KI Kosten für Unternehmen: So rechnest du den echten ROI
KI Kosten nehmen in der Gewinn- und Verlustrechnung von Unternehmen einen immer größeren Stellenwert ein. Alleine letzten März haben mehr als 1.000 Unternehmen jährlich mehr als 1 Million USD an Anthropic überwiesen (hier zur Quelle). Aber machen sie mit diesem Investment auch mehr Gewinn?
Denn wer nur auf die Einführungskosten schaut, schaut auf die kleinste Zahl in der ganzen Rechnung. Die eigentliche Frage ist wie bei jeder Investition: Ab wann spart die KI mehr als sie kostet?
Genau das schauen wir uns jetzt an. An drei konkreten Use Cases, die für Unternehmen bis 100 besonders relevant sind.
Key Takeaways
- KI Kosten müssen als Vollkosten für Einführung, Pilotierung und laufendem Betrieb gesehen werden
- KI ersetzt selten einen ganzen Job – sie reduziert Aufwand in einem Bereich, erschafft aber neue Aufgabenbereiche
- Um deinen tatsächlichen Effekt auf den Gewinn zu sehen, musst du jede KI Investition präzise durchrechnen
Die Ökonomie der KI Tools
Früher war die Welt der Automatisierung einfacher: Man sucht eine Software, kauft eine Lizenz zu einem Fixpreis und weiß, wie lang man gebunden ist. Billige monatliche Subscription Fees haben zwar in vielen Unternehmen zum „SaaS Creep“ geführt, aber es war immerhin planbar.
Bei KI Tools ist das anders. Denn gerade Large Language Models (LLMs) haben drei Pricing Komponenten:
- Setup Aufwand: Aufsetzen und "Füttern" des Systems
- Fixe Gebühr: monatliche Abokosten, wie bei jeder Software-Lösung
- Token Kosten: verbrauchsabhängige je nach Eingaben und Outpu
Beispiel: Du zahlst für eine KI Lösung 30 EUR Abogebühr pro Monat und Nutzer (Fixe Gebühr) für den Zugang. Wenn du oder deine Mitarbeiter besonders viele oder lange Texte generieren (viele Output-Tokens), greift die verbrauchsabhängige Komponente (z.B.: 0,002 EUR pro 1.000 Token)
Das klingt erstmal nach sehr wenig und ist es in vielen Fällen auch. Aber genau hier liegt die Notwendigkeit zur genauen Planung: du willst deine KI Lösung im Vollbetrieb noch immer als kosteneffiziente Alternative zur heutigen Lösung haben und damit musst du die KI Kosten im Vollbetrieb prognostizieren.
Und die schauen wir uns jetzt für 3 Use Cases im Detail an.
Pro Tipp: Bei vielen KI Lösungen kannst du ein monatliches Budget festlegen. Sobald das erreicht ist, lehnt das Tool weitere Anfrage ab, sodass keine weiteren Kosten entstehen.
Use Case 1: First Level Support automatisieren
Wenn du heute einen laufenden Kundensupport hast, ist das natürlich ein Klassiker für die KI Automatisierung. Es funktioniert vereinfacht so:
Der Use Case: Du baust auf deinem bestehenden Helpdesk oder CRM einen KI basierten Chatbot auf, der eingehende Support-Anfragen automatisch beantwortet. In der Regel baust du kein neues CRM, sondern verbindest es über eine API mit einem KI-basierten Modell.
Die Ausgangslage: Nehmen wir an, dein First Level Support bekommt:
20 Anfragen pro Tag an Werktagen
10 Anfragen an den Wochenendtagen
—————————————————
ca. 520 Anfragen pro Monat
Ein Mitarbeiter, der im Schnitt 15 Minuten pro Service Anfrage braucht ist mit 520 Anfragen ca. 130 Stunden beschäftigt. Mit anderen Aufgaben ist das eine Vollzeitstelle, die dir auf Vollkostenbasis ca. 4.300 EUR pro Monat kostet.
