83 Prozent der Unternehmen erwarten innerhalb von zwölf Monaten eine Rendite auf ihre KI-Investitionen. Nur 15 Prozent können den KI-ROI ohne nennenswerte Reibungsverluste berechnen. So lautet das Ergebnis unserer Untersuchung, einer von Sapio Research durchgeführten Befragung unter 500 Finanzverantwortlichen. Diese Lücke ist weder eine Frage der Geduld noch der Reife. Sie ist ein Messproblem – und beginnt bei einer Rechnung, die die meisten Finanzteams bislang nicht hinterfragt haben.
Was KI-ROI-Messung heute bedeutet
KI-ROI-Messung heißt, KI-Ausgaben mit den Ergebnissen zu verknüpfen, die daraus entstehen – Umsatzwirkung, Kundenbindung, Produktivitätsgewinne, Kosteneinsparungen – und diesen Zusammenhang als Rendite auszudrücken, mit der Finance arbeiten kann. In der Praxis lässt sich das in einige Kernkomponenten zerlegen.
Kostenerfassung. Festhalten, was tatsächlich ausgegeben wurde: verbrauchte Token, genutztes Compute, die Infrastruktur hinter einem bestimmten Modell oder Feature. Zu verstehen, wie ein LLM eine Anfrage tatsächlich verarbeitet, ist ein guter Ausgangspunkt, um zu erkennen, wo diese Kosten wirklich entstehen.
Wertzuordnung. Diese Ausgaben mit einem Geschäftsergebnis verknüpfen – einer Vertragsverlängerung, einem Produktivitätsgewinn, einem Feature, das Upsell auslöst, einem eingesparten Support-Ticket.
Berechnung der Amortisationsdauer. Das Verhältnis von Kosten und Nutzen in einen Zeitrahmen übersetzen, den Finance kennt: Wann erreicht diese Investition den Break-even, und ab wann wirft sie Rendite ab?
Laufendes Margen-Monitoring. ROI ist keine einmalige Rechnung. Sobald die Nutzung skaliert, verschieben sich die Kosten pro Ergebnis – mal zum Guten, mal nicht. Ein Programm muss diese Verschiebung fortlaufend verfolgen, statt sich auf eine Quartalsmomentaufnahme zu verlassen.
Bei KI-Investitionen mit klar abgegrenztem Umfang – ein dediziertes Modell für ein einzelnes Feature, ein sauber lizenziertes Tool mit fixen Monatskosten – ist diese Rechnung meist unproblematisch. Eduardo Mota von DoiT hat ein praxistaugliches ROI-Bewertungs-Framework in fünf Schritten genau für solche Fälle vorgestellt. Das Problem beginnt an anderer Stelle.
Warum die klassische ROI-Formel auf der Kostenseite kippt
ROI ist eigentlich ein einfaches Verhältnis: erzeugter Nutzen geteilt durch angefallene Kosten. Die meisten Teams gehen davon aus, dass die schwierige Hälfte dieser Gleichung die Nutzenseite ist – der Nachweis, dass ein KI-Feature tatsächlich eine Geschäftskennzahl bewegt hat. In der Praxis ist die schwierigere Hälfte meist die Kostenseite.
Das Ergebnis lässt sich in der Regel benennen. Eine Verlängerung wurde abgeschlossen. Ein Support-Ticket wurde eingespart. Ein Feature ist live gegangen und die Nutzung ist gestiegen. Deutlich schwerer festzumachen ist, was es tatsächlich gekostet hat, dieses Ergebnis zu erzeugen, denn KI-Ausgaben tauchen selten als sauber zuordenbare Zahl auf.
Es ist dasselbe Attributionsproblem, an dem FinOps für KI scheitert – nur angewendet auf eine Finanzfrage statt auf eine Kostenmanagementfrage. Eine Managed-Model-API bedient Dutzende Teams aus einer einzigen Rechnungsposition. Ein gemeinsam genutztes GPU-Cluster führt Inferenz für mehrere Produkte gleichzeitig aus. Ein LLM-Gateway bündelt Traffic und entfernt die Identität des Aufrufers, bevor die Anfrage den Anbieter erreicht. Ein agentischer Workload erzeugt Sub-Agenten, die reale Infrastrukturkosten auslösen – ohne saubere Verbindung zurück zu dem Feature, das sie angestoßen hat.
ROI-Messung ist ein Attributionsproblem im Finanzgewand. Wer die Kosten nicht zuordnen kann, kann das Verhältnis nicht berechnen. Bleibt nur die Schätzung – und Schätzungen häufen Fehler genau in der Richtung an, die KI-Investitionen schlechter oder besser aussehen lässt, als sie tatsächlich sind.
