Investition, desto stärker sollte das Evaluationsdesign sein.	S-072, S-075	niedrig
F-030	Randomisierung ist für kausale Messung stark, aber nicht immer praktikabel; Alternativen sind gestaffelte Einführung, Difference-in-Differences, Matching, synthetische Kontrollen oder belastbare Zeitreihen.	METHODISCHER STANDARD	Jede Alternative hat Voraussetzungen und Verzerrungsrisiken.	S-072, S-075	niedrig
F-031	Die Total Cost of Ownership eines KI-Systems umfasst neben Lizenz und Token mindestens Integration, Datenarbeit, Tests, Human Review, Schulung, Change, Security, Recht, Governance, Monitoring, Support, Ausfälle und Exit.	WIRTSCHAFTLICHE SYNTHESE	Kostenblöcke variieren nach Architektur, Kritikalität und Make-or-buy-Entscheidung.	S-073, S-079, S-086, S-087	niedrig
F-032	Variable GenAI-Kosten können mit Kontextlänge, Ausgabeumfang, Modellauswahl, Tool-Aufrufen, Agentenschleifen, Retries und Nutzung stark schwanken.	TECHNISCHE KOSTENEINORDNUNG	Listenpreise reichen ohne reale Nutzungsprofile nicht für eine TCO-Prognose.	S-080, S-081, S-082, S-085	hoch
F-033	Die billigste Modellantwort ist nicht zwingend das wirtschaftlichste Ergebnis; entscheidend ist der Preis pro akzeptiertem, geprüftem und tatsächlich verwendetem Output.	UNIT-ECONOMICS-SYNTHESE	Qualitäts- und Prüfkosten müssen auf denselben Outputnenner gebracht werden.	S-020, S-083, S-085	mittel
F-034	Das größte oder leistungsfähigste Modell ist nicht automatisch die wirtschaftlichste Wahl; Routing und abgestufte Modelle können Kosten reduzieren, wenn die Qualitätsschwelle eingehalten wird.	TECHNISCHE WIRTSCHAFTLICHKEIT	Routing erzeugt selbst Entwicklungs-, Test- und Monitoringaufwand.	S-036, S-083, S-094	hoch
F-035	Verifikation, Korrektur und Freigabe von KI-Ausgaben sind eigene Arbeitsschritte und müssen zeitlich sowie kostenmäßig gemessen werden.	METHODISCHE SYNTHESE	Ein Brutto-Geschwindigkeitsgewinn kann durch Review und Nacharbeit vollständig aufgezehrt werden.	S-003, S-005, S-020, S-047	niedrig
F-036	Qualitätsverbesserung kann wirtschaftlich wertvoller sein als Zeitersparnis, etwa durch weniger Reklamationen, geringere Fehlerkosten oder höhere Conversion.	WIRTSCHAFTLICHE EINORDNUNG	Die Wirkung muss kausal, bewertbar und ohne Doppelzählung erfasst werden.	S-001, S-002, S-071	niedrig
F-037	Freie Kapazität ist nur dann ein finanzieller Nutzen, wenn sie monetarisiert, für wertschöpfende Zusatzleistung genutzt oder zur Vermeidung anderer Kosten eingesetzt wird.	WIRTSCHAFTLICHE EINORDNUNG	Nicht monetarisierte Kapazität bleibt ein operativer oder strategischer Nutzen, aber kein Cash-Effekt.	S-009, S-010, S-071	niedrig
F-038	Entlastung, Zufriedenheit, geringere Belastung und Lernwirkung sind relevante Nutzenarten, sollten aber nicht ohne Bewertungsmethode als Eurobetrag in den ROI eingerechnet werden.	METHODISCHE EINORDNUNG	Sie können als separate nicht monetäre Scorecard oder mit transparenten Proxy-Annahmen geführt werden.	S-002, S-071, S-076	niedrig
F-039	Umsatzwirkungen brauchen eine Attribution: zusätzlicher Umsatz ist nur der Anteil, der gegenüber dem Gegenfaktum auf die KI-Maßnahme zurückzuführen ist; wirtschaftlich relevant ist regelmäßig der Deckungsbeitrag.	METHODISCHER STANDARD	Kannibalisierung, Rabatte, Marketingeffekte und Kapazitätsengpässe sind abzuziehen.	S-071, S-074	niedrig
F-040	ROI allein kann Projekte falsch ordnen; ergänzend sind Kapitalwert, Amortisationsdauer, absolute Wertgröße, Risiko, Liquidität und strategische Optionen zu betrachten.	FINANZMETHODIK	ROI kann bei kleinen Projekten hoch sein, obwohl ihr absoluter Beitrag gering ist.	S-071, S-073, S-074	niedrig
F-041	Eine Wirtschaftlichkeitsrechnung sollte mindestens Basis-, Upside- und Downside-Szenario sowie Sensitivität für die wichtigsten Treiber enthalten.	FINANZMETHODIK	Bandbreiten sind ehrlicher als eine einzelne scheinpräzise Rendite.	S-071, S-073	niedrig
F-042	Modellleistung, Preise, Vertragsbedingungen, Datenlage und Regulierung können sich innerhalb der Amortisationszeit verändern.	AKTUALITÄTSRISIKO	Business Case und Freigabegrenzen brauchen definierte Refresh-Zeitpunkte und Trigger.	S-036, S-084, S-096, S-098	hoch
F-043	Datenabhängigkeiten, Konfigurationen, Monitoring und Modellwechsel erzeugen technische Schuld und wiederkehrende Wartungskosten.	PEER-REVIEWTE TECHNISCHE EINORDNUNG	Kosten werden häufig erst nach dem Pilot sichtbar und wachsen mit Integrationsgrad und Lebensdauer.	S-086	niedrig
F-044	Datenschutz, Security, AI Act, Haftung und interne Kontrolle sind keine pauschalen Overheadpositionen; sie können Use Cases ausschließen, Schutzmaßnahmen erzwingen oder die TCO deutlich verändern.	RECHTLICH-WIRTSCHAFTLICHE SYNTHESE	Die konkrete Belastung hängt von Daten, Rollen, Risikoklasse und Architektur ab.	S-087, S-090, S-096, S-097, S-098, S-099	hoch
F-045	Ein rechnerisch positiver ROI macht einen rechtswidrigen, diskriminierenden, unsicheren oder strategisch schädlichen Einsatz nicht zulässig oder sinnvoll.	GOVERNANCE-GRUNDSATZ	Wirtschaftlichkeit ist nur ein Entscheidungskriterium unter mehreren verbindlichen Gates.	S-087, S-095, S-096, S-097	niedrig
F-046	Ein KI-Portfolio sollte wenige klar wertgebundene Use Cases priorisieren statt möglichst viele Piloten zu zählen.	EVIDENZBASIERTE MANAGEMENTSYNTHESE	Die optimale Zahl hängt von Ressourcen, Abhängigkeiten und Lernziel ab.	S-041, S-047, S-048	mittel
F-047	Skalierung entsteht meist durch Prozess- und Rollen redesign, Datenintegration, Training und Führung - nicht allein durch ein leistungsfähigeres Modell.	EVIDENZBASIERTE MANAGEMENTSYNTHESE	Beratungsbefunde zeigen Korrelationen; kausale Wirkung einzelner Managementpraktiken ist begrenzt.	S-040, S-047, S-048	mittel
F-048	KI-Effekte können sich über Zeit verändern: Nutzer lernen, Modelle wechseln, Aufgaben verschieben sich, Kontrollaufwand sinkt oder neue Fehler treten auf.	DYNAMISCHE EINORDNUNG	Ein einmaliger Pilotwert darf nicht unverändert über mehrere Jahre fortgeschrieben werden.	S-002, S-007, S-009, S-084	hoch
F-049	Jeder Produktivitäts-KPI braucht mindestens einen passenden Qualitäts- und RisikokPI, damit Geschwindigkeit nicht durch mehr Fehler, Homogenität oder Kontrollverlust erkauft wird.	METHODISCHE SYNTHESE	Die konkrete Guardrail-Metrik muss zum Prozess und Schadensbild passen.	S-003, S-012, S-020, S-087	niedrig
F-050	Preise, Modelle, Studien, amtliche Nutzungsquoten und Rechtslage sind schnell veraltend und müssen vor Buchveröffentlichung sowie vor Investitionsentscheidungen erneut geprüft werden.	REFRESH-PFLICHT	Besonders kritisch sind Modellpreise, Agentenfunktionen, laufende Studien und Rechtsänderungen.	S-036, S-056, S-084, S-096	hoch

Methodik, Evidenzhierarchie und Recherchegrenzen

Rechercheziel und Abgrenzung

Das Dossier bewertet nicht, ob „KI allgemein“ wirtschaftlich ist. Es untersucht, welche Arten von Evidenz für Unternehmensentscheidungen belastbar sind, welche empirischen Ergebnisse bis zum Stichtag vorliegen und wie daraus ein prüfbarer Business Case aufgebaut wird. Der Schwerpunkt liegt auf generativer KI und KI-Assistenz, ergänzt um übertragbare Methoden für prädiktive und visuelle Systeme.

Quellen wurden nach Belegstärke geordnet. Vorrang haben peer-reviewte Originalstudien, randomisierte Feldexperimente, amtliche Statistiken und offizielle Bewertungsmethodik. Working Papers werden als solche gekennzeichnet. Beratungs- und Anbieterzahlen dienen zur Beschreibung von Adoption, Managementpraxis und behaupteter Wertrealisierung; sie werden nicht als gleichwertiger kausaler Nachweis behandelt.

Evidenzhierarchie

Stufe	Quellentyp	Stärke	Typische Grenze	Verwendung
A	Randomisierte Feldstudie / peer-reviewte Originalstudie	hoch für das untersuchte Setting	Externe Validität, Modell- und Aufgabenalter	Kausaler Task- oder Prozesseffekt
B	Quasi-experimentelle Studie / verknüpfte Verwaltungsdaten	mittel bis hoch	Identifikationsannahmen	Reale Einführung und längerfristige Outcomes
C	Amtliche Statistik	hoch für definierte Quote	Keine Kausalität oder ROI	Adoption, Struktur, Zeitreihen
D	Systematische Review / Meta-Analyse	hoch für Synthese	Heterogenität und Publikationsbias	Muster und Moderatoren
E	Unternehmensbefragung / Beratungsreport	mittel bis niedrig	Selbstbericht, Definitionen, Selektion	Wertlücke, Reifegrad, Managementpraxis
F	Anbieterfall / Produkttelemetrie	niedrig bis mittel	Marketingselektion, fehlendes Gegenfaktum	Hypothese und technischer Kontext
G	Makro- oder Potenzialmodell	szenarioabhängig	Annahmen über Adoption, Preise, Nachfrage	Bandbreite, nicht Unternehmens-ROI

Aussageklassen

KAUSALER BEFUND: Wirkung wurde mit Randomisierung oder belastbarer Identifikationsstrategie geschätzt.
DESKRIPTIVER BEFUND: Nutzung, Meinung oder Veränderung wurde beobachtet, aber nicht kausal zugerechnet.
POTENZIALMODELL: Ergebnis hängt von Annahmen und Szenarien ab; kein realisierter Wert.
ANBIETER- ODER BERATUNGSANGABE: Methodik und Interessenkontext werden sichtbar gemacht.
WIRTSCHAFTLICHE SYNTHESE: Schlussfolgerung aus mehreren Quellen und Finanzmethodik; keine einzelne Studie behauptet exakt diesen Satz.
UNKLAR / OFFENE FRAGE: Die vorhandene Evidenz reicht nicht für eine belastbare Festlegung.

Recherchegrenzen

Die technologische Front verschiebt sich schneller als klassische Publikationszyklen. Ein Feldexperiment mit einem Modell aus 2023 kann eine Aufgabe und einen Mechanismus gut belegen, aber nicht die Leistung eines Produkts im August 2026. Umgekehrt sind aktuelle Anbieterbenchmarks technisch frisch, aber oft nicht unabhängig und selten betriebswirtschaftlich vollständig. Das Dossier priorisiert deshalb mechanismusbezogene Übertragbarkeit und markiert schnell veraltende Werte.

Öffentlich zugängliche Studien messen überwiegend Wissensarbeit, Softwareentwicklung, Support, Schreiben oder Entscheidungen. Für viele Industrie-, Handwerks- und KMU-Prozesse fehlen große unabhängige RCTs. Unternehmensinterne Kosten, Vertragskonditionen, Fehlerraten und realisierte Cashflows werden selten publiziert. Ein Dossier kann daher die Messarchitektur liefern, aber keinen pauschalen Renditesatz für ein unbekanntes Unternehmen.

Qualitätswarnung: zurückgezogenes spektakuläres Ergebnis

Eine viel zitierte Studie behauptete unter anderem eine erhebliche Steigerung von Materialentdeckungen durch KI. Das MIT erklärte am 16. Mai 2025, es habe keinerlei Vertrauen in Herkunft, Zuverlässigkeit oder Gültigkeit der Daten und die Arbeit solle aus der öffentlichen Diskussion zurückgezogen werden. Das Ergebnis darf nicht als ROI-Beleg verwendet werden. Der Fall zeigt, weshalb spektakuläre Prozentwerte ohne überprüfbare Daten, Replikation und institutionelle Bestätigung nicht in Business Cases gehören. ^[S-021]

Was „KI-ROI“ tatsächlich bedeutet

Fünf Ebenen, die nicht vermischt werden dürfen

Ebene	Frage	Beispiel	Was noch fehlt
Technische Fähigkeit	Kann das Modell die Aufgabe grundsätzlich lösen?	Es erzeugt einen plausiblen Vertragsauszug.	Richtigkeit, Prozessintegration, Kosten, Recht, Nutzung
Task-Leistung	Wird eine definierte Aufgabe schneller oder besser?	20 % weniger Bearbeitungszeit in einem Test.	Review, Kapazitätsumwandlung, Skalierung
Prozesswirkung	Verbessert sich der End-to-End-Prozess?	Kürzere Durchlaufzeit und weniger Rückfragen.	Finanzielle Bewertung und Gegenfaktum
Betrieblicher Nutzen	Entsteht mehr Output, Qualität oder Risikoreduktion?	Mehr Fälle ohne Qualitätsverlust.	Monetarisierung und Vollkosten
Finanzieller Wert	Übersteigt der inkrementelle Barwert die Vollkosten?	Positiver NPV nach drei Jahren.	Risiko-, Rechts- und Strategie-Gates

Viele Diskussionen springen von Ebene eins direkt zu Ebene fünf. Ein beeindruckender Demo-Output beweist weder Prozesswirkung noch finanziellen Wert. Umgekehrt kann ein technisch unspektakulärer Klassifikator oder ein regelbasiertes System einen besseren Business Case liefern, wenn es ein hohes Volumen mit geringer Ausnahmequote zuverlässig bearbeitet.

Grundformeln

Einfacher ROI ROI = (kumulierte monetäre Nutzen - kumulierte Vollkosten) / kumulierte Vollkosten. Zeitraum, Cash-/Kapazitätsbehandlung und Kostenumfang müssen angegeben werden.

Kapitalwert NPV = Summe der diskontierten inkrementellen Netto-Cashflows minus Anfangsinvestition. Ein positiver NPV bedeutet unter den Annahmen einen Wertbeitrag gegenüber der Alternative.

Kosten pro akzeptiertem Ergebnis (Fixkostenanteil + variable Modellkosten + Toolkosten + Review + Nacharbeit + erwartete Fehlerkosten) / Zahl akzeptierter Ergebnisse.

Die Formeln sind nur so belastbar wie Baseline, Gegenfaktum und Inputdaten. Eine scheinpräzise Zahl mit ungemessener Bearbeitungszeit, pauschaler Monetarisierung jeder Minute und ausgelassenem Review ist weniger belastbar als eine konservative Bandbreite mit klarer Unsicherheit.

Nutzenkategorien

Nutzenart	Definition	Beispiel	Behandlung
Cash-Einsparung	Tatsächlich sinkende Auszahlungen	gekündigte externe Leistung, geringere variable Gebühren	Direkt monetär, aber nur inkrementell
Cost Avoidance	Vermeidbare künftige Ausgaben	vermiedene Einstellung, vermiedene Überstunden	Mit dokumentiertem Gegenfaktum
Kapazitätswert	Frei werdende Zeit	mehr Fälle, weniger Backlog, zusätzliche Beratung	Nur monetarisieren, wenn Nutzung der Kapazität belegt ist
Qualitätsnutzen	Weniger Fehler und Nacharbeit	Reklamationen, Retouren, Ausschuss, Eskalationen	Nach Fehlerklasse und vermiedenen Kosten
Umsatznutzen	Zusätzlicher Deckungsbeitrag	höhere Conversion, schnellere Markteinführung	Kausale Attribution und Kannibalisierung
Working-Capital-Nutzen	Schnellere Geld- oder Warenflüsse	DSO, Bestand, Skonto	Finanzierungseffekt, nicht gesamter Forderungsbetrag
Risikoreduktion	Niedrigere erwartete Schäden	Betrug, Ausfall, Compliance-Fehler	Expected Loss plus Tail-Risk-Gates
Mitarbeiternutzen	Entlastung, Lernen, Zufriedenheit	Fluktuation, Einarbeitung, Belastung	Separat messen; vorsichtige Monetarisierung
Strategischer Optionswert	Fähigkeit für spätere Use Cases	Datenplattform, Kompetenzen, schnellere Experimente	Nicht als sicherer Cashflow ausgeben

Wertrealisation als eigene Managementaufgabe

Zwischen technischem Ergebnis und finanzieller Wirkung liegt eine organisatorische Entscheidung. Werden gesparte Minuten genutzt, um Backlogs abzubauen, mehr Kundenfälle zu bearbeiten, Überstunden zu vermeiden oder Stellen nicht nachzubesetzen? Ohne diese Entscheidung bleibt der Effekt latent. Ein Benefit Owner muss den Umwandlungsweg vorab festlegen, gegen Alternativen verteidigen und nach dem Rollout nachweisen. ^{[S-071, S-077]}

Empirischer Forschungsstand

Überblick

Die folgende Auswahl konzentriert sich auf Studien, deren Design, Stichprobe und Zielgröße eine wirtschaftliche Interpretation erlauben. Prozentwerte werden nicht isoliert, sondern mit Setting, Ergebniskennzahl und Grenzen dargestellt.

Professionelle Schreibaufgaben - Noy/Zhang

Prüffeld	Einordnung
Setting	453 Hochschulabsolventen aus Marketing, HR, Beratung, Grant Writing und Datenanalyse bearbeiteten realistische, aber kurze Schreibaufgaben.
Design	Randomisiertes Experiment mit Zugang zu ChatGPT; externe Fachleute bewerteten die Ergebnisse.
Ergebnis	Im Durchschnitt sank die Bearbeitungszeit um etwa 40 Prozent; die Qualitätsbewertung stieg um etwa 18 Prozent. Leistungsunterschiede zwischen Teilnehmern wurden kleiner.
Wirtschaftliche Bedeutung	Starke Evidenz für eng definierte Textaufgaben. Für einen Unternehmens-Business-Case müssen Review, Einbettung, Warteschlangen, Nachfrage und tatsächliche Nutzung der frei werdenden Zeit ergänzt werden.
Grenzen	Kurze Aufgaben, frühes Modell, künstlich abgegrenzte Leistung; keine Messung von Umsatz, Personalbedarf oder Langfristwirkung.
Quelle	S-001

Kundenservice-Assistent - Brynjolfsson/Li/Raymond

Prüffeld	Einordnung
Setting	5.172 Beschäftigte eines Fortune-500-Softwareunternehmens erhielten gestaffelt einen GPT-basierten Gesprächsassistenten.
Design	Quasi-experimentelle Auswertung der gestaffelten Einführung mit Prozessdaten aus realen Kundenkontakten.
Ergebnis	Durchschnittlich 15 Prozent mehr erfolgreich gelöste Probleme je Stunde. Stärkere Gewinne bei weniger erfahrenen und schwächeren Beschäftigten; geringe Effekte und teils kleine Qualitätsverluste bei den Besten.
Wirtschaftliche Bedeutung	Zeigt, dass Wert aus Wissensdiffusion und verkürzter Lernkurve kommen kann. Der richtige Business Case kann Einarbeitung, Qualität, Fluktuation und Durchsatz stärker gewichten als reine Minutenersparnis.
Grenzen	Ein Unternehmen und ein konkretes System. Keine direkte Aussage über EBIT, Lohn- oder Beschäftigungsanpassung.
Quelle	S-002

Jagged Frontier - BCG-Berater

Prüffeld	Einordnung
Setting	758 Berater bearbeiteten Produktentwicklungs- und Analyseaufgaben mit oder ohne GPT-4.
Design	Randomisiertes Feldexperiment mit Aufgaben innerhalb und außerhalb der beobachteten Modellstärken.
Ergebnis	Innerhalb der Frontier arbeiteten KI-Nutzer schneller, erledigten mehr und erzielten höhere Qualität. Bei einer Aufgabe außerhalb der Frontier waren sie 19 Prozentpunkte seltener korrekt.
Wirtschaftliche Bedeutung	Der Task-Model-Fit ist ein zentraler ROI-Treiber. Ein gemittelter Produktivitätswert kann positive und negative Teilaufgaben verdecken.
Grenzen	Kuratiertes Aufgabenset, frühes Modell, Beratungssetting; Grenzen verschieben sich mit Modellen und Prompting.
Quelle	S-003

Softwareentwicklung - drei Unternehmens-RCTs

Prüffeld	Einordnung
Setting	4.867 Softwareentwickler bei Microsoft, Accenture und einem weiteren Unternehmen erhielten zufällig Zugang zu einem Coding-Assistenten.
Design	Drei randomisierte Feldexperimente; kombinierte Schätzung der erledigten Aufgaben.
Ergebnis	Kombiniert 26,08 Prozent mehr erledigte Aufgaben; die einzelnen Experimente waren unpräziser. Weniger erfahrene Entwickler nutzten das Tool häufiger und profitierten stärker.
Wirtschaftliche Bedeutung	Unterstützt positive Effekte bei bestimmten Unternehmensaufgaben. Der Nutzen muss gegen Lizenz, Review, Security, Codequalität und spätere Wartung gerechnet werden.
Grenzen	Working Paper; Ergebniskennzahl ist Aufgabenabschluss, nicht langfristige Codequalität oder Lifecycle-Kosten.
Quelle	S-004

Erfahrene Open-Source-Entwickler - METR

Prüffeld	Einordnung
Setting	16 Entwickler arbeiteten an 246 realen Issues in großen Repositories, die ihnen seit Jahren vertraut waren.
Design	Within-person RCT; Issues wurden zufällig KI erlaubt oder nicht erlaubt zugewiesen.
Ergebnis	Bei erlaubter KI-Nutzung dauerte die Bearbeitung im Mittel 19 Prozent länger. Entwickler hatten zuvor 24 Prozent Beschleunigung erwartet und glaubten danach weiterhin an etwa 20 Prozent Gewinn.
Wirtschaftliche Bedeutung	Zeigt, dass subjektiver Nutzen und gemessene Zeit auseinanderfallen können. Erfahrenheit, Kontexttiefe und hoher Prüfaufwand können den Bruttovorteil umkehren.
Grenzen	Sehr spezielle Stichprobe und frühe 2025er Werkzeuge; keine Generalisierung auf alle Entwickler oder neuere Modelle.
Quelle	S-005, S-006, S-007

Arbeitsmuster mit integriertem Copilot

Prüffeld	Einordnung
Setting	7.137 Wissensarbeiter in 66 Firmen erhielten sechs Monate lang zufällig Zugang zu einem integrierten GenAI-Werkzeug.
Design	Cross-industry randomized field experiment; Auswertung digitaler Arbeitsmuster.
Ergebnis	Nutzer verbrachten weniger Zeit mit E-Mails und außerhalb regulärer Arbeitszeit; Dokumente wurden moderat schneller fertig. Meetingzeit änderte sich nicht signifikant.
Wirtschaftliche Bedeutung	Ein individueller Zeitgewinn führt nicht automatisch zu organisatorischem Durchsatz, wenn koordinationsabhängige Arbeit unverändert bleibt.
Grenzen	Arbeitsmuster statt Ergebnisqualität oder Gewinn; Nutzung war innerhalb der Treatment-Gruppe unterschiedlich.
Quelle	S-009

Kreatives Schreiben und Vielfalt

Prüffeld	Einordnung
Setting	Teilnehmer schrieben kurze Geschichten mit keinem, einem oder bis zu fünf KI-generierten Ideen.
Design	Randomisiertes Online-Experiment mit unabhängiger Bewertung der Geschichten.
Ergebnis	KI-unterstützte Texte wurden im Mittel kreativer und nützlicher bewertet, besonders bei weniger kreativen Autoren. Gleichzeitig wurden die Ergebnisse untereinander ähnlicher.
Wirtschaftliche Bedeutung	Für Marketing und Innovation darf Qualität nicht nur pro Einzeloutput gemessen werden; Portfolio-Diversität und Markenähnlichkeit sind zusätzliche Kosten- oder Risikodimensionen.
Grenzen	Kurze kreative Aufgabe; keine direkte Übertragung auf Kampagnen- oder Produktportfolioerfolg.
Quelle	S-012

Cybernetic Teammate bei P&G

Prüffeld	Einordnung
Setting	791 Fachkräfte arbeiteten allein oder im Team an Produktinnovationsaufgaben, mit oder ohne generative KI.
Design	Großes Feldexperiment mit mehreren Arbeitsformen und Expertenbewertungen.
Ergebnis	KI steigerte Leistung und verkürzte Bearbeitungszeit; KI-unterstützte Einzelpersonen konnten in Teilen das Niveau konventioneller Teams erreichen und Fachgrenzen überbrücken.
Wirtschaftliche Bedeutung	Potenzial für neue Team- und Übergabedesigns. Die wirtschaftliche Wirkung hängt davon ab, ob Teams tatsächlich anders zusammengesetzt werden oder nur zusätzlich Lizenzen erhalten.
Grenzen	Spezifische Aufgaben und Organisation; keine pauschale Aussage über Personalabbau oder alle Teamtypen.
Quelle	S-013

Unternehmerische Beratung durch GenAI

Prüffeld	Einordnung
Setting	Unternehmer in einem Entwicklungsland erhielten Zugang zu einem GenAI-Berater für Geschäftsentscheidungen.
Design	Randomisiertes Feldexperiment mit heterogenen Ausgangsbedingungen.
Ergebnis	Die Effekte waren ungleich verteilt; Unternehmen mit passenderen Fähigkeiten und Entscheidungen profitierten, während unkritische Übernahme ungeeigneter Ratschläge schaden konnte.
Wirtschaftliche Bedeutung	Ein durchschnittlicher Effekt kann Gewinner und Verlierer verdecken. Kompetenz, Kontextdaten und Entscheidungsfreigaben gehören in die Nutzenlogik.
Grenzen	Working Paper; institutioneller und regionaler Kontext ist spezifisch.
Quelle	S-014

KI-Inkassoanrufe

Prüffeld	Einordnung
Setting	Feldexperimente verglichen KI-gestützte oder automatisierte Inkassokommunikation mit menschlichen Anrufen.
Design	Experimentelle Auswertung von Rückzahlungen und Kundenreaktionen.
Ergebnis	Die Barwertwirkung der von KI-Anrufern eingezogenen Rückzahlungen lag im untersuchten Setting unter der menschlicher Anrufer, obwohl Automatisierung Kosten senken kann.
Wirtschaftliche Bedeutung	Niedrigere Stückkosten können durch schwächere Ergebnisqualität überkompensiert werden. Entscheidend ist Netto-Barwert je Fall, nicht Kontaktkosten je Anruf.
Grenzen	Spezifische Branche, Sprache, Regulierung und Kundengruppe.
Quelle	S-015

