Jenseits der KI-Euphorie: Tauschen wir nur Gehälter gegen KI-Rechnungen?

Die Einführung von KI ist das Thema jeder Vorstandssitzung. Teams sollen überall KI nutzen, Budgets werden umverteilt und Personalpläne werden um das Versprechen herum neu geschrieben, dass weniger Menschen mit KI mehr leisten als mehr Menschen ohne sie.

Doch eine Frage wird selten laut gestellt: Kommt der wirtschaftliche Nutzen der KI tatsächlich im Unternehmen an, oder fließt der größte Teil still und leise als Zahlungen für die KI selbst wieder ab?

Das ist kein Argument gegen KI. Wir entwickeln jeden Tag KI-gestützte Software und nutzen KI in unserem eigenen Entwicklungsprozess. Es ist ein Argument dafür, KI so zu betrachten, wie ein Unternehmer jede andere Investition betrachtet: anhand der Rechnungen, nicht anhand der Begeisterung.

Einer unserer Kunden hat eine Entscheidung getroffen, die gerade viele Unternehmen treffen. Er hat sein Entwicklungsteam um fünf Programmierer verkleinert und die verbleibenden Entwickler gebeten, durch den massiven Einsatz von KI-Werkzeugen schneller zu arbeiten: Coding-Assistenten, KI-Agenten, Premium-Modellabonnements und API-Zugänge für automatisierte Abläufe.

Auf dem Papier war die Ersparnis eindeutig: rund 25.000 € pro Monat an Gehältern und Nebenkosten.

Einige Monate später sah das Bild anders aus. Die monatliche KI-Rechnung (Lizenzen, API-Verbrauch, Agentenläufe, Integrationen und die Werkzeuge drumherum) war auf ungefähr dieselben 25.000 € angewachsen.

Und das Ergebnis? Vor der Umstellung hatte das Unternehmen ständig Probleme, Projekte pünktlich zu liefern. Nach der Umstellung hatte es sie immer noch. Termine wurden genauso verpasst wie vorher. Aus Sicht der Person, die die Rechnungen unterschreibt, hat sich nichts verbessert. Der Kostenposten ist einfach von der Gehaltsabrechnung zu den KI-Anbietern gewandert.

Das ist kein Einzelfall. Es ist ein Muster, und es lohnt sich zu verstehen, warum es entsteht.

Seien wir fair: Das Gefühl von Geschwindigkeit, das KI vermittelt, ist echt. Ein KI-gestützter Entwickler kann eine Komponente in Minuten erzeugen, eine API in einer Stunde aufsetzen und an einem Tag schaffen, wofür früher eine Woche nötig war. Das zu beobachten ist aufregend, und diese Begeisterung ist real.

Aber das Gefühl von Geschwindigkeit und die Liefergeschwindigkeit sind zwei verschiedene Dinge. Softwareprojekte verspäten sich selten, weil Entwickler zu langsam tippen. Sie verspäten sich, weil Anforderungen unklar sind, Entscheidungen sich verzögern, Integrationen schwieriger sind als erwartet, Tests Probleme spät finden und Wissen in den Köpfen weniger Menschen steckt.

KI beschleunigt einen Schritt des Prozesses dramatisch: das Erzeugen von Code. Für die Schritte drumherum tut sie viel weniger. Wenn man eine Stufe beschleunigt und den Rest unverändert lässt, verschwindet der Engpass nicht. Er wandert. Heute wandert er oft zu Code-Review, Tests, Integration und vor allem zur Frage, was überhaupt gebaut werden soll.

Wenn man sich vom Gefühl der Begeisterung löst und das Unternehmen mit den Augen seines Eigentümers betrachtet, wird ein anderer, weit weniger sichtbarer Prozess erkennbar: Die Aktivität hat zugenommen, der Durchsatz aber nicht.