Wo das alte ROI-Playbook trägt – und wo nicht
Abrechnung auf Kontoebene zeigt die Gesamtausgaben, nicht die Kosten pro Feature
Eine Anbieterrechnung zeigt, was das Unternehmen letzten Monat für ein Modell ausgegeben hat. Sie zeigt nicht, was Ihr Feature zur Vertragsverlängerung gekostet hat – im Vergleich zu Ihrem experimentellen Feature, das noch gar nicht live ist. Ohne diese Aufschlüsselung landet jede ROI-Berechnung beim organisationsweiten Durchschnitt, und der sagt praktisch nichts darüber aus, ob sich eine konkrete Investition auszahlt.
Geteilte Infrastruktur macht den Nenner unzuverlässig
Wenn ein GPU-Cluster oder Modell-Account mehrere Produkte bedient, beruht der Kostennenner in Ihrem ROI-Verhältnis auf einer Allokationsannahme, nicht auf einer gemessenen Zahl. Ändert sich die Annahme, ändert sich der ROI mit – obwohl sich am tatsächlichen Geschäftsergebnis nichts bewegt hat.
Schnelllebige agentische Workloads machen das Modell vom letzten Quartal schon im nächsten obsolet
Ein agentisches Feature kann sein Kostenprofil über Nacht ändern – mehr Sub-Agenten, teurere Modellaufrufe, längere Ketten – ohne dass jemand das ROI-Modell aktualisiert, das beim Launch erstellt wurde. Bis Finance bemerkt, dass sich die Unit Economics verschoben haben, können Entscheidungen mehrere Monate lang auf Basis veralteter Zahlen gefallen sein.
Ein konkretes Beispiel: die 44.000-Dollar-Überraschung
Ein Produktteam bringt im Rahmen eines großen Releases ein neues KI-Feature auf den Markt. Das Feature funktioniert gut. Die Nutzung ist stark. Dann schließt Finance den Monat ab und findet eine mit dem Feature verknüpfte Erhöhung um 44.000 Dollar auf einer Position – weit mehr, als beim Launch modelliert wurde.
Niemand hat absichtlich falsch prognostiziert. Das Modell, das die KI-Kosten des Features kalkuliert hat, ging von einer Token-Schätzung pro Nutzer auf Basis früher Tests aus. In der Produktion sahen die Nutzungsmuster anders aus: längere Sessions, komplexere Prompts, eine kleine Gruppe von Power-Usern mit überproportionalem Verbrauch. Nichts davon war sichtbar, bevor die Rechnung eintraf, denn nichts im Stack ordnete die Kosten in dem Detailgrad zu, der nötig gewesen wäre, um es früher zu erkennen.
Genau dieses Szenario macht KI-ROI-Messung zum Thema für den Vorstand – und nicht zu einer Fingerübung der Finanzbuchhaltung. Das Feature könnte immer noch eine gute Investition sein. Nur sicher sagen kann das niemand, weil niemand die Kostenseite klar genug sieht, um die Rechnung zu Ende zu bringen.
ROI-Messung vor und nach Token-Level-Attribution
| Schätzung auf Kontoebene | Attribution auf Kernel-Ebene | |
|---|---|---|
| Kostentransparenz | Gesamtausgaben pro Anbieter oder Account | Kosten pro Token, pro Feature, pro Kunde |
| Zeit bis zur Problemerkennung | Ende des Abrechnungszyklus, oft ein Monat oder länger | Nahezu in Echtzeit, während der Verbrauch entsteht |
| Vertrauen in die Zahl | Basiert auf Allokationsannahmen | Basiert auf gemessenem Laufzeitverbrauch |
| Wer handeln kann | Finance, im Nachhinein | Finance und Engineering, während es passiert |
Token-Level-Attribution als Fundament für den ROI
Ein Verhältnis, das sich nicht messen lässt, lässt sich auch nicht berechnen. Token-Level-Attribution macht ROI-Berechnungen nicht nur präziser – für Workloads, bei denen die Abrechnung auf Kontoebene ohnehin nur eine Schätzung sein konnte, macht sie sie überhaupt erst möglich.
Attribute™ by DoiT setzt einen eBPF-Sensor im Betriebssystem ein, der den tatsächlichen Verbrauch beobachtet – jedes Token, jede Modellanfrage, jeden GPU-Zyklus, in dem Moment, in dem er entsteht – und ordnet jede Einheit dem verantwortlichen Prozess, Container und Request zu. Keine Tags. Keine SDKs. Keine Codeänderungen. Derselbe Ansatz auf Kernel-Ebene, der die Kostenallokation für FinOps für KI löst, macht ROI-Messung verlässlich statt geschätzt: Kosten pro Feature, Kosten pro Kunde und Kosten pro Ergebnis – automatisch zugeordnet statt nach Rechnungseingang rekonstruiert.
Dies ist dasselbe architektonische Prinzip, das hinter unserem Ansatz FinOps für KI steht – angewendet auf die Finanzfrage statt auf die Kostenmanagementfrage. Tokenomics ohne Tags, SDKs oder Codeänderungen.