Dänische Arbeitsmarktdaten

Prüffeld	Einordnung
Setting	Repräsentative Erhebungen in elf stark exponierten Berufen wurden mit Verwaltungsdaten zu Arbeitszeit und Einkommen verknüpft.
Design	Difference-in-Differences und Verwaltungsdatenanalyse.
Ergebnis	Trotz hoher Nutzung und berichteter Produktivitätsgewinne waren nach zwei Jahren keine größeren Effekte auf registrierte Arbeitszeit oder Einkommen messbar; Effekte über zwei Prozent konnten weitgehend ausgeschlossen werden.
Wirtschaftliche Bedeutung	Task-Gewinne müssen nicht kurzfristig in Löhne, Stunden oder gesamtbetriebliche Produktivität überspringen.
Grenzen	Frühe Phase, dänischer Arbeitsmarkt, Messung bestimmter Outcomes; andere Wertkanäle bleiben möglich.
Quelle	S-016

Human-AI-Kombinationen - Meta-Analyse

Prüffeld	Einordnung
Setting	Systematische Auswertung von 106 Experimenten zu Human-AI-Systemen in unterschiedlichen Aufgaben.
Design	Meta-Analyse mit Vergleich Mensch, KI und Kombination.
Ergebnis	Kombinationen übertrafen häufig Menschen allein, aber nicht zuverlässig die jeweils bessere Einzelkomponente. Komplementarität entstand besonders dann, wenn Mensch und KI unterschiedliche Stärken hatten und Aufgaben richtig geroutet wurden.
Wirtschaftliche Bedeutung	Human-in-the-loop ist kein kostenloser Sicherheitsaufschlag. Interface, Routing, Kompetenz und Freigaberegeln müssen als System gestaltet und gemessen werden.
Grenzen	Heterogene Studien und Aufgaben; mittlere Effekte können lokale Unterschiede überdecken.
Quelle	S-024

Firmenbefragung in vier Ländern

Prüffeld	Einordnung
Setting	Nahezu 6.000 Führungskräfte in USA, UK, Deutschland und Australien wurden zu Adoption, Investition und Wirkung befragt.
Design	Repräsentative internationale Unternehmensbefragung, ergänzt um quantitative Erwartungen.
Ergebnis	Rund 69 Prozent der Firmen berichteten aktive KI-Nutzung; jüngere und produktivere Firmen nutzten KI häufiger. Frühe Effekte auf Beschäftigung und Produktivität blieben im Durchschnitt klein.
Wirtschaftliche Bedeutung	Hohe Nutzung kann gleichzeitig mit geringer gemessener Ergebniswirkung bestehen. Adoptionsquoten und Rendite dürfen nicht gleichgesetzt werden.
Grenzen	Selbstbericht, Querschnitt bzw. frühe Phase; Kausalität begrenzt.
Quelle	S-025

GitHub-Copilot-Experiment

Prüffeld	Einordnung
Setting	Softwareentwickler bearbeiteten eine abgegrenzte Programmieraufgabe mit oder ohne GitHub Copilot.
Design	Randomisiertes kontrolliertes Experiment mit Messung der Fertigstellungszeit.
Ergebnis	Teilnehmende mit Copilot schlossen die Aufgabe im untersuchten Setting deutlich schneller ab.
Wirtschaftliche Bedeutung	Frühe Evidenz für erhebliche Zeitgewinne bei klar begrenzten Coding-Aufgaben; geeignet als Hypothese, nicht als pauschaler Unternehmenswert.
Grenzen	Kleine, künstlich abgegrenzte Aufgabe; keine Messung langfristiger Codequalität, Security, Wartung oder komplexer Repository-Kontexte.
Quelle	S-019

Gesamtsynthese der Studien

Beobachtung	Bedeutung für den Business Case	Beleg
Große positive Effekte sind möglich.	Task, Nutzer und Prozess müssen dem untersuchten Setting ähneln; Bruttowert nicht direkt monetarisieren.	S-001, S-002, S-004
Effekte sind heterogen.	Segmentierung nach Erfahrung, Aufgabe, Sprache, Datenqualität und Ausnahmeklasse.	S-002, S-003, S-014
Subjektive Wahrnehmung kann falsch sein.	Telemetrie und Zeitmessung statt alleiniger Befragung.	S-005, S-008
Team- und Wissenseffekte können wichtig sein.	Einarbeitung, Wissensdiffusion und Teamdesign als Nutzenkanäle prüfen.	S-002, S-013
Qualität ist multidimensional.	Einzeloutput, Fehler, Vielfalt und Folgekosten gleichzeitig messen.	S-012, S-020
Task-Effekte müssen nicht in Arbeitsmarkt- oder P&L-Effekte übergehen.	Kapazitätsumwandlung und Organisationsänderung explizit planen.	S-009, S-016

Die gezackte Leistungsgrenze

Warum ein Modell auf benachbarten Aufgaben gegensätzlich wirken kann

Die „jagged technological frontier“ beschreibt keine glatte Grenze zwischen Aufgaben, die KI kann, und Aufgaben, die sie nicht kann. Ein System kann in einer Teilaufgabe hervorragend strukturieren, in der nächsten plausibel falsch argumentieren und in einer dritten durch fehlenden Kontext mehr Prüfaufwand erzeugen. Für die Wirtschaftlichkeit bedeutet das: Nicht Berufsrollen, sondern atomare Aufgaben und Entscheidungspunkte müssen klassifiziert werden. ^[S-003]

Treiber	Positiver Mechanismus	Negativer Mechanismus	Messfolge
Aufgabenstruktur	Klare Inputs, wiederkehrendes Format, prüfbares Ergebnis	Mehrdeutige Ziele, implizites Wissen, seltene Grenzfälle	Aufgabenklassen separat auswerten
Nutzererfahrung	Wissensdiffusion und Unterstützung weniger Erfahrener	Erfahrene Nutzer verbringen Zeit mit Kontext und Korrektur	Heterogene Effekte statt Durchschnitt
Kontextzugang	RAG, Tools und Daten verbessern Relevanz	Falsches Retrieval, Berechtigungs- oder Aktualitätsfehler	Quellen- und Datenmetriken
Prüfbarkeit	Schneller maschineller oder menschlicher Check	Bewertung selbst teuer oder subjektiv	Reviewzeit und Fehlerkosten
Schadenspotenzial	Reversible Entwürfe erlauben Experimente	Irreversible Aktionen oder hohe Haftung	Autonomie- und Freigabegates
Workflow	KI entfernt Engpass und reduziert Übergaben	KI beschleunigt nur einen nicht-limitierenden Schritt	End-to-End-Cycle-Time

Task-Taxonomie für Wirtschaftlichkeit

Deterministisch und regelklar: Zuerst Regeln, Standardsoftware oder klassische Automatisierung prüfen.
Generativ, aber leicht prüfbar: Gute Kandidaten für Assistenz, Varianten und Entwürfe.
Generativ und fachlich schwer prüfbar: Nur mit Experten, Quellen, enger Begrenzung und höherem Reviewbudget.
Handlungswirksam und reversibel: Agent kann unter Limits und vollständigem Logging schrittweise freigegeben werden.
Handlungswirksam und irreversibel/hochriskant: Menschliche Entscheidung, unabhängige Kontrollen oder Ausschluss.
Selten, teuer und datenarm: Business Case braucht längeren Horizont, Simulationen oder strategischen Optionswert statt kurzfristigem ROI.

Die wirtschaftliche Konsequenz

Ein Unternehmen sollte nicht einen pauschalen „KI-Produktivitätsfaktor“ über alle Rollen legen. Es sollte für jede Aufgabenklasse eine Effektverteilung mit Unsicherheit, Akzeptanzquote, Review, Qualitätsgrenze und Volumen modellieren. Der aggregierte Business Case ergibt sich aus dem gewichteten Mix dieser Klassen. Schon eine kleine Gruppe teurer Fehler kann den Durchschnittsvorteil neutralisieren.

Makroökonomisches Potenzial und seine Grenzen

Ausgewählte Potenzialschätzungen

Quelle	Größenordnung	Modellgegenstand	Warum nicht direkt übertragbar	Beleg
McKinsey MGI 2023	2,6-4,4 Bio. USD jährliches Potenzial	63 Use Cases; Produktivitäts- und Umsatzpotenzial	Szenariomodell, keine realisierte Rendite	S-026
Acemoglu 2024	Deutlich geringere gesamtwirtschaftliche Gewinne in einem konservativen Zehnjahresszenario	Task-Abdeckung, Kostenersparnis, TFP	Modellabhängig; enger als viele Marktprognosen	S-027
OECD G7 2025	Bandbreiten möglicher jährlicher Arbeitsproduktivitätsgewinne	Exposition, Adoption, technische Leistungsfähigkeit	Abhängig von Diffusion und Ergänzungsinvestitionen	S-029
Goldman Sachs 2023	Bis zu 7 % höheres globales BIP über einen längeren Anpassungspfad	Automatisierungsexposition und Produktivitätsannahmen	Prognose einer Bank, nicht realisierte Messung	S-032
IMF 2024	Rund 40 % der weltweiten Beschäftigung sind KI-exponiert	Exposition und Komplementarität	Exposition ist weder Automatisierung noch ROI	S-034
OECD / World Bank 2025-26	Nutzen hängt stark von Infrastruktur, Fähigkeiten und Unternehmensgröße ab	Diffusion und komplementäre Assets	Verteilungs- und Adoptionsperspektive	S-030, S-031, S-039

Exposition ist nicht Automatisierung

Berufe und Tätigkeiten können von KI betroffen sein, ohne ersetzt zu werden. Expositionsindizes erfassen, welcher Anteil von Aufgaben theoretisch unterstützt oder automatisiert werden könnte. Sie sagen nicht, ob Daten verfügbar sind, das System zuverlässig arbeitet, Kunden die Leistung nachfragen, Beschäftigte es nutzen, Regeln es erlauben oder die Umsetzung wirtschaftlich ist. ILO, IMF und OECD unterscheiden deshalb zunehmend zwischen Automatisierung, Ergänzung und Verteilungswirkung. ^{[S-029, S-034, S-035]}

Die Produktivitäts-J-Kurve

Allgemeine Technologien benötigen ergänzende immaterielle Investitionen: Prozessneugestaltung, Daten, Fähigkeiten, organisatorisches Lernen und neue Produkte. Diese Investitionen können gemessene Produktivität zunächst belasten, bevor Nutzen sichtbar wird. Das erklärt nicht jeden schwachen KI-ROI, verhindert aber vorschnelle Urteile aus kurzen Pilotfenstern. Gleichzeitig darf die J-Kurve nicht als Ausrede für unbegrenzte Investitionen ohne Zwischenziele dienen. ^[S-040]

Zulässige und unzulässige Nutzung von Makrozahlen

Nutzung	Bewertung	Begründung
Strategische Größenordnung und Szenariorahmen	zulässig	Zeigt, dass breite wirtschaftliche Effekte plausibel sind und welche Funktionsbereiche untersucht werden.
Direkter Multiplikator auf Unternehmensumsatz oder Personalkosten	unzulässig	Makromodelle enthalten andere Grundgesamtheiten, Annahmen und Gegenfaktoren.
Top-down-Plausibilitätscheck nach Bottom-up-Rechnung	bedingt zulässig	Nur als sekundärer Vergleich, nicht als primärer Nutzenbeleg.
Verkaufsversprechen „Ihre Firma spart x Prozent“	unbelegt	Keine lokale Prozess-, Daten- oder TCO-Prüfung.

Adoption, Piloten und Wertrealisierung

Amtliche und institutionelle Nutzungsquoten

Quelle/Jahr	Quote	Grundgesamtheit	Definition/Hinweis	Beleg
Eurostat EU 2024	13,5 %	Unternehmen mit mindestens 10 Beschäftigten	Nutzung mindestens einer KI-Technologie	S-058
Eurostat EU 2025	20,0 %	Unternehmen mit mindestens 10 Beschäftigten	Amtlich harmonisierte IKT-Erhebung	S-056, S-057
Destatis Deutschland 2025	26 %	Unternehmen im Erhebungsbereich IKT	Definition und Grundgesamtheit laut Qualitätsbericht	S-059, S-060
KfW Mittelstand 2026	20 %	Deutscher Mittelstand	KfW-Unternehmenspanel / Forschungsauswertung	S-061, S-062
ifo Deutschland 2026	mehr als 50 %	ifo-Unternehmensbefragung	Breiter Nutzungsbegriff; nicht direkt mit Eurostat vergleichbar	S-064
OECD D4SME 2025	31 %	Befragte KMU in zehn OECD-Ländern	Stichprobenspezifisch, nicht amtliche Gesamtquote	S-067
US Census BTOS 2025/26	17-20 %	US-Unternehmen im BTOS-Zeitraum	Neue Frageformulierung ab November 2025	S-068
Statistics Canada Q2 2025	12,2 %	Kanadische Unternehmen	KI zur Produktion von Gütern oder Dienstleistungen	S-069
ONS UK Juni 2026	29 %	Britische Unternehmen	Mindestens eine KI-Technologie	S-070

Die Werte sind wegen unterschiedlicher Grundgesamtheiten, Erhebungszeitpunkte und KI-Definitionen nicht als Rangliste zu lesen. Ein Unternehmen kann „KI nutzen“, wenn einzelne Beschäftigte Textwerkzeuge verwenden, obwohl kein skalierter Geschäftsprozess und kein messbarer finanzieller Nutzen existiert. ^{[S-056 bis S-070]}

Beratungsbefunde zur Wertlücke

Quelle	Befund	Stichprobe/Bezugsrahmen	Einschränkung	Beleg
BCG 2024	4 % substanzieller Wert; 22 % über POC hinaus	1.000 CxOs/Senior Executives, 59 Länder	Eigene Reifegrad- und Wertklassifikation	S-041, S-042
BCG 2025	5 % future-built; 35 % skalierend; 60 % kaum materieller Wert	Globale Executive-Befragung	Selbstbericht und BCG-Kategorien	S-043, S-044
McKinsey März 2025	Mehr als 80 % ohne greifbaren Enterprise-EBIT-Effekt; 17 % mit mindestens 5 % EBIT-Zurechnung	1.491 Befragte in 101 Ländern	Selbstbericht; Korrelationen, keine Bilanzprüfung	S-047
McKinsey November 2025	39 % mit irgendeinem Enterprise-EBIT-Effekt; rund 6 % High Performer	Globale Befragung	Definition High Performer umfasst Ergebnis- und Werturteil	S-048
Deloitte 2026	Breite Experimente, wachsende Agentennutzung und fortbestehende Skalierungsbarrieren	3.235 Führungskräfte in 24 Ländern	Beratungsbefragung	S-049, S-050
Cisco 2025	Readiness-Lücken bei Infrastruktur, Daten, Governance und Talent	Globale Unternehmensbefragung	Anbieterindex; kein kausaler ROI-Nachweis	S-052

Warum Piloten Wert nicht automatisch skalieren

Pilotnutzer sind oft motivierter, kompetenter und freiwillig ausgewählt.
Pilotfälle sind häufig sauberer, risikoärmer und besser dokumentiert als das spätere Volumen.
Zentrale Experten unterstützen den Pilot, stehen aber im Flächenbetrieb nicht in gleicher Intensität zur Verfügung.
Integrations-, Governance-, Support- und Change-Kosten werden im Proof of Concept oft ausgelassen.
Ein schneller Einzelschritt verändert nicht zwingend den Engpass des Gesamtprozesses.
Bei Skalierung steigen Ausnahmen, Sprachen, Regionen, Datenklassen und rechtliche Anforderungen.
Die erste Modellversion und der erste Preis bleiben nicht über die gesamte Nutzungsdauer konstant.

Reifegrad der Wertrealisierung

Stufe	Beschreibung	Beleg, der mindestens vorliegen sollte
0 - Idee	Plausibler Use Case ohne lokale Daten	Problemstatement und Alternativen
1 - Demo	Technisch sichtbarer Output	Qualitative Machbarkeit; noch kein ROI
2 - Offline-Evaluation	Repräsentative Testfälle	Qualität nach Aufgaben- und Fehlerklassen
3 - Kontrollierter Pilot	Reale Nutzer und Vergleich	Kausaler Nettoeffekt, Nutzungs- und Guardraildaten
4 - Produktionsbetrieb	Stabile Integration und Rollen	Vollständige TCO, SLA, Incident- und Benefit-Tracking
5 - Skalierter Wert	Breite Nutzung mit Prozessänderung	Realisierter Cash-/Kapazitätsnutzen und aktualisierter NPV

Baseline, Gegenfaktum und kausale Nutzenmessung

Die Baseline

Eine Baseline ist mehr als der heutige Durchschnitt. Sie muss Volumen, Mix, Saison, Nutzererfahrung, Fehlerklassen, Warteschlangen, Nachfrage, Systemausfälle und parallel geplante Veränderungen abbilden. Bei wissensintensiver Arbeit ist eine Stichprobe aus Zeiterfassung, Prozesslogs und Ergebnisqualität belastbarer als eine pauschale Schätzung durch Führungskräfte.

Baseline-Feld	Mindestinhalt	Typischer Fehler
Volumen	Fälle je Zeitraum und Segment	Nur Gesamtvolumen ohne Mix
Zeit	Touch Time, Wartezeit, Review, Nacharbeit	Nur Generierungszeit
Qualität	Fehler nach Art und Schwere, Akzeptanz	Eine globale Zufriedenheitsnote
Kosten	Vollkosten und variable Grenzkosten	Nur Lohnsatz oder Lizenz
Nachfrage	Backlog, verlorene Nachfrage, Kapazitätsgrenze	Annahme, jeder Output werde benötigt
Nutzer	Rolle, Erfahrung, Sprache, Nutzung	Durchschnitt über heterogene Gruppen
Risiko	Häufigkeit und Schadenshöhe	Seltene Schäden ignorieren
Alternative	Status quo plus ohnehin geplante Änderungen	Vorherwert als unveränderliches Gegenfaktum

Evaluationsdesigns

Design	Stärke	Wann geeignet	Hauptrisiko
Individuelle Randomisierung	hoch	Viele unabhängige Nutzer/Fälle	Kontamination zwischen Gruppen
Cluster-Randomisierung	hoch	Teams/Standorte beeinflussen sich	Weniger statistische Einheiten
Gestaffelte Einführung	mittel bis hoch	Rollout muss ohnehin in Wellen erfolgen	Zeittrends und Vorwegnahme
A/B auf Fällen	hoch	Fälle können zufällig zugewiesen werden	Lerneffekt beim selben Nutzer
Difference-in-Differences	mittel	Ähnliche unbehandelte Gruppe vorhanden	Paralleltrend-Annahme
Interrupted Time Series	mittel	Lange stabile Zeitreihe, klarer Start	Andere zeitgleiche Ereignisse
Vorher/Nachher ohne Vergleich	niedrig	Nur explorativ	Saison, Lernen, Regression zur Mitte
Selbstbericht	niedrig für Kausalität	Akzeptanz und wahrgenommener Nutzen	Erwartung, Recall, Selektion

ITT, Nutzung und Adoption

Ein Pilot sollte mindestens zwei Effekte unterscheiden. ITT misst die Wirkung des angebotenen Zugangs und ist für Rollout-Entscheidungen wichtig. Der Effekt bei tatsächlichen Nutzern kann größer erscheinen, ist aber durch Selbstselektion verzerrt: Gerade die Personen mit passenden Aufgaben und positiver Haltung nutzen häufiger. Nutzungsdaten erklären Mechanismen, ersetzen aber nicht die Vergleichslogik. ^{[S-072, S-075]}

Mindestanforderungen an eine belastbare Aussage

Hypothese, primäre Zielgröße und Erfolgsschwelle vorab festlegen.
Aufgaben- und Nutzersegmente definieren; keine nachträgliche Cherry-Picking-Auswertung.
Nettozeit inklusive Review, Korrektur, Eskalation und Ausfällen messen.
Qualität blind oder mit objektiven Regeln bewerten.
Nutzung, Nichtnutzung und Kontamination erfassen.
Unsicherheit mit Konfidenzintervallen oder belastbaren Bandbreiten ausweisen.
Kapazitäts- und Cash-Umwandlung getrennt berechnen.
Skalenkosten und Modell-/Prozessänderungen ergänzen.

Total Cost of Ownership für KI-Systeme

Vollständige Kostenlandkarte

Kostenphase	Kostenblock	Beispiele
Einmalig	Problem- und Prozessanalyse	Fachbereich, Beratung, Prozessaufnahme, Baseline
Einmalig	Datenaufbereitung	Extraktion, Bereinigung, Labeling, Metadaten, Rechte, Goldstandard
Einmalig	Integration	API, IAM, CRM/ERP, RAG, Toolzugriffe, Logging, UI
Einmalig	Evaluation und Validierung	Testsets, Fachreview, Security, Datenschutz, Last- und Ausfalltests
Einmalig	Einführung und Change	Schulung, Kommunikation, Betriebsrat, Rollen, Dokumentation
Wiederkehrend fix	Lizenzen und Grundgebühren	Sitzlizenzen, Plattform, Vektordatenbank, Monitoring
Wiederkehrend variabel	Inferenz und Tools	Tokens, Bilder, Suche, Agentenschritte, externe APIs
Wiederkehrend	Human Review und Ausnahmebearbeitung	Prüfung, Korrektur, Eskalation, Stichproben
Wiederkehrend	Betrieb und Support	MLOps/LLMOps, On-call, Helpdesk, Incident Management
Wiederkehrend	Daten- und Wissenspflege	Aktualisierung, Löschung, Berechtigungen, Dokumentenqualität
Wiederkehrend	Governance, Recht und Sicherheit	Audits, DSFA, AI-Act-Dokumentation, Pen-Tests, Kontrollen
Änderung	Modell- und Prozesswechsel	Regressionstests, Migration, Prompt-/Routing-Anpassung
Risiko	Fehler- und Ausfallkosten	Nacharbeit, Falschentscheidungen, Kunden- und Produktionsschäden
Exit	Beendigung und Migration	Datenexport, Rückbau, neue Integration, Parallelbetrieb, Restverträge
Opportunität	Gebundene Schlüsselressourcen	IT-, Daten- und Fachexperten fehlen für Alternativprojekte

Variable GenAI-Kosten

Bei API- oder Agentensystemen werden variable Kosten durch Eingabe- und Ausgabetokens, Kontextlänge, Caching, Retrieval, Such- und Toolaufrufe, Bild- oder Audioverarbeitung, Anzahl der Agentenschritte, Retries, Parallelität und Modellrouting bestimmt. Der Preis pro Million Tokens ist daher nur ein Tarifbestandteil. ^{[S-080 bis S-085]}

Stückkostenformel Kosten je akzeptiertem Ergebnis = (zugeordnete Fixkosten + Inferenz + Tools + Retrieval + Review + Nacharbeit + erwartete Fehlerkosten) / akzeptierte Ergebnisse.

Treiber	Warum er Kosten verändert	Messgröße
Kontextlänge	Mehr Eingabetokens, höhere Latenz, teils schlechtere Fokussierung	Tokens je Fall; Kosten je Kontextklasse
Agentenschritte	Mehrere Modell- und Toolaufrufe pro Ziel	Aufrufe und Schleifen je abgeschlossenem Fall
Retries	Fehler, Timeouts oder unakzeptable Outputs erzeugen Wiederholungen	Retry-Rate und Kosten je Retry
Review	Menschliche Prüfung kann dominanter Kostenblock sein	Minuten je Fall nach Risikoklasse
Akzeptanzquote	Verworfene Outputs tragen Kosten ohne Nutzen	akzeptiert / generiert
Lastprofil	Eigenbetrieb leidet bei Unterauslastung; SaaS bei Spitzenpreisen	Auslastung, Peak, Reservekapazität
Modellmix	Routing kann sparen, erzeugt aber Evaluations- und Betriebsaufwand	Kosten und Qualität je Modellroute

Verdeckte technische Schuld

ML-Systeme schaffen Daten-, Modell-, Konfigurations- und Abhängigkeitsketten. Änderungen in Datenquellen, Prompts, Modellen, Tools oder Schwellenwerten können unerwartete Wechselwirkungen auslösen. Sculley et al. beschrieben diese „hidden technical debt“ bereits für klassische ML-Systeme; bei LLM- und Agentenarchitekturen kommen nicht deterministische Ausgaben, Provideränderungen und komplexe Toolketten hinzu. Diese Kosten müssen über die Nutzungsdauer budgetiert werden. ^[S-086]

Make-or-buy

Kriterium	Externer Dienst tendenziell stärker	Eigenbetrieb tendenziell stärker
Volumen	schwankend oder niedrig	hoch und stabil
Kompetenz	kleines internes Team	starkes MLOps/Security-Team
Qualität	führende proprietäre Modelle nötig	spezialisiertes kleineres Modell genügt
Datenkontrolle	vertraglich und technisch ausreichend	besondere Isolation/Schlüsselkontrolle nötig
Time-to-Market	schnell starten	längerfristige strategische Kontrolle
Kostenrisiko	nutzungsabhängige variable Kosten akzeptabel	hohe Auslastung rechtfertigt Fixkosten
Exit	standardisierte API/Abstraktion	eigene Plattform reduziert Anbieterbindung, erhöht Betriebsbindung

Nutzenlogik und Monetarisierung

Vom technischen Effekt zum finanziellen Wert

Schritt	Frage	Beispiel
1. Technischer Effekt	Was ändert sich direkt?	Antwortentwurf in 20 statt 30 Minuten
2. Netto-Prozesswirkung	Was bleibt nach Review und Nacharbeit?	8 statt 10 Minuten Zeitgewinn
3. Volumenwirkung	Wie oft tritt der Effekt auf?	30.000 geeignete Fälle/Jahr
4. Kapazitätswirkung	Welche Stunden werden frei?	4.000 Stunden/Jahr
5. Umwandlung	Wie wird die Kapazität genutzt?	40 % vermeiden externe Kosten, 60 % bleibt operativ
6. Monetärer Nutzen	Welcher inkrementelle Wert entsteht?	externe Kosten + Deckungsbeitrag - Kannibalisierung
7. Vollkosten	Welche Kosten und Risiken fallen an?	TCO, Review, Fehler, Exit
8. Finanzentscheidung	Wie sehen NPV, Payback und Downside aus?	positiver NPV bei tolerierbarem Risiko

Zeitersparnis korrekt bewerten

Die verbreitete Rechnung „gesparte Stunden mal Vollkostensatz“ überschätzt Cash häufig. Der Vollkostensatz kann für die Opportunitätsbewertung sinnvoll sein, aber nicht jede Stunde führt zu einer Auszahlungsminderung. Das Dossier empfiehlt vier getrennte Spalten: zahlungswirksame Einsparung, vermiedene künftige Kosten, monetarisierter Zusatzoutput und nicht monetarisierte Kapazität. Nur die ersten drei gehören - mit jeweils belegter Conversion - in den monetären Basiscase.

Kapazitätsverwendung	Finanzielle Behandlung	Nachweis
Stunden/Schichten entfallen tatsächlich	Cash-Einsparung	Payroll, Vertrag, Überstundenabrechnung
Geplante Einstellung wird vermieden	Cost Avoidance	Kapazitätsplan und genehmigte Stelle
Mehr Fälle bei vorhandener Nachfrage	Deckungsbeitrag	zusätzlich bearbeitete Fälle x inkrementeller DB
Backlog sinkt ohne direkten Umsatz	operativer Nutzen	SLA, Wartezeit, Risiko; separat ausweisen
Beschäftigte nutzen Zeit unbestimmt	kein sicherer monetärer Nutzen	erst nach beobachteter Verwendung bewerten

Qualität monetarisieren

Qualität wird über Fehlerklassen und Folgekosten übersetzt. Ein Tippfehler, eine falsche Vertragsklausel und eine falsche Bankverbindung dürfen nicht denselben Gewichtungsfaktor erhalten. Für jede Klasse werden Häufigkeit, Entdeckungswahrscheinlichkeit, Nacharbeitskosten, Kundeneffekt und möglicher Schaden geschätzt. Bei seltenen Hochrisikoereignissen reicht ein Durchschnittswert nicht; sie werden als separate Szenarien oder harte Gates behandelt.