Die KI-Rechnung besteht selten aus einer einzigen Zeile. Wenn Unternehmen die Kosten von KI berechnen, denken sie meist an Abonnements. Die tatsächlichen Gesamtkosten sind breiter:

Abonnements und Lizenzen. Premium-Pläne für Coding-Assistenten, Chat- und Design-Werkzeuge, oft mehrere pro Person, weil jedes Werkzeug in etwas anderem gut ist.

API- und Token-Verbrauch. Automatisierte Pipelines und KI-Agenten rufen Modelle ununterbrochen auf. Ein Agent, der Versuche wiederholt, eine große Codebasis erneut einliest oder bei einer fehlschlagenden Aufgabe in einer Schleife hängt, kann ein Budget verbrauchen, ohne dass es jemand bemerkt, bis die Rechnung kommt.

Modelltraining und Feinabstimmung. Modelle an die eigenen Daten anpassen, Retrieval-Pipelines aufbauen, Datensätze vorbereiten und bereinigen und Ergebnisse bewerten. Diese Arbeit ist teuer und wird meist von genau den erfahrenen Ingenieuren erledigt, deren Ablenkung man sich am wenigsten leisten kann.

Systemeinführung und Integration. KI an bestehende Systeme anbinden, Berechtigungen, Sicherheitsprüfungen, Compliance, Monitoring und Prozessänderungen, damit Teams die Werkzeuge tatsächlich nutzen. Bei der Systemeinführung verbrauchen viele KI-Projekte still den größten Teil ihres Budgets.

Review und Nacharbeit. KI-generierter Code muss gelesen, verstanden, getestet und gewartet werden. Wenn weniger Menschen mehr generierten Code prüfen, rutschen Fehler durch und kehren später als Nacharbeit, Störungen und technische Schulden zurück.

Zählt man all das zusammen, wird leicht verständlich, wie eine KI-Rechnung die Größe der Gehaltskosten erreichen kann, die sie eigentlich ersetzen sollte.

Eine Teamverkleinerung verändert mehr als die Kostenstruktur. Fünf Entwickler, die gehen, nehmen Kontext mit: Wissen über Geschäftsregeln, die Geschichte von Entscheidungen, Sonderfälle, die niemand dokumentiert hat. KI kann dieses Wissen nicht zurückholen. Sie kann nur mit dem arbeiten, was man ihr gibt.

Die verbleibenden Entwickler tragen nun mehr Verantwortung. Ihre Arbeit verschiebt sich vom Schreiben von Code hin zum Steuern der KI, zum Prüfen ihrer Ergebnisse und zum Korrigieren ihrer Fehler. Das ist wertvolle Arbeit, aber sie ist nicht kostenlos und skaliert nicht unbegrenzt. Ein Mensch kann pro Tag nur eine begrenzte Menge generierten Codes mit echter Aufmerksamkeit prüfen.

So endet das Unternehmen mit weniger Menschen, mehr Output, mehr Review-Last, denselben unklaren Anforderungen und denselben Verspätungen. Das Problem hinter den verpassten Terminen war nie die Tippgeschwindigkeit, also hat ihre Beschleunigung es auch nicht gelöst.

Es gibt eine breitere wirtschaftliche Dimension, die selten in die Rechnung eingeht, es aber sollte.

Jeder Arbeitsplatz in der lokalen Wirtschaft wirkt weit über das Unternehmen hinaus, das das Gehalt zahlt. Das Gehalt eines Programmierers erzeugt Einkommensteuer und Sozialabgaben. Es bezahlt Miete oder Kredit, Lebensmittel, die Ausbildung der Kinder, Urlaube, Autos und Restaurantbesuche. Ein großer Teil dieses Geldes zirkuliert lokal, stützt andere Unternehmen, die wiederum Menschen beschäftigen, von denen einige Ihre eigenen Kunden sind.

Wird dasselbe Budget in ein Abonnement bei einem globalen KI-Anbieter umgeleitet, kommt der größte Teil dieses Kreislaufs zum Stillstand. Das Geld verlässt die lokale Wirtschaft, und die Steuern und Ausgaben, die es getragen hätte, entstehen zu einem großen Teil anderswo.

