Von der KI-Hype zum Wertgewinn: Wie Unternehmen KI wirklich zu Geld machen

Die Lesezeit für den gesamten Artikel beträgt ca. 14 Minuten.

In der heutigen Geschäftsumgebung wogt die AI-Welle. Wenn Unternehmen jedoch die AI-Investitionen in konkrete Gewinne umwandeln möchten, müssen sie den Umsetzungswert präzise bestimmen, zuverlässige Datenstatistikregeln aufstellen und den Projektfortschritt streng anhand der tatsächlichen Geschäftsergebnisse kontrollieren.

Wichtige Punkte im Überblick

• Viele AI-Projekte werden zwar technisch als bestanden bewertet, können aber kaum kommerzielle Gewinne erzielen. Unternehmen verschreiben technische Umsetzung und geschäftliche Umsetzung oft miteinander und ignorieren Kostenverluste, negative Auswirkungen auf die Marke und Compliance-Risiken.
• Die Einnahmeerzeugung durch AI erstreckt sich hauptsächlich auf vier Umsetzungsrichtungen: Erschließung neuer Geschäftsfelder zur Einnahmeerhöhung, Optimierung des internen Betriebs zur Kostensenkung, Verbesserung der Kundeninteraktion und Optimierung der alltäglichen Arbeit der Mitarbeiter. Die Umsetzung entlang einer einzigen Hauptlinie erleichtert die Berechnung des realen Ertrags.
• Unternehmen, die AI wie eine normale Projektinvestition verwalten und die Prioritäten, Bewertungskriterien und Ausstiegskriterien im Voraus festlegen, erzielen im Allgemeinen bessere Umsetzungsergebnisse als Kollegen, die großflächig und blind Experimente machen.

Im Jahr 2021 hat McDonald's ein AI-Sprachbestellsystem in seinen Drive-In-Restaurants eingeführt. Das Ziel war es, durch Automatisierung die Personalkosten zu senken, die Serviergeschwindigkeit zu erhöhen und die Essensspitzenzeiten reibungslos zu bewältigen.

Nach drei Jahren und der Umsetzungstests in über hundert Filialen erreichte das System eine Bestellerkennungsgenauigkeit von 85%. Technisch betrachtet schien es die Standards zu erfüllen. Doch die verbleibenden 15% Erkennungsfehler führten in der praktischen Betriebsweise zu einer Reihe von Problemen. Auf sozialen Plattformen wurden wiederholt Berichte verbreitet, dass das AI-System bei Einzelbestellungen eine Vielzahl von Artikeln hinzufügte, Stimmen aus benachbarten Fahrspuren verwechselte und sogar unlogische Empfehlungen wie Eis mit Bacon machte.

Diese häufigen Störungen erhöhten nicht nur die Kundenbeschwerdequote und störten den Betriebsablauf der Filialen, sodass die durch die Automatisierung eingesparten Kosten durch zusätzliche Verluste aufgehoben wurden. McDonald's wurde auch einer Kollektivklage ausgesetzt und beschuldigt, die Sprachinformationen der Kunden ohne Zustimmung zu sammeln. Schließlich wurde das Projekt im Juli 2024 offiziell beendet.

Dieses Beispiel spiegeln die allgemeine Situation in der Branche wider: Viele AI-Produkte erfüllen zwar die Entwurfsstandards, können aber keinen kommerziellen Wert umsetzen. Seit der Verbreitung der generativen AI Ende 2022 haben viele Unternehmen eine ganzheitliche Intelligenzstrategie für alle Geschäftsbereiche entwickelt, doch die Umsetzungsdaten sind enttäuschend. Laut dem Bericht "2025 State of AI report" von McKinsey erreichte nur 6% der Unternehmen einen Anstieg des operativen Gewinns vor Steuern von mehr als 5% dank AI. Die Ergebnisse der Global CEO Survey 2026 von PwC zeigen, dass nur 12% der Unternehmen gleichzeitig Kostensenkungen und Umsatzerhöhungen erzielen konnten.

