KI Business Impact messen | SPS für Schweizer KMU
KI-Initiativen scheitern in KMU selten an der Technologie allein. Häufiger fehlt eine saubere Antwort auf eine einfachere Frage: Woran zeigt sich eigentlich, ob der Use Case einen echten Beitrag leistet?
Genau hier beginnt die Wirkungsmessung. Wer einen KI-Use-Case nur als neues Tool betrachtet, misst am Ende oft Aktivität statt Nutzen. Dann gibt es vielleicht Nutzungszahlen, ein laufendes Pilotprojekt oder positive Rückmeldungen aus einzelnen Teams. Aber unklar bleibt, ob sich Bearbeitungszeiten verkürzen, Fehler sinken oder die operative Leistung tatsächlich besser wird.
Für Schweizer KMU ist das besonders relevant. Ressourcen für Digitalisierungsvorhaben sind meist begrenzt. Umso wichtiger ist es, vor einem PoC festzulegen, welches Verhalten, welcher Prozess und welcher Geschäftseffekt verbessert werden sollen. Erst daraus entstehen belastbare KI KPIs, eine realistische Value-Hypothese und ein nachvollziehbarer Business Impact.
Warum viele KI-Projekte Wirkung versprechen, aber keinen messbaren Nutzen liefern
Viele KI-Projekte starten mit einer plausiblen Idee, aber ohne klare Messlogik. Das ist verständlich: Die Technologie wirkt greifbar, erste Demos überzeugen schnell, und der Wunsch nach Effizienz ist vorhanden. Problematisch wird es dann, wenn der eigentliche Nutzen erst nach dem Rollout sichtbar werden soll.
Typische Startfehler lassen sich in KMU immer wieder beobachten:
Der Use Case hat keine klare Zielkennzahl
Der Fokus liegt auf dem Tool statt auf dem Problem
Es gibt keine Baseline für den aktuellen Zustand
Wirkung soll erst nach Einführung bewertet werden
Erfolg wird über Aktivität statt über Veränderung gemessen
Ein Beispiel: Ein Unternehmen führt einen KI-Assistenten für den Kundendienst ein. Nach zwei Monaten ist klar, dass Mitarbeitende das Tool verwenden und täglich Anfragen damit bearbeiten. Das ist aber zunächst nur Aktivität. Ob sich dadurch die Erstlösungsquote verbessert, die Antwortzeit sinkt oder der Nachbearbeitungsaufwand abnimmt, ist damit noch nicht belegt.
Aktivität ist nicht gleich Wirkung. Eine hohe Nutzung kann ein gutes Zeichen sein, ist aber noch kein Nachweis für geschäftlichen Nutzen. Wirkung entsteht erst dann, wenn sich ein Verhalten oder ein Prozess messbar verbessert und daraus ein operativer oder finanzieller Effekt folgt.
Gerade in Bereichen wie IT und Digitalisierung zeigt sich dieser Unterschied deutlich. Ein neues digitales Hilfsmittel kann im Alltag präsent sein, ohne dass der zugrunde liegende Prozess wirklich stabiler, schneller oder wirtschaftlicher wird.
Wer KI Business Impact messen will, braucht deshalb früh eine Verbindung zwischen drei Ebenen:
Was verändert sich im Verhalten oder in der Nutzung?
Was verbessert sich im Prozess oder in der Qualität?
Welche Wirkung entsteht daraus für das Geschäft?
Ohne diese Kette bleibt die Bewertung unscharf. Dann entstehen Diskussionen über Eindrücke statt über belastbare Resultate.
So formulieren KMU eine Value-Hypothese vor dem PoC
Bevor ein PoC startet, braucht es keine komplizierte Business-Case-Logik. Was es braucht, ist eine klare Nutzenannahme. Genau das ist eine Value-Hypothese.
Eine einfache Formel dafür lautet:
Wenn [KI-Lösung] eingesetzt wird, dann verbessert sich [Verhalten oder Prozess], wodurch [Outcome] entsteht und letztlich [Business Impact] erreicht wird.