Umsatz und Innovation

Umsatznutzen sollte als inkrementeller Deckungsbeitrag gegenüber dem Gegenfaktum gerechnet werden. Zusätzliche Leads oder Inhalte sind keine Einnahmen. Nötig sind Conversion, Preis, variable Kosten, Kannibalisierung, Nachfragegrenze und Attribution. Bei Forschung und Innovation ist der Nutzen oft ein Portfolio von Optionen. Unvalidierte Ideen werden nicht als Umsatz gebucht; bewertet werden beispielsweise Kosten je validierter Hypothese, Zeit bis zum Experiment und Wahrscheinlichkeiten späterer Meilensteine.

Finanzmethodik: ROI, Kapitalwert, Payback und Unsicherheit

Kennzahlen im Vergleich

Kennzahl	Stärke	Schwäche	Empfehlung
ROI	leicht verständlich, Verhältniswert	ignoriert oft Zeitpunkt und absolute Größe	nur mit Zeitraum und Kostenumfang
Kapitalwert / NPV	berücksichtigt Zeitwert und absolute Wertgröße	abhängig von Cashflow- und Diskontannahmen	primäre Investitionskennzahl
Payback	zeigt Liquiditäts- und Rückflussdauer	ignoriert Nutzen nach Payback und Zeitwert	ergänzende Risikokennzahl
IRR	vergleichbarer Renditesatz	mehrdeutig bei ungewöhnlichen Cashflows	nur ergänzend
Kosten je akzeptiertem Ergebnis	starke operative Steuerung	erfasst nicht automatisch Fixkosten- und Nachfragewirkung	für laufenden Betrieb
Benefit-Cost-Ratio	vergleichbar bei Budgetgrenze	kann kleine Projekte bevorzugen	mit NPV kombinieren

Szenarien

Treiber	Downside	Base	Upside
Geeignete Fälle	niedriger Anteil	gemessener Pilotmix	höher nach Prozessanpassung
Nettozeitgewinn	Review frisst Großteil	Pilotwert konservativ	Lernen senkt Review
Qualität	mehr kritische Fehler	Guardrails stabil	weniger Nacharbeit
Adoption	gering/selektiv	rollenspezifisch	breit bei passenden Aufgaben
Kapazitätsumwandlung	kaum monetarisiert	teilweise Cost Avoidance	zusätzlicher DB/vermiedene Stellen
Kosten	mehr Integration/Support	Planwert	Routing und Skaleneffekt
Modell/Preis	Preis oder Qualität verschlechtert	stabil	günstigeres Modell bei gleicher Qualität

Sensitivität und Schwellenwerte

Die wichtigsten Treiber werden einzeln und kombiniert variiert. Typisch sind geeigneter Fallanteil, Nettozeitgewinn, Reviewzeit, Akzeptanzquote, monetarisierte Kapazität, Fehlerschaden, Volumen, Modellkosten und Einführungskosten. Besonders nützlich ist der Break-even-Schwellenwert: Welche Mindestmenge, Mindestqualität oder Conversion ist nötig, damit NPV oder Payback die Entscheidungsschwelle erreicht?

Unsicherheit ehrlich darstellen

Ein Business Case sollte Bandbreiten und Belegstärken neben Zahlen anzeigen. Eine Annahme aus lokalem RCT ist stärker als eine Schätzung aus einer allgemeinen Studie; eine gemessene Rechnungskostenquote ist stärker als eine Führungskräftebefragung. Das verhindert, dass alle Zellen eines Modells gleich sicher wirken. ^{[S-071, S-073]}

Qualität, Human Review, Risiko und Recht

Human Review ist Teil des Systems

Menschliche Prüfung schafft nur dann Sicherheit, wenn Prüfer ausreichend Zeit, Fachwissen, Informationen und echte Korrekturmöglichkeit haben. Eine formale Freigabe, bei der KI-Ausgaben regelmäßig ungeprüft übernommen werden, ist wirtschaftlich und regulatorisch keine belastbare Kontrolle. Die Meta-Analyse zu Human-AI-Kombinationen zeigt, dass „Mensch plus KI“ nicht automatisch die jeweils beste Einzelkomponente übertrifft. ^[S-024]

Review-Modell	Einsatz	Kosten-/Risikowirkung
100-%-Freigabe	hohes Schadenspotenzial, frühe Phase	hohe Kosten; gute Datenbasis für Fehlermuster
Risikobasiertes Routing	unterschiedliche Fallklassen	Review auf kritische/unsichere Fälle konzentrieren
Stichprobe	niedriges Risiko, stabiler Prozess	günstiger; seltene Fehler können übersehen werden
Zwei-Personen-Prinzip	irreversible oder hohe finanzielle Wirkung	starke Kontrolle, hoher Durchlaufzeit- und Personalkostenblock
Automatischer Validator	formal prüfbare Regeln	skalierbar; Validator kann blinde Flecken haben
Fallback zum manuellen Prozess	Ausfall, Unsicherheit, Grenzfall	erhält Betrieb, aber Doppelkapazität kann nötig sein

Sicherheit und Missbrauch als TCO

Prompt Injection, übermäßige Toolberechtigungen, Datenabfluss und unsichere Outputs erzeugen Präventions-, Monitoring- und Incident-Kosten. Bei Agenten muss der erwartete Schaden aus Fehlaktionen sowie die Kosten von Limits, Bestätigungen, Sandboxing, Logging und Interventionen in den Business Case. OWASP, NIST und ENISA liefern Risikorahmen; sie liefern keinen pauschalen Geldwert. ^{[S-087 bis S-092]}

Datenschutz, AI Act und Haftung

Rechtliche Pflichten sind use-case-spezifisch. Personenbezogene Daten, Beschäftigten- oder Bewerberentscheidungen, Hochrisikoanwendungen und autonome Aktionen erhöhen Dokumentations-, Prüf- und Kontrollaufwand. Die Einhaltung ist nicht nur „Overhead“, sondern kann Architektur, Anbieterwahl, Datenumfang, menschliche Aufsicht und zulässigen Nutzenkanal verändern. Ein rechnerischer ROI macht eine unzulässige Verarbeitung nicht zulässig. ^{[S-096, S-097, S-098]}

Risiko als erwarteter Wert und Gate

Häufige, begrenzte Fehler können als Expected Loss modelliert werden. Seltene Ereignisse mit existenziellem, regulatorischem oder irreversiblem Schaden sollten nicht durch einen hohen Durchschnittsnutzen „wegdiskontiert“ werden. Hier gelten harte Grenzen, Szenarien, Versicherungs- und Haftungsprüfung oder Ausschluss. ^{[S-073, S-087, S-098]}

Use-Case-Auswahl, Pilotdesign und Skalierung

Priorisierungsmatrix

Dimension	Leitfrage	Günstiges Signal	Warnsignal
Wert	Ist ein echter Engpass oder Kostenblock vorhanden?	hohes Volumen/hoher Fehlerwert	nur allgemeine Innovationsidee
Eignung	Kann KI den relevanten Teil zuverlässig unterstützen?	klarer, prüfbarer Task	implizites Wissen, seltene Grenzfälle
Daten	Sind Daten verfügbar, aktuell und zulässig?	saubere Quellen und Rechte	unstrukturierte, veraltete, sensible Daten
Messbarkeit	Gibt es Baseline und Outcome?	prozessuale Logs und Qualität	nur Zufriedenheit oder Demo
Umwandlung	Kann Kapazität monetarisiert werden?	Backlog, Nachfrage, externe Kosten	keine Verwendung der Zeit
Risiko	Ist Schaden begrenzbar/reversibel?	Entwurf, Low-risk, Fallback	autonome irreversible Entscheidung
Skalierbarkeit	Sind Betrieb und Governance planbar?	standardisierte Integration	manuelle Sonderlösung je Team

Stop-Kriterien

Nettoeffekt nach Review unterschreitet die vorab definierte Mindestschwelle.
Qualitäts- oder Risikogate wird verletzt, auch wenn Zeit gespart wird.
Geeigneter Fallanteil oder aktive Nutzung ist zu klein für den Fixkostenblock.
Kapazitätsumwandlung ist nicht realistisch und der strategische Nutzen nicht ausreichend begründet.
Eine regelbasierte oder Standardsoftware-Alternative erzielt denselben Wert günstiger.
Skalen-TCO, Governance oder Integration zerstören den positiven Pilot-NPV.
Daten, Rechte oder regulatorische Anforderungen erlauben die vorgesehene Nutzung nicht.

Skalierungslogik

Skalierung erfolgt nicht als einmaliges „Go“, sondern über Stufen: Offline-Test, Shadow Mode, assistive Nutzung, begrenzte Aktion, breitere Nutzung und gegebenenfalls höhere Autonomie. Jede Stufe hat eigene Mindestwerte und neue Risikoprüfungen. Der Autonomiegrad wird nicht aus Marketingbegriffen, sondern aus beobachteter Fehlerverteilung, Reversibilität, Berechtigungsumfang und Interventionsfähigkeit abgeleitet.

KPI-Bibliothek

Bereich	KPI	Beispiel	Guardrail/Hinweis
Produktivität	Output je bezahlter Stunde	gelöste Tickets/Stunde, akzeptierte Dokumente/Stunde	Qualität, Mix, Review und Warteschlangen dürfen nicht fehlen.
Zeit	Netto-Cycle-Time	Minuten von Start bis akzeptiertem Abschluss	Brutto-Generierungszeit ohne Prüfung ist ungeeignet.
Qualität	Kostenbewertete Fehlerquote	Fehler je 1.000 Fälle nach Schwere	Accuracy allein behandelt Schäden unterschiedlicher Fehler gleich.
Durchsatz	Abgeschlossene Fälle je Periode	Bestellungen/Tag, Issues/Sprint	Nur sinnvoll, wenn Nachfrage und Qualität konstant oder kontrolliert sind.
Kapazität	Monetarisierte frei werdende Stunden	vermiedene Überstunden, zusätzlicher Output	Nicht jede gesparte Minute wird zahlungswirksam.
Adoption	Aktive geeignete Nutzung	aktive Nutzer, geeignete Fälle, Nutzungsintensität	Adoption ist Input, kein finanzielles Ergebnis.
Review	Prüfaufwand je Output	Minuten, Eskalationsquote	Muss als Kostenblock und Qualitätskontrolle erfasst werden.
Stückkosten	Kosten pro akzeptiertem Ergebnis	Euro/korrekter Fall	Bezieht Modell, Integration, Review, Fehler und Fixkosten ein.
Umsatz	Inkrementeller Deckungsbeitrag	zusätzliche Abschlüsse x DB	Nicht Bruttoumsatz; Attribution und Kannibalisierung beachten.
Service	First Contact Resolution	Anteil ohne Wiederkontakt	Kann durch falsche „schnelle“ Abschlüsse verzerrt werden.
Entwicklung	Quality-adjusted completed tasks	akzeptierte Issues minus Defektkosten	Langfristige Wartung und technische Schuld ergänzen.
Wissen	Quellenrichtige Antwortquote	richtige Antwort plus richtige Fundstelle	Antwortplausibilität allein genügt nicht.
Risiko	Expected Loss	Eintrittswahrscheinlichkeit x Schadenshöhe	Tail Risks zusätzlich als Gate oder Szenario behandeln.
Finanzen	Kapitalwert	Barwert Nutzen minus Kosten	Zeitraum, Diskontsatz und Terminalwert offenlegen.
Finanzen	Payback	Monate bis kumuliertem Break-even	Nicht als alleinige Renditekennzahl verwenden.
Mensch	Kompetenzerhalt	Leistung ohne Assistenz	Wichtig für Deskilling- und Ausfallrisiko.
Betrieb	Verfügbarkeit und Fallback	SLA, Ausfallminuten, erfolgreiche Übergaben	Ausfallkosten und manueller Ersatzprozess einrechnen.
Portfolio	Wert je Risikokapital	erwarteter NPV / at-risk spend	Use Cases vergleichbar priorisieren, ohne strategische Gates zu ignorieren.

KPI-Designregeln

Jede Kennzahl braucht eine eindeutige Einheit, Population, Datenquelle und Berechnungsregel.
Produktivität wird als qualitätsadjustierter Output pro Input gemessen.
Primäre und sekundäre Kennzahlen werden vor Pilotstart festgelegt.
Durchschnitt, Verteilung und kritische Segmente werden gemeinsam ausgewiesen.
Nutzung wird nicht als finanzieller Outcome behandelt.
Fehler werden nach Schwere und Folgekosten klassifiziert.
Kapazitäts-, Cash- und nicht monetäre Effekte bleiben getrennt.
Alle Kennzahlen erhalten Aktualitäts- und Verantwortlichkeitsangaben.

Achtzehn Unternehmensszenarien

Die Szenarien sind keine pauschalen Freigaben. Sie zeigen, welche Baseline, Kosten, Nutzen, Guardrails und Evaluationsdesigns für typische Unternehmensanwendungen erforderlich sind.

U-01 Kundenservice-Copilot für Supportmitarbeitende

Prüffeld	Bewertung
Ziel	Antwortvorschläge, Wissenssuche und Gesprächszusammenfassungen sollen die Lösungsquote pro Stunde erhöhen und die Einarbeitung neuer Beschäftigter verkürzen.
Notwendige Baseline	Kontakte je Stunde, First-Contact-Resolution, Wiederkontakte, Eskalationen, Qualitätsbewertung, Nachbearbeitungszeit, Einarbeitungsdauer und Fluktuation mindestens acht Wochen vor Pilotbeginn.
Wirkungshypothese	Der Assistent reduziert Such- und Formulierungszeit; größere Wirkung wird bei weniger erfahrenen Mitarbeitenden erwartet.
TCO-Blöcke	Lizenzen/API, Integration in CRM und Wissensbasis, Datenbereinigung, Zugriffskontrolle, Qualitätstests, Schulung, laufende Stichprobenprüfung, Prompt- und Wissenspflege, Datenschutz und Support.
Nutzenkanäle	Mehr erfolgreich gelöste Kontakte, kürzere Einarbeitung, geringere Eskalations- und Wiederkontaktkosten, eventuell höhere Kundenzufriedenheit und geringere Fluktuation.
Qualitäts-/Risikogate	Keine Verbesserung darf durch falsche Zusagen, Datenschutzverletzungen oder sinkende Lösungsqualität erkauft werden. Guardrails: Fehlerquote, Beschwerden, Eskalationen, sensible Daten und Pflichtfreigaben.
Geeignetes Messdesign	Gestaffelte Einführung oder randomisierte Teams; identische Kontaktarten; ITT-Auswertung; Segmentierung nach Erfahrung; mindestens zwölf Wochen plus Nachlauf.
Entscheidungsklasse	Unter klar benannten Voraussetzungen gut messbarer Pilot. Für Skalierung müssen Kapazitätsumwandlung und Qualitätsstabilität belegt sein.
Quellen	S-002, S-072, S-087, S-097

U-02 Marketing- und Content-Produktion

Prüffeld	Bewertung
Ziel	Entwürfe, Varianten, Recherchehilfen und Wiederverwertung sollen die Produktionszeit senken und die Zahl testbarer Inhalte erhöhen.
Notwendige Baseline	Zeit je Inhalt, externe Kosten, Review-Schleifen, Veröffentlichungsquote, Markenfehler, Conversion, organische Reichweite, Korrekturen und Kampagnenvorlauf.
Wirkungshypothese	KI beschleunigt den ersten Entwurf und erhöht die Variantenmenge; der Wert entsteht nur, wenn Qualität, Differenzierung und Freigabe funktionieren.
TCO-Blöcke	Tools, Marken- und Stilbibliothek, RAG, Redaktionsprüfung, Faktencheck, Rechteprüfung, Training, Daten- und Promptpflege sowie mögliche Kosten für ähnliche oder austauschbare Inhalte.
Nutzenkanäle	Kürzere Produktionszyklen, mehr Experimente, geringere Agentur- oder Übersetzungskosten und bessere Abdeckung langer Themenlisten.
Qualitäts-/Risikogate	Markenabweichung, Halluzination, Urheberrechtsrisiko, falsche Produktinformationen und sinkende Portfolio-Diversität sind Ausschluss- oder Nacharbeitskosten.
Geeignetes Messdesign	A/B- oder Multizellen-Test mit vergleichbaren Themen; Blindbewertung der Qualität; Messung von Nettozeit inklusive Review und von Deckungsbeitrag statt bloßer Klicks.
Entscheidungsklasse	Geeignet für begrenzte, reversible Tests. Kein Personal- oder Umsatzversprechen aus reiner Entwurfszeit ableiten.
Quellen	S-001, S-012, S-071, S-097

U-03 Vertriebsunterstützung und Lead-Recherche

Prüffeld	Bewertung
Ziel	Kontovorbereitung, Zusammenfassungen, Entwürfe und Priorisierung sollen mehr qualifizierte Gespräche je Vertriebsstunde ermöglichen.
Notwendige Baseline	Recherchezeit, Kontakte, Antwortquote, qualifizierte Termine, Opportunity-Rate, Win-Rate, Deckungsbeitrag, Beschwerden und Datenqualitätsfehler.
Wirkungshypothese	Zeitgewinn entsteht bei Informationsaggregation und Formulierung; Umsatzwirkung hängt von Datenqualität, Zielgruppengenauigkeit und Akzeptanz ab.
TCO-Blöcke	CRM-Integration, Datenlizenzen, Datenschutzprüfung, Regeln für öffentliche Daten, Review, Dublettenbereinigung, Vertriebscoaching, Monitoring und Widerspruchsbearbeitung.
Nutzenkanäle	Mehr verkaufsaktive Zeit, konsistentere Vorbereitung, schnellere Nachbereitung und eventuell höhere Conversion.
Qualitäts-/Risikogate	Keine unzulässige Profilbildung, keine falschen Behauptungen, keine automatisierte Kontaktaufnahme ohne Rechtsprüfung; Opt-out und Datenherkunft müssen steuerbar sein.
Geeignetes Messdesign	Randomisierte Account- oder Verkäufergruppen; Vergleich nach Segment und Lead-Qualität; mindestens ein vollständiger Sales-Zyklus; Umsatz nur als inkrementeller Deckungsbeitrag.
Entscheidungsklasse	Nur nach Daten- und Rechtsprüfung. Frühe Prozess-KPIs sind aussagekräftiger als kurzfristiger Umsatz.
Quellen	S-047, S-071, S-097, S-099

U-04 Coding-Assistent für Softwareentwicklung

Prüffeld	Bewertung
Ziel	Entwickler sollen Routinecode, Tests, Dokumentation und Fehlersuche schneller erledigen.
Notwendige Baseline	Cycle Time, abgeschlossene Issues, Review-Zeit, Defektdichte, Rework, Security Findings, Build-Fehler, Wartungsaufwand und Entwicklerzufriedenheit.
Wirkungshypothese	Gewinne entstehen bei gut abgegrenzten Aufgaben; in großen vertrauten Codebasen kann Kontext- und Prüfaufwand den Bruttogewinn aufzehren.
TCO-Blöcke	Lizenzen, IDE-Integration, Code- und Datenrichtlinien, Security-Scanning, Review, Telemetrie, Modellwechsel, Schulung und technische Schuld.
Nutzenkanäle	Mehr erledigte Aufgaben, schnellere Prototypen, bessere Dokumentation und Unterstützung weniger erfahrener Entwickler.
Qualitäts-/Risikogate	Keine Skalierung ohne stabile Codequalität, Security, Lizenz- und Geheimnisschutz sowie Lifecycle-Betrachtung.
Geeignetes Messdesign	Randomisierte Teams oder Issues; Messung über mehrere Sprints; vorab definierte Aufgabenklassen; Nettozeit inklusive Review und spätere Defekte.
Entscheidungsklasse	Hohes Potenzial, aber stark aufgabenabhängig. METR und Unternehmens-RCTs begründen ausdrücklich keinen einheitlichen Durchschnittswert.
Quellen	S-004, S-005, S-006, S-007, S-019, S-086

U-05 Interner RAG-Assistent für Unternehmenswissen

Prüffeld	Bewertung
Ziel	Mitarbeitende sollen Richtlinien, Produkte, Prozesse und Projektdokumente schneller finden und mit Quellenhinweisen beantworten können.
Notwendige Baseline	Suchzeit, Anzahl Rückfragen an Fachabteilungen, Antworttreffer, veraltete Dokumente, Fehlentscheidungen, Onboarding-Dauer und Nutzungsabbrüche.
Wirkungshypothese	RAG reduziert Suchzeit und verbessert Nachvollziehbarkeit, sofern Dokumente aktuell, berechtigt und ausreichend granular erschlossen sind.
TCO-Blöcke	Dokumentenbereinigung, Metadaten, Rechte-Mapping, Embeddings, Hosting, Modell- und Retrievalkosten, Evaluation, Redaktionsprozess, Löschung, Monitoring und Support.
Nutzenkanäle	Weniger Such- und Rückfragezeit, schnellere Einarbeitung, konsistentere Auskünfte und bessere Nutzung vorhandenen Wissens.
Qualitäts-/Risikogate	Quellenpflicht, Zugriffsisolierung, Versionierung, Unsicherheitsanzeige und Sperre kritischer Entscheidungen. RAG eliminiert Halluzination nicht.
Geeignetes Messdesign	Gold-Set aus realen Fragen, Blindvergleich mit heutiger Suche, Zeitmessung, Quellenrichtigkeit und akzeptierte Antwortquote; später kontrollierter Rollout.
Entscheidungsklasse	Messbar und häufig geeignet, wenn Wissenspflege finanziert wird. Ohne Content Governance entsteht eine teure Suchoberfläche für veraltete Informationen.
Quellen	S-020, S-083, S-087, S-090, S-097

U-06 Meeting-, E-Mail- und Office-Copilot

Prüffeld	Bewertung
Ziel	Zusammenfassungen, Aufgabenextraktion, Entwürfe und Dokumentarbeit sollen administrative Zeit reduzieren.
Notwendige Baseline	Zeit in E-Mail und Dokumenten, Nachbereitungszeit, offene Aufgaben, Korrekturen, Überstunden, Meetingqualität und tatsächliche Nutzungsquote.
Wirkungshypothese	Der Copilot verändert individuelle Arbeitsmuster; organisationale Durchsatzgewinne entstehen erst, wenn Übergaben und Entscheidungsschleifen ebenfalls verbessert werden.
TCO-Blöcke	Sitzlizenzen, Integration, Berechtigungen, Datenklassifikation, Schulung, Support, Review, Speicher- und Suchkosten sowie Change Management.
Nutzenkanäle	Weniger Schreib- und Suchzeit, schnellere Dokumenterstellung, bessere Nachverfolgung von Aufgaben und möglicherweise geringere Arbeit außerhalb regulärer Zeiten.
Qualitäts-/Risikogate	Vertraulichkeit, Aufzeichnungsregeln, Einwilligung oder Rechtsgrundlage, falsche Aufgabenextraktion und Überautomatisierung der Kommunikation.
Geeignetes Messdesign	Randomisierte oder gestaffelte Lizenzvergabe; Telemetrie mit Datenschutz; Zeitnutzung, Output und Qualitätsstichproben; zwölf bis 24 Wochen.
Entscheidungsklasse	Nicht anhand aktivierter Lizenzen bewerten. Sitzpreis pro Nutzer ist ungeeignet, wenn aktive Nutzung und monetarisierbare Kapazität unbekannt bleiben.
Quellen	S-009, S-054, S-071, S-097

U-07 Juristische und Compliance-Zusammenfassung

Prüffeld	Bewertung
Ziel	Verträge, Richtlinien, Urteile und regulatorische Texte sollen schneller gesichtet und strukturiert werden.
Notwendige Baseline	Bearbeitungszeit, Trefferquote, übersehene Klauseln, Eskalationen, externe Beratungskosten, Review-Aufwand und Fehlerfolgen.
Wirkungshypothese	KI kann Erststruktur und Suche beschleunigen, aber falsche oder erfundene Quellen machen ungeprüfte Nutzung wirtschaftlich gefährlich.
TCO-Blöcke	Sichere Umgebung, Dokumentaufbereitung, Evaluation mit Juristen, Quellenprüfung, Versionsmanagement, Audit-Logs, Haftungs- und Datenschutzprüfung.
Nutzenkanäle	Schnellere Erstprüfung, bessere Auffindbarkeit, weniger Routinearbeit und gezieltere Nutzung externer Expertise.
Qualitäts-/Risikogate	Keine autonome Rechtsentscheidung; jede belastbare Aussage braucht Primärquelle und fachliche Freigabe. Fehlerkosten und Haftungsrisiko sind explizit zu modellieren.
Geeignetes Messdesign	Blindtest mit historischen Fällen, Goldstandard durch Fachjuristen, Precision/Recall für Klauseln, Nettozeit und Schwere falsch-negativer Ergebnisse.
Entscheidungsklasse	Nur als kontrolliertes Assistenzsystem. Durchschnittliche Textqualität ist kein Ersatz für fundstellenbezogene Verlässlichkeit.
Quellen	S-020, S-087, S-096, S-097, S-098

U-08 Rechnungs- und Belegverarbeitung

Prüffeld	Bewertung
Ziel	Belege sollen klassifiziert, ausgelesen, kontiert, geprüft und in definierte Workflows übergeben werden.
Notwendige Baseline	Kosten je Beleg, Durchlaufzeit, Dunkelbuchungsquote, Fehler, Klärfälle, Mahnkosten, Skontoausfälle und Audit-Feststellungen.
Wirkungshypothese	Bei strukturierten Belegen ist eine Kombination aus deterministischen Regeln, OCR/ML und gezielter generativer Interpretation häufig wirtschaftlicher als ein freier Agent.
TCO-Blöcke	Schnittstellen, Trainings- und Testdaten, Regelwerk, Ausnahmebearbeitung, Kontrollen, Archivierung, Monitoring, Anbieter- und Exitkosten.
Nutzenkanäle	Weniger manuelle Erfassung, schnellere Freigabe, mehr Skontonutzung, weniger Doppelzahlungen und bessere Transparenz.
Qualitäts-/Risikogate	Buchungs- und Zahlungsfreigaben bleiben risikobasiert kontrolliert; Fehler bei Lieferant, Betrag, Bankverbindung und Steuerlogik sind harte Guardrails.
Geeignetes Messdesign	Shadow Mode auf historischen und laufenden Belegen; Vergleich nach Belegtyp; Kosten pro korrekt verarbeitetem Beleg inklusive Klärfall.
Entscheidungsklasse	Guter Kandidat, wenn Volumen und Standardisierung hoch sind. Zuerst prüfen, ob Regeln und vorhandene ERP-Funktionen genügen.
Quellen	S-071, S-073, S-087, S-099

