THESENPAPIER 2026 · DEEP DIVE #5
Die Stellhebel der KI-Ökonomie
6. November 2026 · Dr. Veronika von Heise-Rotenburg, Isabel Hartung und Prof. Dr. Stefan Remhof

Wie Unternehmen aus KI-Ausgaben nachweisbare Wertschöpfung machen – und welche Fragen sich daraus für Aufsichts- und Beiratsgremien ergeben
Deutsche Digitale Beiräte e.V.
Deep Dive zu These 5: Wirtschaftlichkeit misst sich am Geschäftsergebnis
Vertiefungsbeitrag zum Thesenpapier „KI-Agenten im Mittelstand“ der Deutschen Digitalen Beiräte e. V.
KI wird zunehmend nicht mehr als einzelnes Werkzeug, sondern als wirtschaftliche Infrastruktur verstanden. Während die erste Welle generativer KI vor allem persönliche Produktivitätsassistenten hervorbrachte, verlagert sich die Wertschöpfung nun auf agentische Systeme – und potenziert damit Steuerungsaufwand und Kostenrisiken. Ob diese Schicht Wert schafft, entscheidet sich jedoch nicht am Tokenverbrauch oder an der Zahl aktiver Nutzer, sondern an der Qualität der wirtschaftlichen Steuerung.
Dieser Beitrag identifiziert sieben Stellhebel, über die Unternehmen KI-Wirtschaftlichkeit aktiv gestalten können: Aufgabenarchitektur, Modell- und Architekturwahl, Daten- und Kontextqualität, Mensch-Maschine-Arbeitsteilung, Vertrags- und Preismodelle, Portfolio- und Finanzierungslogik sowie Organisation und Anreize. Entscheidend ist ihr Zusammenspiel: Die Hebel stehen in Zielkonflikten, die sich durch isolierte Optimierung nicht auflösen lassen.
Die zentrale These lautet: KI-Wirtschaftlichkeit ist kein Reporting-, sondern ein Gestaltungsproblem. Zeitersparnis ist zunächst nur Potenzial. Wert entsteht erst, wenn das Management festlegt, wie freigesetzte Kapazität verwertet wird: durch Kapazitätsabbau, Reallokation oder höheren Durchsatz. Zugleich gilt: Auch Nicht-Handeln hat einen Preis.
Für Aufsichts- und Beiratsgremien bedeutet das: Sie müssen nicht Modelle, Tokens oder Prompts bewerten. Sie sollten jedoch nachfragen, ob KI-Investitionen Wert schaffen, welche strategischen Abhängigkeiten entstehen und ob Risiken beherrschbar bleiben.
1. Ausgangslage: Von der Produktivitätsassistenz zur KI-Ökonomie
Die empirische Forschung zeigt: Generative KI kann Produktivität in kognitiven und serviceorientierten Tätigkeiten deutlich erhöhen. Der IWF verweist auf Feldstudien mit Produktivitätsverbesserungen zwischen 14 und 56 Prozent, etwa im Kundenservice, beim professionellen Schreiben, in der Softwareentwicklung, Beratung und juristischen Analyse (IMF, 2026b). Ein KI-Assistent im Kundenservice steigerte die Zahl gelöster Anfragen pro Stunde im Durchschnitt um 14 Prozent, bei wenig erfahrenen Beschäftigten um rund ein Drittel (Brynjolfsson et al., 2025). Eine abgegrenzte Programmieraufgabe wurde mit KI-Unterstützung rund 56 Prozent schneller gelöst (Peng et al., 2023).
Gleichzeitig warnt die Forschung vor einer vorschnellen Gleichsetzung von individueller Zeitersparnis und wirtschaftlichem Wert. Eine randomisierte Feldstudie des NBER mit 7.137 Beschäftigten in 66 Unternehmen zeigt zwar, dass Mitarbeitende mit Zugang zu generativer KI im Durchschnitt zwei Stunden pro Woche weniger für E-Mail benötigten und weniger außerhalb regulärer Arbeitszeiten arbeiteten. Eine Veränderung der Menge oder Zusammensetzung ihrer Aufgaben war jedoch nicht feststellbar (Dillon et al., 2025).
Noch deutlicher wird diese Diskrepanz in einer randomisierten kontrollierten Studie zu erfahrenen Open-Source-Entwicklerinnen und -Entwicklern. Becker et al. (2025) untersuchten 16 Entwicklerinnen und Entwickler bei 246 Aufgaben in vertrauten, reifen Softwareprojekten. Vor Beginn erwarteten die Teilnehmenden, dass KI die Bearbeitungszeit um 24 Prozent reduzieren würde; nach Abschluss schätzten sie den Effekt noch auf 20 Prozent Zeitersparnis. Gemessen wurde jedoch das Gegenteil: Mit KI-Zugang benötigten sie durchschnittlich 19 Prozent länger.
Das ist ein zentraler Befund: KI kann Arbeit verändern, ohne automatisch Wertschöpfung zu verändern – und sie kann unter bestimmten Bedingungen sogar produktivitätsmindernd wirken. Zeit, die durch KI freigesetzt wird, ist zunächst nur Potenzial. Sie wird erst dann wirtschaftlich, wenn sie in höhere Qualität, zusätzliche Leistungen, bessere Entscheidungen, reduzierte Kosten oder neue Angebote überführt wird (Becker et al., 2025; Dillon et al., 2025; IMF, 2026b).