Für ein einzelnes Unternehmen mag das abstrakt wirken. Multipliziert mit Tausenden von Unternehmen, die dieselbe Entscheidung treffen, wird es sehr konkret: schwächere lokale Nachfrage, eine kleinere Steuerbasis und weniger Menschen, die sich die Produkte und Dienstleistungen lokaler Unternehmen leisten können.

Das heißt nicht, dass Unternehmen KI meiden sollten. Es heißt, dass der Ersatz von Menschen durch KI-Rechnungen nicht automatisch eine Ersparnis ist, noch bevor man mitrechnet, was er die Wirtschaft kostet, in der man tätig ist.

Nehmen Sie Ihre Zahlen des letzten Monats und beantworten Sie ehrlich drei Fragen:

1. Wie viel haben Sie dank KI tatsächlich an Personalkosten gespart?

2. Wie viel haben Sie zusätzlich für KI-Abonnements, API-Nutzung, KI-Einführung, Modelltraining und Systemeinführung ausgegeben, einschließlich der Zeit der Menschen, die all das betreuen?

3. Haben Sie zusätzlichen Umsatz erzielt? Haben Sie mehr Projekte geliefert, schneller geliefert, neue Kunden gewonnen oder Produkte eingeführt, die vorher nicht möglich gewesen wären?

Der ROI der KI-Einführung ist nicht die Differenz der ersten beiden Zahlen. Er ist die erste Zahl plus die dritte, minus die zweite. Ist die dritte Zahl null, haben Sie bestenfalls eine Ausgabe durch eine andere ersetzt. Ist die zweite größer als die erste, bezahlen Sie für das Gefühl von Geschwindigkeit.

KI kann eine echte Rendite bringen. Nach unserer Erfahrung folgen die Unternehmen, die sie erreichen, einigen Grundsätzen:

Bei einem messbaren Engpass beginnen, nicht bei einem Werkzeug. Finden Sie heraus, wo tatsächlich Zeit und Geld verloren gehen, und setzen Sie KI dort ein. Wenn der Engpass unklare Anforderungen sind, hilft mehr generierter Code nicht.

Menschen stärken, statt sie standardmäßig zu ersetzen. Ein erfahrener, KI-gestützter Entwickler, der das Geschäft kennt, ist die Quelle des größten Nutzens. Wer Erfahrung streicht, um die KI zu bezahlen, entfernt oft genau das, was KI wirksam macht.

Ergebnisse messen, nicht Aktivität. Messen Sie Kosten pro gelieferter Funktion, Durchlaufzeit von der Idee bis zur Produktion und Fehlerquoten, nicht die Zahl der Prompts oder generierten Codezeilen.

KI-Kosten wie Cloud-Kosten behandeln. Setzen Sie Budgets und Limits, überwachen Sie den Verbrauch, wählen Sie kleinere Modelle für Routineaufgaben, cachen Sie Ergebnisse und ziehen Sie selbst betriebene oder offene Modelle in Betracht, wo sie gut genug sind.

In den Prozess rund um den Code investieren. Klare Spezifikationen, gute Review-Praktiken und automatisierte Tests machen aus KI-Output gelieferte Software.

Bei ITFriends ist KI jeden Tag Teil unserer Softwareentwicklung, und wir haben gesehen, wie sie gute Teams deutlich produktiver macht. Wir sind nicht skeptisch gegenüber KI. Wir sind skeptisch gegenüber einer KI-Einführung, die nie gemessen wird.

Die Frage ist nicht, ob man KI einsetzt. Die Frage ist, ob KI neuen Wert für Ihr Unternehmen schafft oder einfach Ihr bestehendes Budget von Ihren Mitarbeitern auf die Server eines anderen umleitet.

Wenn Sie nicht sicher sind, was davon in Ihrem Unternehmen geschieht, können wir genau dort helfen: von einer ehrlichen Bewertung Ihrer KI-Kosten bis zu einer KI-Einführung, die auf messbare Geschäftsergebnisse ausgerichtet ist.