Diese Struktur zwingt dazu, den Nutzen nicht nur allgemein zu beschreiben, sondern entlang einer Wirkungskette zu formulieren.
Ein realistisches Beispiel aus einem KMU
Ein Handelsunternehmen prüft einen KI-gestützten E-Mail-Assistenten für den Innendienst.
Die Value-Hypothese könnte so aussehen:
Wenn der KI-Assistent eingehende Kundenanfragen vorsortiert und Antwortvorschläge erstellt, dann können Mitarbeitende Anfragen schneller und konsistenter bearbeiten, wodurch die Bearbeitungszeit pro Ticket sinkt und die Erstlösungsquote steigt, was letztlich zu tieferem Nachbearbeitungsaufwand, besserer Termintreue und höherer Teamkapazität führt.
Diese Formulierung ist aus drei Gründen hilfreich:
Sie beschreibt konkret, was sich verändern soll
Sie verbindet Nutzung mit Prozessverbesserung
Sie macht den erwarteten Geschäftseffekt überprüfbar
Wichtig ist dabei: KI ersetzt keinen unklaren Prozess. Sie funktioniert dort am besten, wo Aufgaben, Verantwortlichkeiten und Qualitätsanforderungen bereits halbwegs sauber definiert sind. Wenn Eingangskanäle chaotisch, Zuständigkeiten unklar oder Daten lückenhaft sind, wird auch die beste Lösung keine stabile Wirkung liefern.
Eine gute KI Value Hypothese ist deshalb weder technisch noch abstrakt. Sie ist prozessnah. Sie beantwortet vier praktische Fragen:
Wer arbeitet künftig anders?
In welchem Prozessschritt zeigt sich die Veränderung?
Welche operative Verbesserung ist erwartbar?
Woran wird der Business-Effekt sichtbar?
Wer diese Fragen vor dem PoC nicht beantworten kann, sollte den Use Case schärfen, bevor Entwicklungsaufwand entsteht.
Von Verhalten zu Wirkung: Adoption, Outcome und Business Impact sauber unterscheiden
Damit sich ein KI Use Case messen lässt, müssen drei Ebenen getrennt werden: Adoption, Outcome und Business Impact. Diese Unterscheidung verhindert, dass Nutzungsdaten mit echtem Nutzen verwechselt werden.
Adoption: Wird die Lösung tatsächlich genutzt und akzeptiert?
Adoption beschreibt die Nutzungs- und Akzeptanzebene. Es geht darum, ob die betroffenen Mitarbeitenden die KI im Alltag überhaupt einsetzen und ob sie in den Prozess integriert wird.
Typische Indikatoren sind:
Nutzungsquote im betroffenen Team
Anteil der Fälle, in denen KI-Vorschläge übernommen werden
Wiederkehrende Nutzung pro Woche oder pro Prozessschritt
Diese Kennzahlen sind wichtig, weil ohne Adoption keine Wirkung entstehen kann. Wenn ein Tool kaum verwendet wird, sind schwache Resultate nicht zwingend ein Zeichen für einen schlechten Use Case, sondern oft für fehlende Integration, unpassende Bedienung oder mangelnde Akzeptanz.
Adoption allein reicht aber nicht. Eine viel genutzte Lösung kann trotzdem keinen nennenswerten Nutzen bringen.
Outcome: Was verbessert sich im Prozess oder in der Qualität?
Outcome beschreibt die direkte Veränderung im Arbeitsablauf. Hier zeigt sich, ob der Einsatz der KI zu besserer Prozessleistung führt.
Typische Indikatoren sind:
kürzere Bearbeitungszeit
tiefere Fehlerquote
weniger Nachbearbeitung
höhere Datenqualität
verbesserte Erstlösungsquote
Auf dieser Ebene wird sichtbar, ob die Lösung den Prozess tatsächlich unterstützt. Outcome-Kennzahlen sind für Fachbereiche und Operations oft die wichtigsten Steuerungsgrössen, weil sie nahe am Tagesgeschäft liegen.