Hinzu kommt eine Verschiebung, die die Steuerungsfrage verschärft. Die zitierten Studien untersuchen überwiegend Assistenzsysteme: Chatbots, Schreib- und Code-Assistenten. Dort löst ein Mensch jede Anfrage aus und verwertet das Ergebnis selbst. Agentische Systeme verhalten sich ökonomisch anders: Sie planen Arbeitsschritte selbst, rufen Werkzeuge auf und durchlaufen Schleifen, deren Zahl vorab nicht feststeht. Da jeder Schritt den bisherigen Kontext erneut verarbeitet, kann der Verbrauch mit der Zahl der Schritte überproportional steigen. Kosten werden weniger planbar, Fehler pflanzen sich über mehrere Schritte fort, und Verantwortung muss neu geregelt werden. Die folgenden Stellhebel beziehen sich deshalb vor allem auf agentische Systeme, gelten aber sinngemäß auch für Assistenzsysteme.
Für Unternehmen folgt daraus: Die entscheidende Frage lautet nicht mehr, ob KI eingesetzt wird, sondern wie sie eingesetzt wird.
2. Querschnittsthema: Der Rebound-Effekt
Ein häufig übersehener wirtschaftlicher Effekt ist der Rebound-Effekt, in der ökonomischen Tradition auch als Jevons-Paradoxon bezeichnet. Wird die Erzeugung von Text, Code oder Analysen deutlich billiger und schneller, sinken die Gesamtkosten nicht automatisch. Häufig steigt stattdessen die Nachfrage.
Ein Beispiel: Wird die Erstellung eines internen Reports durch KI zehnmal schneller und günstiger, kann das Unternehmen fünfmal mehr Reports erstellen. Die Kosten je Report sinken, die Gesamtkosten für Erstellung, Prüfung, Verteilung und Archivierung können dennoch steigen. Ähnliches gilt für Code: Mehr Commits und schnellere Feature-Entwürfe belasten Code-Review, Qualitätssicherung, Testumgebungen, Release-Prozesse und IT-Betrieb.
Für agentische KI verschärft sich dieser Effekt. Ein Agent, der Vorgänge selbstständig bearbeitet, kann Nachfrage erzeugen, die zuvor gar nicht existierte: mehr Analysen, mehr Kundenkontakt, mehr Datenabfragen, mehr Dokumentation. Die Kosten verlagern sich dadurch von der Erstellung in die nachgelagerte Prüfung, Integration und Steuerung.
Nicht die Kosten je erzeugter Einheit, sondern die Gesamtkosten des Vorgangs bis zu seiner wirtschaftlichen Verwertung sind damit die entscheidende Steuerungsgröße. Dazu gehören Erstellung, Prüfung, Korrektur, Integration, Betrieb, Fehlerbehebung und Entscheidungsfolgen.
3. Der Bezugsrahmen: Sieben Stellhebel der KI-Ökonomie
KI-Wirtschaftlichkeit lässt sich nicht über eine einzige Kennzahl steuern. Sie entsteht im Zusammenspiel von sieben Hebeln.
Diese Hebel sind nicht unabhängig voneinander. Ein günstigeres Modell kann durch mehr Nacharbeit teurer werden. Mehr Automatisierung kann Risiken erhöhen. Ein effizienter Agent kann einen Gesamtprozess verschlechtern, wenn er Engpässe lediglich verlagert. Wer nur Kosten senkt, ohne Aufgaben und Datenqualität zu verändern, erzeugt möglicherweise schnellere Fehler. Wer nur innovative Anwendungen fördert, ohne Verbrauch und Prüfung zu steuern, erzeugt teure Piloten. Wer nur Effizienzprojekte finanziert, riskiert, dass KI das Bestehende billiger macht, aber die Zukunftsfähigkeit nicht verbessert.
4. Stellhebel 1: Aufgabenarchitektur – nicht alles, was möglich ist, ist wirtschaftlich
4.1 Der Kernhebel: KI dort einsetzen, wo Urteil, Variabilität und Kontext erforderlich sind
Der wichtigste, aber häufig übersehene Stellhebel ist die Auswahl der Aufgabe. Nicht jeder Prozess sollte agentisch werden. Viele Abläufe sind deterministisch: Sie folgen festen Regeln, haben klare Eingaben und liefern reproduzierbare Ergebnisse. Für sie sind klassische Automatisierung, Workflow-Systeme oder Regelmaschinen oft günstiger, stabiler und leichter prüfbar.
Agentische KI lohnt sich dagegen dort, wo Aufgaben variabel sind, Kontext interpretiert werden muss, mehrere Systeme verbunden werden müssen oder Entscheidungen unter Unsicherheit getroffen werden. Typische Felder sind die Bearbeitung komplexer Kundenreklamationen, die Prüfung unstrukturierter Verträge, die Zusammenführung von Daten aus verschiedenen Quellen, die Vorbereitung von Entscheidungen oder die Entwicklung von Software.
4.2 Die Aufgabenlandkarte
Unternehmen brauchen eine Aufgabenlandkarte . Sie sollte unterscheiden zwischen:
- Deterministischen Prozessen: Regelautomatisierung, RPA, Workflow-Systeme.
- KI-assistierten Prozessen: Mensch entscheidet, KI bereitet vor, entwirft, fasst zusammen oder prüft.
- KI-überwachten Prozessen: KI erledigt den Vorgang, Mensch prüft Ausnahmen.
- Agentisch-autonomen Prozessen: KI bearbeitet definierte Vorgänge weitgehend selbstständig, mit klaren Grenzen und Eskalationsregeln.