U-09 Recruiting- und HR-Textassistenz

Prüffeld	Bewertung
Ziel	Stellenanzeigen, Bewerberkommunikation und Zusammenfassungen sollen schneller und konsistenter erstellt werden.
Notwendige Baseline	Zeit je Ausschreibung und Bewerbung, Time-to-Hire, Abbruchquote, Qualität der Shortlist, Beschwerden, Fairnessmetriken und Korrekturaufwand.
Wirkungshypothese	Textassistenz kann administrative Zeit sparen; Ranking oder Auswahl erzeugt zusätzliche Fairness-, Datenschutz- und AI-Act-Risiken.
TCO-Blöcke	Tool, Integration, Datensicherheit, Bias-Tests, Mitbestimmung, Freigabe, Dokumentation, Training, Monitoring und Betroffenenkommunikation.
Nutzenkanäle	Schnellere Kommunikation, geringerer Erstellungsaufwand, konsistentere Unterlagen und eventuell bessere Candidate Experience.
Qualitäts-/Risikogate	Kein ungeprüftes Scoring; keine sensiblen Merkmale oder Proxy-Diskriminierung; echte menschliche Entscheidung und Rechtsprüfung.
Geeignetes Messdesign	Textassistenz getrennt von Auswahl testen; Qualitäts- und Fairnessmetriken; Zeitmessung; keine Erfolgskonstruktion nur aus Time-to-Hire.
Entscheidungsklasse	Textunterstützung ist anders zu bewerten als automatisierte Auswahl. Wirtschaftlichkeit folgt erst nach Rechts- und Fairness-Gate.
Quellen	S-087, S-095, S-096, S-097

U-10 Predictive Maintenance

Prüffeld	Bewertung
Ziel	Ausfälle von Maschinen sollen früher erkannt und Wartung gezielter geplant werden.
Notwendige Baseline	Ungeplante Stillstandszeit, MTBF, MTTR, Ausschuss, Ersatzteilkosten, Wartungsstunden, Fehlalarme und Produktionswert je Stunde.
Wirkungshypothese	Wert entsteht durch vermiedene Ausfälle und bessere Wartungsplanung; seltene Ereignisse und geänderte Betriebsbedingungen erschweren Kausalität.
TCO-Blöcke	Sensorik, Datenplattform, Modellierung, Integration, Labeling, Validierung, Alarmbearbeitung, Ersatzprozesse, Driftmonitoring und Fallback.
Nutzenkanäle	Weniger Stillstand, geringerer Ausschuss, längere Lebensdauer, planbare Wartung und bessere Ersatzteilsteuerung.
Qualitäts-/Risikogate	Fehlalarme und übersehene Ausfälle müssen nach Schadensschwere bewertet werden; sicherheitskritische Entscheidungen brauchen unabhängige Schutzebenen.
Geeignetes Messdesign	Historische Backtests plus prospektiver Stufenrollout; Vergleich ähnlicher Anlagen; vermiedene Ausfälle vorsichtig attribuieren; längerer Beobachtungszeitraum.
Entscheidungsklasse	Kann hohen absoluten Wert liefern, braucht aber gute Daten und genügend Ereignisse. Ein kurzer Pilot ist oft statistisch nicht aussagekräftig.
Quellen	S-071, S-072, S-086, S-087

U-11 Visuelle Qualitätsprüfung

Prüffeld	Bewertung
Ziel	Bildbasierte Modelle sollen Defekte früher und konsistenter erkennen.
Notwendige Baseline	Defektrate, First-Pass-Yield, manuelle Prüfzeit, False Positives/Negatives, Nacharbeit, Reklamationen und Schadenskosten.
Wirkungshypothese	Automatisierung lohnt sich bei hohem Volumen und stabilen Bildbedingungen; wirtschaftlich zählt die kostenbewertete Fehlerverteilung.
TCO-Blöcke	Kameras, Beleuchtung, Edge/Cloud, Datenlabeling, Modelltraining, Linienintegration, Wartung, Rekalibrierung, Human Review und Ausfallkonzept.
Nutzenkanäle	Weniger Ausschuss und Reklamationen, höhere Prüfgeschwindigkeit, bessere Traceability und geringere manuelle Belastung.
Qualitäts-/Risikogate	False Negatives bei sicherheitskritischen Defekten sind anders zu gewichten als False Positives. Qualitätsänderungen und neue Produktvarianten erfordern Revalidierung.
Geeignetes Messdesign	Prospektiver Parallelbetrieb gegen bestehende Prüfung; stratified test set; Kostenmatrix pro Fehlertyp; Produktions- statt Labordaten.
Entscheidungsklasse	ROI nur mit realer Fehlerbasis und Lifecycle-Kosten. Accuracy allein ist keine Wirtschaftlichkeitsmetrik.
Quellen	S-071, S-073, S-087, S-095

U-12 Forschung, Entwicklung und Ideenfindung

Prüffeld	Bewertung
Ziel	KI soll Hypothesen, Produktideen, Literaturpfade und Experimententwürfe beschleunigen.
Notwendige Baseline	Zeit bis zur Hypothese, Zahl validierter Ideen, Experimentkosten, Erfolgsquote, Portfolio-Diversität, Patent- oder Produktmeilensteine.
Wirkungshypothese	KI erhöht Suchbreite und Entwurfsgeschwindigkeit, kann aber zu ähnlicheren Ideen, Scheinsicherheit oder ungeprüften Behauptungen führen.
TCO-Blöcke	Datenzugänge, Spezialmodelle, Fachprüfung, Experimente, IP- und Geheimnisschutz, Dokumentation und Reproduzierbarkeit.
Nutzenkanäle	Mehr testbare Hypothesen, schnellere Literaturarbeit, niedrigere Suchkosten und eventuell kürzere Entwicklungszyklen.
Qualitäts-/Risikogate	Keine Wertanrechnung für unvalidierte Ideen. Reale Experimente, Neuheit, Reproduzierbarkeit und Portfolio-Diversität sind verbindliche Gates.
Geeignetes Messdesign	Vergleich von Teams oder Projektphasen; Blindbewertung; Kosten je validierter Hypothese und Zeit bis zum experimentellen Beleg.
Entscheidungsklasse	Strategisch interessant, aber Nutzen ist optionsartig und langfristig. Das zurückgezogene Materialforschungs-Paper zeigt die Gefahr ungeprüfter spektakulärer ROI-Aussagen.
Quellen	S-012, S-013, S-021, S-071

U-13 Einkauf und Vertragsanalyse

Prüffeld	Bewertung
Ziel	Lieferantenangebote, Vertragsklauseln und Preisabweichungen sollen schneller geprüft und verglichen werden.
Notwendige Baseline	Bearbeitungszeit, übersehene Klauseln, Preisabweichungen, Nachverhandlungen, Eskalationen, Maverick Buying und realisierte Einsparungen.
Wirkungshypothese	KI erleichtert Extraktion und Vergleich; der finanzielle Wert entsteht erst bei tatsächlich realisierten Konditions- oder Risikoverbesserungen.
TCO-Blöcke	Dokumentenpipeline, Integrationen, Taxonomie, Fachreview, Sicherheit, Datenschutz, Training und laufende Klauselbibliothek.
Nutzenkanäle	Kürzere Prüfzeit, bessere Vergleichbarkeit, mehr geprüfte Verträge und potenziell höhere realisierte Einsparungen.
Qualitäts-/Risikogate	Kein autonomer Vertragsabschluss; Quellen- und Klauselgenauigkeit, Geheimnisschutz sowie Prüfung atypischer Risiken.
Geeignetes Messdesign	Historische Blindprüfung gegen Einkaufs- und Rechtsstandard; prospektiver A/B-Rollout; realisierte statt nominelle Einsparungen.
Entscheidungsklasse	Nutzen häufig aus höherer Abdeckung, nicht nur Zeit. Savings müssen gegen Preisentwicklung und Verhandlungseffekte bereinigt werden.
Quellen	S-020, S-071, S-087, S-099

U-14 KI-Datenanalyst und Business Intelligence

Prüffeld	Bewertung
Ziel	Nutzer sollen Fragen in natürlicher Sprache stellen, Analysen erzeugen und Abweichungen schneller untersuchen können.
Notwendige Baseline	Zeit bis zur Analyse, Backlog, Zahl wiederholter Anfragen, Datenfehler, Korrekturen, Entscheidungszeit und Nutzung bestehender Dashboards.
Wirkungshypothese	KI senkt Zugangshürden, aber semantische Mehrdeutigkeit und fehlerhafte Abfragen können Scheingenauigkeit erzeugen.
TCO-Blöcke	Semantische Schicht, Datenkatalog, Berechtigungen, Query-Sandbox, Evaluation, Monitoring, Schulung, Rechenkosten und Analystenreview.
Nutzenkanäle	Schnellere Ad-hoc-Analyse, weniger Routineanfragen, breiterer Datenzugang und kürzere Entscheidungszyklen.
Qualitäts-/Risikogate	Zahlen müssen auf Datenquelle, Zeitraum, Filter und Rechenlogik zurückführbar sein. Kritische Kennzahlen nur nach Validierung.
Geeignetes Messdesign	Gold-Set realer Fragen; Genauigkeit, Nettozeit, Nutzung und Folgewirkung; getrennte Bewertung einfacher und komplexer Analysen.
Entscheidungsklasse	Wirtschaftlich bei hohem wiederkehrendem Analysebedarf. Ohne Datenqualität und semantische Standards skaliert vor allem die Fehlerproduktion.
Quellen	S-071, S-086, S-087, S-099

U-15 Übersetzung und Lokalisierung

Prüffeld	Bewertung
Ziel	Produkttexte, Supportinhalte und interne Dokumente sollen schneller in mehrere Sprachen übertragen werden.
Notwendige Baseline	Kosten je Wort/Dokument, Durchlaufzeit, Post-Editing-Aufwand, Fehler nach Schwere, Reklamationen und Terminüberschreitungen.
Wirkungshypothese	KI senkt Entwurfskosten; tatsächlicher Nutzen hängt von Sprache, Domäne, Terminologie und notwendigem Post-Editing ab.
TCO-Blöcke	Modell/Tool, Terminologiebasis, Datenschutz, Post-Editing, Qualitätsstichproben, Layout, Integration und Rechteprüfung.
Nutzenkanäle	Niedrigere Stückkosten, schnellere Verfügbarkeit, größere Sprachabdeckung und Entlastung bei Standardtexten.
Qualitäts-/Risikogate	Rechts-, Sicherheits- und Produkttexte brauchen fachliche Freigabe; seltene Sprachen und Terminologie separat testen.
Geeignetes Messdesign	Blindvergleich je Sprachpaar und Textklasse; Kosten pro akzeptierter Übersetzung inklusive Post-Editing und Fehlerfolgen.
Entscheidungsklasse	Sehr gut für Unit Economics geeignet. Durchschnittskosten über alle Sprachen verschleiern häufig problematische Segmente.
Quellen	S-001, S-071, S-083, S-087

U-16 Autonomer Service-Agent mit Toolzugriff

Prüffeld	Bewertung
Ziel	Ein Agent soll Anfragen verstehen, Daten abrufen, Vorgänge ändern und bestimmte Fälle vollständig abschließen.
Notwendige Baseline	Kosten und Durchlaufzeit je Vorgang, manuelle Übergaben, Fehler, Abbrüche, Wiederkontakte, Betrugsfälle und Schadenskosten.
Wirkungshypothese	Wert entsteht durch End-to-End-Durchsatz; mit jeder zusätzlichen Berechtigung steigen Integrations-, Prüf- und Tail-Risiken.
TCO-Blöcke	Orchestrierung, Tools/API, Zustandsmanagement, Sandbox, Berechtigungen, Evaluation, Monitoring, Human Escalation, Incident Response, Security und Haftung.
Nutzenkanäle	24/7-Bearbeitung, weniger Übergaben, kürzere Durchlaufzeit und potenziell niedrigere Grenzkosten.
Qualitäts-/Risikogate	Transaktionslimits, Whitelists, Bestätigungspflichten, vollständige Logs, Fallback, Kill Switch, Betrugs- und Prompt-Injection-Schutz.
Geeignetes Messdesign	Stufenfolge: Offline-Evaluation, Shadow Mode, Read-only, reversible Low-risk-Aktionen, begrenzter Livebetrieb; Kosten pro korrekt abgeschlossenem Fall.
Entscheidungsklasse	Hohe Hebelwirkung, aber kein erster Pilot für unreife Organisationen. Autonomiegrad muss schrittweise verdient werden.
Quellen	S-088, S-090, S-091, S-096, S-098

U-17 Selbst gehostetes oder offenes Modell

Prüffeld	Bewertung
Ziel	Datenkontrolle, Anpassbarkeit oder hohe stabile Volumina sollen eine eigene Betriebsarchitektur rechtfertigen.
Notwendige Baseline	Aktuelle Vendor-Kosten, Volumenprofil, Latenz, Datenschutz- und Exitprobleme, Qualität, Ausfälle und interner Betriebsaufwand.
Wirkungshypothese	Eigener Betrieb kann bei speziellen Anforderungen oder hoher Auslastung sinnvoll sein; scheinbar kostenlose Gewichte ersetzen keine Infrastruktur- und Betriebskosten.
TCO-Blöcke	Hardware/Cloud, Energie, MLOps, Updates, Evaluation, Security, Personal, Auslastungsrisiko, Daten, Fine-Tuning, Support und Ersatzkapazität.
Nutzenkanäle	Mehr Kontrolle, potenziell niedrigere Grenzkosten bei hoher Auslastung, Anpassung, geringere Datenweitergabe und bessere Exit-Position.
Qualitäts-/Risikogate	Qualitätsparität, verfügbare Kompetenzen, Sicherheitsupdates, Lizenzbedingungen, Auslastung und belastbares Ausfallkonzept.
Geeignetes Messdesign	Total-Cost-Vergleich über mehrere Lastprofile; gleiche Qualitäts- und Latenzschwelle; Sensitivität für Hardware, Energie, Personal und Modellwechsel.
Entscheidungsklasse	Make-or-buy-Entscheidung, nicht Ideologie. Niedrige Tokenkosten eines Providers können bei schwankendem Volumen wirtschaftlicher sein.
Quellen	S-073, S-080, S-082, S-093, S-095

U-18 Unternehmensweite Sitzlizenz für generative KI

Prüffeld	Bewertung
Ziel	Breiter Zugang soll individuelle Produktivität, Lernfähigkeit und Innovation im gesamten Unternehmen erhöhen.
Notwendige Baseline	Aufgabenmix, bestehende Toolkosten, aktive Nutzungsquoten, Zeitverwendung, Output- und Qualitätskennzahlen sowie Supportaufwand.
Wirkungshypothese	Ein Teil der Beschäftigten erzielt relevante Gewinne; pauschale Lizenzen können dennoch geringe Auslastung und schwer attribuierbaren Nutzen erzeugen.
TCO-Blöcke	Sitzlizenzen, Rollout, Identitäts- und Berechtigungsmanagement, Training, Governance, Support, Integration, Daten- und Sicherheitsmaßnahmen.
Nutzenkanäle	Breite Experimentierfähigkeit, schnellere Schreib- und Suchaufgaben, Kompetenzaufbau und Optionswert für spätere Use Cases.
Qualitäts-/Risikogate	Aktive Nutzung, geeignete Aufgaben, klare Datenregeln, messbare Outcome-Verbesserungen und Lizenzrückgabe bei Nichtnutzung.
Geeignetes Messdesign	Gestaffelter Rollout, Lotterie oder Waitlist als Vergleich; Telemetrie plus Stichproben; Segmentierung nach Rolle und Aufgabe; sechs bis zwölf Monate.
Entscheidungsklasse	Strategischer Enabler möglich, aber nicht automatisch positiver ROI. Sitzpreis mal Nutzerzahl ist nur die sichtbare Kostenuntergrenze.
Quellen	S-009, S-047, S-054, S-071

36-stufiger Umsetzungsfahrplan

Der Fahrplan verbindet Problemdefinition, Finanzmethodik, technische Evaluation, Governance und Nutzenrealisierung. Er ist als verbindliche Prüfreihenfolge gedacht; nicht jede Organisation benötigt dieselbe Dokumenttiefe, aber kein Schritt sollte stillschweigend übersprungen werden.

Phase	Nr.	Schritt	Umsetzung	Verantwortung	Ergebnis
Phase 1 - Problem und Alternativen	1	Geschäftsproblem und Entscheidung formulieren	Nicht „KI einführen“, sondern den heute beobachtbaren Engpass, Fehler oder Wertverlust in einem Satz definieren.	Business Owner	Problemstatement mit Ausgangswert
Phase 1 - Problem und Alternativen	2	Prozessgrenze festlegen	Start, Ende, Inputs, Outputs, Rollen, Systeme und Ausnahmen des betrachteten Prozesses dokumentieren.	Process Owner	Prozesskarte
Phase 1 - Problem und Alternativen	3	Ohne-KI-Alternativen prüfen	Regeln, Standardsoftware, Prozessvereinfachung, Schulung, Outsourcing oder organisatorische Änderung als echte Alternativen bewerten.	Fachbereich + IT	Optionsliste
Phase 1 - Problem und Alternativen	4	Werttreiber benennen	Zeit, Qualität, Durchsatz, Umsatz, Risiko, Working Capital oder strategischer Optionswert - ohne Doppelzählung.	Finance + Business	Value Tree
Phase 1 - Problem und Alternativen	5	Ausschlusskriterien definieren	Recht, Sicherheit, Fairness, Betriebsrat, Haftung, Reputation und irreversible Aktionen vor dem Pilot klären.	Legal/Security/Governance	Gate-Liste
Phase 1 - Problem und Alternativen	6	Nutzenverantwortung zuweisen	Eine Person übernimmt die Verantwortung dafür, dass betrieblicher Nutzen realisiert und nicht nur technische Lieferung dokumentiert wird.	Sponsor	Benefit Owner benannt
Phase 2 - Baseline und Wertlogik	7	Baseline-Zeitraum festlegen	Repräsentativen Zeitraum mit Saison, Volumen, Mix und Ausnahmen auswählen.	Controlling	Baseline-Protokoll
Phase 2 - Baseline und Wertlogik	8	Einheit und Nenner definieren	Zum Beispiel Fall, Auftrag, Ticket, Dokument, Entwickler-Issue oder akzeptierter Output.	Controlling + Fachbereich	Messdefinition
Phase 2 - Baseline und Wertlogik	9	Zeit und Qualität gemeinsam messen	Bruttozeit, Review, Nacharbeit, Fehlerklassen und Ergebnisqualität getrennt erfassen.	Process Owner	KPI-Baseline
Phase 2 - Baseline und Wertlogik	10	Kapazitätsumwandlung festlegen	Vorab festlegen, welcher Anteil gesparter Zeit als Cash, vermiedene Einstellung, Mehrleistung oder nicht monetärer Nutzen gilt.	Finance + HR	Conversion-Regel
Phase 2 - Baseline und Wertlogik	11	Gegenfaktum bestimmen	Definieren, was ohne Projekt wahrscheinlich passiert: Status quo, Wachstum, Ersatzsystem oder Prozessverbesserung.	Controlling	Counterfactual
Phase 2 - Baseline und Wertlogik	12	Erfolgsschwellen präregistrieren	Mindestverbesserung, Qualitätsgrenzen, Maximalbudget und Abbruchkriterien vor Ergebnissicht festlegen.	Steering Committee	Pilot Charter
Phase 3 - Daten, Modell und TCO	13	Daten- und Rechteprüfung durchführen	Datenarten, Herkunft, Qualität, Schutzbedarf, Nutzungserlaubnis und Löschung dokumentieren.	Data/Legal	Data Sheet
Phase 3 - Daten, Modell und TCO	14	Aufgaben-Modell-Fit testen	Aufgabenklassen getrennt evaluieren; keine Durchschnittsquote über ungleiche Aufgaben.	AI/ML + Fachbereich	Task Taxonomy
Phase 3 - Daten, Modell und TCO	15	Architekturalternativen vergleichen	SaaS, API, RAG, Fine-Tuning, Open Model, Eigenbetrieb und deterministische Komponenten vergleichen.	IT Architecture	Architecture Decision Record
Phase 3 - Daten, Modell und TCO	16	Vollständige TCO erfassen	Einmalige, wiederkehrende, variable, interne, Risiko-, Exit- und Opportunitätskosten aufnehmen.	Finance + IT	TCO-Modell
Phase 3 - Daten, Modell und TCO	17	Stückkosten modellieren	Kosten pro akzeptiertem Ergebnis über Volumen, Kontext, Retries, Review und Fehler bestimmen.	FinOps/Controlling	Unit Economics
Phase 3 - Daten, Modell und TCO	18	Vertrags- und Exit-Szenario prüfen	Preise, Unterauftragnehmer, Datenportabilität, Modellwechsel, Kündigung, Service Levels und Migration kalkulieren.	Procurement/Legal	Exit Plan
Phase 4 - Pilot und Evaluation	19	Goldstandard erstellen	Reale repräsentative Fälle mit fachlich geprüfter Zielantwort und Fehlergewichtung zusammenstellen.	Fachexperten	Evaluation Set
Phase 4 - Pilot und Evaluation	20	Shadow Mode nutzen	System zunächst ohne operative Wirkung gegen reale Fälle laufen lassen.	IT + Fachbereich	Shadow Report
Phase 4 - Pilot und Evaluation	21	Vergleichsdesign aufsetzen	Randomisierung, gestaffelte Einführung, Holdout oder belastbare Zeitreihenmethode wählen.	Evaluation Lead	Evaluation Plan
Phase 4 - Pilot und Evaluation	22	Nutzung und Nichtnutzung erfassen	ITT und tatsächliche Nutzung unterscheiden; Gründe für Nichtnutzung dokumentieren.	Product Owner	Adoption Data
Phase 4 - Pilot und Evaluation	23	Guardrails überwachen	Fehler, Datenschutz, Security, Fairness, Beschwerden und Ausnahmen kontinuierlich prüfen.	Risk Owners	Guardrail Dashboard
Phase 4 - Pilot und Evaluation	24	Nettoeffekt berechnen	Bruttogewinn abzüglich Review, Rework, Einführungseffekt, Ausfälle und variable Kosten.	Controlling	Pilot Business Case
Phase 5 - Skalierungsentscheidung	25	Übertragbarkeit prüfen	Sind Pilotnutzer, Aufgaben, Daten und Volumen repräsentativ für die Zielpopulation?	Evaluation Lead	External Validity Review
Phase 5 - Skalierungsentscheidung	26	Skalenkosten ergänzen	Support, Governance, Integration, Lizenzen, Datenpflege und Betriebsorganisation auf Zielgröße rechnen.	Finance + IT	Scale TCO
Phase 5 - Skalierungsentscheidung	27	Szenarien und Sensitivität rechnen	Downside, Base, Upside sowie Schlüsselvariablen, Schwellenwerte und Tail Risks dokumentieren.	Finance	Sensitivity Model
Phase 5 - Skalierungsentscheidung	28	Kapitalwert und Payback prüfen	Zeitpunkt der Kosten und Nutzen, Diskontierung und Liquiditätswirkung berücksichtigen.	Finance	Investment Appraisal
Phase 5 - Skalierungsentscheidung	29	Betriebsmodell festlegen	Rollen, Support, Monitoring, Freigaben, Incident Management, Schulung und Change definieren.	COO/CIO	Target Operating Model
Phase 5 - Skalierungsentscheidung	30	Go, Change oder Stop entscheiden	Entscheidung gegen vorab definierte Schwellen; sunk costs nicht als Fortsetzungsgrund verwenden.	Steering Committee	Decision Record
Phase 6 - Betrieb und Refresh	31	Nutzen monatlich/vierteljährlich verfolgen	Output, Qualität, Cash/Capacity, Kosten und Risiken in einem gemeinsamen Dashboard.	Benefit Owner	Benefits Register
Phase 6 - Betrieb und Refresh	32	Modell- und Datenänderungen kontrollieren	Änderungen testen, versionieren und bei wesentlicher Wirkung revalidieren.	MLOps/Product	Change Log
Phase 6 - Betrieb und Refresh	33	Nutzerkompetenz nachhalten	Training, Fehlermuster, Übervertrauen und Ausweichnutzung beobachten.	HR/Fachbereich	Capability Review
Phase 6 - Betrieb und Refresh	34	Kosten laufend optimieren	Routing, Caching, Kontext, Batch, Modelle und Lizenzen nur unter gleichbleibender Qualitätsgrenze optimieren.	FinOps	Cost Optimization Log
Phase 6 - Betrieb und Refresh	35	Business Case aktualisieren	Preise, Volumen, Qualität, Rechtslage, Prozesse und Gegenfaktum zu festen Terminen neu bewerten.	Finance + Governance	Business Case Refresh
Phase 6 - Betrieb und Refresh	36	Exit oder Neuausschreibung auslösen	Bei unterschrittenem Nutzen, neuen Risiken oder besseren Alternativen geordnet migrieren oder abschalten.	Sponsor + Procurement	Exit Decision

Durchgerechnetes ROI-Muster

Wichtiger Hinweis Die folgende Rechnung ist ausschließlich ein methodisches Beispiel. Sie ist keine Prognose und verwendet bewusst konservative Umwandlungsannahmen.

Ausgangslage

Variable	Annahme	Rechnung/Kommentar
Jahresvolumen	50.000 Fälle	geeignete und tatsächlich bearbeitete Fälle
Baseline-Bearbeitungszeit	12 Minuten je Fall	10.000 Stunden pro Jahr
Vollkostensatz	45 Euro je Stunde	Opportunitätsbewertung der Arbeitszeit
Brutto-Zeitgewinn durch KI	20 % = 2,4 Minuten	vor Review
Zusätzlicher Review	0,8 Minuten je Fall	Prüfung und Korrektur
Netto-Zeitgewinn	1,6 Minuten je Fall	2,4 minus 0,8
Freie Kapazität	1.333 Stunden	50.000 x 1,6 / 60
Brutto-Kapazitätswert	60.000 Euro	1.333 x 45 Euro
Monetarisierungsquote	40 %	60 % bleibt nicht monetarisierte Kapazität
Monetärer Kapazitätsnutzen	24.000 Euro	60.000 x 40 %
Qualitätsnutzen	17.500 Euro	500 vermiedene Fehler x 35 Euro
Gesamtnutzen pro Jahr	41.500 Euro	24.000 + 17.500
Wiederkehrende Jahreskosten	28.000 Euro	Lizenz, Betrieb, Review, Pflege
Einmalige Einführungskosten	45.000 Euro	Integration, Daten, Test, Change

Ergebnis

Kennzahl	Wert	Einordnung
Nettonutzen im ersten Jahr	-31.500 Euro	41.500 Nutzen - 28.000 laufend - 45.000 einmalig
Nettonutzen im stabilen Folgejahr	13.500 Euro	41.500 - 28.000
Einfache Amortisation	über 3 Jahre	45.000 / 13.500 = 3,33 Jahre, ohne Diskontierung
Einfacher 3-Jahres-Saldo	-4.500 Euro	3 x 41.500 - 3 x 28.000 - 45.000
Schlussfolgerung	Base Case noch nicht überzeugend	Mehr Volumen, höhere Monetarisierung, geringere Kosten oder zusätzlicher Nutzen erforderlich

Sensitivität

Variante	Monetarisierter Kapazitätsnutzen	Qualitätsnutzen	Laufende Kosten	Folgejahr-Netto	Folge
Downside: 20 % Monetarisierung, weniger Qualität	12.000	8.750	32.000	-11.250	wirtschaftlich negativ
Base	24.000	17.500	28.000	13.500	Payback >3 Jahre
Upside: 70 % Monetarisierung	42.000	17.500	28.000	31.500	Payback ca. 1,4 Jahre
Kostenoptimierung: Base-Nutzen, 18.000 Kosten	24.000	17.500	18.000	23.500	Payback ca. 1,9 Jahre

Aussage des Beispiels

Ein technisch plausibler Zeitgewinn kann im ersten Jahr wirtschaftlich negativ sein. Entscheidend sind Review, Monetarisierungsquote, Qualitätsnutzen, Fixkosten und Nutzungsdauer. Das Beispiel zeigt außerdem, weshalb „60.000 Euro gesparte Arbeitszeit“ nicht als 60.000 Euro Cash in den Business Case übernommen werden darf.