Business Impact: Welche operative oder finanzielle Wirkung entsteht?
Business Impact ist die Geschäftsebene. Hier wird bewertet, ob die beobachteten Prozessverbesserungen auch für Führung, Planung und Priorisierung relevant sind.
Typische Indikatoren sind:
eingesparte Stunden oder freigesetzte Kapazität
bessere Termintreue
höhere Auslastung
sinkende Kosten pro Fall
stabilere Servicequalität trotz steigendem Volumen
Im Bereich Finanzen und Controlling ist diese Ebene besonders wichtig. Dort geht es nicht um die Frage, ob ein System modern wirkt, sondern ob sich die operative Leistung nachvollziehbar verändert.
Entscheidend ist die Abhängigkeit zwischen den Ebenen: Ohne Adoption kein Outcome, ohne Outcome kein belastbarer Impact. Genau deshalb sollten KPI-Sets immer über mehrere Ebenen gedacht werden. Wer nur den finanziellen Effekt anschauen will, übersieht oft, warum die Wirkung ausbleibt. Wer nur Adoption misst, kann keinen Business-Nutzen nachweisen.
Welche KPIs für Schweizer KMU sinnvoll sind
Es gibt keine allgemeingültige Liste, die für jeden KI-Use-Case passt. Gute KI KPIs orientieren sich am konkreten Prozess, an der Ausgangslage und an den verfügbaren Daten. Für KMU gilt dabei eine einfache Regel: lieber wenige aussagekräftige Kennzahlen als ein breites Reporting ohne Entscheidungskraft.
Sinnvolle KPI-Beispiele finden sich oft in alltäglichen Prozessen.
Kundenservice und Innendienst
In serviceorientierten Prozessen sind oft diese Kennzahlen sinnvoll:
Bearbeitungszeit pro Anfrage
Erstlösungsquote
Nachbearbeitungsaufwand
Ticketvolumen pro Mitarbeitenden
Antwortzeit bis zur ersten Reaktion
Wenn ein KI-Assistent Antworten vorbereitet oder Anfragen klassifiziert, sollten genau diese Grössen beobachtet werden. Reine Nutzungszahlen genügen hier nicht.
Administration und Backoffice
In administrativen Prozessen sind häufig relevant:
Durchlaufzeit eines Falls
Fehlerquote in Dokumenten oder Stammdaten
Anzahl Rückfragen
Anteil vollständig erfasster Daten
Zeitaufwand pro Standardvorgang
Gerade bei KI-gestützter Datenextraktion oder Dokumentenverarbeitung ist die Datenqualität oft ein kritischer Hebel. Wenn weniger Korrekturen nötig sind, zeigt sich der Nutzen schneller als über einen abstrakten ROI.
Planung, Operations und Disposition
In operativen Bereichen können diese KPIs sinnvoll sein:
Termintreue
Auslastung
Anzahl Umplanungen
Reaktionszeit bei Abweichungen
Durchlaufzeit pro Auftrag
Wenn KI bei Priorisierung, Prognose oder Disposition unterstützt, sollte die Wirkung an der operativen Steuerung sichtbar werden. Auch hier gilt: Nicht die Modellgüte steht im Vordergrund, sondern die Verbesserung im Prozess.
Was bei der KPI-Auswahl wichtig ist
Nicht jede Kennzahl passt zu jedem Reifegrad. Für ein kleines KMU mit begrenzter Datenlage reichen oft drei bis fünf Kennzahlen pro Hypothese. Entscheidend ist, dass sie anschlussfähig sind für Geschäftsführung, Controlling und operative Verantwortung.
Sinnvoll ist ein Set aus:
1 bis 2 Adoption-KPIs
1 bis 2 Outcome-KPIs
1 Business-Impact-KPI
So bleibt die Steuerung übersichtlich und zugleich belastbar. Wer den Nutzen von KI messen will, braucht keine komplizierten Data-Science-Metriken, sondern saubere Verknüpfungen zwischen Nutzung, Prozess und Resultat.