Diese Differenzierung verhindert zwei teure Fehler: die Über-KI-isierung einfacher Prozesse und die Unter-KI-isierung komplexer, aber wertschaffender Vorgänge.
Gremien sollten nicht fragen: „Wie viele KI-Agenten setzen wir ein?“ Sondern: „Haben wir eine begründete Zuordnung unserer Vorgänge zu Automatisierungslogiken – und kennen wir die gesamten Kosten bis zum abgeschlossenen Vorgang?“
Ein sinnvolles, illustratives Gremiums-Display wäre die folgende Matrix:
Die Aussagekraft liegt nicht in den konkreten Prozentwerten, sondern in der Disziplin: Unternehmen, die ihre Vorgänge nicht nach Komplexität, Risiko und Wertpotenzial ordnen, steuern KI nach Technologieverfügbarkeit statt nach wirtschaftlicher Logik.
5. Stellhebel 2: Modell- und Architekturwahl – Kosten entstehen im Design, nicht in der Abrechnung
5.1 Vom Modellkauf zur Orchestrierung
Ein häufiger Fehler besteht darin, KI-Kosten als Modellkosten zu betrachten. Tatsächlich entstehen sie erst durch die Art, wie Aufgaben konstruiert sind: Wie viel Kontext wird übergeben? Wie oft wird neu gestartet? Wie viele Werkzeuge werden aufgerufen? Wie häufig wird ein Ergebnis geprüft oder neu generiert?
Deshalb ist der eigentliche Hebel nicht die Auswahl des günstigsten Modells, sondern eine Orchestrierungsarchitektur . Sie entscheidet, welche Aufgabe an welches Modell geht, wann ein kleineres Modell ausreicht, wann externes Wissen benötigt wird und wann ein Vorgang abgebrochen oder an einen Menschen übergeben werden muss.
Gartner betont in diesem Zusammenhang die Bedeutung modularer Architekturen und der Fähigkeit, Anbieter oder Modellkomponenten zu wechseln, ohne Geschäftsprozesse jedes Mal neu zu bauen. Das ist kein technisches Detail, sondern ein wirtschaftlicher Schutz gegen Abhängigkeit, Preisänderungen und technische Diskontinuität (Gartner, 2026).
5.2 Konkrete Stellhebel
Die wichtigsten Gestaltungshebel auf dieser Ebene sind:
- Modell-Routing: Einfache Aufgaben erhalten kleine, schnelle Modelle; komplexe Aufgaben erhalten leistungsfähigere Modelle.
- Kontextmanagement: Nur relevante Daten und Dokumente werden übergeben; unnötiger Kontext erhöht Kosten und Fehleranfälligkeit. Ebenso führt fehlender Kontext zu Verzerrungen.
- Caching: Wiederkehrende Eingaben werden zwischengespeichert und kostengünstiger verarbeitet.
- Begrenzte Schleifen: Agenten erhalten Obergrenzen für Durchläufe, Werkzeugaufrufe, Zeit und Budget.
- Trennung von Erkundung und Produktion: Experimente laufen in kontrollierten Umgebungen, Produktivprozesse mit definierten Kosten- und Qualitätsvorgaben. In der Erkundungsphase wird die Produktionsphase unter Budgetgesichtspunkten schon mitgedacht.
- Austauschbarkeit: Modelle, Anbieter und Werkzeuge bleiben modular ersetzbar.
Am Beispiel des B2B-Gerätemanagers Everphone zeigt sich, wie wirkungsvoll diese Hebel sein können: Ein älteres, größeres Modell kostete je Milliarde Tokens rund das Siebenfache eines neueren Modells. Zugleich lag die Trefferquote des Zwischenspeichers bei rund 72 Prozent, während Eingaben aus dem Zwischenspeicher nur etwa ein Zehntel des regulären Preises kosteten. Die entscheidende Frage ist damit nicht, ob KI zu teuer ist, sondern ob die jeweilige Aufgabe das gewählte Modellniveau wirklich benötigt (von Heise-Rotenburg et al., 2026).
Gremien sollten von der Geschäftsführung eine Architektur- und Kostenlogik einfordern, nicht nur eine Modellliste. Die zentrale Frage lautet: „Können wir bei veränderten Preisen, neuen Modellen oder einem Anbieterausfall unsere KI-Prozesse ohne substantiellen Neubau weiterbetreiben?“ Ein zweites Prüfmerkmal ist die Kostenverantwortung je Agent : Jeder Agent sollte einem Geschäftsvorgang, einem Budget und einer verantwortlichen Funktion zugeordnet sein. Sonst entsteht eine wachsende Zahl technisch erfolgreicher, wirtschaftlich aber nicht zuordenbarer Anwendungen.
6. Stellhebel 3: Daten und Kontext – der unsichtbare Werttreiber
6.1 Datenqualität entscheidet über die Richtung des Effekts
KI verstärkt die Qualität der zugrunde liegenden Datenbasis. Gute Daten führen zu besseren Entscheidungen, schnelleren Prozessen und höherer Kundenrelevanz. Schlechte Daten führen zu schnelleren Fehlern, höherem Prüfaufwand und einem falschen Vertrauen in automatisierte Ergebnisse.
Das ist für Gremien eine wichtige Implikation: Dateninvestitionen sind keine Vorbereitung auf KI, sondern Teil der KI-Wirtschaftlichkeit und ein wichtiger Aspekt bei der Risikoeinschätzung. Ein Unternehmen, das KI-Agenten einführt, ohne Datenverantwortung, Datenqualität und Zugriffskontrolle zu klären, investiert in Geschwindigkeit, aber nicht notwendigerweise in Wert (OECD, 2025).