Zwanzig Mythenprüfungen

M-01 „40 Prozent schneller bedeutet 40 Prozent weniger Personalkosten.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Aufgabenzeit ist nur ein Teil der bezahlten Arbeit. Review, Koordination, nicht automatisierbare Schritte und fehlende Anpassung von Kapazität verhindern eine lineare Übertragung. Erst wenn frei werdende Kapazität tatsächlich eingespart oder wertschöpfend genutzt wird, entsteht ein monetärer Effekt.	S-001, S-009, S-010

M-02 „McKinseys 2,6 bis 4,4 Billionen US-Dollar sind bereits realisierte Gewinne.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Die Zahl ist eine modellierte jährliche Potenzialspanne über 63 Use Cases. Sie ist weder Bilanzwert noch Garantie und nicht proportional auf ein einzelnes Unternehmen übertragbar.	S-026

M-03 „Hohe KI-Nutzung beweist einen positiven ROI.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Adoption misst Nutzung, nicht inkrementellen Nutzen nach Vollkosten. Amtliche Quoten, Tool-Telemetrie und Rendite sind unterschiedliche Messgrößen.	S-056, S-057, S-071

M-04 „Der durchschnittliche Produktivitätsgewinn einer Studie gilt für alle Aufgaben.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Effekte unterscheiden sich nach Aufgabe, Erfahrung, Modell, Daten, Arbeitsprozess und Prüfbedarf. Der Durchschnitt kann Gewinner und Verlierer verdecken.	S-002, S-003, S-005, S-014

M-05 „Das stärkste Modell liefert immer den besten Business Case.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Ein teureres Modell kann unnötig sein; ein kleineres Modell kann bei gleicher akzeptierter Qualität günstiger, schneller oder kontrollierbarer sein. Maßgeblich ist der Nettoaufwand pro akzeptiertem Ergebnis.	S-083, S-085, S-094

M-06 „Der niedrigste Tokenpreis entscheidet.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Kontext, Retries, Agentenschleifen, Tool-Aufrufe, Review, Latenz und Fehlerrate bestimmen die echten Stückkosten. Listenpreise ohne Nutzungsprofil sind keine TCO.	S-080, S-081, S-082, S-085

M-07 „Ein erfolgreicher Pilot lässt sich linear auf das ganze Unternehmen skalieren.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Skalierung verändert Nutzergruppen, Daten, Integration, Support, Governance und Grenzfälle. Pilotselektion und J-Curve-Investitionen können den frühen Effekt verzerren.	S-040, S-041, S-047

M-08 „Selbstberichtete Zeitersparnis ist gemessene Produktivität.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Selbstauskünfte sind nützlich, aber anfällig für Wahrnehmungs- und Auswahlfehler. METR zeigte eine deutliche Lücke zwischen erwarteter und gemessener Entwicklungszeit.	S-005, S-008, S-010

M-09 „Steigender Umsatz nach Einführung wurde durch KI verursacht.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Ohne Gegenfaktum können Saison, Preise, Marketing, Vertrieb, Konjunktur oder Kundenselektion die Veränderung erklären. Für die Wirtschaftlichkeit zählt der inkrementelle Deckungsbeitrag.	S-071, S-072, S-075

M-10 „Qualität lässt sich nicht wirtschaftlich bewerten.“

Bewertung	Korrekte Einordnung	Quellen
ZU PAUSCHAL	Fehler, Nacharbeit, Reklamationen, Retouren, Eskalationen und Conversion können monetarisiert werden. Unsichere oder strategische Qualitätswerte sollten separat und transparent geführt werden.	S-071, S-073, S-076

M-11 „Ohne Personalabbau gibt es keinen Wert.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Wert kann aus Durchsatz, Qualität, schnellerem Wachstum, vermiedenen Neueinstellungen, Einarbeitung, Risiko oder Service entstehen. Nicht jeder Nutzen ist sofort Cash, muss aber sauber klassifiziert werden.	S-002, S-009, S-071

M-12 „Adoption ist Transformation.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Eine Lizenz oder gelegentliche Nutzung verändert noch keinen End-to-End-Prozess. Transformation erfordert Prozessdesign, Daten, Rollen, Messung und Verantwortlichkeit für realisierten Nutzen.	S-041, S-047, S-048

M-13 „Human Review ist kostenlos.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Prüfung beansprucht Zeit und kann zum Engpass werden. Bei komplexen oder hochriskanten Aufgaben kann sie den Bruttogewinn vollständig aufzehren.	S-003, S-005, S-020, S-024

M-14 „RAG beseitigt Halluzinationen.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Retrieval kann Grounding verbessern, garantiert aber weder richtige Retrieval-Auswahl noch korrekte Synthese. Quellenrichtigkeit und Antwortgenauigkeit müssen separat getestet werden.	S-020, S-088, S-090

M-15 „Mit generativer KI werden regelbasierte Systeme überflüssig.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Bei stabilen, formal beschreibbaren Prozessen sind Regeln oft günstiger, nachvollziehbarer und zuverlässiger. Generative Komponenten sollten nur dort eingesetzt werden, wo sie einen nachweisbaren Zusatzwert liefern.	S-071, S-087, S-099

M-16 „Compliance ist ein fixer Gemeinkostenblock und beeinflusst die Use-Case-Rendite nicht.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Daten, Risikoklasse, Autonomie und Schadenspotenzial verändern Prüf-, Dokumentations-, Sicherheits- und Haftungskosten. Manche Use Cases werden dadurch unwirtschaftlich oder unzulässig.	S-096, S-097, S-098, S-099

M-17 „ROI ist die einzige notwendige Finanzkennzahl.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	ROI ignoriert Zeitpunkt, absolute Wertgröße und teilweise Risiko. Kapitalwert, Payback, Liquidität, Szenarien und strategische Optionen ergänzen die Entscheidung.	S-071, S-073, S-074

M-18 „Negative Studien beweisen, dass KI sich nicht lohnt.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Sie zeigen Grenzen in bestimmten Aufgaben, Modellen und Settings. Gerade negative oder Nullbefunde helfen, Aufgaben auszuschließen und Prüfkosten realistisch zu kalkulieren.	S-005, S-015, S-016

M-19 „Positive Studien beweisen einen universellen Produktivitätssprung.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Positive kausale Befunde sind wertvoll, aber lokal. Übertragung erfordert Vergleichbarkeit von Aufgabe, Nutzer, Modell, Prozess und Zielgröße.	S-001, S-002, S-004

M-20 „Ein einmal berechneter ROI bleibt für die Nutzungsdauer gültig.“

Bewertung	Korrekte Einordnung	Quellen
FALSCH	Modelle, Preise, Nutzung, Qualität, Prozesse, Daten und Regulierung verändern sich. Ein Business Case braucht Refresh-Termine und Abbruch- oder Revalidierungstrigger.	S-036, S-084, S-096

Zwanzig offene Forschungsfragen

ID	Frage	Warum offen?	Benötigte Evidenz	Priorität	Quellen
O-01	Wie stark übersetzen sich Task-Gewinne langfristig in Gewinn, Umsatz und Gesamtproduktivität?	Viele belastbare Studien messen Minuten, Aufgaben oder Qualität; mehrjährige P&L- und Total-Factor-Productivity-Effekte sind selten.	Mehrjährige Panel- und Verwaltungsdaten, klare Vergleichsgruppen und Prozessdaten.	hoch	S-009, S-016, S-023
O-02	Welche Renditen erzielen produktive Agentensysteme im großen Maßstab?	Autonome Toolnutzung ist technisch und organisatorisch schnelllebig; öffentliche Evidenz stammt häufig aus Benchmarks oder Anbieterfällen.	Unabhängige Feld-RCTs mit Kosten, Fehlern, Interventionen und Schadenserwartung.	hoch	S-048, S-088, S-090
O-03	Fördert Assistenz Lernen oder führt sie langfristig zu Deskilling?	Kurzfristige Leistung und langfristige Kompetenz können auseinanderlaufen.	Längsschnittmessung von Kompetenz ohne Hilfsmittel, Lernpfaden und Fehlererkennung.	hoch	S-002, S-024
O-04	Wie stabil bleiben Qualitätsgewinne nach Modell-, Daten- und Prozessänderungen?	Modelle und Retrievalbestände ändern sich; statische Evaluationen altern.	Kontinuierliche repräsentative Testsets, Driftmetriken und Revalidierung nach Änderungen.	hoch	S-084, S-087, S-088
O-05	Wie groß ist der aktuelle Nettoeffekt von Coding-Assistenten in unterschiedlichen Codebasen?	Unternehmens-RCTs zeigen positive, METR in vertrauten Open-Source-Projekten negative Effekte; Werkzeuge entwickeln sich schnell.	Präregistrierte Multi-Company-RCTs mit Lifecycle-Qualität und Wartungskosten.	hoch	S-004, S-005, S-007, S-017
O-06	Wie wirken sinkende Modellpreise und Modellsubstitution auf TCO und Lock-in?	Preise sinken, Nutzung wächst und Architekturentscheidungen schaffen Wechselkosten.	Langfristige Kostenkohorten, standardisierte Workloads und realistische Exit-Szenarien.	mittel	S-037, S-082, S-084
O-07	Wie entwickeln sich Energie- und Infrastrukturkosten bei stark wachsender Inferenz?	Effizienzgewinne können durch Nachfrage und größere Modelle überkompensiert werden.	Workload-bezogene Energie- und Kapazitätsdaten über den Lifecycle.	mittel	S-093, S-094
O-08	Wie zuverlässig sind Unternehmensbefragungen zu Wert und EBIT?	Definitionen, Stichproben und Selbsteinschätzung variieren; geprüfte Finanzdaten fehlen oft.	Verknüpfung von Befragung, Telemetrie und Bilanz-/Prozessdaten.	hoch	S-041, S-047, S-048
O-09	Welcher Anteil frei werdender Zeit wird tatsächlich monetarisiert?	Zeit kann in Leerlauf, Qualitätsverbesserung, Mehrarbeit oder zusätzlichen Output fließen.	Zeitnutzungs- und Kapazitätsdaten vor und nach Einführung mit Nutzenverantwortung.	hoch	S-009, S-010, S-016
O-10	Wie elastisch ist die Nachfrage nach KI-verbesserten Leistungen?	Mehr Kapazität erzeugt nur Wert, wenn zusätzliche Nachfrage existiert oder Qualität bezahlt wird.	Preis-/Nachfrageexperimente und Deckungsbeitragsmessung.	mittel	S-071, S-074
O-11	Welche Organisationsdesigns realisieren nachhaltig den größten Wert?	Workflows, Rollen, Anreize und Zentralisierung können Modellleistung verstärken oder blockieren.	Vergleichende Organisationsstudien und gestaffelte Transformationen.	hoch	S-040, S-047, S-048
O-12	Wie verteilen sich Nutzen und Risiken nach Erfahrung, Rolle und Qualifikation?	Mehrere Studien zeigen stärkere Gewinne bei weniger Erfahrenen; andere Aufgaben erfordern hohe Expertise zur Fehlererkennung.	Heterogene Treatment-Effekte und Kompetenztests.	hoch	S-002, S-004, S-005
O-13	Verringert KI langfristig die Vielfalt von Ideen und Lösungen?	Einzelqualität kann steigen, während kollektive Vielfalt sinkt.	Portfolio- und Langzeitmessung über Produkte, Kampagnen und Forschung.	mittel	S-012, S-013
O-14	Wie lassen sich Vertrauen, Reputation und Kundenreaktionen verlässlich monetarisieren?	Schäden sind selten, asymmetrisch und schwer kausal zuzuordnen.	Ereignisstudien, Beschwerdedaten, Churn-Analysen und Szenariobewertung.	mittel	S-071, S-087
O-15	Wie sollen Tail Risks in Business Cases bewertet werden?	Niedrige Eintrittswahrscheinlichkeit und hohe Schäden machen Durchschnittskosten irreführend.	Szenario-, Schwellen- und Expected-Loss-Modelle mit Governance-Gates.	hoch	S-073, S-087, S-090, S-098
O-16	Welcher Prüfgrad ist je Aufgabe wirtschaftlich optimal?	Mehr Review senkt Risiko, erhöht aber Kosten und kann Geschwindigkeit neutralisieren.	Kostengewichtete Fehlerklassen, adaptive Stichproben und Risk-based Routing.	hoch	S-020, S-024, S-087
O-17	Wann ist Eigenbetrieb wirtschaftlicher als ein externer Dienst?	Volumen, Qualität, Kompetenzen, Datenschutz, Auslastung und Exitkosten unterscheiden sich stark.	Vergleichbare Total-Cost-Daten über mehrere Last- und Qualitätsprofile.	mittel	S-073, S-080, S-082, S-093
O-18	Wie hoch sind Lock-in- und Exitkosten realer KI-Systeme?	Prompts, Evaluation, Datenpipelines, Agenten und Nutzerprozesse binden an Plattformen.	Dokumentierte Migrationen mit Personal-, Ausfall- und Revalidierungskosten.	mittel	S-086, S-095
O-19	Wie gut lassen sich Studienergebnisse auf KMU übertragen?	Viele Feldstudien stammen aus großen Unternehmen, Plattformen oder spezifischen Berufen.	KMU-RCTs und standardisierte Prozessdaten nach Branche und Größe.	hoch	S-061, S-066, S-067
O-20	Welche Standardmetriken ermöglichen belastbare Vergleichbarkeit von KI-ROI?	Heute variieren Definitionen von Nutzung, Wert, Produktivität und Kosten.	Offene Messstandards für Quality-adjusted Output, TCO, Review und Attribution.	hoch	S-071, S-072, S-079

Buchrelevante Faktenkarten

Die Faktenkarten sind einzeln verwendbare Recherchebausteine. Sie sind keine fertigen Buchabsätze; Formulierung, Kontext und Quellen müssen bei Manuskripterstellung erhalten bleiben.

Faktenkarte F-001

Feld	Inhalt
Aussage	Die häufig zitierte Spanne von 2,6 bis 4,4 Billionen US-Dollar bezeichnet ein modelliertes jährliches Wertpotenzial aus 63 Use Cases, nicht bereits realisierten Gewinn, Cashflow oder Unternehmens-ROI.
Faktenstatus	MODELLSCHÄTZUNG
Voraussetzung/Einschränkung	Die Schätzung hängt von Adoption, Prozessveränderung, Kosten und tatsächlicher Umwandlung des Potenzials in wirtschaftlichen Wert ab.
Primär-/Hauptquellen	S-026, S-027, S-028
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-002

Feld	Inhalt
Aussage	Eine belastbare Wirtschaftlichkeitsrechnung vergleicht zusätzliche Kosten und zusätzliche Nutzenwirkungen im selben Scope, Zeitraum und Gegenfaktum.
Faktenstatus	METHODISCHER STANDARD
Voraussetzung/Einschränkung	Weder Bruttoeinsparungen noch Projektkosten dürfen isoliert betrachtet werden.
Primär-/Hauptquellen	S-071, S-073, S-074
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-003

Feld	Inhalt
Aussage	Gemessene Zeiteinsparung ist zunächst Kapazität. Sie wird erst dann zum monetären Nutzen, wenn die frei werdende Zeit tatsächlich produktiv genutzt, Nachfrage bedient, Fremdleistung vermieden oder Personalbedarf reduziert wird.
Faktenstatus	WIRTSCHAFTLICHE EINORDNUNG
Voraussetzung/Einschränkung	Auch nicht monetarisierte Entlastung kann strategisch relevant sein, muss aber separat ausgewiesen werden.
Primär-/Hauptquellen	S-009, S-010, S-071
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-004

Feld	Inhalt
Aussage	Im Kundenservice-Feldversuch mit 5.172 Beschäftigten stieg die Zahl gelöster Kundenprobleme pro Stunde durchschnittlich um 15 Prozent.
Faktenstatus	PEER-REVIEWTE FELDSTUDIE
Voraussetzung/Einschränkung	Ein Unternehmen, ein spezifisches Assistenzsystem und mittlere Laufzeit; keine universelle Übertragbarkeit.
Primär-/Hauptquellen	S-002
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-005

Feld	Inhalt
Aussage	Die Kundenservice-Effekte waren stark heterogen: weniger erfahrene oder schwächere Beschäftigte profitierten deutlich stärker, während sehr erfahrene Beschäftigte nur kleine Geschwindigkeitsgewinne und teilweise leichte Qualitätsverluste zeigten.
Faktenstatus	PEER-REVIEWTE FELDSTUDIE
Voraussetzung/Einschränkung	Mittelwerte dürfen nicht ungeprüft auf Rollen, Personen oder Teilaufgaben übertragen werden.
Primär-/Hauptquellen	S-002
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-006

Feld	Inhalt
Aussage	Noy und Zhang fanden bei 453 Fachkräften für abgegrenzte Schreibaufgaben im Mittel rund 40 Prozent weniger Bearbeitungszeit und 18 Prozent höhere Qualitätsbewertungen.
Faktenstatus	PEER-REVIEWTES EXPERIMENT
Voraussetzung/Einschränkung	Kurze professionelle Schreibaufgaben; keine Messung von Gesamtprozess, Unternehmensgewinn oder langfristigem Lernen.
Primär-/Hauptquellen	S-001
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-007

Feld	Inhalt
Aussage	In der BCG-Beraterstudie steigerten KI-Werkzeuge innerhalb der technologischen Leistungsgrenze Bearbeitungsgeschwindigkeit, Aufgabenmenge und Qualität.
Faktenstatus	PEER-REVIEWTE FELDSTUDIE
Voraussetzung/Einschränkung	Die Aufgaben waren kuratiert; Modell, Nutzer und Prozess entsprechen nicht automatisch anderen Unternehmen.
Primär-/Hauptquellen	S-003
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-008

Feld	Inhalt
Aussage	Außerhalb der Leistungsgrenze des Modells waren KI-Nutzer in derselben Studie bei einer komplexen Aufgabe 19 Prozentpunkte seltener richtig als die Kontrollgruppe.
Faktenstatus	PEER-REVIEWTE FELDSTUDIE
Voraussetzung/Einschränkung	Der Befund zeigt keine allgemeine Unbrauchbarkeit, sondern die wirtschaftliche Bedeutung der richtigen Aufgabenabgrenzung und Prüfung.
Primär-/Hauptquellen	S-003
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-009

Feld	Inhalt
Aussage	Drei randomisierte Feldexperimente mit insgesamt 4.867 Softwareentwicklern ergaben kombiniert 26,08 Prozent mehr erledigte Aufgaben bei Zugang zu einem KI-Coding-Assistenten.
Faktenstatus	WORKING PAPER / FELDEXPERIMENTE
Voraussetzung/Einschränkung	Die Einzelexperimente waren statistisch unpräziser; Akzeptanz und Effekt waren bei weniger erfahrenen Entwicklern höher.
Primär-/Hauptquellen	S-004
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-010

Feld	Inhalt
Aussage	Die METR-RCT mit 16 erfahrenen Open-Source-Entwicklern und 246 realen Issues ergab im untersuchten Setting eine 19-prozentige Verlangsamung bei erlaubter KI-Nutzung.
Faktenstatus	RCT / ENGER KONTEXT
Voraussetzung/Einschränkung	Erfahrene Entwickler, vertraute große Repositories und frühe 2025er Werkzeuge; kein Durchschnitt für Softwareentwicklung insgesamt.
Primär-/Hauptquellen	S-005, S-006
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-011

Feld	Inhalt
Aussage	METR erklärte 2026, dass Selbstselektion in der späteren Datenerhebung eine unverzerrte Schätzung des aktuellen Durchschnittseffekts verhindert.
Faktenstatus	FORSCHUNGSUPDATE
Voraussetzung/Einschränkung	Rohdaten aus freiwillig gewählten Aufgaben dürfen nicht als repräsentativer Produktivitätseffekt ausgegeben werden.
Primär-/Hauptquellen	S-007
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-012

Feld	Inhalt
Aussage	Selbsteinschätzung kann von gemessener Wirkung abweichen: Die METR-Teilnehmer erwarteten Beschleunigung und glaubten auch nach dem Versuch an einen Vorteil, obwohl die gemessene Zeit stieg.
Faktenstatus	RCT / WAHRNEHMUNGSBEFUND
Voraussetzung/Einschränkung	Der Befund ist kontextspezifisch, belegt aber die Notwendigkeit objektiver Messung.
Primär-/Hauptquellen	S-005, S-006
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-013

Feld	Inhalt
Aussage	Im Feldexperiment mit 7.137 Wissensarbeitern veränderte GenAI vor allem individuell steuerbare Arbeitsmuster wie E-Mail-Zeit; koordinationsabhängige Meetingzeit änderte sich nicht signifikant.
Faktenstatus	WORKING PAPER / FELDEXPERIMENT
Voraussetzung/Einschränkung	Arbeitsmuster sind kein direkter Gewinn- oder Outputnachweis.
Primär-/Hauptquellen	S-009
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-014

Feld	Inhalt
Aussage	Generative KI kann die Bewertung individueller kreativer Ergebnisse verbessern und gleichzeitig die Vielfalt der Gesamtheit der Ergebnisse verringern.
Faktenstatus	PEER-REVIEWTES EXPERIMENT
Voraussetzung/Einschränkung	Für Innovation muss neben Einzelqualität auch Portfolio-Diversität gemessen werden.
Primär-/Hauptquellen	S-012
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-015

Feld	Inhalt
Aussage	Im P&G-Feldexperiment konnten KI-unterstützte Einzelpersonen in bestimmten Produktinnovationsaufgaben das Leistungsniveau klassischer Teams erreichen und Aufgaben schneller erledigen.
Faktenstatus	PEER-REVIEWTE FELDSTUDIE
Voraussetzung/Einschränkung	Spezifische Aufgaben, Organisation und Experiment; kein pauschaler Beleg für die Halbierung von Teams.
Primär-/Hauptquellen	S-013
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-016

Feld	Inhalt
Aussage	Die prominent verbreitete Studie zu angeblich deutlich mehr Materialentdeckungen durch KI ist nicht belastbar; MIT erklärte, keinerlei Vertrauen in Datenherkunft, Zuverlässigkeit, Validität oder Verlässlichkeit der Forschung zu haben.
Faktenstatus	OFFIZIELLER NEGATIVBEFUND
Voraussetzung/Einschränkung	Die Ergebnisse dürfen nicht zur ROI-Prognose oder als Beleg für 44 Prozent mehr Innovation verwendet werden.
Primär-/Hauptquellen	S-021
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-017

Feld	Inhalt
Aussage	BCG klassifizierte 2024 nur 4 Prozent der befragten Unternehmen als Erzeuger substanziellen KI-Werts; 22 Prozent waren über den Proof of Concept hinaus.
Faktenstatus	BERATUNGSBEFRAGUNG
Voraussetzung/Einschränkung	Selbstbericht, eigene Reifegraddefinition und keine geprüften Finanzabschlüsse.
Primär-/Hauptquellen	S-041, S-042
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-018

Feld	Inhalt
Aussage	BCG klassifizierte 2025 5 Prozent der Unternehmen als future-built, 35 Prozent als skalierend mit beginnendem Wert und 60 Prozent als Unternehmen mit kaum materiellem Wert.
Faktenstatus	BERATUNGSBEFRAGUNG
Voraussetzung/Einschränkung	Eigene Kategorien; nicht mit einer amtlichen Erfolgsquote gleichzusetzen.
Primär-/Hauptquellen	S-043, S-044
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-019

Feld	Inhalt
Aussage	Adoption, Nutzungshäufigkeit, Zahl der Lizenzen und Zahl der Piloten sind Aktivitätskennzahlen, aber keine wirtschaftlichen Ergebniskennzahlen.
Faktenstatus	METHODISCHE EINORDNUNG
Voraussetzung/Einschränkung	Sie sind als Leading Indicators nützlich, wenn zusätzlich Output, Qualität, Kosten und Cash-Wirkung gemessen werden.
Primär-/Hauptquellen	S-047, S-048, S-071
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-020

Feld	Inhalt
Aussage	Eurostat meldete für 2025 eine KI-Nutzungsquote von 20,0 Prozent bei EU-Unternehmen mit mindestens zehn Beschäftigten.
Faktenstatus	AMTLICHE STATISTIK
Voraussetzung/Einschränkung	Die Quote misst Nutzung mindestens einer KI-Technologie, nicht ROI oder Reife.
Primär-/Hauptquellen	S-056, S-057
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-021

Feld	Inhalt
Aussage	Destatis weist für 2025 eine KI-Nutzung von 26 Prozent in der deutschen Unternehmensbefragung aus.
Faktenstatus	AMTLICHE STATISTIK
Voraussetzung/Einschränkung	Grundgesamtheit, Fragebogen und Definition müssen vor Vergleichen mit ifo, KfW oder Eurostat geprüft werden.
Primär-/Hauptquellen	S-059, S-060
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-022

Feld	Inhalt
Aussage	KfW Research schätzte 2026, dass etwa 20 Prozent des deutschen Mittelstands KI einsetzen.
Faktenstatus	OFFIZIELLE FORSCHUNGSBEFRAGUNG
Voraussetzung/Einschränkung	Die Kennzahl beschreibt Adoption, nicht finanziellen Return.
Primär-/Hauptquellen	S-061, S-062
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-023

Feld	Inhalt
Aussage	OECD-Befragungen von KMU zeigen berichtete Leistungsverbesserung und Unterstützung bei Skill-Lücken, aber wesentlich seltener einen direkt nachgewiesenen Umsatz- oder Gewinnbeitrag.
Faktenstatus	OFFIZIELLE BEFRAGUNG
Voraussetzung/Einschränkung	Selbstbericht und ausgewählte Stichprobe; keine kausale Renditeschätzung.
Primär-/Hauptquellen	S-066, S-067
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-024

Feld	Inhalt
Aussage	Makroökonomische Prognosen sind Bandbreiten auf Grundlage von Exposition, Adoption, Leistungsannahmen und Wachstumseffekten; sie sind keine Budgetvorlage für einen einzelnen Use Case.
Faktenstatus	MAKROÖKONOMISCHE EINORDNUNG
Voraussetzung/Einschränkung	Unterschiedliche Modelle können bei legitimen Annahmen stark unterschiedliche Resultate liefern.
Primär-/Hauptquellen	S-026, S-027, S-029, S-032
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-025

Feld	Inhalt
Aussage	Task-Potenzial, Branchenpotenzial, gesamtwirtschaftlicher Effekt und realisierter Unternehmens-ROI sind vier verschiedene Betrachtungsebenen.
Faktenstatus	EIGENE SYNTHESE
Voraussetzung/Einschränkung	Eine Prozentzahl darf nicht zwischen diesen Ebenen übertragen werden, ohne Mechanismus und Nenner offenzulegen.
Primär-/Hauptquellen	S-023, S-026, S-028, S-100
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-026

Feld	Inhalt
Aussage	Ein positiver Pilot kann beim Skalieren verschwinden, weil Nutzerstruktur, Daten, Ausnahmen, Integration, Support, Governance und variable Kosten wachsen.
Faktenstatus	METHODISCHE SYNTHESE
Voraussetzung/Einschränkung	Skalierung braucht einen neuen Business Case mit Produktionsdaten und nicht nur Hochrechnung der Pilotquote.
Primär-/Hauptquellen	S-040, S-047, S-071, S-086
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-027

Feld	Inhalt
Aussage	Eine Baseline muss mindestens Volumen, Bearbeitungs- und Wartezeit, Qualitätsniveau, Fehler, Nacharbeit, Nachfrage, Personalkosten und Prozessvarianten erfassen.
Faktenstatus	METHODISCHER STANDARD
Voraussetzung/Einschränkung	Ohne belastbaren Ausgangszustand kann ein späterer Unterschied nicht wirtschaftlich interpretiert werden.
Primär-/Hauptquellen	S-071, S-072, S-073
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-028