Der Erfolg der Projektumsetzung hängt nicht unbedingt von der Feinheit des Algorithmus und der Datenmenge ab. Entscheidend ist, ob Unternehmen im Voraus die Gewinnquellen, die Umsetzungsweise und die Berechnungsweise klar definieren können.

Betrachtet man die praktische Umsetzung, so liegt die Wurzel des Scheiterns der meisten Projekte darin, dass Unternehmen den Umsetzungswert nicht kontrollieren.

Viele Unternehmen haben weitaus lockere Kriterien für die Prüfung von AI-Projektinvestitionen als für Investitionen in Anlagevermögen. AI wird normalerweise in die Kategorie der innovativen Experimente eingeordnet. Die Ertragsschätzung wird von der Technikabteilung geleitet, und die Projektbewertung berücksichtigt nur technische Parameter. Das Management stoppt auch selten Innovationsprojekte aktiv. Dadurch werden viele Projekte hastig ins Leben gerufen, ohne klare Gewinnlogik, Investitionsentscheidungen und Abbruchkriterien.

Nach einer eingehenden Analyse von über 30 AI-Projekten in mehr als zehn Ländern in Asien, Europa und Amerika, die nachvollziehbare Umsetzungsergebnisse aufweisen, und basierend auf realen Umsetzungsdaten hat dieser Artikel das AI-Return-on-Investment-Umsetzungsframework entwickelt.

AI-Return-on-Investment-Umsetzungsframework

Bei der Umsetzung zuverlässiger AI-Projekte ist die erste Aufgabe die klare Festlegung des Wertes. Die Studie teilt die AI-Umsetzungsrichtungen in zwei Dimensionen auf: Zielgruppe (interner Betrieb / externe Kunden) und Form der Geschäftsumgestaltung (Optimierung bestehender Geschäftsbereiche / Entwicklung neuer Geschäftsmodelle). Dadurch wird ein 2x2-Vierquadrantenmodell erstellt, um die Kernfrage zu klären: Welche Art von Geschäftsproblemen soll die AI-Umsetzung lösen?

Nach der Festlegung der Umsetzungsrichtung müssen entsprechende Umsetzungsmaßnahmen und quantifizierbare Bewertungskriterien festgelegt werden. Wenn man diesen Schritt überspringt, gerät das Unternehmen leicht in die Schwierigkeit, dass die Ziele vermischt sind. Es wird erwartet, dass ein System gleichzeitig Kostensenkungen, Umsatzerhöhungen und Verbesserungen der Kundenerfahrung erzielt. Dies führt schließlich zu Konflikten zwischen den Umsetzungsmaßnahmen und ungeordneten Bewertungskriterien.

Vier Hauptrichtungen für die AI-Umsetzung und -Monetarisierung

Die vier Quadranten entsprechen jeweils einer der vier kommerziellen Wege von AI. Die Investitionskosten und die Umsetzungsschwierigkeit variieren je nach Branche und Unternehmensressourcen. Unternehmen sollten sich anhand ihrer eigenen Geschäftscharakteristika für die besten Optionen entscheiden und nicht einseitig davon ausgehen, dass eine bestimmte Art von Modell überlegen ist.

1. Erschließung neuer Geschäftsfelder: Einnahmeerzeugung durch AI

Dieses Modell erfordert relativ hohe Investitionen und ist mit höherer Unsicherheit verbunden. Der Kern besteht darin, mit Hilfe von AI neue Produkte und Geschäftsmodelle zu entwickeln.