6.2 Der Kontext ist ein Kosten- und Qualitätshebel
Agenten benötigen Kontext, um Aufgaben sinnvoll zu erledigen. Doch Kontext ist nicht kostenlos. Jede zusätzliche Information erhöht Verbrauch, Komplexität und potenziell die Fehleranfälligkeit. Der Hebel besteht darin, Kontext gezielt zu kuratieren: Welche Daten sind für den Vorgang erforderlich, welche sind verzichtbar, welche müssen aktuell sein, welche dürfen überhaupt verwendet werden?
Praktisch bedeutet das:
- Datenquellen werden je Vorgang definiert.
- Zugriffsrechte folgen dem Prinzip der minimalen Berechtigung.
- Veraltete, widersprüchliche oder nicht validierte Daten werden ausgeschlossen.
- Entscheidungsrelevante Metadaten, etwa Verantwortlichkeit, Version und Aktualität, werden sichtbar gemacht.
- Jede Agentenentscheidung bleibt nachvollziehbar: welche Daten genutzt wurden, welche Werkzeuge aufgerufen wurden und welche Schritte erfolgt sind.
Die Gremienfrage lautet nicht: „Haben wir eine Datenstrategie?“ Sondern: „Können wir für unsere wichtigsten KI-Vorgänge nachweisen, welche Daten der Agent nutzt, wie ihre Qualität gesichert ist und wer für Fehler haftet?“
Ein fehlender Audit-Trail ist dabei mehr als ein Compliance-Risiko. Er ist ein wirtschaftliches und haftungsrechtliches Problem: Ohne Nachvollziehbarkeit lässt sich weder Qualität verbessern noch der Wertbeitrag eines Agenten belastbar zuordnen. Bei Hochrisiko-KI-Systemen kann ein unvollständiger Nachweis der Mensch-Maschine-Interaktion zudem die Sorgfaltspflichten der Geschäftsführung berühren und im Extremfall persönliche Organhaftung auslösen.
7. Stellhebel 4: Mensch-Maschine-Arbeitsteilung – Prüfung ist eine Investitionsentscheidung
7.1 Prüfung ist kein Restposten
Viele KI-Business-Cases scheitern nicht an der Technik, sondern an einer falschen Annahme über den Menschen. Entweder wird Prüfung unterschätzt, weil KI als weitgehend selbstständig gilt. Oder sie wird so breit angelegt, dass jeder Vorgang freigegeben werden muss und der Effizienzgewinn verloren geht.
Die richtige Arbeitsteilung ist daher eine wirtschaftliche Kernentscheidung. Sie bestimmt, wie viel Kapazität tatsächlich freigesetzt wird, welche Fehlerkosten entstehen und wie schnell ein Vorgang abgeschlossen werden kann.
7.2 Vier Prüfungsmodelle
Unternehmen sollten Prüfungsmodelle bewusst differenzieren:
Die wirtschaftliche Frage ist nicht, ob ein Agent 100 Prozent der Fälle korrekt bearbeitet. Die Frage ist, ob der gewählte Prüfungsmodus die Gesamtkosten aus KI, Mensch, Fehlerbehebung und Risiko minimiert.
Gremien sollten verlangen, dass der Prüfaufwand nicht als weiche Größe, sondern als planbare Kostenposition als Teil der Gesamtkosten geführt wird. Dazu gehören Anteil der automatisch bearbeiteten Vorgänge, Anteil der geprüften Vorgänge, Kosten je Prüffall, Fehlerquote und Fehlerkosten, Anteil der Eskalationen sowie Zeit bis zum Abschluss eines Vorgangs.
Eine hohe Automatisierungsquote ist nur dann ein Erfolg, wenn Prüfung, Fehlerbehebung und Eskalation nicht proportional mitwachsen.
8. Stellhebel 5: Verträge und Preismodelle – Kostenrisiken vertraglich beherrschbar machen
8.1 Vom Lizenzmodell zur Ergebnislogik
Die Preismodelle für KI verändern sich. Statt ausschließlich Arbeitsplätze oder Tokenvolumen abzurechnen, entstehen Modelle, die zumindest teilweise an messbaren Ergebnissen orientiert sind: gelöste Kundenanfragen, abgeschlossene Workflows, qualifizierte Leads oder bearbeitete Vorgänge (Zendesk, 2026; Fin AI, 2026).
Das ist grundsätzlich attraktiv, weil es Anbieter stärker am Erfolg beteiligt. Es erzeugt aber neue wirtschaftliche und governance-seitige Fragen: Was zählt als gelöst? Wer entscheidet bei Qualitätsstreitigkeiten? Wie werden Nacharbeit, Eskalation und Fehlerkosten berücksichtigt? Und was passiert, wenn Erfolg zu Mengenwachstum führt und die Kosten schneller steigen als der Nutzen?
8.2 Konkrete Vertragshebel
Für Unternehmen ergeben sich daraus mehrere Stellhebel:
- Definition des Ergebnisses: „Gelöste Anfrage“, „abgeschlossener Vorgang“ oder „qualifizierter Lead“ müssen operational und prüfbar definiert sein.
- Deckelung und Budgetkorridore: Ergebnisorientierte Modelle benötigen Obergrenzen, um unkontrollierbares Mengenwachstum zu verhindern.
- Hybride Vergütung: Eine Grundgebühr für Verfügbarkeit und eine variable Komponente für Ergebnisse können Planbarkeit und Anreizwirkung verbinden.