Feld	Inhalt
Aussage	Das Gegenfaktum beschreibt, was ohne das KI-Projekt im selben Zeitraum voraussichtlich passiert wäre.
Faktenstatus	METHODISCHER STANDARD
Voraussetzung/Einschränkung	Es kann technologische Trends, saisonale Effekte, Personalwechsel und andere Verbesserungsmaßnahmen enthalten.
Primär-/Hauptquellen	S-071, S-072, S-075
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-029

Feld	Inhalt
Aussage	Ein einfacher Vorher-nachher-Vergleich ist schwach, wenn gleichzeitig Volumen, Personal, Preise, Prozesse, Saison oder Managementziele verändert wurden.
Faktenstatus	METHODISCHER STANDARD
Voraussetzung/Einschränkung	Je höher die Investition, desto stärker sollte das Evaluationsdesign sein.
Primär-/Hauptquellen	S-072, S-075
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-030

Feld	Inhalt
Aussage	Randomisierung ist für kausale Messung stark, aber nicht immer praktikabel; Alternativen sind gestaffelte Einführung, Difference-in-Differences, Matching, synthetische Kontrollen oder belastbare Zeitreihen.
Faktenstatus	METHODISCHER STANDARD
Voraussetzung/Einschränkung	Jede Alternative hat Voraussetzungen und Verzerrungsrisiken.
Primär-/Hauptquellen	S-072, S-075
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-031

Feld	Inhalt
Aussage	Die Total Cost of Ownership eines KI-Systems umfasst neben Lizenz und Token mindestens Integration, Datenarbeit, Tests, Human Review, Schulung, Change, Security, Recht, Governance, Monitoring, Support, Ausfälle und Exit.
Faktenstatus	WIRTSCHAFTLICHE SYNTHESE
Voraussetzung/Einschränkung	Kostenblöcke variieren nach Architektur, Kritikalität und Make-or-buy-Entscheidung.
Primär-/Hauptquellen	S-073, S-079, S-086, S-087
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-032

Feld	Inhalt
Aussage	Variable GenAI-Kosten können mit Kontextlänge, Ausgabeumfang, Modellauswahl, Tool-Aufrufen, Agentenschleifen, Retries und Nutzung stark schwanken.
Faktenstatus	TECHNISCHE KOSTENEINORDNUNG
Voraussetzung/Einschränkung	Listenpreise reichen ohne reale Nutzungsprofile nicht für eine TCO-Prognose.
Primär-/Hauptquellen	S-080, S-081, S-082, S-085
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-033

Feld	Inhalt
Aussage	Die billigste Modellantwort ist nicht zwingend das wirtschaftlichste Ergebnis; entscheidend ist der Preis pro akzeptiertem, geprüftem und tatsächlich verwendetem Output.
Faktenstatus	UNIT-ECONOMICS-SYNTHESE
Voraussetzung/Einschränkung	Qualitäts- und Prüfkosten müssen auf denselben Outputnenner gebracht werden.
Primär-/Hauptquellen	S-020, S-083, S-085
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-034

Feld	Inhalt
Aussage	Das größte oder leistungsfähigste Modell ist nicht automatisch die wirtschaftlichste Wahl; Routing und abgestufte Modelle können Kosten reduzieren, wenn die Qualitätsschwelle eingehalten wird.
Faktenstatus	TECHNISCHE WIRTSCHAFTLICHKEIT
Voraussetzung/Einschränkung	Routing erzeugt selbst Entwicklungs-, Test- und Monitoringaufwand.
Primär-/Hauptquellen	S-036, S-083, S-094
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-035

Feld	Inhalt
Aussage	Verifikation, Korrektur und Freigabe von KI-Ausgaben sind eigene Arbeitsschritte und müssen zeitlich sowie kostenmäßig gemessen werden.
Faktenstatus	METHODISCHE SYNTHESE
Voraussetzung/Einschränkung	Ein Brutto-Geschwindigkeitsgewinn kann durch Review und Nacharbeit vollständig aufgezehrt werden.
Primär-/Hauptquellen	S-003, S-005, S-020, S-047
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-036

Feld	Inhalt
Aussage	Qualitätsverbesserung kann wirtschaftlich wertvoller sein als Zeitersparnis, etwa durch weniger Reklamationen, geringere Fehlerkosten oder höhere Conversion.
Faktenstatus	WIRTSCHAFTLICHE EINORDNUNG
Voraussetzung/Einschränkung	Die Wirkung muss kausal, bewertbar und ohne Doppelzählung erfasst werden.
Primär-/Hauptquellen	S-001, S-002, S-071
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-037

Feld	Inhalt
Aussage	Freie Kapazität ist nur dann ein finanzieller Nutzen, wenn sie monetarisiert, für wertschöpfende Zusatzleistung genutzt oder zur Vermeidung anderer Kosten eingesetzt wird.
Faktenstatus	WIRTSCHAFTLICHE EINORDNUNG
Voraussetzung/Einschränkung	Nicht monetarisierte Kapazität bleibt ein operativer oder strategischer Nutzen, aber kein Cash-Effekt.
Primär-/Hauptquellen	S-009, S-010, S-071
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-038

Feld	Inhalt
Aussage	Entlastung, Zufriedenheit, geringere Belastung und Lernwirkung sind relevante Nutzenarten, sollten aber nicht ohne Bewertungsmethode als Eurobetrag in den ROI eingerechnet werden.
Faktenstatus	METHODISCHE EINORDNUNG
Voraussetzung/Einschränkung	Sie können als separate nicht monetäre Scorecard oder mit transparenten Proxy-Annahmen geführt werden.
Primär-/Hauptquellen	S-002, S-071, S-076
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-039

Feld	Inhalt
Aussage	Umsatzwirkungen brauchen eine Attribution: zusätzlicher Umsatz ist nur der Anteil, der gegenüber dem Gegenfaktum auf die KI-Maßnahme zurückzuführen ist; wirtschaftlich relevant ist regelmäßig der Deckungsbeitrag.
Faktenstatus	METHODISCHER STANDARD
Voraussetzung/Einschränkung	Kannibalisierung, Rabatte, Marketingeffekte und Kapazitätsengpässe sind abzuziehen.
Primär-/Hauptquellen	S-071, S-074
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-040

Feld	Inhalt
Aussage	ROI allein kann Projekte falsch ordnen; ergänzend sind Kapitalwert, Amortisationsdauer, absolute Wertgröße, Risiko, Liquidität und strategische Optionen zu betrachten.
Faktenstatus	FINANZMETHODIK
Voraussetzung/Einschränkung	ROI kann bei kleinen Projekten hoch sein, obwohl ihr absoluter Beitrag gering ist.
Primär-/Hauptquellen	S-071, S-073, S-074
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-041

Feld	Inhalt
Aussage	Eine Wirtschaftlichkeitsrechnung sollte mindestens Basis-, Upside- und Downside-Szenario sowie Sensitivität für die wichtigsten Treiber enthalten.
Faktenstatus	FINANZMETHODIK
Voraussetzung/Einschränkung	Bandbreiten sind ehrlicher als eine einzelne scheinpräzise Rendite.
Primär-/Hauptquellen	S-071, S-073
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-042

Feld	Inhalt
Aussage	Modellleistung, Preise, Vertragsbedingungen, Datenlage und Regulierung können sich innerhalb der Amortisationszeit verändern.
Faktenstatus	AKTUALITÄTSRISIKO
Voraussetzung/Einschränkung	Business Case und Freigabegrenzen brauchen definierte Refresh-Zeitpunkte und Trigger.
Primär-/Hauptquellen	S-036, S-084, S-096, S-098
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-043

Feld	Inhalt
Aussage	Datenabhängigkeiten, Konfigurationen, Monitoring und Modellwechsel erzeugen technische Schuld und wiederkehrende Wartungskosten.
Faktenstatus	PEER-REVIEWTE TECHNISCHE EINORDNUNG
Voraussetzung/Einschränkung	Kosten werden häufig erst nach dem Pilot sichtbar und wachsen mit Integrationsgrad und Lebensdauer.
Primär-/Hauptquellen	S-086
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-044

Feld	Inhalt
Aussage	Datenschutz, Security, AI Act, Haftung und interne Kontrolle sind keine pauschalen Overheadpositionen; sie können Use Cases ausschließen, Schutzmaßnahmen erzwingen oder die TCO deutlich verändern.
Faktenstatus	RECHTLICH-WIRTSCHAFTLICHE SYNTHESE
Voraussetzung/Einschränkung	Die konkrete Belastung hängt von Daten, Rollen, Risikoklasse und Architektur ab.
Primär-/Hauptquellen	S-087, S-090, S-096, S-097, S-098, S-099
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-045

Feld	Inhalt
Aussage	Ein rechnerisch positiver ROI macht einen rechtswidrigen, diskriminierenden, unsicheren oder strategisch schädlichen Einsatz nicht zulässig oder sinnvoll.
Faktenstatus	GOVERNANCE-GRUNDSATZ
Voraussetzung/Einschränkung	Wirtschaftlichkeit ist nur ein Entscheidungskriterium unter mehreren verbindlichen Gates.
Primär-/Hauptquellen	S-087, S-095, S-096, S-097
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-046

Feld	Inhalt
Aussage	Ein KI-Portfolio sollte wenige klar wertgebundene Use Cases priorisieren statt möglichst viele Piloten zu zählen.
Faktenstatus	EVIDENZBASIERTE MANAGEMENTSYNTHESE
Voraussetzung/Einschränkung	Die optimale Zahl hängt von Ressourcen, Abhängigkeiten und Lernziel ab.
Primär-/Hauptquellen	S-041, S-047, S-048
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-047

Feld	Inhalt
Aussage	Skalierung entsteht meist durch Prozess- und Rollen redesign, Datenintegration, Training und Führung - nicht allein durch ein leistungsfähigeres Modell.
Faktenstatus	EVIDENZBASIERTE MANAGEMENTSYNTHESE
Voraussetzung/Einschränkung	Beratungsbefunde zeigen Korrelationen; kausale Wirkung einzelner Managementpraktiken ist begrenzt.
Primär-/Hauptquellen	S-040, S-047, S-048
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	mittel
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-048

Feld	Inhalt
Aussage	KI-Effekte können sich über Zeit verändern: Nutzer lernen, Modelle wechseln, Aufgaben verschieben sich, Kontrollaufwand sinkt oder neue Fehler treten auf.
Faktenstatus	DYNAMISCHE EINORDNUNG
Voraussetzung/Einschränkung	Ein einmaliger Pilotwert darf nicht unverändert über mehrere Jahre fortgeschrieben werden.
Primär-/Hauptquellen	S-002, S-007, S-009, S-084
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-049

Feld	Inhalt
Aussage	Jeder Produktivitäts-KPI braucht mindestens einen passenden Qualitäts- und RisikokPI, damit Geschwindigkeit nicht durch mehr Fehler, Homogenität oder Kontrollverlust erkauft wird.
Faktenstatus	METHODISCHE SYNTHESE
Voraussetzung/Einschränkung	Die konkrete Guardrail-Metrik muss zum Prozess und Schadensbild passen.
Primär-/Hauptquellen	S-003, S-012, S-020, S-087
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	niedrig
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Faktenkarte F-050

Feld	Inhalt
Aussage	Preise, Modelle, Studien, amtliche Nutzungsquoten und Rechtslage sind schnell veraltend und müssen vor Buchveröffentlichung sowie vor Investitionsentscheidungen erneut geprüft werden.
Faktenstatus	REFRESH-PFLICHT
Voraussetzung/Einschränkung	Besonders kritisch sind Modellpreise, Agentenfunktionen, laufende Studien und Rechtsänderungen.
Primär-/Hauptquellen	S-036, S-056, S-084, S-096
Zuletzt geprüft	7. August 2026
Aktualisierungsrisiko	hoch
Mögliche Buchverwendung	Einordnung von Wirtschaftlichkeit, Studienlage, Messmethodik oder Unternehmenspraxis; keine isolierte Prozentbehauptung ohne Kontext.

Glossar

ROI: Return on Investment: Verhältnis eines definierten Nettoertrags zum eingesetzten Kapital oder zu den Kosten. Formel und Zeitraum müssen ausdrücklich angegeben werden.
TCO: Total Cost of Ownership: Vollkosten über Einführung, Betrieb, Änderung und Beendigung; nicht nur Lizenz oder Token.
Kapitalwert / NPV: Barwert aller erwarteten Ein- und Auszahlungen gegenüber einer Alternative, diskontiert auf einen gemeinsamen Zeitpunkt.
Amortisationsdauer / Payback: Zeit, bis kumulierte Nettozuflüsse die Anfangsinvestition ausgleichen. Zeitwert und Nutzen nach Payback können unberücksichtigt bleiben.
Interner Zinsfuß / IRR: Diskontsatz, bei dem der Kapitalwert null ist. Bei ungewöhnlichen Zahlungsreihen kann die Kennzahl mehrdeutig sein.
Baseline: Gemessener Ausgangszustand vor der Intervention, einschließlich Volumen, Mix, Zeit, Qualität und Kosten.
Gegenfaktum: Das plausible Ergebnis ohne die betrachtete Maßnahme. Es ist nicht zwingend identisch mit unverändertem Status quo.
Intention-to-Treat / ITT: Wirkung der Zuweisung zu einer Maßnahme, unabhängig davon, ob alle Zugewiesenen sie tatsächlich nutzen.
Treatment-on-the-Treated: Geschätzter Effekt bei tatsächlichen Nutzern. Ohne geeignete Identifikation kann Selbstselektion den Wert verzerren.
Randomisierte kontrollierte Studie / RCT: Teilnehmende oder Einheiten werden zufällig Treatment und Kontrolle zugewiesen, um systematische Unterschiede zu reduzieren.
Holdout-Gruppe: Teil der Population, der die Maßnahme zunächst nicht erhält und als Vergleich dient.
A/B-Test: Randomisierter Vergleich zweier Varianten. Für Prozess-KI müssen Kontamination und Lerneffekte berücksichtigt werden.
Difference-in-Differences: Vergleicht Veränderungen über Zeit zwischen Treatment- und Vergleichsgruppe unter einer Paralleltrend-Annahme.
Matching: Beobachtungseinheiten werden anhand ähnlicher Merkmale verglichen. Unbeobachtete Unterschiede können verbleiben.
Synthetic Control: Konstruiert aus mehreren Vergleichseinheiten ein gewichtetes Gegenfaktum für eine behandelte Einheit.
Konfidenzintervall: Bereich plausibler Effektwerte unter Modell- und Stichprobenannahmen; kein Garantiebereich für den wahren Wert.
Effektgröße: Größe einer beobachteten Veränderung in natürlicher oder standardisierter Einheit.
Statistische Signifikanz: Aussage über Kompatibilität der Daten mit einer Nullhypothese; nicht gleichbedeutend mit wirtschaftlicher Relevanz.
Externe Validität: Übertragbarkeit eines Befunds auf andere Aufgaben, Nutzer, Organisationen, Modelle oder Zeitpunkte.
Selektionsbias: Verzerrung, wenn Teilnehmer, Aufgaben oder Beobachtungen systematisch ausgewählt sind.
Regression zur Mitte: Extreme Ausgangswerte tendieren bei Wiederholungsmessung auch ohne Intervention zu weniger extremen Werten.
Hawthorne-Effekt: Verhaltensänderung, weil Personen wissen, dass sie beobachtet werden oder an einem Pilot teilnehmen.
Produktivität: Output im Verhältnis zu einem oder mehreren Inputs. Die gewählte Output- und Inputdefinition entscheidet über die Aussage.
Effizienz: Verhältnis von Leistung zu Ressourceneinsatz; sagt nicht zwingend, ob das richtige Ziel erreicht wird.
Wirksamkeit / Effectiveness: Grad, in dem eine Maßnahme unter realen Bedingungen die beabsichtigten Ergebnisse erzielt.
Qualitätsadjustierter Output: Outputmenge, gewichtet oder begrenzt durch Qualitätskriterien, damit Geschwindigkeit nicht durch Fehler erkauft wird.
Durchsatz: Anzahl abgeschlossener Einheiten pro Zeitspanne.
Cycle Time: Zeit vom definierten Prozessstart bis zum Abschluss einer Einheit.
Nacharbeit / Rework: Zusätzliche Arbeit zur Korrektur, Ergänzung oder Wiederholung eines Ergebnisses.
Fehlerquote: Anteil fehlerhafter Ergebnisse; Fehlerklassen und Schwere müssen definiert sein.
Kapazitätswert: Betrieblicher Wert frei werdender Arbeitszeit. Er ist nicht automatisch gleich Cash-Einsparung.
Cash Benefit: Tatsächlich zahlungswirksamer Mehrzufluss oder Minderabfluss gegenüber dem Gegenfaktum.
Cost Avoidance: Vermiedene künftige Kosten, etwa eine nicht notwendige Einstellung; nicht identisch mit bereits realisierter Kostensenkung.
Working Capital: Im operativen Geschäft gebundenes Kapital, etwa Forderungen und Vorräte; Prozessbeschleunigung kann Finanzierungskosten beeinflussen.
Inkrementeller Umsatz: Zusätzlicher Umsatz gegenüber dem Gegenfaktum, der der Maßnahme kausal zugerechnet werden kann.
Deckungsbeitrag: Umsatz abzüglich variabler Kosten; für Umsatznutzen meist geeigneter als Bruttoumsatz.
Attribution: Zurechnung einer Veränderung zur betrachteten Maßnahme statt zu anderen Einflüssen.
Kannibalisierung: Neuer Umsatz oder Output ersetzt bestehenden, statt ihn zu ergänzen.
Deadweight: Nutzen, der auch ohne die Maßnahme eingetreten wäre.
Opportunitätskosten: Wert der besten nicht gewählten Alternative, einschließlich gebundener Fach- und IT-Ressourcen.
Diskontsatz: Zinssatz zur Umrechnung künftiger Werte auf einen heutigen Barwert; reflektiert Zeitwert und je nach Methodik Risiko.
Sensitivitätsanalyse: Prüft, wie sich das Ergebnis bei Änderung einzelner Annahmen verändert.
Szenarioanalyse: Bewertet konsistente Kombinationen mehrerer Annahmen, etwa Downside, Base und Upside.
Monte-Carlo-Simulation: Simuliert viele Kombinationen verteilter Eingaben, um eine Ergebnisverteilung statt eines Punktwerts zu erhalten.
Unit Economics: Kosten und Nutzen je definierter Einheit, etwa akzeptiertem Supportfall oder freigegebenem Dokument.
Kosten pro akzeptiertem Ergebnis: Gesamtkosten einschließlich Review und Fehlern geteilt durch tatsächlich verwendbare Outputs.
Token: Technische Textverarbeitungseinheit vieler Sprachmodelle; Tokenmenge ist ein Kostentreiber, aber kein Geschäftswert.
Inferenz: Nutzung eines trainierten Modells zur Erzeugung einer Vorhersage oder Ausgabe.
Fine-Tuning: Zusätzliche Anpassung eines Modells mit Beispieldaten; erzeugt Daten-, Evaluations- und Lifecycle-Kosten.
Retrieval-Augmented Generation / RAG: Verknüpft ein generatives Modell mit einer externen Wissenssuche; verbessert Grounding, garantiert aber keine Richtigkeit.
Agent: System, das Ziele in Schritte zerlegt, Werkzeuge aufruft und Aktionen ausführt; Autonomie und Fehlerschaden müssen begrenzt werden.
Human-in-the-Loop / HITL: Menschliche Prüfung oder Entscheidung im Prozess. Sie ist nur wirksam, wenn Kompetenz, Zeit, Information und echte Eingriffsmöglichkeit vorhanden sind.
Model Drift: Veränderung von Leistung oder Fehlerprofil durch geänderte Daten, Nutzung, Umgebung oder Modellversion.
Vendor Lock-in: Wechselbarriere durch proprietäre Schnittstellen, Datenformate, Workflows, Evaluationen oder Verträge.
Benefit Owner: Verantwortliche Person für Definition, Realisierung, Messung und Aktualisierung des erwarteten Nutzens.

