Dein KI-Business-Case wird wahrscheinlich abgelehnt.

Nicht, weil KI keinen Wert hat. Nicht, weil dein Unternehmen Innovation ablehnt. Er wird abgelehnt, weil dein Business-Case aussieht wie jeder andere: verspricht Transformation und liefert Verwirrung.

Ich habe in den letzten zwei Jahren Dutzende gescheiterte KI-Vorschläge gesehen, und sie folgen einem Muster, das so konstant ist, dass es schon fast berechenbar wirkt: Technologie zuerst, dann vage Produktivitätsbehauptungen, untermauert mit Anbieter-Fallstudien von Unternehmen, die mit deinem nichts zu tun haben.

Entscheider sehen das sofort — und sie sollten es auch, denn die meisten KI-Projekte in Unternehmen schaffen es tatsächlich nicht, messbare Renditen zu liefern.

Was Entscheider wirklich sehen müssen

Vergiss die Demo der KI-Fähigkeiten. Führungskräfte, die Budgets freigeben, interessieren sich für drei Dinge: konkrete Probleme, bezifferte Ergebnisse und realistische Zeitpläne.

Das Problem muss weh tun und konkret sein. “Kundenservice effizienter machen” bedeutet nichts. “Die durchschnittliche Ticket-Bearbeitungszeit für Abrechnungsanfragen von 47 Minuten auf unter 30 Minuten senken” bedeutet etwas. Je konkreter dein Problemstatement, desto glaubwürdiger wird dein Vorschlag.

Ein Hacker-News-Kommentator hat das perfekt eingefangen, als er darüber schrieb, warum KI in Unternehmen so oft stolpert. User jnwatson schrieb: “Most enterprises have abysmal documentation on internal processes and standards. It is hard to get any sort of automation to work when the input is bad and the desired output is underspecified.”

Das gilt direkt für Business-Cases. Wenn du nicht exakt sagen kannst, wie “besser” in messbaren Zahlen aussieht, scheitert dein Vorschlag, bevor die KI es überhaupt kann.

Der Nutzen muss sich auf Geld zurückführen lassen. Zeitersparnis zählt nur, wenn du erklärst, was mit der gewonnenen Zeit passiert. Qualitätsverbesserungen zählen nur, wenn du sie mit Umsatz, Bindung oder Risikoreduzierung verbindest. Jeder Nutzen braucht eine Euro-Zahl oder einen klaren Weg zu einer.

Peter Yang, in Lenny’s Newsletter, fasste die eigentliche Hürde so zusammen: “The biggest barrier to AI adoption isn’t technology; it’s organizational change.”

Dein Business-Case muss das einrechnen. Die Technologiekosten sind vielleicht 20 % der Gesamtinvestition. Schulung, Prozessumbau und Veränderungsmanagement schlucken den Rest, und die meisten Vorschläge ignorieren das komplett.

Der Zeitplan muss ehrlich sein. Sechs-Wochen-Piloten beweisen selten irgendetwas. Zwölfmonatige Transformationen passieren selten. Ein Business-Case, der zu viel zu schnell verspricht, signalisiert entweder Naivität oder bewusstes Überverkaufen, und Entscheider haben genug gescheiterte Projekte gesehen, um beides zu erkennen.

Nutzen beziffern, ohne dich selbst zu belügen

Hier geht es bei den meisten Business-Cases schief. Sie greifen nach Best-Case-Szenarien aus Anbieterunterlagen und verkaufen sie als Baseline.

Saubere Bezifferung braucht eine Ausgangsmessung, einen kontrollierten Vergleich und ehrliche Unsicherheitsbereiche.

Miss zuerst den Ist-Zustand. Bevor du KI-Lösungen vorschlägst, dokumentiere exakt, wie lange Aufgaben heute dauern, wer sie erledigt, welche Fehler auftreten und was diese Fehler kosten. Diese Ausgangsbasis ist dein Glaubwürdigkeitsfundament. Ohne sie hängt jede Verbesserungsaussage in der Luft.

Baue Vergleichsgruppen ein. Das Zapier-Sales-Team meldete “10 hours saved per week per rep” durch KI-Tools. Beeindruckend. Aber woher weißt du, dass der Effekt von der KI kam und nicht von dem neuen Vertriebsprozess, den ihr gleichzeitig eingeführt habt? Ohne Kontrollgruppen oder eine saubere Vorher-Nachher-Trennung kannst du Gewinne nicht korrekt zuordnen.