Warum das gerade jetzt zählt
Diese beiden Zahlen beschreiben die Lücke aus zwei Blickwinkeln: Erwartung und Fähigkeit. Eine dritte, aus derselben Sapio-Research-Umfrage, beschreibt die Konsequenz: 79 Prozent der Unternehmen haben bereits KI-Kostenüberschreitungen erlebt.
DoiT hat mehr als 8 Milliarden Dollar an Cloud-Ausgaben für 4.500 Kunden in 27 Ländern verwaltet, und wir haben dasselbe Muster in jeder Kostenkategorie beobachtet, die in der Cloud entstanden ist: Organisationen, die früh eine belastbare Messung etablieren, treffen jede weitere Investitionsentscheidung besser. Beim KI-ROI ist das nicht anders – nur dass die Kosten des Wartens hier schneller anwachsen.
Wir arbeiten mit der Tokenomics Foundation zusammen, an der Seite von JR Storment und der FinOps Foundation, um zu definieren, wie belastbare KI-Kostenmessung für die Branche aussieht.
FAQ
Was ist KI-ROI?
KI-ROI ist die Rendite einer KI-Investition im Verhältnis zu ihren Kosten, ausgedrückt als Verhältnis oder Amortisationsdauer. Dafür braucht es zwei belastbare Zahlen: den erzeugten Nutzen und die angefallenen Kosten. Die meisten Probleme bei der KI-ROI-Messung gehen auf unzuverlässige Kostendaten zurück, nicht auf unklare Nutzendaten.
Wie berechnet man den KI-ROI?
Der Standardansatz teilt den durch eine KI-Investition erzeugten Nutzen – Umsatz, Einsparungen, Produktivitätsgewinne – durch die Betriebskosten. Die Rechnung ist unkompliziert, sobald beide Zahlen belastbar sind. In den meisten Organisationen ist die Nutzenseite identifizierbar. Die Kostenseite ist es oft nicht – insbesondere bei KI-Workloads, die auf geteilter Infrastruktur oder über LLM-Gateways laufen.
Warum ist der KI-ROI so schwer zu messen?
KI-Ausgaben laufen häufig über geteilte GPU-Cluster, LLM-Gateways und agentische Workflows, die keine saubere Verbindung zwischen Kosten und dem verantwortlichen Feature, Kunden oder Team erhalten. Tags und SDKs – die klassischen Werkzeuge zur Zuordnung von Cloud-Kosten – überleben diese Architekturen nicht. Dadurch beruht die Kostenseite der ROI-Gleichung auf Schätzungen statt auf Messungen.
Was ist der Unterschied zwischen KI-Kostenmanagement und KI-ROI-Messung?
KI-Kostenmanagement konzentriert sich darauf, das Ausgegebene zu verfolgen und zu steuern. KI-ROI-Messung geht einen Schritt weiter: Sie verknüpft diese Ausgaben mit dem erzielten Geschäftsergebnis und drückt den Zusammenhang als Rendite aus. ROI-Messung setzt ein verlässliches Kostenmanagement als Fundament voraus; ohne genaue Kostenzuordnung landen ROI-Berechnungen zwangsläufig bei Schätzungen.
Wie lange dauert es, bis sich der ROI einer KI-Investition zeigt?
Das hängt vom Anwendungsfall ab, doch laut Branchenumfragen erwarten die meisten Unternehmen eine Rendite innerhalb von zwölf Monaten. Ob dieser Zeitrahmen eingehalten oder verfehlt wird, bleibt oft unklar, bis eine Kostenzuordnung etabliert ist – denn viele Organisationen können den ROI überhaupt erst dann belastbar berechnen, wenn sie die Kosten auf Feature- oder Kundenebene sehen.
Wer verantwortet die KI-ROI-Messung innerhalb einer Organisation?
In der Regel liegt sie gemeinsam bei Finance – zuständig für die Renditerechnung und den Investment Case – sowie bei Engineering oder Product, die den Workload hinter den Kosten kennen. Keine Seite hat allein die volle Sicht. Finance braucht den Kontext von Engineering dazu, wie die Ausgaben entstehen, und Engineering braucht die Definition von Finance, was als Rendite zählt.
Lässt sich der KI-ROI messen, ohne jeden KI-Workload zu taggen?
Ja. Messung auf Kernel-Ebene beobachtet den Verbrauch auf Betriebssystemebene. Damit hängt die Kostenzuordnung nicht davon ab, ob ein Workload korrekt getaggt wurde – oder überhaupt taggbar war. Das ist besonders wichtig für die Workloads, die Tagging ohnehin nie erreicht hätte: geteilte GPU-Cluster, gateway-geroutete Traffic-Ströme und agentische Ketten.
Bereit, Ihre tatsächlichen KI-Cost-to-Serve zu sehen?
15 Minuten Installation. Keine Instrumentierung nötig. Tokenomics bis zum Feierabend.