Die Rechnung: Um die Vollkosten zu berechnen, nehmen wir unsere 3 KI Kostenkategorien:
| Kategorie | Beschreibung | Kosten | Frequenz |
|---|---|---|---|
|
Setup Aufwand |
Wissensdatenbank füttern, Prompts schreiben, Einbindung in CRM Tool |
5.000 EUR |
einmalig |
|
Fixe Gebühr |
monatliche Abo-Kosten für das KI Tool |
100 EUR |
monatlich, fix |
|
Token Kosten |
520 Anfragen * ca. 1.200 Token pro Anfrage * Token Kosten |
ca. 2,5 EUR |
monatlich, verbrauchsabhängig |
|
Laufende Pflege |
Protokolle prüfen, Modell trainieren, Datenbank pflegen |
ca. 300 EUR (5-6 Stunden) |
monatlich, nach Aufwand |
|
Laufende Kosten |
Fixe Gebühr + Token Kosten + Laufende Pflege |
402,5 EUR |
monatlich |
|
Setup Kosten |
Setup Aufwand |
5.000 EUR |
einmalig |
Aus diesen Zahlen sehen wir eindeutig, dass sich die KI Kosten sehr einfach amortisieren.
Jedoch muss unbedingt klar sein, dass die KI nicht 100% der Anfragen lösen wird. Realistisch und gut sind 70%. Die restlichen 30% landen beim Menschen. Und dieser „Human Handoff“ muss unbedingt budgetiert werden.
Die Rechnung (Teil 2): Wenn wir von 70% Lösungsquote ausgehen müssen von 520 Anfragen pro Monat ca. 156 Anfragen von Support-Mitarbeitern verarbeitet werden. Wenn wir von 15 Minuten Bearbeitungszeit pro Fall (inkl. Lesen der bisherigen KI Antwort) ausgehen, sind das knappe 40 Stunden pro Monat. Damit erweitert sich unsere Rechnung:
| Kategorie | Beschreibung | Kosten | Frequenz |
|---|---|---|---|
|
Setup Kosten |
Setup Aufwand |
5.000 EUR |
einmalig |
|
Laufende Kosten |
Fixe Gebühr + Token Kosten + Laufende Pflege |
402,5 EUR |
monatlich |
|
Laufende Kosten |
Nachbearbeitung Support Team (ca. 40 Stunden pro Monat) |
1.050 EUR |
monatlich |
|
Laufende Kosten gesamt |
1.453 EUR |
monatlich |
|
Das Ergebnis: In diesem Beispiel sparst du ganze 67 % deiner bisherigen Support-Kosten durch KI Automatisierung. Das ist beeindruckend, aber du kannst nicht einfach Mensch gegen Maschine tauschen. Denn die Arbeit des Supportmitarbeiters verlagert sich hin zum Training der KI und zur Bearbeitung der schwierigeren Fälle. Das ist gut angelegtes Geld.
💡Pro Tipp: Exportiere die letzten 100 Support-Tickets und kategorisiere sie in „Standard“ und „individuell“. Wenn die „Standard-Rate“ unter 50% ist, wird die KI deutlich weniger entlasten.
Tipp: Lade dir hier kostenlos meine Fixkosten Tracking-Vorlage herunter, sodass du deine deine IT- & KI Kosten immer im Blick hast 👇
Lade dir hier mein gratis Excel-Sheet herunter, sodass du die deine gesamten monatlichen Fixkosten für IT, Werbung, Beratung etc. im Blick hast und Optimierungspotenziale schnell findest
Use Case 2: Softwareentwicklung mit KI Tools
Softwareentwicklung ist ein Heimspiel für KI Tools, denn regelbasierte Tools lieben regelbasierte Tätigkeiten.
Der Use Case: Deine Entwickler nutzen Tools wie Cursor oder Claude Code für Aufgaben wie Code Review, End-to-End Tests schreiben und Bugfixing. Also klassische Maintenance und Testing Aufgaben.
Die Ausgangslage: Nehmen wir an, du beschäftigst aktuell 5 Entwickler und benötigst eine weitere Kapazität für die oben genannten Aufgaben, weil deine Entwickler alle mit neuen Software Features beschäftigt sind (ich weiß, völlig fiktionaler Case).
Wenn du für diese Aufgaben einen Software Entwickler mit 2 Jahren Erfahrung einstellst, kommst du ca. auf Vollkosten von 6.000 EUR pro Monat.
