Eine neue Maschine für die Produktion müsste erklären können, weshalb sie ihr Geld wert ist. Weniger Ausschuss, mehr Ausstoß, niedrigere Stückkosten: Ohne eine plausible Rechnung würde die Geschäftsführung kaum investieren. Bei künstlicher Intelligenz sollte derselbe Maßstab gelten. Die Aussicht, technologisch auf der Höhe der Zeit zu sein, ersetzt keinen wirtschaftlichen Nutzen.
Denn während über Modelle und Anwendungen diskutiert wird, laufen die tatsächlichen Kosten weiter. Fehlerhafte Teile müssen nachbearbeitet werden. Anlagen verbrauchen Energie. Neue Produkte erreichen den Markt später als geplant. Wer KI einsetzen will, sollte zuerst wissen, an welcher dieser Stellen eine Verbesserung den Unternehmenserfolg wesentlich verändern würde.
In den Bewerbungen, die Quantum Beyond im Rahmen von AI BOOST erhält, begegnet uns eine wiederkehrende Beobachtung: Der Wunsch, KI einzusetzen, ist mitunter klarer formuliert als das wirtschaftliche Ziel dahinter. Welche Kennzahl verbessert werden soll, um wie viel und zu welchen Kosten, bleibt dagegen offen. Das ist keine repräsentative Bestandsaufnahme. Es zeigt aber, wo die Arbeit an einem tragfähigen Vorhaben beginnen muss.
Die Konsequenz gilt in beide Richtungen. Ein überzeugender Business-Case verdient eine zügige Umsetzung. Fehlt er, verdient das Projekt eine Überprüfung.
Worauf beruht der Erfolg des Unternehmens? Diese Frage klingt selbstverständlich. Für die Auswahl von KI-Projekten ist sie entscheidend.
Ein Fertigungsbetrieb kann seine Marge durch geringeren Materialverlust verbessern. Für ein energieintensives Unternehmen zählt, wie viele Kilowattstunden für eine verkaufsfähige Einheit benötigt werden. Ein Hersteller mit kurzen Produktzyklen muss neue Entwicklungen rechtzeitig auf den Markt bringen. Ein Dienstleister wiederum kann daran verdienen, zusätzliche Aufträge mit der vorhandenen Mannschaft zuverlässig zu bearbeiten.
Aus diesen Unterschieden ergeben sich unterschiedliche Prioritäten. Eine Anwendung, die in einem Unternehmen erheblichen Wert schafft, kann im nächsten wirtschaftlich nebensächlich sein. Selbst eine beeindruckende Zeitersparnis hilft wenig, wenn sie einen Arbeitsschritt betrifft, der weder einen Engpass darstellt noch wesentliche Kosten verursacht.
Die Auswahl beginnt deshalb mit wenigen Kennzahlen, die das Geschäftsmodell tatsächlich erklären: Ausschussquote und Fehlerkosten, Energieeinsatz je Gutteil, Zeit bis zur Markteinführung oder Deckungsbeitrag je Auftrag. Die Gewinnmarge zeigt schließlich, ob die Verbesserungen im Unternehmensergebnis ankommen.
Dabei muss der Zusammenhang stimmen. Eine sinkende Energierechnung kann auf geringerer Produktion beruhen. Eine kürzere Entwicklungsphase bringt wenig, wenn anschließend die Freigabe monatelang stockt. Eine bessere Kennzahl ist erst dann wirtschaftlich aussagekräftig, wenn ihre Ursache und ihre Wirkung verstanden sind.
Erst danach folgt die technologische Frage: Kann KI den maßgeblichen Prozess so verändern, dass sich die Kennzahl verbessert?
Bei hohem Ausschuss könnte sie Prozessdaten auswerten und Abweichungen frühzeitig erkennen. Der wirtschaftliche Nutzen entsteht allerdings erst, wenn daraus eine rechtzeitige Korrektur folgt und tatsächlich weniger fehlerhafte Teile produziert werden. Eine zuverlässige Fehlererkennung am Ende der Fertigung kann Reklamationen vermeiden, verhindert aber nicht zwangsläufig den Materialverlust.
Beim Energieverbrauch könnte KI die Betriebsweise einer Anlage unterstützen. Entscheidend wäre, ob der Energieeinsatz je verkaufsfähiger Einheit sinkt, ohne Qualität oder Ausbringung zu beeinträchtigen. Eine Einsparung, die durch zusätzliche Stillstände erkauft wird, kann sich als Verlustgeschäft erweisen.
Bei der Time to Market, der Zeit von der Entwicklung bis zum Markteintritt, kommt es auf den tatsächlichen Engpass an. Schnellere Entwürfe oder Auswertungen können helfen. Ob daraus frühere Erlöse entstehen, hängt jedoch auch von Tests, Zulassungen, Fertigung und Vertrieb ab.
So wird aus dem allgemeinen Wunsch nach KI eine überprüfbare Annahme: Diese Anwendung soll einen bestimmten Prozess verändern, dadurch eine relevante Kennzahl verbessern und einen wirtschaftlichen Vorteil schaffen. Zu prüfen bleibt, ob eine einfachere Automatisierung oder eine organisatorische Änderung dasselbe Ziel günstiger erreichen könnte.
Wie häufig diese wirtschaftliche Verbindung fehlt, verdeutlicht ein Bericht von Porsche Consulting und dem Fraunhofer-Institut FIT vom März 2026. In der zugrunde liegenden Befragung von mehr als hundert Führungskräften berichten 95 Prozent von aktiven KI-Initiativen. Nur 44 Prozent geben an, deren wirtschaftlichen Wertbeitrag anhand von Kennzahlen zu messen. Die Befragung beschreibt ihre Teilnehmer; sie erlaubt keine pauschale Aussage über sämtliche Unternehmen.