Messung beginnt vor dem PoC: Baseline, Messpunkte und Vergleich sauber definieren
Ein häufiger Denkfehler lautet: Erst testen, dann messen. In der Praxis ist das zu spät. Wer vor dem Start nicht weiss, wie der heutige Zustand aussieht, kann später kaum belastbar sagen, ob eine Verbesserung eingetreten ist.
Deshalb beginnt Wirkungsmessung vor dem PoC.
Warum eine Baseline nötig ist
Die Baseline beschreibt den Ausgangszustand. Sie zeigt, wie ein Prozess heute funktioniert, bevor die KI eingeführt wird.
Typische Baseline-Daten sind:
durchschnittliche Bearbeitungszeit
aktuelle Fehlerquote
heutige Durchlaufzeit
bisherige Erstlösungsquote
Aufwand für Nachbearbeitung
Volumen pro Woche oder Monat
Ohne diese Vergleichswerte bleiben Aussagen vage. Dann heisst es etwa: "Es fühlt sich schneller an" oder "das Team ist zufriedener". Solche Rückmeldungen sind nützlich, ersetzen aber keine Wirkungsmessung.
Welche Messpunkte sinnvoll sind
Auch kleine KMU brauchen kein aufwendiges Studiendesign. Ein pragmatischer Vorher-Nachher-Vergleich reicht oft aus, wenn die Messpunkte sauber gesetzt werden.
Sinnvoll ist beispielsweise diese Struktur:
Vor dem PoC: Baseline für 4 bis 8 Wochen erfassen
Während des PoC: Nutzung und erste Prozessveränderungen beobachten
Nach dem PoC: definierte Vergleichsperiode auswerten
Nach dem Rollout: Wirkung stabilisieren und erneut prüfen
Wichtig ist, dass die Zeiträume vergleichbar bleiben. Saisonale Unterschiede, Ferienzeiten oder aussergewöhnliche Lastspitzen können Resultate sonst verzerren.
Auch mit einfachen Mitteln belastbar messen
Viele KMU verfügen nicht über ausgebautes Prozesscontrolling. Das ist kein Hindernis. Oft genügen einfache Quellen:
ERP- oder Ticketdaten
Zeitstempel in bestehenden Systemen
manuelle Stichproben
Qualitätskontrollen im Fachbereich
Monatsauswertungen aus Standardreports
Wirkungsmessung muss nicht perfekt sein, aber konsistent und nachvollziehbar. Ein einfacher, sauberer Vergleich ist wertvoller als ein komplexes Messmodell, das im Alltag niemand pflegt.
Wer den eigenen Ansatz vor dem Start prüfen will, kann den Selbstcheck nutzen, um Use Case, Hypothese und Messbarkeit strukturiert zu beurteilen.
So steuern Sie KI-Initiativen mit wenigen, aber belastbaren Kennzahlen
Wenn die Hypothese steht und die Messpunkte definiert sind, geht es um die Steuerung im Alltag. Auch hier ist Pragmatismus entscheidend. Ein KI-Projekt braucht kein Kennzahlenpaket wie ein Grosskonzern. Es braucht wenige Kennzahlen mit klarer Verantwortung.
Ein praktikabler Ansatz für KMU besteht aus fünf Schritten:
1. Pro Hypothese nur wenige KPIs festlegen
Eine Hypothese sollte nicht mit zehn Kennzahlen überladen werden. Drei bis fünf gut gewählte Werte reichen meist aus. Sonst steigt der Pflegeaufwand, während die Aussagekraft sinkt.
2. Verantwortlichkeiten eindeutig zuordnen
Jede Kennzahl braucht eine zuständige Rolle. Nicht zwingend eine neue Funktion, aber eine klare Verantwortung:
Wer erhebt die Daten?
Wer prüft die Qualität?
Wer bewertet die Resultate?
Wer entscheidet über Anpassungen?
