Adoption ist der Hebel, nicht das Tool

Wenn ein KI-Projekt seinen Business Case verfehlt, liegt es selten an der Software. Das Tool funktioniert meistens genau so, wie es im Pitch gezeigt wurde. Es liegt an einer Annahme, die so selbstverständlich klingt, dass niemand sie ausspricht, geschweige denn hinterfragt: dass alle Mitarbeitenden das Tool ab Tag eins nutzen. Tun sie nicht. Sie tun es nie. Und genau hier zerlegt sich der schöne ROI, den Du im Frühling gerechnet hast, irgendwo im Herbst von selbst - leise, ohne dass jemand einen Fehler gemacht hätte.

Das ist kein Grund, KI nicht zu skalieren. Es ist ein Grund, ehrlich zu rechnen. Schauen wir uns an, wo der Denkfehler steckt und was Du dagegen tun kannst.

Der Denkfehler: alle zahlen, kaum jemand nutzt

Die meisten Skalierungsrechnungen funktionieren so: Du nimmst die gesamte Belegschaft, multiplizierst sie mit den Lizenzkosten und der Schulung, und stellst dem die erwartete Zeitersparnis gegenüber. Sauber, nachvollziehbar, und in der Anfangsphase grundfalsch.

Denn in Monat eins zahlst Du zwar für alle - aber genutzt wird das Tool von einem Bruchteil. Realistisch sind in der ersten Phase vielleicht 15 Prozent der Belegschaft aktiv dabei. Die Einsparung entsteht also nur für diese 15 Prozent, während die Kosten für 100 Prozent anfallen. Rechne das einmal durch: Wenn Du die vollen Lizenzkosten auf eine Nutzung verteilst, die nur 15 Prozent beträgt, zahlst Du pro tatsächlich gesparter Stunde rund das 6,6-fache dessen, was die Rechnung bei voller Nutzung ergäbe. Kein Wunder, dass der Break-Even sich nach hinten schiebt, wenn Du mit Vollkosten und gleichzeitig vollen Einsparungen rechnest, die es zu diesem Zeitpunkt noch gar nicht gibt. Das naive Modell bestraft Dich doppelt: zu hohe Kosten, zu hohe erwartete Einsparung, und beide Fehler zeigen sich erst im Quartalsreview.

Adoption ist eine S-Kurve, keine Gerade

Der zweite Fehler ist die Vorstellung, Nutzung steige gleichmässig an - jeden Monat ein Stück mehr, schön linear. Tut sie nicht. Adoption folgt einer S-Kurve, und die hat drei Phasen. Am Anfang ein zäher Start, weil die Leute erst Vertrauen fassen, ihre Arbeitsweise umstellen und die ersten Frustrationen überwinden müssen. Dann, etwa ab Monat vier bis sieben, eine spürbare Beschleunigung, wenn die ersten Erfolge sichtbar werden und sich herumsprechen. Und schliesslich eine Sättigung.

Diese Sättigung liegt nicht bei 100 Prozent. In einem realistischen Szenario erreichst Du rund 93 Prozent - die restlichen Mitarbeitenden nutzen KI dauerhaft nur sporadisch, egal wie gut das Tool ist. In stärker regulierten oder traditionelleren Umgebungen liegt das Plateau tiefer, manchmal bei 75 Prozent. Das ist keine schlechte Nachricht und kein Versagen Deiner Einführung. Es ist die Realität, die in Deine Rechnung gehört. Wer mit "ab Monat eins nutzen alle das Tool zu 100 Prozent" plant, baut sich eine Zahl, die im ersten ehrlichen Review zerbricht - und nimmt damit auch der echten, soliden Rendite die Glaubwürdigkeit.

Die drei Kostenpositionen, die fast jeder vergisst

Wenn Du adoptionsbewusst rechnest, tauchen drei Posten auf, die in naiven Modellen schlicht fehlen - und die zusammen über Erfolg oder stilles Scheitern entscheiden.

Onboarding pro Welle.