Das Beispiel der DBS Bank in Singapur ist hierfür typisch. Seit 2019 hat die DBS Bank über 2.000 AI-Modelle umgesetzt, die über hundert Szenarien abdecken. Die zusätzlichen Einnahmen stammen hauptsächlich aus der integrierten Online- und Offline-Finanzdienstleistung. Offline kann das AI-System während des persönlichen Gesprächs zwischen Kundenbetreuern und Kunden gleichzeitig Vorschläge für die Finanzplanung ausgeben. Online erhalten die Benutzer personalisierte Empfehlungen für Spar- und Finanzprodukte. Innerhalb von 18 Monaten hat die Plattform 1,2 Milliarden Finanzplanungserinnerungen an 13 Millionen Benutzer gesendet. Die Kunden, die den Intelligenzdienst nutzen, haben ihre Einlagen verdoppelt, und ihre Finanzinvestitionen sind fünfmal so hoch wie die der normalen Benutzer. Bis 2025 hat das AI-Projekt der Bank einen Mehrwert von über 1 Milliarde SGD (etwa 780 Millionen US-Dollar) geschaffen.

Es gibt hauptsächlich vier Umsetzungsformen für die Erschließung neuer Einnahmequellen:

1. Intelligenzsteigerung bestehender Produkte: Yamaha hat die AI-Arrangementsoftware VOCALOID6 entwickelt und sie für 225 US-Dollar auf dem Markt vertrieben. Dadurch hat das Produkt einen neuen Wert und Wettbewerbsvorteil erhalten.
2. Intelligenzsteigerung des Vertriebskanals: Walmart hat eine Preisvergleichs-App eingeführt. Die durchschnittliche Warenkorbgröße der Kunden, die dieses Tool nutzen, hat um 25% zugenommen. Durch die Optimierung des Vertriebskanals konnte ein neuer Einnahmequellen geschaffen werden.
3. Optimierung der Supply Chain-Kooperation: Die BEES-Plattform von Anheuser-Busch InBev optimiert mit Hilfe von Algorithmen die Lagerhaltung und die zugehörigen Dienstleistungen für Millionen von Klein- und Mittelbetrieben in 29 Ländern. Dadurch wird die Kooperation in der Supply Chain aktiviert, und es wird ein Mehrgewinn für alle Beteiligten erzielt.
4. Kommerzialisierung eigener Technologien: Amazon Web Services Bedrock und Adobe Firefly haben ihre internen AI-Fähigkeiten in standardisierte Produkte verpackt und diese auf dem Markt verkauft. Dadurch haben sie neue Einnahmequellen eröffnet.

2. Optimierung der internen Effizienz: Kostensenkung durch Fokussierung auf bestehende Prozesse

Die Umsetzung der internen Effizienzsteigerung hat eine kürzere Dauer und eine höhere Ertragssicherheit. Dies ist besonders in der kapitalintensiven Fertigungsbranche vorteilhaft.

Das indische Chemieunternehmen Jubilant Ingrevia ist ein ausgezeichnetes Beispiel. In der wettbewerbsintensiven Chemiebranche steht Jubilant Ingrevia vor den doppelten Herausforderungen von Kostendruck und Umweltanforderungen. Hierbei ist AI die Schlüsseltechnologie, um einen Durchbruch zu erzielen. Das Unternehmen hat die Produktionslinie mit Hilfe von Digital Twin und prädiktivem AI optimiert. Die Produktionsschwankungen sind um 63% gesunken, und die unplanmäßigen Ausfallzeiten der Geräte sind um mehr als die Hälfte reduziert. Dadurch wurde die Produktqualität verbessert, und die Produktionskosten wurden effektiv kontrolliert. Nach der Implementierung des AI-basierten Energieverbrauchskontrollsystems ist der CO2-Ausstoß der Kategorie 1 des Unternehmens um 20% gesunken. So wurden gleichzeitig Kostensenkungen und die Ziele der CO2-Reduktion erreicht.