Beleg- und Quellenmatrix

Fakten-ID	Aussage	Quellen-ID	Belegtyp	Hinweis
F-001	Die häufig zitierte Spanne von 2,6 bis 4,4 Billionen US-Dollar bezeichnet ein modelliertes jährliches Wertpotenzial aus 63 Use Cases, nicht bereits realisierten Gewinn, Cashflow oder Unternehmens-ROI.	S-026, S-027, S-028	MODELLSCHÄTZUNG	Die Schätzung hängt von Adoption, Prozessveränderung, Kosten und tatsächlicher Umwandlung des Potenzials in wirtschaftlichen Wert ab.
F-002	Eine belastbare Wirtschaftlichkeitsrechnung vergleicht zusätzliche Kosten und zusätzliche Nutzenwirkungen im selben Scope, Zeitraum und Gegenfaktum.	S-071, S-073, S-074	METHODISCHER STANDARD	Weder Bruttoeinsparungen noch Projektkosten dürfen isoliert betrachtet werden.
F-003	Gemessene Zeiteinsparung ist zunächst Kapazität. Sie wird erst dann zum monetären Nutzen, wenn die frei werdende Zeit tatsächlich produktiv genutzt, Nachfrage bedient, Fremdleistung vermieden oder Personalbedarf reduziert wird.	S-009, S-010, S-071	WIRTSCHAFTLICHE EINORDNUNG	Auch nicht monetarisierte Entlastung kann strategisch relevant sein, muss aber separat ausgewiesen werden.
F-004	Im Kundenservice-Feldversuch mit 5.172 Beschäftigten stieg die Zahl gelöster Kundenprobleme pro Stunde durchschnittlich um 15 Prozent.	S-002	PEER-REVIEWTE FELDSTUDIE	Ein Unternehmen, ein spezifisches Assistenzsystem und mittlere Laufzeit; keine universelle Übertragbarkeit.
F-005	Die Kundenservice-Effekte waren stark heterogen: weniger erfahrene oder schwächere Beschäftigte profitierten deutlich stärker, während sehr erfahrene Beschäftigte nur kleine Geschwindigkeitsgewinne und teilweise leichte Qualitätsverluste zeigten.	S-002	PEER-REVIEWTE FELDSTUDIE	Mittelwerte dürfen nicht ungeprüft auf Rollen, Personen oder Teilaufgaben übertragen werden.
F-006	Noy und Zhang fanden bei 453 Fachkräften für abgegrenzte Schreibaufgaben im Mittel rund 40 Prozent weniger Bearbeitungszeit und 18 Prozent höhere Qualitätsbewertungen.	S-001	PEER-REVIEWTES EXPERIMENT	Kurze professionelle Schreibaufgaben; keine Messung von Gesamtprozess, Unternehmensgewinn oder langfristigem Lernen.
F-007	In der BCG-Beraterstudie steigerten KI-Werkzeuge innerhalb der technologischen Leistungsgrenze Bearbeitungsgeschwindigkeit, Aufgabenmenge und Qualität.	S-003	PEER-REVIEWTE FELDSTUDIE	Die Aufgaben waren kuratiert; Modell, Nutzer und Prozess entsprechen nicht automatisch anderen Unternehmen.
F-008	Außerhalb der Leistungsgrenze des Modells waren KI-Nutzer in derselben Studie bei einer komplexen Aufgabe 19 Prozentpunkte seltener richtig als die Kontrollgruppe.	S-003	PEER-REVIEWTE FELDSTUDIE	Der Befund zeigt keine allgemeine Unbrauchbarkeit, sondern die wirtschaftliche Bedeutung der richtigen Aufgabenabgrenzung und Prüfung.
F-009	Drei randomisierte Feldexperimente mit insgesamt 4.867 Softwareentwicklern ergaben kombiniert 26,08 Prozent mehr erledigte Aufgaben bei Zugang zu einem KI-Coding-Assistenten.	S-004	WORKING PAPER / FELDEXPERIMENTE	Die Einzelexperimente waren statistisch unpräziser; Akzeptanz und Effekt waren bei weniger erfahrenen Entwicklern höher.
F-010	Die METR-RCT mit 16 erfahrenen Open-Source-Entwicklern und 246 realen Issues ergab im untersuchten Setting eine 19-prozentige Verlangsamung bei erlaubter KI-Nutzung.	S-005, S-006	RCT / ENGER KONTEXT	Erfahrene Entwickler, vertraute große Repositories und frühe 2025er Werkzeuge; kein Durchschnitt für Softwareentwicklung insgesamt.
F-011	METR erklärte 2026, dass Selbstselektion in der späteren Datenerhebung eine unverzerrte Schätzung des aktuellen Durchschnittseffekts verhindert.	S-007	FORSCHUNGSUPDATE	Rohdaten aus freiwillig gewählten Aufgaben dürfen nicht als repräsentativer Produktivitätseffekt ausgegeben werden.
F-012	Selbsteinschätzung kann von gemessener Wirkung abweichen: Die METR-Teilnehmer erwarteten Beschleunigung und glaubten auch nach dem Versuch an einen Vorteil, obwohl die gemessene Zeit stieg.	S-005, S-006	RCT / WAHRNEHMUNGSBEFUND	Der Befund ist kontextspezifisch, belegt aber die Notwendigkeit objektiver Messung.
F-013	Im Feldexperiment mit 7.137 Wissensarbeitern veränderte GenAI vor allem individuell steuerbare Arbeitsmuster wie E-Mail-Zeit; koordinationsabhängige Meetingzeit änderte sich nicht signifikant.	S-009	WORKING PAPER / FELDEXPERIMENT	Arbeitsmuster sind kein direkter Gewinn- oder Outputnachweis.
F-014	Generative KI kann die Bewertung individueller kreativer Ergebnisse verbessern und gleichzeitig die Vielfalt der Gesamtheit der Ergebnisse verringern.	S-012	PEER-REVIEWTES EXPERIMENT	Für Innovation muss neben Einzelqualität auch Portfolio-Diversität gemessen werden.
F-015	Im P&G-Feldexperiment konnten KI-unterstützte Einzelpersonen in bestimmten Produktinnovationsaufgaben das Leistungsniveau klassischer Teams erreichen und Aufgaben schneller erledigen.	S-013	PEER-REVIEWTE FELDSTUDIE	Spezifische Aufgaben, Organisation und Experiment; kein pauschaler Beleg für die Halbierung von Teams.
F-016	Die prominent verbreitete Studie zu angeblich deutlich mehr Materialentdeckungen durch KI ist nicht belastbar; MIT erklärte, keinerlei Vertrauen in Datenherkunft, Zuverlässigkeit, Validität oder Verlässlichkeit der Forschung zu haben.	S-021	OFFIZIELLER NEGATIVBEFUND	Die Ergebnisse dürfen nicht zur ROI-Prognose oder als Beleg für 44 Prozent mehr Innovation verwendet werden.
F-017	BCG klassifizierte 2024 nur 4 Prozent der befragten Unternehmen als Erzeuger substanziellen KI-Werts; 22 Prozent waren über den Proof of Concept hinaus.	S-041, S-042	BERATUNGSBEFRAGUNG	Selbstbericht, eigene Reifegraddefinition und keine geprüften Finanzabschlüsse.
F-018	BCG klassifizierte 2025 5 Prozent der Unternehmen als future-built, 35 Prozent als skalierend mit beginnendem Wert und 60 Prozent als Unternehmen mit kaum materiellem Wert.	S-043, S-044	BERATUNGSBEFRAGUNG	Eigene Kategorien; nicht mit einer amtlichen Erfolgsquote gleichzusetzen.
F-019	Adoption, Nutzungshäufigkeit, Zahl der Lizenzen und Zahl der Piloten sind Aktivitätskennzahlen, aber keine wirtschaftlichen Ergebniskennzahlen.	S-047, S-048, S-071	METHODISCHE EINORDNUNG	Sie sind als Leading Indicators nützlich, wenn zusätzlich Output, Qualität, Kosten und Cash-Wirkung gemessen werden.
F-020	Eurostat meldete für 2025 eine KI-Nutzungsquote von 20,0 Prozent bei EU-Unternehmen mit mindestens zehn Beschäftigten.	S-056, S-057	AMTLICHE STATISTIK	Die Quote misst Nutzung mindestens einer KI-Technologie, nicht ROI oder Reife.
F-021	Destatis weist für 2025 eine KI-Nutzung von 26 Prozent in der deutschen Unternehmensbefragung aus.	S-059, S-060	AMTLICHE STATISTIK	Grundgesamtheit, Fragebogen und Definition müssen vor Vergleichen mit ifo, KfW oder Eurostat geprüft werden.
F-022	KfW Research schätzte 2026, dass etwa 20 Prozent des deutschen Mittelstands KI einsetzen.	S-061, S-062	OFFIZIELLE FORSCHUNGSBEFRAGUNG	Die Kennzahl beschreibt Adoption, nicht finanziellen Return.
F-023	OECD-Befragungen von KMU zeigen berichtete Leistungsverbesserung und Unterstützung bei Skill-Lücken, aber wesentlich seltener einen direkt nachgewiesenen Umsatz- oder Gewinnbeitrag.	S-066, S-067	OFFIZIELLE BEFRAGUNG	Selbstbericht und ausgewählte Stichprobe; keine kausale Renditeschätzung.
F-024	Makroökonomische Prognosen sind Bandbreiten auf Grundlage von Exposition, Adoption, Leistungsannahmen und Wachstumseffekten; sie sind keine Budgetvorlage für einen einzelnen Use Case.	S-026, S-027, S-029, S-032	MAKROÖKONOMISCHE EINORDNUNG	Unterschiedliche Modelle können bei legitimen Annahmen stark unterschiedliche Resultate liefern.
F-025	Task-Potenzial, Branchenpotenzial, gesamtwirtschaftlicher Effekt und realisierter Unternehmens-ROI sind vier verschiedene Betrachtungsebenen.	S-023, S-026, S-028, S-100	EIGENE SYNTHESE	Eine Prozentzahl darf nicht zwischen diesen Ebenen übertragen werden, ohne Mechanismus und Nenner offenzulegen.
F-026	Ein positiver Pilot kann beim Skalieren verschwinden, weil Nutzerstruktur, Daten, Ausnahmen, Integration, Support, Governance und variable Kosten wachsen.	S-040, S-047, S-071, S-086	METHODISCHE SYNTHESE	Skalierung braucht einen neuen Business Case mit Produktionsdaten und nicht nur Hochrechnung der Pilotquote.
F-027	Eine Baseline muss mindestens Volumen, Bearbeitungs- und Wartezeit, Qualitätsniveau, Fehler, Nacharbeit, Nachfrage, Personalkosten und Prozessvarianten erfassen.	S-071, S-072, S-073	METHODISCHER STANDARD	Ohne belastbaren Ausgangszustand kann ein späterer Unterschied nicht wirtschaftlich interpretiert werden.
F-028	Das Gegenfaktum beschreibt, was ohne das KI-Projekt im selben Zeitraum voraussichtlich passiert wäre.	S-071, S-072, S-075	METHODISCHER STANDARD	Es kann technologische Trends, saisonale Effekte, Personalwechsel und andere Verbesserungsmaßnahmen enthalten.
F-029	Ein einfacher Vorher-nachher-Vergleich ist schwach, wenn gleichzeitig Volumen, Personal, Preise, Prozesse, Saison oder Managementziele verändert wurden.	S-072, S-075	METHODISCHER STANDARD	Je höher die Investition, desto stärker sollte das Evaluationsdesign sein.
F-030	Randomisierung ist für kausale Messung stark, aber nicht immer praktikabel; Alternativen sind gestaffelte Einführung, Difference-in-Differences, Matching, synthetische Kontrollen oder belastbare Zeitreihen.	S-072, S-075	METHODISCHER STANDARD	Jede Alternative hat Voraussetzungen und Verzerrungsrisiken.
F-031	Die Total Cost of Ownership eines KI-Systems umfasst neben Lizenz und Token mindestens Integration, Datenarbeit, Tests, Human Review, Schulung, Change, Security, Recht, Governance, Monitoring, Support, Ausfälle und Exit.	S-073, S-079, S-086, S-087	WIRTSCHAFTLICHE SYNTHESE	Kostenblöcke variieren nach Architektur, Kritikalität und Make-or-buy-Entscheidung.
F-032	Variable GenAI-Kosten können mit Kontextlänge, Ausgabeumfang, Modellauswahl, Tool-Aufrufen, Agentenschleifen, Retries und Nutzung stark schwanken.	S-080, S-081, S-082, S-085	TECHNISCHE KOSTENEINORDNUNG	Listenpreise reichen ohne reale Nutzungsprofile nicht für eine TCO-Prognose.
F-033	Die billigste Modellantwort ist nicht zwingend das wirtschaftlichste Ergebnis; entscheidend ist der Preis pro akzeptiertem, geprüftem und tatsächlich verwendetem Output.	S-020, S-083, S-085	UNIT-ECONOMICS-SYNTHESE	Qualitäts- und Prüfkosten müssen auf denselben Outputnenner gebracht werden.
F-034	Das größte oder leistungsfähigste Modell ist nicht automatisch die wirtschaftlichste Wahl; Routing und abgestufte Modelle können Kosten reduzieren, wenn die Qualitätsschwelle eingehalten wird.	S-036, S-083, S-094	TECHNISCHE WIRTSCHAFTLICHKEIT	Routing erzeugt selbst Entwicklungs-, Test- und Monitoringaufwand.
F-035	Verifikation, Korrektur und Freigabe von KI-Ausgaben sind eigene Arbeitsschritte und müssen zeitlich sowie kostenmäßig gemessen werden.	S-003, S-005, S-020, S-047	METHODISCHE SYNTHESE	Ein Brutto-Geschwindigkeitsgewinn kann durch Review und Nacharbeit vollständig aufgezehrt werden.
F-036	Qualitätsverbesserung kann wirtschaftlich wertvoller sein als Zeitersparnis, etwa durch weniger Reklamationen, geringere Fehlerkosten oder höhere Conversion.	S-001, S-002, S-071	WIRTSCHAFTLICHE EINORDNUNG	Die Wirkung muss kausal, bewertbar und ohne Doppelzählung erfasst werden.
F-037	Freie Kapazität ist nur dann ein finanzieller Nutzen, wenn sie monetarisiert, für wertschöpfende Zusatzleistung genutzt oder zur Vermeidung anderer Kosten eingesetzt wird.	S-009, S-010, S-071	WIRTSCHAFTLICHE EINORDNUNG	Nicht monetarisierte Kapazität bleibt ein operativer oder strategischer Nutzen, aber kein Cash-Effekt.
F-038	Entlastung, Zufriedenheit, geringere Belastung und Lernwirkung sind relevante Nutzenarten, sollten aber nicht ohne Bewertungsmethode als Eurobetrag in den ROI eingerechnet werden.	S-002, S-071, S-076	METHODISCHE EINORDNUNG	Sie können als separate nicht monetäre Scorecard oder mit transparenten Proxy-Annahmen geführt werden.
F-039	Umsatzwirkungen brauchen eine Attribution: zusätzlicher Umsatz ist nur der Anteil, der gegenüber dem Gegenfaktum auf die KI-Maßnahme zurückzuführen ist; wirtschaftlich relevant ist regelmäßig der Deckungsbeitrag.	S-071, S-074	METHODISCHER STANDARD	Kannibalisierung, Rabatte, Marketingeffekte und Kapazitätsengpässe sind abzuziehen.
F-040	ROI allein kann Projekte falsch ordnen; ergänzend sind Kapitalwert, Amortisationsdauer, absolute Wertgröße, Risiko, Liquidität und strategische Optionen zu betrachten.	S-071, S-073, S-074	FINANZMETHODIK	ROI kann bei kleinen Projekten hoch sein, obwohl ihr absoluter Beitrag gering ist.
F-041	Eine Wirtschaftlichkeitsrechnung sollte mindestens Basis-, Upside- und Downside-Szenario sowie Sensitivität für die wichtigsten Treiber enthalten.	S-071, S-073	FINANZMETHODIK	Bandbreiten sind ehrlicher als eine einzelne scheinpräzise Rendite.
F-042	Modellleistung, Preise, Vertragsbedingungen, Datenlage und Regulierung können sich innerhalb der Amortisationszeit verändern.	S-036, S-084, S-096, S-098	AKTUALITÄTSRISIKO	Business Case und Freigabegrenzen brauchen definierte Refresh-Zeitpunkte und Trigger.
F-043	Datenabhängigkeiten, Konfigurationen, Monitoring und Modellwechsel erzeugen technische Schuld und wiederkehrende Wartungskosten.	S-086	PEER-REVIEWTE TECHNISCHE EINORDNUNG	Kosten werden häufig erst nach dem Pilot sichtbar und wachsen mit Integrationsgrad und Lebensdauer.
F-044	Datenschutz, Security, AI Act, Haftung und interne Kontrolle sind keine pauschalen Overheadpositionen; sie können Use Cases ausschließen, Schutzmaßnahmen erzwingen oder die TCO deutlich verändern.	S-087, S-090, S-096, S-097, S-098, S-099	RECHTLICH-WIRTSCHAFTLICHE SYNTHESE	Die konkrete Belastung hängt von Daten, Rollen, Risikoklasse und Architektur ab.
F-045	Ein rechnerisch positiver ROI macht einen rechtswidrigen, diskriminierenden, unsicheren oder strategisch schädlichen Einsatz nicht zulässig oder sinnvoll.	S-087, S-095, S-096, S-097	GOVERNANCE-GRUNDSATZ	Wirtschaftlichkeit ist nur ein Entscheidungskriterium unter mehreren verbindlichen Gates.
F-046	Ein KI-Portfolio sollte wenige klar wertgebundene Use Cases priorisieren statt möglichst viele Piloten zu zählen.	S-041, S-047, S-048	EVIDENZBASIERTE MANAGEMENTSYNTHESE	Die optimale Zahl hängt von Ressourcen, Abhängigkeiten und Lernziel ab.
F-047	Skalierung entsteht meist durch Prozess- und Rollen redesign, Datenintegration, Training und Führung - nicht allein durch ein leistungsfähigeres Modell.	S-040, S-047, S-048	EVIDENZBASIERTE MANAGEMENTSYNTHESE	Beratungsbefunde zeigen Korrelationen; kausale Wirkung einzelner Managementpraktiken ist begrenzt.
F-048	KI-Effekte können sich über Zeit verändern: Nutzer lernen, Modelle wechseln, Aufgaben verschieben sich, Kontrollaufwand sinkt oder neue Fehler treten auf.	S-002, S-007, S-009, S-084	DYNAMISCHE EINORDNUNG	Ein einmaliger Pilotwert darf nicht unverändert über mehrere Jahre fortgeschrieben werden.
F-049	Jeder Produktivitäts-KPI braucht mindestens einen passenden Qualitäts- und RisikokPI, damit Geschwindigkeit nicht durch mehr Fehler, Homogenität oder Kontrollverlust erkauft wird.	S-003, S-012, S-020, S-087	METHODISCHE SYNTHESE	Die konkrete Guardrail-Metrik muss zum Prozess und Schadensbild passen.
F-050	Preise, Modelle, Studien, amtliche Nutzungsquoten und Rechtslage sind schnell veraltend und müssen vor Buchveröffentlichung sowie vor Investitionsentscheidungen erneut geprüft werden.	S-036, S-056, S-084, S-096	REFRESH-PFLICHT	Besonders kritisch sind Modellpreise, Agentenfunktionen, laufende Studien und Rechtsänderungen.

Vollständiges Quellenregister

Direkte URLs sind angegeben. Publikationsstatus und Quellentyp sind Teil der Einordnung. Bei dynamischen Webseiten gilt der Recherchestand des Dossiers; vor Veröffentlichung ist die Erreichbarkeit erneut zu prüfen.

S-001 - Noy, Shakked; Zhang, Whitney

Feld	Angabe
Titel	Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence
Datum	14.07.2023
Dokumenttyp	Peer-reviewed study, Science 381(6654)
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	DOI 10.1126/science.adh2586
Relevanz	453 Professionals; Bearbeitungszeit und Qualitätsbewertung bei Schreibaufgaben.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-002 - Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey

Feld	Angabe
Titel	Generative AI at Work
Datum	04.02.2025
Dokumenttyp	Peer-reviewed study, Quarterly Journal of Economics 140(2)
Rechts-/Datenraum	USA
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	S. 889-942; DOI 10.1093/qje/qjae044
Relevanz	Feldeinsatz eines Assistenzsystems bei 5.172 Kundenservice-Beschäftigten; Produktivität, Qualität und Heterogenität.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-003 - Dell'Acqua et al.

Feld	Angabe
Titel	Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality
Datum	März 2026; Working Paper 2023
Dokumenttyp	Peer-reviewed study, Organization Science
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	DOI 10.1287/orsc.2025.21838
Relevanz	758 BCG-Berater; positive und negative Effekte je nach Lage der Aufgabe zur Leistungsgrenze des Modells.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-004 - Cui et al.

Feld	Angabe
Titel	The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers
Datum	01.06.2025
Dokumenttyp	Working paper / three randomized field experiments
Rechts-/Datenraum	USA / International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	SSRN 4945566
Relevanz	4.867 Entwickler bei Microsoft, Accenture und einem weiteren Unternehmen; kombinierter Effekt auf erledigte Aufgaben.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-005 - METR

Feld	Angabe
Titel	Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
Datum	10.07.2025
Dokumenttyp	RCT report / research blog
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Veröffentlicht; enger Anwendungsbereich
Verwendete Fundstelle	Methodik und Kernergebnis
Relevanz	16 erfahrene Open-Source-Entwickler, 246 reale Issues; gemessene Verlangsamung bei erlaubter KI-Nutzung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-006 - Becker, Rush, Barnes, Rein / METR

Feld	Angabe
Titel	Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
Datum	Juli 2025
Dokumenttyp	Research paper
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	Gesamtdokument
Relevanz	Vollständige Methodik, Unsicherheiten und Faktorenanalyse zur METR-RCT.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-007 - METR

Feld	Angabe
Titel	Uplift Update: Late-2025 AI and Experienced Open-Source Developer Productivity
Datum	24.02.2026
Dokumenttyp	Research update
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Vorläufig / Selektionsproblem ausgewiesen
Verwendete Fundstelle	Gesamtdokument
Relevanz	Neue Daten; METR erklärt, weshalb aus der späteren Stichprobe kein unverzerrter Durchschnittseffekt abgeleitet werden kann.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-008 - METR

Feld	Angabe
Titel	AI Usage Survey: Self-Reported Value and Reasons for Skepticism
Datum	11.05.2026
Dokumenttyp	Survey report
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Selbstbericht; nicht kausal
Verwendete Fundstelle	Gesamtdokument
Relevanz	Befragung von 349 technischen Beschäftigten; wahrgenommener Wert und Grenzen von Selbstauskünften.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-009 - Dillon, Jaffe, Immorlica, Stanton

Feld	Angabe
Titel	Shifting Work Patterns with Generative AI
Datum	Mai 2025
Dokumenttyp	NBER Working Paper 33795
Rechts-/Datenraum	USA / International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w33795
Relevanz	Randomisiertes Feldexperiment über 66 Firmen und 7.137 Wissensarbeiter; E-Mail-, Dokument- und Meetingmuster.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-010 - Federal Reserve Bank of St. Louis

Feld	Angabe
Titel	The Impact of Generative AI on Work Productivity
Datum	Februar 2025
Dokumenttyp	Economic analysis / survey synthesis
Rechts-/Datenraum	USA
Quellenklasse	Offizielle Forschungsquelle
Status	Selbstbericht; nicht kausal
Verwendete Fundstelle	Gesamtdokument
Relevanz	Einordnung selbstberichteter Zeiteinsparungen und der offenen Frage, wie diese in Output oder Einkommen umgewandelt werden.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-011 - Bick, Blandin, Deming

Feld	Angabe
Titel	The Rapid Adoption of Generative AI
Datum	September 2024
Dokumenttyp	NBER Working Paper 32966
Rechts-/Datenraum	USA
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w32966
Relevanz	Repräsentative Erhebung zur schnellen privaten und beruflichen Nutzung generativer KI.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-012 - Doshi, Anil R.; Hauser, Oliver P.

Feld	Angabe
Titel	Generative AI enhances individual creativity but reduces the collective diversity of novel content
Datum	12.07.2024
Dokumenttyp	Peer-reviewed study, Science Advances 10(28)
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	DOI 10.1126/sciadv.adn5290
Relevanz	Experiment zu kreativen Schreibaufgaben; individuelle Bewertungen steigen, Ähnlichkeit der Ergebnisse ebenfalls.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-013 - Dell'Acqua et al.

Feld	Angabe
Titel	The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise
Datum	2026; Working Paper 2025
Dokumenttyp	Peer-reviewed study / HBS working paper
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed 2026
Verwendete Fundstelle	HBS Working Paper 25-043 / Organization Science
Relevanz	P&G-Feldexperiment mit 791 Fachkräften; Leistung von Einzelnen und Teams sowie Bearbeitungszeit.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-014 - Otis et al.

Feld	Angabe
Titel	The Uneven Impact of Generative AI on Entrepreneurial Performance
Datum	Dezember 2023; Revisionen 2024/25
Dokumenttyp	Randomized field experiment / SSRN
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	SSRN 4671369
Relevanz	Experiment mit Unternehmern; heterogene Effekte und mögliche Schäden bei unpassender Nutzung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-015 - Choi et al.

Feld	Angabe
Titel	How Good is AI at Twisting Arms? Experiments in Debt Collection
Datum	2025
Dokumenttyp	NBER Working Paper 33669
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w33669
Relevanz	Vergleich von KI- und menschlichen Inkassoanrufen; Ergebnisqualität und Barwert der Rückzahlungen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-016 - Humlum, Anders; Vestergaard, Emilie

Feld	Angabe
Titel	Large Language Models, Small Labor Market Effects
Datum	Mai 2025; aktualisiert 22.09.2025
Dokumenttyp	NBER Working Paper 33777
Rechts-/Datenraum	Dänemark
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w33777
Relevanz	Verknüpfte Befragungs- und Verwaltungsdaten; frühe Effekte auf Arbeitszeit und Einkommen trotz hoher Nutzung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-017 - Daniotti et al.

Feld	Angabe
Titel	Who is using AI to code? Global diffusion and impact of generative AI
Datum	2026
Dokumenttyp	Peer-reviewed study, Science
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	DOI 10.1126/science.adz9311
Relevanz	Digitale Spuren zur globalen Diffusion KI-gestützter Softwareentwicklung und Produktivität.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-018 - Agarwal, Moehring, Wolitzky

Feld	Angabe
Titel	Designing Human-AI Collaboration: A Sufficient-Statistic Approach
Datum	Juni 2025
Dokumenttyp	NBER Working Paper 33949
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w33949
Relevanz	Experimentelle Analyse von Offenlegung, selektiver Automatisierung, menschlichem Aufwand und komplementärer Leistung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-019 - Peng et al.

Feld	Angabe
Titel	The Impact of AI on Developer Productivity: Evidence from GitHub Copilot
Datum	13.02.2023
Dokumenttyp	Controlled experiment / arXiv
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Preprint
Verwendete Fundstelle	arXiv:2302.06590
Relevanz	Programmieraufgabe mit und ohne GitHub Copilot; enges experimentelles Setting.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-020 - Dahl et al.

Feld	Angabe
Titel	Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools
Datum	Mai 2024
Dokumenttyp	Empirical benchmark study / arXiv
Rechts-/Datenraum	USA
Quellenklasse	Wissenschaftliche Originalquelle
Status	Preprint
Verwendete Fundstelle	arXiv:2405.20362
Relevanz	Fehler- und Halluzinationsraten spezialisierter juristischer KI-Werkzeuge; relevant für Prüfkosten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-021 - MIT Department of Economics

Feld	Angabe
Titel	Assuring an accurate research record
Datum	16.05.2025
Dokumenttyp	Institutional research-integrity statement
Rechts-/Datenraum	USA
Quellenklasse	Offizielle Primärquelle
Status	Rücknahmeaufforderung / Negativbefund
Verwendete Fundstelle	Gesamtdokument
Relevanz	MIT erklärt, dass die Ergebnisse des viel zitierten Materials-Discovery-Preprints nicht verlässlich sind.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-022 - U.S. Bureau of Labor Statistics

Feld	Angabe
Titel	Incorporating AI impacts in employment projections
Datum	2024
Dokumenttyp	Methodological article, Monthly Labor Review
Rechts-/Datenraum	USA
Quellenklasse	Amtliche Methodik
Status	Offiziell
Verwendete Fundstelle	Gesamtdokument
Relevanz	Methodische Einordnung, wie mögliche KI-Effekte in Berufsprojektionen berücksichtigt werden.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-023 - OECD

Feld	Angabe
Titel	The effects of generative AI on productivity, innovation and entrepreneurship
Datum	2025
Dokumenttyp	OECD Artificial Intelligence Paper
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	DOI 10.1787/b21df222-en
Relevanz	Synthese empirischer Evidenz und offener Fragen zu Produktivität, Innovation und Unternehmertum.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-024 - Vaccaro, Almaatouq, Malone

Feld	Angabe
Titel	When combinations of humans and AI are useful: A systematic review and meta-analysis
Datum	28.10.2024
Dokumenttyp	Peer-reviewed meta-analysis, Nature Human Behaviour 8
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	DOI 10.1038/s41562-024-02024-1
Relevanz	Meta-Analyse zur Frage, wann Human-AI-Teams Menschen oder KI allein übertreffen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-025 - Yotzov et al.

Feld	Angabe
Titel	Firm Data on AI
Datum	Februar 2026
Dokumenttyp	NBER Working Paper 34836
Rechts-/Datenraum	USA, UK, Deutschland, Australien
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w34836
Relevanz	Befragung von nahezu 6.000 Führungskräften; Adoption, Investitionen und frühe Produktivitätseffekte.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-026 - McKinsey Global Institute

Feld	Angabe
Titel	The economic potential of generative AI: The next productivity frontier
Datum	14.06.2023
Dokumenttyp	Scenario and potential analysis
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Modellschätzung, keine realisierte Rendite
Verwendete Fundstelle	Gesamtdokument
Relevanz	Schätzung eines jährlichen Potenzials von 2,6 bis 4,4 Billionen US-Dollar über 63 Use Cases.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-027 - Acemoglu, Daron

Feld	Angabe
Titel	The Simple Macroeconomics of AI
Datum	Mai 2024
Dokumenttyp	NBER Working Paper 32487
Rechts-/Datenraum	USA / International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Working paper
Verwendete Fundstelle	DOI 10.3386/w32487
Relevanz	Makroökonomische Modellierung mit deutlich vorsichtigeren Produktivitätsannahmen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-028 - OECD

Feld	Angabe
Titel	The impact of artificial intelligence on productivity, distribution and growth
Datum	2024
Dokumenttyp	OECD Artificial Intelligence Paper
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	DOI 10.1787/8d900037-en
Relevanz	Übersicht über mikro- und makroökonomische Wirkungskanäle und Verteilungsfragen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-029 - OECD

Feld	Angabe
Titel	Macroeconomic productivity gains from artificial intelligence in G7 economies
Datum	2025
Dokumenttyp	OECD Artificial Intelligence Paper
Rechts-/Datenraum	G7
Quellenklasse	Offizielle Forschungsquelle
Status	Modellschätzung
Verwendete Fundstelle	DOI 10.1787/a5319ab5-en
Relevanz	Szenarien möglicher Produktivitätsgewinne; explizit abhängig von Adoption und Task-Abdeckung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-030 - OECD

Feld	Angabe
Titel	Emerging divides in the transition to artificial intelligence
Datum	Juni 2025
Dokumenttyp	OECD report
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Unterschiede der Adoption nach Region, Branche und Unternehmensgröße.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-031 - OECD

Feld	Angabe
Titel	AI and the global productivity divide
Datum	Dezember 2025
Dokumenttyp	OECD report
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Mögliche Verstärkung globaler Produktivitätsunterschiede durch ungleiche Fähigkeiten und Infrastruktur.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-032 - Goldman Sachs Research

Feld	Angabe
Titel	Generative AI could raise global GDP by 7%
Datum	05.04.2023
Dokumenttyp	Macroeconomic scenario note
Rechts-/Datenraum	International
Quellenklasse	Anbieter-/Finanzmarktquelle
Status	Prognose / Szenario
Verwendete Fundstelle	Gesamtdokument
Relevanz	Häufig zitierte Makroprognose; kein Beleg für realisierten Unternehmens-ROI.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-033 - Goldman Sachs Research

Feld	Angabe
Titel	AI is showing very positive signs of eventually boosting GDP and productivity
Datum	2024
Dokumenttyp	Research note
Rechts-/Datenraum	International
Quellenklasse	Anbieter-/Finanzmarktquelle
Status	Prognose / Zwischenstand
Verwendete Fundstelle	Gesamtdokument
Relevanz	Einordnung, dass gesamtwirtschaftliche Effekte noch nicht stark in Produktivitätsdaten sichtbar sind.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-034 - International Monetary Fund

Feld	Angabe
Titel	Gen-AI: Artificial Intelligence and the Future of Work
Datum	Januar 2024
Dokumenttyp	Staff Discussion Note SDN/2024/001
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Exposition, Ergänzung und Substitution von Arbeit; keine Unternehmens-ROI-Prognose.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-035 - International Labour Organization

Feld	Angabe
Titel	Generative AI and Jobs: A Refined Global Index of Occupational Exposure
Datum	20.05.2025
Dokumenttyp	ILO Working Paper
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Globale Expositionsmessung; unterscheidet Task-Transformation und Automatisierungspotenzial.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-036 - Stanford Institute for Human-Centered AI

Feld	Angabe
Titel	AI Index Report 2026
Datum	April 2026
Dokumenttyp	Annual evidence report
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftlich-institutionelle Quelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Aktuelle Daten zu Leistung, Kosten, Investitionen, Nutzung und gesellschaftlichen Effekten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-037 - OECD

Feld	Angabe
Titel	Artificial intelligence markets
Datum	10.07.2026
Dokumenttyp	OECD report
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Marktstruktur, Konzentration, Infrastruktur, Modelle und Agenten als wirtschaftlicher Kontext.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-038 - OECD

Feld	Angabe
Titel	Artificial intelligence - policy and adoption indicators
Datum	Stand 07.08.2026
Dokumenttyp	Official topic and data portal
Rechts-/Datenraum	International
Quellenklasse	Offizielle Quelle
Status	Dynamische Daten
Verwendete Fundstelle	Portal
Relevanz	Aktuelle internationale Adoption und Verweise auf OECD-Indikatoren.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-039 - World Bank

Feld	Angabe
Titel	Digital Progress and Trends Report 2025: Strengthening AI Foundations
Datum	2025
Dokumenttyp	Global development report
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Infrastruktur-, Daten-, Kompetenz- und Diffusionsbedingungen für wirtschaftlichen KI-Nutzen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-040 - Brynjolfsson, Rock, Syverson

Feld	Angabe
Titel	The Productivity J-Curve: How Intangibles Complement General Purpose Technologies
Datum	Januar 2021
Dokumenttyp	Peer-reviewed study, AEJ Macroeconomics 13(1)
Rechts-/Datenraum	USA / International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed
Verwendete Fundstelle	DOI 10.1257/mac.20180386
Relevanz	Erklärt verzögerte Produktivitätseffekte durch komplementäre immaterielle Investitionen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-041 - Boston Consulting Group