- Qualitäts- und Eskalationsregeln: Es muss klar sein, wann ein Ergebnis als nicht akzeptabel gilt und welche Nacharbeit der Anbieter trägt.
- Kündigungs- und Wechselrechte: Anbieterabhängigkeit muss vertraglich begrenzbar bleiben.
- Transparenzpflichten: Anbieter sollten Verbrauch, Modellversionen, Fehlerquoten und Kosten je Vorgang nachvollziehbar ausweisen.
Gremien sollten Verträge als Teil der Investitions- und Risikokontrolle behandeln. Die zentrale Frage lautet: „Wenn der Erfolg des Agenten steigt, steigen dann unsere Kosten proportional, degressiv oder unkontrollierbar?“ Ein ergebnisbasiertes Preismodell ist nur dann wirtschaftlich sinnvoll, wenn die Unit Economics stabil bleiben: Der Deckungsbeitrag je gelöstem Vorgang muss auch bei höheren Mengen, Nacharbeit und Qualitätskontrolle positiv bleiben.
9. Stellhebel 6: Portfolio- und Finanzierungslogik – Effizienz finanziert, sie ersetzt nicht
9.1 Das eigentliche Portfolio-Problem
Viele Unternehmen behandeln KI als Sammlung einzelner Initiativen oder Projekte. Wirtschaftlich relevanter ist jedoch die Frage, wie sich das gesamte KI-Kapital über verschiedene Werthebel verteilt und wie sich die KI-Projekte zum Gesamtprojektportfolio eines Unternehmens verhalten.
Dabei besteht die Gefahr einer einseitigen Allokation: KI-Mittel fließen bevorzugt in sichtbare Effizienzprojekte, weil deren Nutzen leichter kommunizierbar ist. Neue Produkte, Services oder Geschäftsmodelle werden dagegen verschoben, weil ihr Wert später, unsicherer und schwerer messbar ist.
Das ist rational nachvollziehbar, strategisch aber riskant. Effizienz verbessert die Kostenposition des heutigen Geschäftsmodells. Neue Produkte und Geschäftsmodelle verändern die Fähigkeit, künftig überhaupt relevant zu bleiben. Ein Unternehmen, das ausschließlich Prozesse verbilligt, optimiert möglicherweise ein Geschäftsmodell, das in fünf Jahren nicht mehr existiert.
9.2 Ein Portfolio-Steuerungskreislauf
Ein belastbares KI-Portfolio sollte vier Entscheidungsstufen enthalten:
- Priorisierung: Vorgänge und Ideen werden nach Geschäftswert, Machbarkeit, Datenreife und Risiko bewertet.
- Finanzierung: Vorhaben erhalten Budgets nur mit definiertem Werthebel, Erfolgskriterium und Verantwortlichkeit.
- Wertrealisierung: Nutzen wird nicht nur gemessen, sondern aktiv in Budgets, Kapazitäten, Preise oder Angebote überführt.
- Umlenkung: Vorhaben ohne ausreichenden Wertbeitrag werden beendet oder umgesteuert; freigesetzte Mittel fließen in stärkere Optionen.
Gartner beschreibt diesen Ansatz als Verbindung von technischer Leistung mit finanziellen Ergebnissen: KI-Performance muss direkt an P&L-Wirkungen, standardisierte Finanz- und Operativkennzahlen sowie eine Balance aus Risiko, Rendite und Time-to-Value gekoppelt werden (Gartner, 2026).
Die entscheidende Gremienfrage ist nicht: „Wie viele KI-Projekte laufen?“ Sondern: „Wie verteilt sich unser KI-Kapital auf Effizienz, Ertrag, neue Produkte und neue Geschäftsmodelle – und welche Vorhaben haben wir bewusst beendet? Und: Welcher Wert wird dadurch wann generiert?“ Ein Portfolio ohne Abbrüche ist kein Zeichen für Erfolg. Es kann ein Zeichen dafür sein, dass schlechte Investitionen zu lange finanziert werden.
10. Stellhebel 7: Organisation und Anreize – Wer trägt Verantwortung für den Nettoeffekt?
10.1 Das Verantwortlichkeitsvakuum
In vielen Organisationen entsteht ein typisches Verantwortlichkeitsvakuum. Die IT verantwortet Technik und Sicherheit. Der Fachbereich verantwortet den Anwendungsfall. Die Finanzfunktion sieht Kosten. Das Management erwartet Ergebnisse. Aber niemand trägt abschließend Verantwortung dafür, ob ein KI-Einsatz netto wirtschaftlich ist.
Genau hier liegt ein zentraler Stellhebel. Unternehmen brauchen eine klare Zuordnung: Wer verantwortet Kosten, Qualität, Risiko und Ergebnis eines Agenten? Wer entscheidet über Skalierung, Anpassung oder Abschaltung? Wer meldet den Nettoeffekt an die Geschäftsführung und das Gremium?
10.2 Vom Nutzungsnachweis zum Ergebnis-Owner
Die sinnvollste Lösung ist ein Ergebnis-Owner je KI-Vorhaben. Das kann eine Fachbereichsleitung, ein Prozessverantwortlicher oder ein Product Owner sein. Entscheidend ist, dass diese Person nicht nur für Einführung, sondern auch für den wirtschaftlichen Erfolg verantwortlich ist.
Der Ergebnis-Owner benötigt drei Instrumente:
- Kosten-Sichtbarkeit: Verbrauch, Modellkosten, Prüfaufwand und Fehlerkosten je Vorgang.