Ohne diese Zuordnung entstehen schnell Lücken. Dann werden Kennzahlen zwar diskutiert, aber nicht aktiv gesteuert.
3. Messfrequenz passend zum Prozess wählen
Nicht jede Kennzahl muss täglich erhoben werden. Für manche Use Cases reichen wöchentliche oder monatliche Reviews. Wichtig ist, dass die Frequenz zum Prozess passt und Veränderungen früh genug sichtbar werden.
4. Ergebnisse regelmässig mit der Hypothese abgleichen
Die eigentliche Steuerung entsteht nicht durch Dashboards, sondern durch die Frage: Bestätigen die Daten die ursprüngliche Annahme?
Dabei kann sich zeigen:
Adoption ist gut, Outcome aber schwach
Outcome verbessert sich, Impact bleibt vorerst aus
einzelne Teams profitieren stärker als andere
die Hypothese war zu breit oder zu optimistisch
Genau solche Erkenntnisse sind wertvoll. Sie helfen, Prioritäten neu zu setzen und den Use Case zu schärfen.
5. Hypothesen bei Bedarf anpassen
Messung ist kein einmaliger Nachweis, sondern ein Lerninstrument. Wenn sich zeigt, dass eine Annahme nicht trägt, sollte sie angepasst werden. Vielleicht ist der Prozessschritt falsch gewählt, die Nutzergruppe zu breit oder die KPI ungeeignet.
Für Geschäftsführung und Controlling ist das besonders relevant: Gute Messlogik verbessert nicht nur die Bewertung eines einzelnen Projekts, sondern auch die Priorisierung künftiger Initiativen.
Typische Stolpersteine bei der Wirkungsmessung von KI vermeiden
Viele Probleme in KI-Projekten sind nicht technisch, sondern methodisch. Die häufigsten Stolpersteine lassen sich mit wenig Aufwand vermeiden.
Zu breite Ziele
Wenn das Ziel lautet, "Effizienz steigern" oder "den Kundenservice verbessern", fehlt die operative Schärfe. Besser ist ein klar abgegrenzter Prozessschritt mit einer konkreten Wirkungserwartung.
So lässt es sich vermeiden: Ziele auf einen messbaren Prozess und eine Zielgruppe eingrenzen.
Unklare Verantwortlichkeiten
Wenn niemand eindeutig für Messung und Auswertung zuständig ist, bleiben Datenlücken und offene Interpretationen.
So lässt es sich vermeiden: Verantwortungen für KPI-Erhebung, Review und Entscheid klar festlegen.
Fehlende Baseline
Ohne Ausgangswert ist jeder Nutzen schwer belegbar. Das führt oft zu Diskussionen statt zu Entscheidungen.
So lässt es sich vermeiden: Vor dem PoC eine einfache Vorher-Messung definieren, auch wenn sie zunächst manuell erfolgt.
Nur Aktivitätskennzahlen
Logins, Klicks oder Anzahl Prompts können Hinweise liefern, aber keine Wirkung belegen.
So lässt es sich vermeiden: Nutzungsdaten immer mit Prozess- und Impact-Kennzahlen verbinden.
Zu frühe ROI-Versprechen
Wer bereits vor dem PoC einen exakten KI ROI verspricht, schafft oft Erwartungen, die der Projektstand noch nicht tragen kann.
So lässt es sich vermeiden: Mit realistischen Nutzenannahmen arbeiten und finanzielle Effekte erst dann beziffern, wenn Prozessverbesserungen belegt sind.
Messung ohne Prozessbezug
Wenn Kennzahlen nicht am konkreten Ablauf ansetzen, bleibt unklar, wie die KI eigentlich wirken soll.
So lässt es sich vermeiden: Immer vom Prozessschritt ausgehen, nicht vom Tool. Erst Problem und Veränderung definieren, dann messen.