Feld	Angabe
Titel	Where’s the Value in AI?
Datum	24.10.2024
Dokumenttyp	Global executive survey / report
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	1.000 Führungskräfte; 22 % über POC hinaus, 4 % mit substanzieller Wertschöpfung nach BCG-Klassifikation.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-042 - Boston Consulting Group

Feld	Angabe
Titel	AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value
Datum	24.10.2024
Dokumenttyp	Press release / methodology note
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Methodik und Kernaussagen des BCG-Berichts 2024.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-043 - Boston Consulting Group

Feld	Angabe
Titel	The Widening AI Value Gap
Datum	30.09.2025
Dokumenttyp	Global executive survey / report
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	5 % future-built, 35 % in Skalierung mit beginnendem Wert, 60 % mit kaum materiellem Wert nach BCG-Klassifikation.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-044 - Boston Consulting Group

Feld	Angabe
Titel	The Widening AI Value Gap - Full Report
Datum	September 2025
Dokumenttyp	Report PDF
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Vollständige Methodik, Kategorien und Wertbehauptungen des BCG-Berichts 2025.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-045 - Boston Consulting Group

Feld	Angabe
Titel	Five Barriers CEOs Must Overcome for AI Impact
Datum	2026
Dokumenttyp	Executive analysis
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsmeinung
Verwendete Fundstelle	Gesamtdokument
Relevanz	Hemmnisse zwischen Einführung und wirtschaftlicher Wirkung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-046 - Boston Consulting Group

Feld	Angabe
Titel	AI at Work 2025: Momentum Builds, but Gaps Remain
Datum	2025
Dokumenttyp	Employee and leader survey
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Nutzung, Vertrauen, Training und Unterschiede zwischen Führung und Beschäftigten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-047 - McKinsey & Company

Feld	Angabe
Titel	The State of AI: How organizations are rewiring to capture value
Datum	12.03.2025
Dokumenttyp	Global survey
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Selbstbericht / Korrelation
Verwendete Fundstelle	Gesamtdokument
Relevanz	Mehr als 80 % ohne greifbaren Enterprise-EBIT-Effekt; 17 % schreiben mindestens 5 % EBIT GenAI zu.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-048 - McKinsey & Company

Feld	Angabe
Titel	The state of AI in 2025: Agents, innovation, and transformation
Datum	05.11.2025
Dokumenttyp	Global survey
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Selbstbericht / Korrelation
Verwendete Fundstelle	Gesamtdokument
Relevanz	39 % berichten irgendeinen Enterprise-EBIT-Effekt; rund 6 % erfüllen die High-Performer-Definition.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-049 - Deloitte

Feld	Angabe
Titel	The State of AI in the Enterprise 2026
Datum	2026
Dokumenttyp	Global executive survey
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Befragung von 3.235 Führungskräften in 24 Ländern zu Skalierung, Agenten, Risiko und Wert.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-050 - Deloitte

Feld	Angabe
Titel	State of AI in the Enterprise 2026 - press and research summary
Datum	2026
Dokumenttyp	Press release / methodology
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Anbieter-/Beratungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Zusammenfassung und Stichprobenbeschreibung des Deloitte-Berichts.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-051 - PwC

Feld	Angabe
Titel	2025 Global AI Jobs Barometer
Datum	2025
Dokumenttyp	Labour-market data analysis
Rechts-/Datenraum	International
Quellenklasse	Beratungsquelle
Status	Sekundäranalyse von Stellen- und Lohndaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Analyse von Produktivität, Löhnen und Skill-Veränderungen in stärker KI-exponierten Branchen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-052 - Cisco

Feld	Angabe
Titel	AI Readiness Index 2025: Realizing the Value of AI
Datum	2025
Dokumenttyp	Global enterprise survey
Rechts-/Datenraum	International
Quellenklasse	Anbieterquelle
Status	Anbieterbefragung
Verwendete Fundstelle	Gesamtdokument
Relevanz	Reifegrad, Infrastruktur, Daten, Governance, Talent und Wertrealisierung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-053 - IBM / Morning Consult

Feld	Angabe
Titel	Global AI Adoption Index 2023
Datum	10.01.2024
Dokumenttyp	Global enterprise survey
Rechts-/Datenraum	International
Quellenklasse	Anbieterquelle
Status	Anbieterbefragung
Verwendete Fundstelle	Gesamtdokument
Relevanz	42 % der befragten Großunternehmen berichteten aktive KI-Nutzung; 40 % Erkundung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-054 - Microsoft / LinkedIn

Feld	Angabe
Titel	2024 Work Trend Index Annual Report
Datum	08.05.2024
Dokumenttyp	Worker and executive survey
Rechts-/Datenraum	International
Quellenklasse	Anbieterquelle
Status	Anbieterbefragung
Verwendete Fundstelle	Gesamtdokument
Relevanz	Nutzung generativer KI durch Wissensarbeiter und Bring-your-own-AI; kein ROI-Nachweis.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-055 - McKinsey & Company

Feld	Angabe
Titel	Superagency in the workplace: Empowering people to unlock AI’s full potential at work
Datum	28.01.2025
Dokumenttyp	Workplace survey report
Rechts-/Datenraum	USA / International
Quellenklasse	Beratungsquelle
Status	Selbstbericht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Führungserwartungen, Beschäftigtennutzung und berichtete Umsatz-/Kostenwirkungen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-056 - Eurostat

Feld	Angabe
Titel	20% of EU enterprises use AI technologies
Datum	11.12.2025
Dokumenttyp	Official statistics release
Rechts-/Datenraum	EU
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Datensatz isoc_eb_ai
Relevanz	20,0 % der Unternehmen mit mindestens zehn Beschäftigten nutzten 2025 KI-Technologien.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-057 - Eurostat

Feld	Angabe
Titel	Use of artificial intelligence in enterprises
Datum	Stand 2026; Datenjahr 2025
Dokumenttyp	Statistics Explained
Rechts-/Datenraum	EU
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Gesamtdokument
Relevanz	Detaillierte Quoten nach Unternehmensgröße, Land, Branche und Verwendungszweck.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-058 - Eurostat

Feld	Angabe
Titel	13.5% of EU enterprises used artificial intelligence in 2024
Datum	23.01.2025
Dokumenttyp	Official statistics release
Rechts-/Datenraum	EU
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Datensatz isoc_eb_ai
Relevanz	Vergleichsbasis für den Anstieg von 2024 auf 2025.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-059 - Statistisches Bundesamt

Feld	Angabe
Titel	Unternehmen mit Nutzung von Technologien der künstlichen Intelligenz
Datum	Datenjahr 2025; Stand 07.08.2026
Dokumenttyp	Official table
Rechts-/Datenraum	Deutschland
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Tabelle
Relevanz	26 % der Unternehmen in der deutschen IKT-Unternehmensbefragung 2025; Abgrenzung beachten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-060 - Statistisches Bundesamt

Feld	Angabe
Titel	IKT in Unternehmen - Qualitätsbericht und Erhebungsinformationen
Datum	Stand 2026
Dokumenttyp	Methodology and quality report
Rechts-/Datenraum	Deutschland
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Gesamtdokument
Relevanz	Grundgesamtheit, Erhebungsdesign und Definitionen hinter den deutschen Nutzungsquoten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-061 - KfW Research

Feld	Angabe
Titel	KI im Mittelstand: Nutzung nimmt kräftig zu
Datum	Februar 2026
Dokumenttyp	Fokus Volkswirtschaft Nr. 533
Rechts-/Datenraum	Deutschland
Quellenklasse	Offizielle Forschungsquelle
Status	Befragungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Rund 20 % der mittelständischen Unternehmen bzw. etwa 780.000 Unternehmen nutzten KI.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-062 - KfW Research

Feld	Angabe
Titel	KI-Nutzung im Mittelstand: Einsatzfelder und Unternehmensunterschiede
Datum	Juli 2026
Dokumenttyp	Fokus Volkswirtschaft Nr. 554
Rechts-/Datenraum	Deutschland
Quellenklasse	Offizielle Forschungsquelle
Status	Befragungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Einsatzfelder von Sprachgenerierung bis Datenanalyse; Adoption ist nicht gleich finanzieller Nutzen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-063 - ifo Institut

Feld	Angabe
Titel	Unternehmen setzen immer stärker auf künstliche Intelligenz
Datum	16.06.2025
Dokumenttyp	Business survey release
Rechts-/Datenraum	Deutschland
Quellenklasse	Wissenschaftlich-institutionelle Quelle
Status	Befragungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Verbreitung und Planungen nach Branchen; Definition unterscheidet sich von amtlicher Eurostat-Statistik.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-064 - ifo Institut

Feld	Angabe
Titel	Mehr als die Hälfte der Unternehmen nutzt künstliche Intelligenz
Datum	05.06.2026
Dokumenttyp	Business survey release
Rechts-/Datenraum	Deutschland
Quellenklasse	Wissenschaftlich-institutionelle Quelle
Status	Befragungsdaten
Verwendete Fundstelle	Gesamtdokument
Relevanz	Aktueller ifo-Nutzungsindikator; methodisch nicht direkt mit Destatis/Eurostat vergleichbar.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-065 - ifo Institut

Feld	Angabe
Titel	Ein Viertel der Unternehmen rechnet mit Stellenabbau durch künstliche Intelligenz
Datum	05.06.2025
Dokumenttyp	Business survey release
Rechts-/Datenraum	Deutschland
Quellenklasse	Wissenschaftlich-institutionelle Quelle
Status	Erwartungen, keine realisierten Effekte
Verwendete Fundstelle	Gesamtdokument
Relevanz	Unternehmenserwartungen zu Beschäftigung; keine Messung tatsächlich eingetretener Effekte.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-066 - OECD

Feld	Angabe
Titel	AI adoption by small and medium-sized enterprises
Datum	2025
Dokumenttyp	OECD discussion paper for the G7
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	DOI 10.1787/426399c1-en
Relevanz	Adoptionsbarrieren, Fähigkeiten, Finanzierung und Produktivitätsperspektiven von KMU.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-067 - OECD

Feld	Angabe
Titel	Generative AI and the SME Workforce
Datum	05.11.2025
Dokumenttyp	OECD report / D4SME survey
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Befragungsdaten
Verwendete Fundstelle	DOI 10.1787/2d08b99d-en
Relevanz	31 % Nutzung in der befragten SME-Stichprobe; berichtete Performance- und Skill-Effekte, nicht kausal.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-068 - U.S. Census Bureau

Feld	Angabe
Titel	Large Firms With at Least 20 Employees Biggest AI Users
Datum	26.05.2026
Dokumenttyp	Official BTOS analysis
Rechts-/Datenraum	USA
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Gesamtdokument
Relevanz	BTOS-Daten Dezember 2025 bis Mai 2026; Nutzung nach Unternehmensgröße und Branche.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-069 - Statistics Canada

Feld	Angabe
Titel	Analysis on artificial intelligence use by businesses in Canada, second quarter of 2025
Datum	16.06.2025
Dokumenttyp	Official statistics analysis
Rechts-/Datenraum	Kanada
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Gesamtdokument
Relevanz	12,2 % der Unternehmen berichteten KI-Einsatz zur Produktion oder Leistungserbringung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-070 - Office for National Statistics

Feld	Angabe
Titel	Artificial intelligence in UK businesses: 2023 to 2026
Datum	20.07.2026
Dokumenttyp	Official statistical analysis
Rechts-/Datenraum	Vereinigtes Königreich
Quellenklasse	Amtliche Statistik
Status	Offiziell
Verwendete Fundstelle	Gesamtdokument
Relevanz	Zeitreihe zu Adoption, Einsatz, Barrieren und frühen Effekten in britischen Unternehmen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-071 - HM Treasury

Feld	Angabe
Titel	The Green Book: Central Government Guidance on Appraisal and Evaluation
Datum	2026
Dokumenttyp	Official appraisal guidance
Rechts-/Datenraum	Vereinigtes Königreich
Quellenklasse	Offizielle Methodik
Status	Geltende Verwaltungsleitlinie
Verwendete Fundstelle	Gesamtdokument
Relevanz	Kosten-Nutzen-Analyse, Gegenfaktum, Diskontierung, Unsicherheit und Optionenvergleich.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-072 - HM Treasury

Feld	Angabe
Titel	The Magenta Book: Guidance for Evaluation
Datum	2026
Dokumenttyp	Official evaluation guidance
Rechts-/Datenraum	Vereinigtes Königreich
Quellenklasse	Offizielle Methodik
Status	Geltende Verwaltungsleitlinie
Verwendete Fundstelle	Gesamtdokument
Relevanz	Kausale Evaluation, Prozess- und Wirkungsevaluation, Designwahl und Evidenzgrenzen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-073 - U.S. Government Accountability Office

Feld	Angabe
Titel	Cost Estimating and Assessment Guide: Best Practices for Developing and Managing Program Costs
Datum	März 2020
Dokumenttyp	GAO-20-195G
Rechts-/Datenraum	USA
Quellenklasse	Offizielle Methodik
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Vollständigkeit, Annahmen, Basisjahr, Sensitivität, Risikoanalyse und Aktualisierung von Kostenschätzungen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-074 - Bundesministerium der Finanzen

Feld	Angabe
Titel	Arbeitsanleitung Einführung in Wirtschaftlichkeitsuntersuchungen
Datum	Stand 2026
Dokumenttyp	Official administrative guidance
Rechts-/Datenraum	Deutschland
Quellenklasse	Offizielle Methodik
Status	Verwaltungsvorschrift / Arbeitshilfe
Verwendete Fundstelle	Gesamtdokument
Relevanz	Methodik für Alternativenvergleich, monetäre und nicht monetäre Wirkungen sowie Risiken.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-075 - World Bank

Feld	Angabe
Titel	Impact Evaluation in Practice, Second Edition
Datum	2016
Dokumenttyp	Methodology handbook
Rechts-/Datenraum	International
Quellenklasse	Offizielle Methodik
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Randomisierung, Differenz-von-Differenzen, Regression Discontinuity und Matching.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-076 - OECD DAC Network on Development Evaluation

Feld	Angabe
Titel	Better Criteria for Better Evaluation: Revised Evaluation Criteria
Datum	10.12.2019
Dokumenttyp	Official evaluation criteria
Rechts-/Datenraum	International
Quellenklasse	Offizielle Methodik
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Relevanz, Kohärenz, Wirksamkeit, Effizienz, Wirkung und Nachhaltigkeit.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-077 - Project Management Institute

Feld	Angabe
Titel	Benefits Realization Management: A Practice Guide
Datum	2019
Dokumenttyp	Professional practice guide
Rechts-/Datenraum	International
Quellenklasse	Berufsständische Quelle
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Nutzenverantwortung, Nutzenregister, Übergang in den Betrieb und Nachverfolgung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-078 - ISO

Feld	Angabe
Titel	ISO 15686-5:2017 - Buildings and constructed assets - Service life planning - Part 5: Life-cycle costing
Datum	2017
Dokumenttyp	International Standard
Rechts-/Datenraum	International
Quellenklasse	Primärquelle Standard
Status	Veröffentlicht; freiwillig
Verwendete Fundstelle	Überblick
Relevanz	Grundprinzipien der Lebenszykluskosten; übertragbar auf die vollständige Kostenlogik.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-079 - FinOps Foundation

Feld	Angabe
Titel	AI Value
Datum	Stand 07.08.2026
Dokumenttyp	Community framework
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Portal
Relevanz	Wertdefinition und FinOps-Perspektive auf AI-Workloads.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-080 - FinOps Foundation

Feld	Angabe
Titel	FinOps for AI Overview
Datum	Stand 07.08.2026
Dokumenttyp	Community working-group paper
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Kosten- und Wertsteuerung von Trainings- und Inferenz-Workloads.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-081 - FinOps Foundation

Feld	Angabe
Titel	How to Build a Generative AI Cost and Usage Tracker
Datum	Stand 07.08.2026
Dokumenttyp	Community working-group paper
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Messung von Modell-, Token-, Nutzer- und Use-Case-Kosten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-082 - FinOps Foundation

Feld	Angabe
Titel	Cost Estimation of AI Workloads
Datum	Stand 07.08.2026
Dokumenttyp	Community working-group paper
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Kostentreiber, Unsicherheit und Kalkulation bei AI-Workloads.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-083 - FinOps Foundation

Feld	Angabe
Titel	Optimizing GenAI Usage
Datum	Stand 07.08.2026
Dokumenttyp	Community working-group paper
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Modellrouting, Kontextlänge, Caching, Batch-Verarbeitung und Nutzungssteuerung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-084 - FinOps Foundation

Feld	Angabe
Titel	Effect of Optimization on AI Forecasting
Datum	Stand 07.08.2026
Dokumenttyp	Community working-group paper
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Warum technische Optimierungen Kostenprognosen und Baselines verändern.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-085 - FinOps Foundation

Feld	Angabe
Titel	Token Economics: The Atomic Unit of AI Value
Datum	Stand 07.08.2026
Dokumenttyp	Community article
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Token als Kosten-, nicht als Nutzenmaß; Einordnung der Unit Economics.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-086 - Sculley et al.

Feld	Angabe
Titel	Hidden Technical Debt in Machine Learning Systems
Datum	2015
Dokumenttyp	Conference paper, NeurIPS
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftliche Originalquelle
Status	Peer-reviewed conference
Verwendete Fundstelle	Gesamtdokument
Relevanz	Datenabhängigkeiten, Feedbackschleifen, Konfigurations- und Wartungskosten von ML-Systemen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-087 - NIST

Feld	Angabe
Titel	Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1
Datum	26.01.2023
Dokumenttyp	Government framework
Rechts-/Datenraum	USA / International
Quellenklasse	Offizielle Primärquelle
Status	Freiwillig; Revision läuft
Verwendete Fundstelle	DOI 10.6028/NIST.AI.100-1
Relevanz	Risikomanagement mit Govern, Map, Measure und Manage; wirtschaftliche Entscheidungen müssen Risiken einpreisen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-088 - NIST

Feld	Angabe
Titel	AI RMF: Generative Artificial Intelligence Profile, NIST AI 600-1
Datum	26.07.2024
Dokumenttyp	Government profile
Rechts-/Datenraum	USA / International
Quellenklasse	Offizielle Primärquelle
Status	Freiwillig
Verwendete Fundstelle	Gesamtdokument
Relevanz	Zwölf GenAI-Risikobereiche und Maßnahmen; relevant für Kontroll- und Risikokosten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-089 - NIST AI Resource Center

Feld	Angabe
Titel	AI RMF Playbook
Datum	Stand 07.08.2026
Dokumenttyp	Implementation guidance
Rechts-/Datenraum	USA / International
Quellenklasse	Offizielle Quelle
Status	Freiwillig
Verwendete Fundstelle	Portal
Relevanz	Umsetzungsmaßnahmen für AI-RMF-Unterkategorien und Nachweisführung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-090 - OWASP

Feld	Angabe
Titel	OWASP Top 10 for LLM Applications 2025
Datum	2025
Dokumenttyp	Security community guide
Rechts-/Datenraum	International
Quellenklasse	Fachcommunity
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Prompt Injection, Datenoffenlegung, Supply Chain, Excessive Agency und weitere Kosten-/Risikotreiber.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-091 - ENISA

Feld	Angabe
Titel	Multilayer Framework for Good Cybersecurity Practices for AI
Datum	07.06.2023
Dokumenttyp	EU agency report
Rechts-/Datenraum	EU
Quellenklasse	Offizielle Agenturquelle
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Klassische, KI-spezifische und sektorale Sicherheitsmaßnahmen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-092 - ENISA

Feld	Angabe
Titel	Secure by Design and Default Playbook - A practical guide for SMEs
Datum	30.07.2026
Dokumenttyp	EU agency report
Rechts-/Datenraum	EU
Quellenklasse	Offizielle Agenturquelle
Status	Nicht bindend; aktuell
Verwendete Fundstelle	Gesamtdokument
Relevanz	Sicherheitskosten und Kontrollen über Architektur, Entwicklung, Beschaffung und Betrieb.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-093 - International Energy Agency

Feld	Angabe
Titel	Energy and AI
Datum	April 2025
Dokumenttyp	Special report
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Energiebedarf von Rechenzentren und mögliche Effizienzbeiträge; relevant für Infrastruktur-TCO.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-094 - Stanford Institute for Human-Centered AI

Feld	Angabe
Titel	AI Index Report 2025
Datum	April 2025
Dokumenttyp	Annual evidence report
Rechts-/Datenraum	International
Quellenklasse	Wissenschaftlich-institutionelle Quelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Kosten- und Leistungsentwicklung von Modellen, Investitionen und Nutzung.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-095 - ISO

Feld	Angabe
Titel	ISO/IEC 42001:2023 - Information technology - Artificial intelligence - Management system
Datum	18.12.2023
Dokumenttyp	International Standard
Rechts-/Datenraum	International
Quellenklasse	Primärquelle Standard
Status	Veröffentlicht; freiwillig
Verwendete Fundstelle	Überblick
Relevanz	Managementsystem, Rollen, Ziele, Messung, Betrieb und Verbesserung; Governance-TCO.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-096 - Europäische Union

Feld	Angabe
Titel	Konsolidierte Fassung der Verordnung (EU) 2024/1689 über künstliche Intelligenz
Datum	27.07.2026
Dokumenttyp	EU regulation
Rechts-/Datenraum	EU/EWR
Quellenklasse	Primärquelle
Status	Geltendes Recht konsolidiert
Verwendete Fundstelle	Gesamtdokument
Relevanz	Pflichten, Risikoklassen, Dokumentation und Aufsicht als wirtschaftliche Rahmenbedingungen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-097 - Europäische Union

Feld	Angabe
Titel	Verordnung (EU) 2016/679 - Datenschutz-Grundverordnung
Datum	27.04.2016
Dokumenttyp	EU regulation
Rechts-/Datenraum	EU/EWR
Quellenklasse	Primärquelle
Status	Geltendes Recht
Verwendete Fundstelle	Insb. Art. 5, 6, 24, 25, 28, 32, 35, 44-49
Relevanz	Rechtsgrundlagen, Transparenz, Sicherheit und DSFA als Projekt- und Betriebskosten bzw. Ausschlusskriterien.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-098 - Europäische Union

Feld	Angabe
Titel	Richtlinie (EU) 2024/2853 über die Haftung für fehlerhafte Produkte
Datum	23.10.2024; ABl. 18.11.2024
Dokumenttyp	EU directive
Rechts-/Datenraum	EU/EWR
Quellenklasse	Primärquelle
Status	Umsetzung bis 09.12.2026
Verwendete Fundstelle	Art. 1-23
Relevanz	Software und KI im neuen Produkthaftungsregime; Haftungs- und Versicherungskosten.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-099 - COSO

Feld	Angabe
Titel	Achieving Effective Internal Control Over Generative AI
Datum	23.02.2026
Dokumenttyp	Professional guidance
Rechts-/Datenraum	International
Quellenklasse	Berufsständische Quelle
Status	Nicht bindend
Verwendete Fundstelle	Gesamtdokument
Relevanz	Übertragung des internen Kontrollsystems auf generative KI; Kontrollaufwand und Assurance.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

S-100 - OECD

Feld	Angabe
Titel	OECD Compendium of Productivity Indicators 2026
Datum	2026
Dokumenttyp	Official statistical compendium
Rechts-/Datenraum	International
Quellenklasse	Offizielle Forschungsquelle
Status	Veröffentlicht
Verwendete Fundstelle	Gesamtdokument
Relevanz	Produktivitätsbegriffe, Vergleichbarkeit und makroökonomische Messgrenzen.
Direkte URL	Link ↗
Abruf-/Prüfstand	7. August 2026

Schnell veraltende Informationen und Qualitätsbericht

Refresh-Liste

Thema	Prüfrhythmus	Primäre Beobachtungsquelle	Priorität
Modell- und API-Preise	monatlich oder bei Anbieteränderung	Preislisten, Verträge, FinOps-Daten	hoch
Modellleistung und Kontextgrenzen	bei jeder wesentlichen Modellversion	interne Evaluation, AI Index, Anbieter-Changelog	hoch
Agenten- und Toolfunktionen	quartalsweise	Produktdokumentation und Security-Tests	hoch
Empirische Produktivitätsstudien	halbjährlich	NBER, Fachzeitschriften, METR, OECD	hoch
Amtliche Adoptionsquoten	jährlich	Eurostat, Destatis, KfW, ONS, Census	mittel
Enterprise-Surveywerte	jährlich	Originalberichte mit Methodik	mittel
AI Act und regulatorische Pflichten	bei Rechtsänderung, mindestens quartalsweise	EUR-Lex, EU-Kommission	hoch
Datenschutz- und Haftungsrecht	bei Urteil oder Gesetzesänderung	EUR-Lex, Gerichte, Behörden	hoch
Energie- und Infrastrukturannahmen	halbjährlich	IEA, Cloud- und Hardwaredaten	mittel
Interne Nutzung, Qualität und TCO	monatlich/vierteljährlich	Telemetrie, Controlling, Incident-Daten	hoch

Qualitätsbericht

Kennzahl	Wert/Einordnung
Verwendete Quellen	100
Wissenschaftliche und Forschungsquellen	Originalstudien, Working Papers, Reviews und institutionelle Forschung, jeweils statusgekennzeichnet
Amtliche Statistik	Eurostat, Destatis, KfW-Forschung, U.S. Census, Statistics Canada, ONS
Offizielle Bewertungsmethodik	HM Treasury Green/Magenta Book, GAO, BMF, World Bank, OECD
Beratungs-/Anbieterquellen	klar als solche gekennzeichnet; nicht als kausaler ROI-Nachweis verwendet
Kernaussagen/Faktenkarten	50
Detaillierte empirische Studienkarten	14
Unternehmensszenarien	18
Mythenprüfungen	20
Offene Forschungsfragen	20
Umsetzungsfahrplan	36 Schritte
Glossarbegriffe	55
Zentrale Schwäche	Für viele Branchen und KMU-Prozesse fehlen unabhängige mehrjährige Feldstudien mit vollständigem P&L- und TCO-Nachweis.
Nicht auflösbare Kernfrage	Kein allgemein gültiger KI-ROI. Der Wert muss lokal, pro Prozess und unter aktuellen technischen sowie rechtlichen Bedingungen gemessen werden.
Vor Buchveröffentlichung erneut prüfen	Modellpreise und -leistung, neue RCTs, Enterprise-Surveys, amtliche Adoption, AI-Act- und Haftungsstand sowie alle dynamischen URLs.

Abschließende Prüffragen

Ist jede Prozentangabe an Setting, Stichprobe, Zielgröße und Quelle gebunden?
Wurde Potenzial klar von realisiertem Wert getrennt?
Enthält die Rechnung Baseline, Gegenfaktum und Vollkosten?
Wird Zeitersparnis getrennt von Cash und Kapazitätswert ausgewiesen?
Sind Review, Fehler, Qualität, Sicherheit, Recht und Exit berücksichtigt?
Wurden positive, negative und Nullbefunde dargestellt?
Sind Beratungs- und Anbieterbefunde als solche gekennzeichnet?
Sind schnell veraltende Werte mit Refresh-Pflicht versehen?
Ist die Entscheidung auch im Downside-Szenario vertretbar?
Kann der Nutzen nach dem Rollout einer verantwortlichen Person und belastbaren Daten zugeordnet werden?

Schlussfolgerung Der wirtschaftlich stärkste KI-Einsatz ist nicht der mit dem spektakulärsten Modell, sondern der mit dem klarsten Problem, dem besten Aufgaben-Fit, dem belastbarsten Gegenfaktum, der niedrigsten Vollkostenstruktur und der nachweisbaren Umwandlung in Qualität, Kapazität oder Cash.