Nutze Spannen statt Punktwerte. Statt “KI spart $500.000 pro Jahr” präsentiere: “KI spart voraussichtlich zwischen $200.000 und $700.000 pro Jahr, wobei $400.000 auf Basis der Pilotdaten das wahrscheinlichste Ergebnis ist.” Entscheider vertrauen Spannen, weil Spannen die Unsicherheit anerkennen, von der jeder weiß, dass es sie gibt.

Berücksichtige Anlaufkurven bei der Nutzung. Ein Werkzeug, das 30 Minuten pro Aufgabe spart, spart gar nichts, wenn es niemand nutzt. Intercom fand heraus, dass Mitarbeitende “No time” als größte Hürde für die KI-Nutzung nennen, was ein Paradox ist, das du ruhig aussprechen solltest: Menschen fühlen sich zu beschäftigt, um Werkzeuge zu nutzen, die sie weniger beschäftigt machen sollen. Deine Nutzenrechnung muss realistische Nutzungsquoten enthalten, nicht 100 % ab Tag eins.

Die Fehler, die Business-Cases töten

Zu sehen, wie KI-Vorschläge scheitern, hat mir vor allem gezeigt, was man nicht tun sollte. Diese Fehler tauchen ständig auf.

Mit Technologie anfangen. “Wir sollten GPT-4 einsetzen” ist kein Business-Case. “Wir sollten die Zeit für Vertragsprüfungen um 60 % senken” könnte einer sein, und GPT-4 könnte dabei helfen. Die Technologie dient dem Ergebnis, nie umgekehrt, trotzdem beginnt Vorschlag um Vorschlag mit KI-Fähigkeiten statt mit Geschäftsproblemen.

Irrelevante Fallstudien zitieren. Googles KI-Erfolg sagt nichts über deinen aus. Fallstudien aus Großunternehmen mit anderer Datenqualität, anderen Prozessen und anderer Unternehmenskultur sagen dir fast nichts darüber, was bei dir passieren wird. Ein großer Konzern, wie User physicsguy auf Hacker News bemerkte, “declined continuing its Copilot 365, citing that there wasn’t much usage and people didn’t find it very useful.”

Dieser Konzern hatte wahrscheinlich einen Business-Case voller beeindruckender Anbieterzahlen. Die Realität hat nicht mitgespielt.

Den menschlichen Faktor ignorieren. KI-Tools brauchen Menschen, die sie annehmen, ihnen vertrauen und sie in ihre Abläufe integrieren. Ein User auf Hacker News, dexwiz, wies darauf hin: “The only really high value prop I see for enterprise AI in the coming years is as a librarian.” Nicht Transformation. Keine Revolution. Nur: Menschen helfen, Informationen schneller zu finden, in Systemen, in denen sie ohnehin schon kämpfen.

Diese Einschätzung mag KI-Enthusiasten enttäuschen, aber sie ist genau die Art realistischer Erwartung, die Business-Cases am Boden hält.

Integrationskosten unterschätzen. KI fügt sich selten sauber in bestehende Systeme ein. Daten müssen bereinigt werden. Schnittstellen müssen gebaut werden. Sicherheitsprüfungen müssen bestanden werden. Jeder Integrationspunkt erhöht Kosten und Zeit, und Vorschläge rechnen das routinemäßig zu klein.

Piloten mit Beweis verwechseln. Erfolgreiche Pilotprojekte scheitern oft beim Skalieren. Pilot-Teilnehmer sind meist begeisterte Frühadopter. Pilotbedingungen sind meist ideal. Die Unterstützung im Piloten ist oft so hoch, dass sie auf Dauer nicht zu halten ist. Ein Business-Case, der auf Pilotergebnissen aufbaut, muss den Unterschied zwischen kontrollierten Experimenten und echter Einführung berücksichtigen.

Realistische vs. aufgeblähte Erwartungen

Die Lücke zwischen KI-Marketing und KI-Realität erzeugt Glaubwürdigkeitsprobleme für jeden, der einen Business-Case baut.

MIT-Forschung aus 2025 fand heraus, dass 95 % der Unternehmen, die generative KI nutzten, keinen messbaren finanziellen Ertrag aus ihren Implementierungen sahen. Diese Zahl klingt vernichtend, bis du merkst, dass sie vor allem unrealistische Erwartungen widerspiegelt, nicht eine grundsätzlich kaputte Technologie.

KI funktioniert gut bei klaren Aufgaben. Entwürfe erstellen. Informationen finden. Muster in strukturierten Daten erkennen. Codehilfe. Übersetzung. Zusammenfassung. Diese Fähigkeiten liefern echten Nutzen, wenn du sie auf passende Probleme ansetzt.