Die Rechnung: Schauen wir uns wieder die KI Kosten an:
| Kategorie | Beschreibung | Kosten | Frequenz |
|---|---|---|---|
|
Setup Aufwand |
Technisches Setup, Prompt Engineering, Testing Framework |
5.000 EUR |
einmalig |
|
Fixe Gebühr |
monatliche Abo-Kosten für das KI Tool |
100 EUR |
monatlich, fix |
|
Token Kosten |
7,5 Mio Token (80% Input, 20% Output) |
ca. 30 EUR |
monatlich, verbrauchsabhängig |
|
Laufende Pflege |
Code Reviews validieren, E2E Tests validieren, Bugfixing Check |
ca. 2.250 EUR (20 Stunden Senior Dev) |
monatlich, nach Aufwand |
|
Laufende Kosten |
Fixe Gebühr + Token Kosten + Laufende Pflege |
2.380 EUR |
monatlich |
|
Setup Kosten |
Setup Aufwand |
5.000 EUR |
einmalig |
Auch hier ist es auf den ersten Blick offensichtlich, dass sich die KI Kosten sehr einfach amortisieren.
Aber der Vergleich „KI vs. Junior Developer“ greift zu kurz. Denn wir uns keinen neuen Mitarbeiter „erspart“, sondern gleichzeitig neue Aufgaben für das bestehende Team geschaffen. Zugegeben: diese Aufgaben hätte das Team bei einem neuen Mitarbeiter auch, aber mit KI Tools ändert sich die Arbeitsweise des Teams:
Die KI arbeitet sehr schnell und autonom, stellt weniger Rückfragen als ein Mitarbeiter. Gleichzeitig ist das Tempo des Outputs kaum für Menschen haltbar. Das bedeutet auch, dass dein bestehendes Team fixe Zeiten für die Arbeit mit der KI benötigt, sonst läuft all der Output ins Leere.
Das Ergebnis: In diesem Beispiel sind die Kosten um 60 % geringer als die Kosten für einen neuen Mitarbeiter. Das ist beeindruckend, aber bindet dennoch viel Kapazität deines bestehenden Teams, die du freischaufeln musst.
💡Pro Tipp: Definiere eine konkrete Aufgabenkategorie die ab sofort an die KI geht, zum Beispiel alle neuen Tests. Mach das nur für diese Aufgabenkategorie, konsequent, vier Wochen lang und miss dann die Ergebnisse in Zeit, Qualität und Kosten.
Use Case 3: Die KI Marketing Agentur
Einer der „ältesten“ Anwendungsfälle von KI Tools waren klassische Agentur Arbeiten, wie Content Erstellung, Creatives und Performance Marketing.
Der Use Case: Du nutzt KI-Tools intern für Content-Erstellung und Creatives, anstatt oder ergänzend zu einer externen Marketing-Agentur.
Die Ausgangslage: Nehmen wir an, du arbeitest heute mit einer Marketing-Agentur, die mit einem Retainer von 4.500 EUR pro Monat dir bei Content Erstellung, Creatives für Werbeanzeigen und Performance Marketing hilft. Hinzu kommt nochmal 3.500 EUR für die eigentlichen Ads.
Die Rechnung: Schauen wir uns wieder die KI Kosten an:
| Kategorie | Beschreibung | Kosten | Frequenz |
|---|---|---|---|
|
Setup Aufwand |
Branding, Persona, Creative Guidelines, Tracking Parameter |
3.500 EUR |
einmalig |
|
Fixe Gebühr |
monatliche Abo-Kosten für die KI Tools (Bilder, Writing, Automation) |
250 EUR |
monatlich, fix |
|
Token Kosten |
für Text Bilder und Iterationen |
ca. 15 EUR |
monatlich, verbrauchsabhängig |
|
Laufende Pflege |
Nachbearbeitung, Ads einstellen, Budget steuern |
ca. 2.000 EUR (40 Stunden Marketing Manager) |
monatlich, nach Aufwand |
|
Laufende Kosten |
Fixe Gebühr + Token Kosten + Laufende Pflege |
2.275 EUR |
monatlich |
|
Setup Kosten |
Setup Aufwand |
3.500 EUR |
einmalig |
Der Ad Spend bleibt wie er ist. Du sparst dir also im wesentlichen externe Agenturleistung und baust interne Leistung auf.