- Ergebnis-Sichtbarkeit: Qualität, Durchlaufzeit, Umsatzwirkung, Kundenzufriedenheit oder Risikoreduktion.
- Entscheidungsrechte: Möglichkeit, Modellwahl, Prüftiefe, Budget und Skalierung anzupassen.
Anreize dürfen nicht auf Nutzungsvolumen oder Anzahl aktiver Nutzer zielen. Sie sollten am Nettoeffekt ansetzen: Kosten je Vorgang, realisierte Kapazität, Deckungsbeitrag, Fehlervermeidung oder nachweisbare Umsatzwirkung. Sonst entsteht jene Dynamik, die die Autoren in früheren Arbeiten zur KI-Governance herausgearbeitet haben: Aktivität wird als Erfolg interpretiert, obwohl sie wirtschaftlich neutral oder sogar negativ sein kann (von Heise-Rotenburg et al., 2026).
Die Gremienfrage lautet: „Wer ist namentlich verantwortlich dafür, dass dieses KI-Vorhaben einen nachweisbaren Nettoeffekt erzielt – und welche Konsequenzen hat das für Fortführung, Anpassung oder Beendigung?“
11. Wirkungsmodell: Wann wird aus Zeitersparnis Wert?
11.1 Das Grundmodell
Produktivitätsgewinne sind nicht automatisch Wertschöpfung. Sie werden erst dann wirtschaftlich, wenn sie durch eine klare Verwertungslogik in das Geschäftsergebnis überführt werden.
Nettowert=realisierter Nutzen−(KI-Kosten+Pru¨fkosten+Fehler- und Nacharbeitskosten+Integrations- und Betriebskosten+Governance-Kosten)\text{Nettowert} = \text{realisierter Nutzen} - (\text{KI-Kosten} + \text{Prüfkosten} + \text{Fehler- und Nacharbeitskosten} + \text{Integrations- und Betriebskosten} + \text{Governance-Kosten})Nettowert=realisierter Nutzen−(KI-Kosten+Pru¨fkosten+Fehler- und Nacharbeitskosten+Integrations- und Betriebskosten+Governance-Kosten)
Der entscheidende Punkt ist die Realisierung . Eine eingesparte Stunde ist erst dann eine Kostenreduktion, wenn sie zu einer nicht nachbesetzten Stelle, einem reduzierten externen Auftrag oder einem nachweisbar höheren Output führt. Sie ist ein Umsatzhebel, wenn sie in zusätzliche Verkäufe, schnellere Angebote oder bessere Kundenbindung umgesetzt wird.
11.2 Drei Verwertungslogiken freigesetzter Kapazität
Die entscheidende Managemententscheidung lautet: Was geschieht mit der durch KI freigesetzten Arbeitszeit? Es gibt ökonomisch drei Verwertungslogiken.
Die dritte Logik wird häufig übersehen. KI muss nicht zwingend Personal einsparen. Sie kann auch ermöglichen, bei gleichem Personal deutlich mehr Vorgänge zu bearbeiten, schneller auf Kunden zu reagieren oder neue Services anzubieten. Entscheidend ist, dass die gewählte Verwertungslogik vor Projektstart festgelegt und anschließend überprüft wird.
Gremien sollten nicht fragen: „Wie viel Zeit sparen wir?“ Sondern: „Welche Verwertungslogik wurde vor Projektstart festgelegt, und ist der Nettoeffekt im Geschäftsergebnis nachweisbar?“
11.3 Nicht-Handeln hat einen Preis
Nicht-Handeln ist keine Verwertungslogik freigesetzter Kapazität, sondern eine eigenständige strategische Option. Unternehmen, die KI nicht oder nur begrenzt einsetzen, vermeiden zwar Investitionen, tragen jedoch möglicherweise Kosten in Form von Langsamkeit, technologischer Rückständigkeit, verpassten Kundenanforderungen und wachsenden Wettbewerbsnachteilen.
Gremien sollten daher nicht nur KI-Risiken prüfen, sondern auch die Kosten des Nicht-Handelns hinterfragen: Welche Geschwindigkeit, welche Kundenanforderungen und welche Marktposition könnten verloren gehen, wenn KI nicht oder zu spät eingesetzt wird?
11.4 Ein Rechenbeispiel: Reklamationsbearbeitung
Ein Unternehmen automatisiert die Bearbeitung von Kundenreklamationen. Bisher bearbeitet ein Team 5.000 Reklamationen pro Jahr. Die Vorgänge sind uneinheitlich: Sie betreffen unterschiedliche Produkte, erfordern die Prüfung von Verträgen, Garantien und Kommunikationsverläufen sowie die Klärung von Abweichungen. Für einen klassischen, regelbasierten Prozess sind sie daher nur begrenzt geeignet; ein Agent kann jedoch Fallkontext interpretieren, Unterlagen zusammenführen und Lösungswege vorbereiten.
In diesem Beispiel entsteht eine echte Kostenreduktion erst ab dem zweiten Jahr, weil die Implementierungskosten amortisiert und die freigesetzte Kapazität durch Nichtnachbesetzung und reduzierte externe Prüfleistung realisiert werden. Würde das Team stattdessen weiterhin 5.000 Reklamationen mit gleicher Personalkapazität bearbeiten und lediglich zusätzliche, nicht abgerechnete Analysen erstellen, wäre die Zeitersparnis real, aber wirtschaftlich noch nicht belegt.