KI funktioniert schlecht bei diffusen Aufträgen. “Unser Unternehmen innovativer machen” ist kein Problem, das KI lösen kann. Genauso wenig wie “Unser Kundenerlebnis transformieren” oder “Unsere Abläufe optimieren.” Diese Ziele brauchen menschliche Strategie, organisatorischen Wandel und Technologie als einen Baustein unter vielen.

Realistische Erwartungen sehen so aus: KI übernimmt die repetitive Denkarbeit, die Menschen als lästig empfinden, und schafft Zeit für Urteilskraft, Kreativität und Beziehungsaufbau. Qualität steigt, weil KI Fehler findet, die Menschen übersehen. Tempo steigt, weil KI Entwürfe liefert, die Menschen verfeinern. Aber Menschen bleiben unverzichtbar, und die Gewinne messen sich in Prozent statt in Größenordnungen.

User carlmr brachte realistische Erwartungen gut auf den Punkt: “ChatGPT at work” helps with “refining wording for emails and documentation” and “getting a starting point for Python scripts,” but admitted “I haven’t seen it being a game changer though.”

Diese ehrliche Einschätzung schafft mehr Glaubwürdigkeit als jedes Transformationsversprechen.

Den Business-Case so aufbauen, dass er genehmigt wird

Führe alles mit dieser Struktur zusammen.

Problemdefinition. Ein Absatz. Konkretes, messbares Problem, das die Organisation Geld oder Zeit kostet. Keine Technologie erwähnt.

Ist-Zustand. Daten, die zeigen, wie es heute läuft. Zeitmessungen. Fehlerquoten. Kostenaufstellung. Hinweise auf Frust bei Mitarbeitenden, falls verfügbar.

Vorgeschlagene Lösung. Was du umsetzen willst und warum du glaubst, dass es hilft. Technologie einfach erklärt. Die Verbindung zum Problem explizit gemacht.

Erwartete Ergebnisse. Bezifferte Nutzen mit Spannen. Realistische Nutzungsentwicklung. Zeit bis zum Nutzen mit Meilensteinen.

Erforderliche Investition. Gesamtkosten inklusive Technologie, Umsetzung, Schulung und laufender Unterstützung. Versteckte Kosten sichtbar gemacht.

Risikobewertung. Was schiefgehen kann. Woran du erkennst, dass es schiefgeht. Was du dann tust.

Erfolgskriterien. Konkrete Kennzahlen, die festlegen, ob das Projekt erfolgreich war. Einigkeit über diese Kriterien vor der Genehmigung, nicht erst danach.

Pilotvorschlag. Ein Test im kleinen Maßstab, um Annahmen zu überprüfen, bevor du voll investierst. Klare Kriterien, um weiterzumachen oder zu stoppen.

Diese Struktur funktioniert, weil sie Geschäftssinn zeigt statt Technikbegeisterung. Entscheider genehmigen Vorschläge, die zeigen, dass du ihre Sorgen verstehst, nicht Vorschläge, die sie mit KI-Fähigkeiten beeindrucken sollen, die sie nicht bewerten können.

Die unbequeme Wahrheit

Einen Business-Case für KI zu bauen heißt zuzugeben, dass du nicht weißt, ob es funktionieren wird.

Die ehrliche Formulierung klingt so: “Auf Basis unserer Analyse des Problems, der Branchenerfahrung und der Fähigkeiten der Anbieter glauben wir, dass KI spürbare Verbesserungen liefern kann. Wir schlagen einen strukturierten Piloten vor, um diese Annahme zu testen, bevor wir größere Ressourcen binden.”

Diese Formulierung hat nicht die selbstbewussten Transformationsversprechen, die die meisten Business-Cases füllen. Sie hat auch nicht die Überdehnung, wegen der die meisten KI-Projekte Beteiligte enttäuschen, die Wunder erwartet haben von einer Technologie, die eher schrittweise Verbesserungen liefert.

Die Unternehmen, die mit KI erfolgreich sind, teilen ein Muster. Sie wählen konkrete Probleme. Sie messen Ausgangswerte. Sie führen kontrollierte Experimente durch. Sie skalieren, was funktioniert, und beenden, was nicht funktioniert. Sie behandeln KI als Werkzeug, nicht als Revolution.

Dein Business-Case sollte das widerspiegeln. Konkret. Gemessen. Ehrlich über Unsicherheit. Fokussiert auf Ergebnisse, die fürs Geschäft zählen, statt auf Fähigkeiten, die Techniker beeindrucken.

Die Genehmigung, die du willst, kommt aus Glaubwürdigkeit, nicht aus Enthusiasmus. Baue den Business-Case, der Vertrauen verdient, und das Budget folgt.