Für den einzelnen Betrieb hilft eine nachvollziehbare Rechnung mehr als eine allgemeine Erfolgsquote.
Ein vereinfachtes, fiktives Beispiel: Ein Hersteller ermittelt jährlich 300.000 Euro an tatsächlich vermeidbaren Material-, Entsorgungs- und Nacharbeitskosten durch Ausschuss. Eine KI-gestützte Prozessüberwachung soll diese Kosten um 30 Prozent reduzieren. Daraus ergäbe sich ein jährlicher Bruttonutzen von 90.000 Euro. Bei 20.000 Euro laufenden Zusatzkosten verblieben 70.000 Euro. Eine Anfangsinvestition von 100.000 Euro wäre damit rechnerisch nach rund 17 Monaten Vollbetrieb zurückverdient.
Diese einfache Rechnung berücksichtigt noch keine Anlaufzeit, Steuern oder Finanzierungseffekte. Sie ist auch kein Nachweis, dass die erwartete Verbesserung erreichbar ist. Gerade deshalb gehört eine vorsichtigere Variante daneben: Sinkt der Kostenblock nur um 15 Prozent, verbleiben jährlich 25.000 Euro nach laufenden Zusatzkosten. Die einfache Amortisationsdauer steigt auf vier Jahre.
Zu den Investitionskosten zählen neben der Software auch Datenaufbereitung, technische Anbindung, gegebenenfalls Sensorik sowie Tests und Schulungen. Im Betrieb kommen Überwachung, Wartung und die Bearbeitung fehlerhafter Ergebnisse hinzu. Wer diese Positionen ausblendet, bewertet einen günstigeren Gegenstand als den, den er später betreiben muss.
Auch Vorteile dürfen nicht doppelt gerechnet werden. Sind Energieverluste bereits in den Ausschusskosten enthalten, können sie nicht nochmals vollständig als zusätzliche Einsparung angesetzt werden. Freie Arbeitsstunden werden erst dann zu einem finanziellen Vorteil, wenn sie beispielsweise zusätzliche Aufträge ermöglichen oder bezahlte Mehrarbeit vermeiden.
Ein Business-Case verlangt keine Gewissheit über die Zukunft. Er verlangt nachvollziehbare Annahmen und einen Weg, die entscheidenden Unsicherheiten zu prüfen.
Dazu gehört ein begrenzter Praxistest mit dokumentierten Ausgangswerten. Vor Beginn sollten Zielgröße, Budget, Verantwortlichkeit und Entscheidungstermin feststehen. Produktionsmenge, Produktmix oder Materialqualität müssen bei der Auswertung berücksichtigt werden. Andernfalls wird der KI möglicherweise eine Verbesserung zugeschrieben, die andere Ursachen hat.
Bestätigt sich ein erheblicher Nutzen unter realistischen Bedingungen, sollte die Umsetzung Priorität erhalten. Ein wirtschaftlich überzeugendes Projekt verliert durch wiederholtes Vertagen einen Teil seines Wertes.
Im fiktiven Produktionsbeispiel entsprächen sechs Monate vermeidbarer Verzögerung bei dauerhaft erreichbaren 70.000 Euro jährlichem Nettoeffekt rund 35.000 Euro entgangenem Nutzen. Die Zahl gilt nur unter diesen Annahmen. Sie zeigt jedoch, dass auch das Warten einen Preis hat.
Zügig zu handeln heißt, den nächsten begründeten Schritt freizugeben: den Test, die notwendige Integration oder den Ausbau einer bewährten Anwendung. Eine weitere unverbindliche Grundsatzdiskussion ersetzt diese Entscheidung nicht.
Die gleiche Entschlossenheit ist nötig, wenn die Rechnung nicht trägt. Bleibt der Nutzen gering, sind die Daten ungeeignet oder übersteigen Integration und Kontrolle den erwarteten Vorteil, sollte das Vorhaben angepasst oder beendet werden. Bereits ausgegebenes Geld rechtfertigt keine weiteren Ausgaben.
Das spricht nicht gegen KI im Unternehmen. Es spricht zunächst gegen diesen Anwendungsfall unter diesen Bedingungen. Möglicherweise liegt der größere Hebel in der Produktionsplanung statt in der Dokumentenerstellung oder in einer besseren Kalkulation statt in einem zusätzlichen Chatbot.
Auch längerfristige Vorhaben haben ihren Platz. Neue Produkte und Geschäftsmodelle lassen sich nicht immer mit kurzen Amortisationsfristen bewerten. Sie brauchen dennoch eine wirtschaftliche Hypothese, begrenzte Etappen und Kriterien für die nächste Investitionsentscheidung. Ein Lernprojekt darf Erkenntnisgewinn zum Ziel haben, wenn dieser Zweck und sein Budget ausdrücklich benannt sind.
Für Quantum Beyond liegt darin die zentrale Aufgabe bei AI BOOST: Aus technologischem Interesse soll ein Vorhaben werden, dessen erwarteter Beitrag zum Unternehmenserfolg nachvollziehbar ist. Finanzierung kann seine Umsetzung erleichtern. Sie ersetzt die wirtschaftliche Begründung nicht.
Ein tragfähiger KI-Business-Case schafft deshalb beides: einen Grund, jetzt zu investieren, und die Klarheit, ein ungeeignetes Projekt nicht weiterzuverfolgen.