Den eigenen Use Case strukturiert prüfen
Ein guter Start in ein KI-Vorhaben beginnt nicht mit der Demo, sondern mit vier einfachen Punkten: Problem, Value-Hypothese, passende KPIs und saubere Messpunkte. Wer diese Elemente vor dem PoC klärt, schafft eine viel bessere Grundlage für Entscheidungen, Priorisierung und spätere Skalierung.
Gerade für Schweizer KMU ist das entscheidend. Ressourcen sind begrenzt, Prozesse oft eng verzahnt, und Nutzen muss nachvollziehbar sein. KI schafft dort Wert, wo klare Abläufe bereits vorhanden sind und Verbesserungen konkret gemessen werden können.
Wer den eigenen Use Case darauf prüfen möchte, findet im Selbstcheck eine strukturierte nächste Etappe. Damit lässt sich einschätzen, ob ein Vorhaben vor dem PoC bereits sauber genug auf Messbarkeit und Business Impact ausgerichtet ist.
Häufig gestellte Fragen
Wie formuliere ich für einen KI-Use-Case eine brauchbare Value-Hypothese?
Eine brauchbare Value-Hypothese beschreibt nicht nur die Lösung, sondern die erwartete Wirkungskette. Praktisch formuliert: Wenn die KI-Lösung im definierten Prozess eingesetzt wird, dann verändert sich ein bestimmtes Verhalten oder ein Prozessschritt, wodurch ein messbares Outcome entsteht und daraus ein Business-Effekt folgt. Wichtig ist, dass die Hypothese konkret, überprüfbar und auf einen klaren Anwendungsfall begrenzt ist.
Welche KPIs eignen sich für KI-Projekte in einem Schweizer KMU?
Geeignet sind vor allem prozessnahe Kennzahlen wie Bearbeitungszeit, Durchlaufzeit, Fehlerquote, Erstlösungsquote, Nachbearbeitungsaufwand, Termintreue, Auslastung, Ticketvolumen oder Datenqualität. Welche KI KPIs sinnvoll sind, hängt vom Prozess und von der Ausgangslage ab. Meist reichen wenige Kennzahlen, wenn sie sauber gewählt und regelmässig überprüft werden.
Woran zeigt sich der Unterschied zwischen Adoption, Outcome und Business Impact?
Adoption zeigt, ob die Lösung im Alltag genutzt und akzeptiert wird. Outcome zeigt, ob sich dadurch der Prozess oder die Qualität verbessert. Business Impact beschreibt die operative oder finanzielle Wirkung, etwa durch Zeitgewinn, tiefere Kosten oder bessere Termintreue. Die drei Ebenen bauen aufeinander auf und sollten nicht vermischt werden.
Warum sollte die Wirkungsmessung schon vor dem PoC starten?
Weil ohne Baseline kein belastbarer Vergleich möglich ist. Wer erst nach dem PoC zu messen beginnt, kennt den Ausgangszustand nicht und kann Verbesserungen nur schwer belegen. Die Wirkungsmessung sollte deshalb bereits vor dem Start festlegen, welche Kennzahlen erhoben werden, wie der heutige Wert aussieht und wann die Vergleiche stattfinden.
Wie viele Kennzahlen braucht es für ein KI-Projekt wirklich?
In den meisten KMU reichen drei bis fünf Kennzahlen pro Use Case. Sinnvoll ist eine Kombination aus Adoption, Outcome und einem Business-Impact-Indikator. Zu viele Kennzahlen erhöhen den Aufwand, ohne die Steuerung zu verbessern. Entscheidend ist nicht die Menge, sondern die Aussagekraft.
Wie lässt sich der Nutzen einer KI-Lösung ohne komplexes Controlling nachweisen?
Oft genügen einfache Vorher-Nachher-Vergleiche mit bestehenden Datenquellen. Ticketdaten, ERP-Auswertungen, Zeitstempel, Qualitätskontrollen oder manuelle Stichproben liefern häufig schon eine gute Grundlage. Wichtig ist, dass die Messung konsistent, nachvollziehbar und direkt mit dem betroffenen Prozess verknüpft ist.