12. Zukunftsperspektive: Drei Verschiebungen, die Gremien jetzt vorbereiten sollten
12.1 Vom Tool-Budget zum Vorgangs-Budget
KI wird zunehmend nicht nach Lizenzen oder Tokenvolumen budgetiert, sondern nach Geschäftsvorgängen. Die relevante Einheit wird der abgeschlossene Prozess: die gelöste Kundenreklamation, die geprüfte Rechnung, das erstellte Angebot oder die abgeschlossene Beschaffung. Das ermöglicht eine deutlich präzisere Steuerung: Unternehmen können vergleichen, welcher Mix aus Mensch, KI-Unterstützung und Agent den besten Nettoeffekt unter Berücksichtigung von Qualität, Risiko und Durchlaufzeit erzeugt.
12.2 Vom einzelnen Agenten zum Agenten-Portfolio
Die nächste Stufe sind nicht isolierte Agenten, sondern vernetzte Agenten-Portfolios. Verschiedene Agenten übernehmen dann Teilaufgaben in einem Prozess: Datenbeschaffung, Analyse, Entwurf, Prüfung, Freigabe und Dokumentation. Dadurch verschiebt sich die Steuerung von der Frage „Funktioniert dieser Agent?“ zur Frage: „Funktioniert das Zusammenspiel von Agenten, Menschen, Daten und Entscheidungsrechten wirtschaftlich?“
12.3 Vom Kostenmanagement zur Governance-Ökonomie
Governance ist nicht kostenlos. Gartner schätzt, dass bis 2028 die Kosten für KI-Governance bis zu 60 Prozent der Einsparungen aus agentischer KI offsetten können. Das ist kein Argument gegen Governance, sondern ein Hinweis auf ihre Gestaltung (Gartner, 2026). Zukünftig wird es darauf ankommen, Governance so zu bauen, dass sie skaliert: standardisierte Prüfregeln, automatisierte Audit-Trails, rollenbasierte Zugriffe, klare Eskalationsstufen und Kostenkontrolle je Agent.
Für Gremien bedeutet das: Governance muss nicht maximal, sondern wirtschaftlich angemessen sein. Zu wenig Governance erzeugt Risiko. Zu viel Governance erzeugt Kosten, die den Wert des Agenten aufzehren (Gartner, 2026).
13. Beschluss- und Audit-Checkliste für Aufsichts- und Beiratsgremien
Die folgenden Fragen fassen die zentralen Prüfpunkte zusammen. Sie ersetzen die bisherigen, teilweise redundanten Gremienfragen und dienen als kompakte Grundlage für die regelmäßige Befassung.
- Welche Geschäftsvorgänge sind für agentische KI geeignet, und welche bleiben bei deterministischer Automatisierung oder menschlicher Bearbeitung?
- Ist für jedes Vorhaben festgelegt, ob freigesetzte Kapazität durch Reallokation, Kapazitätsabbau oder höheren Durchsatz verwertet wird?
- Sind Kosten, Prüfaufwand, Fehlerkosten, Nacharbeit, Betriebs- und Governance-Kosten je abgeschlossenem Geschäftsvorgang bekannt?
- Ist der Rebound-Effekt berücksichtigt: Steigen Nachfrage, Prüf- und Transaktionskosten, wenn KI Erstellung billiger macht?
- Sind Modell-, Anbieter- und Architekturentscheidungen so gestaltet, dass Wechsel ohne substantiellen Neubau möglich bleiben?
- Sind Datenquellen, Zugriffsrechte, Datenqualität und Nachvollziehbarkeit je Agent geregelt?
- Ist der menschliche Prüfaufwand bewusst gestaltet, messbar und im Business Case enthalten?
- Sind ergebnisorientierte Vergütungen eindeutig definiert, gedeckelt und gegen Mengen- sowie Qualitätsrisiken abgesichert?
- Wie verteilt sich das KI-Kapital auf Effizienz, Ertrag, neue Produkte und neue Geschäftsmodelle?
- Welche Vorhaben wurden mangels Wertbeitrag beendet, und welche strategischen Abhängigkeiten bestehen weiterhin?
- Wer trägt namentlich die Verantwortung für den Nettoeffekt eines KI-Vorhabens?
- Sind Audit-Trails, Eskalationswege und Kontrollmechanismen so ausgestaltet, dass regulatorische und haftungsrechtliche Sorgfaltspflichten erfüllt werden?
- Welche Unterlagen legt die Geschäftsführung regelmäßig vor: KI-Register, Vorgangskostenrechnung, Abbruchliste, Reifegradübersicht und Change-Management-Plan?
- Wie werden Mitbestimmung, Kompetenzaufbau und Sicherheitsrisiken agentischer Systeme berücksichtigt?
14. Kernthesen
- KI-Wirtschaftlichkeit ist ein Gestaltungsproblem. Sie entsteht nicht durch günstige Modelle, sondern durch das Zusammenspiel von Aufgabenwahl, Architektur, Daten, Prüfung, Verträgen, Portfolio und Verantwortung.
- Die wichtigste Entscheidung trifft vor dem ersten Prompt. Ob ein Vorgang deterministisch automatisiert, KI-assistiert, KI-überwacht oder agentisch-autonom bearbeitet wird, bestimmt Kosten, Risiko und Wertpotenzial.
- Zeitersparnis ist kein Wertbeitrag. Wert entsteht erst durch eine festgelegte Verwertungslogik: Reallokation, Kapazitätsabbau oder höherer Durchsatz (Becker et al., 2025; Dillon et al., 2025).
- Günstige Erzeugung kann teure Nachfrage erzeugen. Der Rebound-Effekt macht Gesamt- statt Einheitskosten zur entscheidenden Steuerungsgröße.