Aus done for you wird done with you: Der Aufwand wandert nach innen. Jemand bei dir muss die KI briefen, die Ergebnisse reviewen, veröffentlichen, abstimmen. Das sind real 8 Stunden pro Woche (kann ich aus eigener Erfahrung sagen).
Das Ergebnis: In diesem Beispiel kommt sind die KI Kosten um 50 % geringer als die Kosten für eine Agentur. Bevor du aber deine Agentur kündigst, überleg wer intern wirklich die Zeit und Kompetenz hat um KI-generierten Content zu verantworten. KI ist ein Hebel, aber nur wenn jemand ihn bedient.
💡Pro Tipp: Setz dir einen Monat lang die Aufgabe, drei Content-Stücke mit KI selbst zu erstellen. Miss die Zeit die du dafür brauchst. Dann weißt du ob das skaliert.
Bevor du deine KI Kosten aufrüstest
KI Tools sind der vielleicht größte Effizienzhebel, den wir vor der Nase haben. Bevor du aber nun aus Angst, etwas zu verpassen, ungesteuert in Tools und Berater investierst, empfehle ich dir, vorab folgende Punkte eingehend zu prüfen:
- Was ist mein primäres Ziel mit dem KI Einsatz (Umsatz, Kostensenkung etc.)?
- Welche Prozesse will ich für mein Ziel verbessern und haben die überhaupt KI-Potenzial?
- Habe ich die Kapazität für die menschliche Nachbearbeitung der KI Ergebnisse?
- Ist meine Datenqualität überhaupt KI ready?
Fang mit einem kleinen Piloten an. Nimm einen unkritischen Prozess, der mühsam und repetitiv ist und spiel diesen anhand der oben dargestellten Logik durch. Wenn das funktioniert arbeite dich weiter nach vorne.
Keine Sorge: mit diesem Vorgehen bist du nicht zu langsam, sondern am Ende besser als mit einem „Hau Ruck“ Vorgehen, dass du am Ende wieder umkehren musst.
Dein nächster Schritt: Du willst wissen, welche Sofortmaßnahmen neben KI Tools auch noch für mehr Gewinn und Liquidität wirken, dann komm in mein nächstes Live-Webinar. Dort zeige ich dir alle Tricks dazu und wie du >30% Liquidität aufbaust, ohne Banken oder Investoren. Hier geht’s zur Anmeldung (Link)
Weiterführende Informationen
Verwandte Artikel
Externe Beiträge
Medium: KI Kostenkurve mit präzisen Forecasts und Beispielen
Anthropic: Token Preise zum Selbst berechnen
Wir sind neugierig auf eure Erfahrungen!
Wie hat dir dieser Blogbeitrag gefallen? Konntest du hilfreiche Informationen mitnehmen? Schreib mir gerne eine Mail. Ich lese und antworte immer persönlich.
Die wichtigsten Fragen des Beitrags noch mal auf einen Blick
Das hängt stark vom Use Case ab. Für einen KI-Chatbot im Support liegen die laufenden Tokenkosten im niedrigen zweistelligen EUR-Bereich pro Monat – der relevante Kostenblock ist aber der einmalige Setup-Aufwand und Nachbearbeitung durch Menschen. Daher müssen KI Tools immer unter Vollkosten berechnet und geplant werden.
Um die echten KI Kosten für jeden Anwendungsfall zu berechnen, benötigst du 4 Komponenten:
- Setup Aufwand
- Monatliche Fixe Gebühr
- Monatliche verbrauchsabhängige Tokenkosten
- Monatlicher Pflege- und Korrekturaufwand
Folge uns in den sozialen Medien und mit unserem Newsletter, um nichts mehr zu verpassen:
- Autor: Bernhard Frühlinger
- Datum:
- Lesezeit: 15 min.
Controlling Wissen von A bis Z
Das Wichtigste rund um Controlling, Reporting, Planung und Unternehmenssteuerung an einem Ort.