Mitarbeitende werden nicht alle gleichzeitig aktiviert, sondern in Wellen - erst die Neugierigen, dann die Mitläufer, zuletzt die Skeptiker. Jede dieser Wellen braucht eine eigene Schulung, und zwar in dem Monat, in dem sie tatsächlich dazukommt, nicht in einem pauschalen Einmalbetrag am Anfang, der dann verpufft ist, wenn die dritte Welle startet.

Wiederkehrende Auffrischung.

KI-Tools ändern sich schneller als klassische Software. Prompts veralten, neue Funktionen kommen dazu, eingespielte Routinen werden plötzlich ineffizient. Eine Quartalsschulung für die aktiven Nutzer ist kein Luxus, sondern der Unterschied zwischen einer Nutzung, die anhält, und einer, die nach dem ersten Hype still abklingt, während die Lizenzkosten weiterlaufen.

FinOps für Lizenzen.

Bei nutzungsbasierten Modellen - und das sind die meisten ernsthaften KI-Tools - musst Du Lizenzen aktiv verwalten. Wer zahlt für was, wer nutzt seit drei Monaten nichts mehr, wo läuft Geld in inaktive Accounts. Ohne diese Disziplin zahlst Du für Karteileichen, und der Posten wächst genau dann, wenn Du glaubst, das Projekt laufe rund.

Ein konkreter Fall

Nimm Maria, Geschäftsführerin einer Marketing-Agentur mit 75 Mitarbeitenden. Im naiven Modell rechnet ihr Dienstleister vor: alle 75 ab Tag eins, voller Effekt, Break-Even nach vier Monaten. Im adoptionsbewussten Modell sieht dieselbe Investition anders aus: In Monat eins sind 11 Leute aktiv, nicht 75. Die Kosten in der Frühphase sind dadurch deutlich niedriger, aber die Einsparung eben auch. Der Break-Even verschiebt sich von vier auf sieben Monate - und genau diese drei Monate sind der Unterschied zwischen einer Rechnung, die hält, und einer, die Maria im Sommer erklären muss, warum die Realität hinter dem Versprechen zurückbleibt. Die gute Nachricht: Ab Monat neun, wenn das Plateau erreicht ist, läuft die Einsparung stabil und höher als im naiven Modell überhaupt berücksichtigt - weil dort niemand die wiederkehrenden Schulungs- und FinOps-Effekte mitgedacht hat.

"Aber wir lizenzieren doch pauschal"

Der häufigste Einwand: "Bei uns kostet das Tool einen Pauschalbetrag, unabhängig von der Nutzung." Mag sein - dann skalieren die Lizenzkosten tatsächlich nicht mit der Adoption. Aber die Einsparung tut es weiterhin. Wer in Monat eins den vollen Pauschalbetrag zahlt und so tut, als wäre der volle Nutzen schon da, rechnet sich genauso in die Irre, nur von der anderen Seite. Und Schulung, Auffrischung und Change-Aufwand fallen ohnehin pro Person und Welle an, Pauschallizenz hin oder her. Die adoptionsbewusste Rechnung gilt also auch dann - sie verschiebt nur, welcher Posten wie stark betroffen ist.

Was das praktisch bedeutet

Eine ehrliche Skalierungsrechnung lässt Kosten und Einsparungen im Gleichschritt mit der tatsächlichen Adoption wachsen. Lizenz- und Schulungskosten skalieren mit den aktiven Nutzern, nicht mit dem Organigramm. Dann stimmt das Bild: Die Kosten sind in der Anfangsphase niedriger, als ein Vollkostenmodell behauptet, die Einsparung ebenfalls, und der Break-Even liegt dort, wo er wirklich liegt - nicht dort, wo ein zu optimistisches Modell ihn hinrechnet und auch nicht dort, wo ein zu vorsichtiges ihn vergräbt.

Genau so rechnet unser KI-Scaling-Simulator: mit branchenspezifischen Adoptionskurven, gestaffeltem Onboarding und nutzungsabhängigen Kosten. Du gibst Deine Branche und Belegschaft ein und siehst eine 36-Monats-Projektion, die der Realität standhält - statt einer Zahl, die nur im Pitch funktioniert und im Betrieb zerbricht.