- Die Stellhebel stehen in Zielkonflikten. Isolierte Optimierung von Kosten, Autonomie oder Effizienz kann den Gesamtnutzen verschlechtern.
- Prüfung ist eine Investitionsentscheidung. Sie muss geplant, gemessen und im Business Case enthalten sein.
- Verträge werden zum Wirtschaftlichkeitshebel. Ergebnisdefinition, Deckelung, Qualitätsregeln und Wechselrechte entscheiden über Kostenrisiken und Unit Economics.
- Portfolio-Disziplin ersetzt Piloten-Optimismus. KI-Kapital muss bewusst auf Effizienz, Ertrag, Produkte und Geschäftsmodelle verteilt werden – mit klaren Abbruchkriterien.
- Verantwortung muss beim Nettoeffekt liegen. Ein klar benannter Ergebnis-Owner verantwortet Kosten, Qualität, Risiko und wirtschaftlichen Erfolg.
- Nicht-Handeln hat einen Preis. Gremien sollten nicht nur KI-Risiken prüfen, sondern auch die Kosten von Langsamkeit, technologischer Rückständigkeit und verpassten Geschäftsmodellen.
Literaturverzeichnis
Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity (arXiv:2507.09089). arXiv. https://doi.org/10.48550/arXiv.2507.09089
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140 (2), 889–942. https://doi.org/10.1093/qje/qjae044
Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting work patterns with generative AI (NBER Working Paper No. 33795). National Bureau of Economic Research. https://doi.org/10.3386/w33795
European Commission. (2026). Timeline for the implementation of the EU AI Act . https://ai-act-service-desk.ec.europa.eu/en/ai-act/timeline/timeline-implementation-eu-ai-act
European Union. (2026). Regulation (EU) 2026/1744 (Digital Omnibus on AI) .
Fin AI. (2026, 22. September). How to budget for outcome-based pricing for AI agents . https://fin.ai/blog/blueprint/talking-to-your-cfo-about-outcome-based-pricing-for-ai-agents
Gartner. (2026). From IT control to technology operating model orchestration . https://www.gartner.com/en/articles/it-operating-model
International Monetary Fund. (2026b). Generative AI and the limits of productivity measurement in the system of national accounts (IMF Working Paper). https://www.imf.org/en/publications/wp/issues/2026/09/25/generative-ai-and-the-limits-of-productivity-measurement-in-the-system-of-national-accounts-579877
OECD. (2025). The effects of generative AI on productivity, innovation and entrepreneurship (OECD Artificial Intelligence Papers No. 39). OECD Publishing. https://doi.org/10.1787/b21df222-en
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot . arXiv.
von Heise-Rotenburg, V., Hartung, I., & Remhof, S. (2026). These 5: Wirtschaftlichkeit misst sich am Geschäftsergebnis. Verbrauchskosten, Ergebniswirkung und Kapitalallokation agentischer KI aus Sicht von Aufsichts- und Beiratsgremien . Deutsche Digitale Beiräte.
Zendesk. (2026, 17. April). Outcome-based pricing: Definition, examples & how it works . https://www.zendesk.com/blog/ai/agentic-ai/outcome-based-pricing/
Autoren
Dr. Veronika von Heise-Rotenburg ist Aufsichtsrätin und Beirätin. Sie ist Mitglied des Aufsichtsrats und Vorsitzende des Prüfungsausschusses einer börsennotierten Bank. Hauptberuflich ist sie CFO und Geschäftsführerin bei Everphone, einem Anbieter von Device-as-a-Service, wo sie seit 2022 die Finanzfunktion verantwortet und transformiert und ab 2023 KI im Finanzbereich eingeführt hat. Die Wirtschaftsjuristin mit Promotion im Kapitalmarktrecht war zuvor bei McKinsey sowie als CFO bei Cluno und Cazoo tätig. Die Zertifizierung für Aufsichtsräte hat sie bei der Deutschen Börse absolviert. Im Juli 2026 erschien im Schäffer-Poeschel Verlag das von ihr herausgegebene Buch „Finanzmanagement in Start-ups und Scale-ups“.
Isabel Hartung ist Aufsichtsrätin und Multi-Beirätin mit Schwerpunkt auf Industrieunternehmen, Technologie, KI und strategischer Unternehmensentwicklung, u. a. bei TK Elevator, der Röchling-Gruppe, KOMET und freiheit.com . Zuvor war sie sieben Jahre bei TRUMPF, zuletzt als CEO High Volume Markets der Lasertechnik, und mehr als 16 Jahre bei McKinsey & Company, zuletzt als Director of Knowledge, Global Operations. Die Diplom-Volkswirtin ist qualifizierte Aufsichtsrätin der Deutschen Börse und Mitglied der Deutschen Digitalen Beiräte und gibt Fortbildungen zu KI für Aufsichtsräte.
Prof. Dr. Stefan Remhof ist Aufsichtsrat in einem Franchiseunternehmen der Rechtsberatung und Beirat in einem HR Tech-Startup. Er ist Managing Partner der People Mobility Alliance, einem Beratungsunternehmen im Umfeld von Global Mobility, International Assignments und Business Travel. Dazu ist er Professor für Internationales Management an der IU Internationale Hochschule am Standort München. Der promovierte Wirtschaftswissenschaftlicher (Schwerpunkt: Internationales strategisches Personalmanagement) ist zertifiziertes Mitglied im Aufsichtsrat/Beirat der Board Academy sowie Mitglied der Deutschen Digitalen Beiräte.