AI kann nicht automatisch Kostensenkungen erzielen. Es muss mit konkreten Produktionsmaßnahmen verknüpft werden und mit den Daten vor der Umsetzung verglichen werden, um die Effizienzverbesserung präzise zu quantifizieren. Die vier Umsetzungsformen sind wie folgt:

1. Präzise Ressourcenverwaltung: UPS nutzt AI, um die Lieferrouten zu planen. Dadurch werden die Kraftstoff- und Fahrzeugwartungskosten erheblich reduziert, und die Betriebskosten werden effektiv gesenkt.
2. Reduzierung des Produktionszyklus: Die Dove-Fabrik von Unilever hat mit Hilfe von AI die Produktionszeit pro Charge um 15% verkürzt. Dadurch wurde die Produktivität erheblich gesteigert.
3. Präzise Energieverbrauchsmgmt: Das US-amerikanische Supermarktkettendiscounter Dollar Tree hat ein AI-basiertes Gebäudekontrollsystem implementiert. Dadurch ist der Gesamtenergieverbrauch um 12% gesunken, und eine effiziente Energieverwendung wurde erreicht.
4. Präzise Lagerbestandsvorhersage: Der Schuhhersteller Flo nutzt AI, um die Verkaufszahlen pro Filiale, Produkt und Datum vorherzusagen. Die Ausfallquote ist von 15% auf 3% gesunken, und die Umsatzeinbußen aufgrund von Ausfällen sind um 12% reduziert. Dadurch wurde die Lagerverwaltung effektiv optimiert.

3. Betreuung bestehender Kunden: Verbesserung der Kundenerfahrung und Steigerung der Umsatzkonversion

Dieser Weg erfordert keine Entwicklung neuer Produkte. Stattdessen wird die bestehende Servicekette mit Hilfe von AI optimiert, und die Einnahmepotenziale der bestehenden Kunden werden durch Verbesserung der Kundeninteraktion ausgeschöpft.

Die Maßnahmen von Mondelez Indien während der Diwali-Marketingkampagne sind ein gutes Beispiel. Damals hat Mondelez mit Hilfe von generativer AI digitale Doppelgänger von Prominenten geschaffen. Die Ladenbesitzer mussten nur den Ladennamen eingeben, und es konnten maßgeschneiderte Videowerbungsklipps generiert werden. Die virtuellen Künstler luden gezielt die umliegenden Verbraucher ein. Das Projekt hat insgesamt 130.000 maßgeschneiderte Werbeanzeigen produziert, und der Umsatz der kooperierenden Händler ist durchschnittlich um 35% gestiegen. In diesem Szenario hat AI kein neues Produkt geschaffen, sondern hat die bestehenden Kundenbasis erfolgreich durch Massenpersonalisation wiederbelebt. Die vier Umsetzungsformen sind wie folgt:

1. Produktpersonalisierung: Fast die Hälfte der Verkaufsbestellungen der Grußkartenmarke Moonpig werden mit Hilfe der AI-Personalisationstools abgeschlossen. Dadurch werden die individuellen Bedürfnisse der Kunden präzise erfüllt.
2. Prozessvereinfachung: Die Versicherungsnehmer von Ping An Auto Insurance können die Schadensermittlung und -meldung einfach durch das Hochladen von Fotos online abschließen. Dies vereinfacht den Schadensregulierungsprozess erheblich und verbessert die Kundenerfahrung. Für chinesische Versicherungsunternehmen bietet dies einen nützlichen Leitfaden für die schnelle Reaktion auf die Bedürfnisse der Kunden und die Verbesserung der Kundenzufriedenheit auf dem riesigen und komplexen chinesischen Markt. Es zeigt die Wichtigkeit der Kombination von AI-Technologie und lokalen Marktmerkmalen.
3. Mehrseitige Kundenserviceabdeckung: Der AI-Kundenservice der Air India behandelt täglich 1.300 verschiedene Arten von Anfragen, insgesamt 30.000 Benutzeranfragen. Dies deckt alle Arten von Kundenproblemen ab und zeigt eine starke Servicefähigkeit.
4. Reduzierung der Servicezeit: Der Intelligenzassistent der Bank of America hat insgesamt über 2 Milliarden Interaktionen gehabt. 98% der Anfragen werden durchschnittlich innerhalb von 44 Sekunden bearbeitet. Dies erhöht die Serviceeffizienz erheblich und gewinnt die hohe Anerkennung der Kunden.