Viele Technologieunternehmen, die KI-Arbeit finanzieren, stehen vor demselben Problem. Das Modell funktioniert in einer Sandbox, und der Agent beantwortet eine saubere Frage auf einem sauberen Datensatz. Doch dann fragt der CFO nach dem Return on Investment (ROI) des Budgets, und die Antwort ist eher eine Präsentation als eine Zahl.

McKinsey-Studie zum Stand der KI berichtet, dass 88 % der Unternehmen KI in mindestens einer Geschäftsfunktion einsetzen, während nur 39 % einen messbaren EBIT-Einfluss auf Unternehmensebene nachweisen können. Dies beweist, dass Pilotprojekte isoliert erfolgreich sind, aber nur sehr wenige den Kontakt mit dem Rest des Unternehmens überleben.

In den letzten Jahren hat sich dies zu einem der häufigsten Muster entwickelt, das wir bei Unternehmen beobachten, die KI-Automatisierung erforschen. Das Hauptproblem, mit dem sie konfrontiert sind, ist alles, was das Modell in der Produktion umgibt: der Workflow, Daten, Integrationen, Berechtigungen, Überwachung, Fallback-Logik und die menschliche Überprüfung. 

Wenn Sie als CTO, VP of Engineering oder Gründer eine KI-Investition genehmigen, steht vor Ihnen die Entscheidung, welche Workflows reif genug sind, um einen messbaren Wert zu erzeugen, sobald der Prototyp auf den Rest des Unternehmens trifft, und welche Workflows besser unberührt bleiben sollten, bis die zugrunde liegenden Daten und Prozesse bereit sind.

Dieser Artikel bietet Ihnen einen Rahmen, um diese Entscheidung zu treffen, bevor das Budget zugesagt wird. Er erklärt, was der ROI aus KI-Automatisierung in einer Produktionsumgebung bedeutet, welche Kosten die meisten Berechnungen außer Acht lassen, wie ein potenzieller Workflow in vier Phasen bewertet werden kann und wann die richtige Antwort ist, abzuwarten. 

Was der ROI aus KI-Automatisierung wirklich bedeutet

Der ROI der KI-Automatisierung misst, ob ein KI-gestützter Workflow mehr messbaren Geschäftswert schafft, als er an Kosten für Entwicklung, Bereitstellung, Betrieb, Governance und Wartung verursacht. Die Formel selbst ist nicht das Problem. 

(Gesamtnutzen − Gesamtkosten) / Gesamtkosten × 100 

Was den ROI bei KI-Arbeit schwer messbar macht, ist die Entscheidung, was als Nutzen und was als Kosten zählt, sobald das System in Produktion ist.

Die Zahlen verschieben sich, wenn Pilotprojekte skaliert werden, und die meisten CTOs haben dies erlebt. Unternehmen, die einen KI-ROI von rund 31 % während der Pilotphase 2023 meldeten, sahen, wie sich die Renditen bei der Skalierung auf etwa 7 % einpendelten, unterhalb der Kapitalkostenschwelle von 10 %, die die meisten Unternehmen als Hürde für Investitionsausgaben (Capex) verwenden. Diese Lücke geht auf die Kostenkalkulation zurück und spiegelt wider, was der ursprüngliche Business Case berücksichtigte und was er wegließ.

Standard-ROI-Berechnungen teilen den Nutzen in zwei Kategorien auf. 

1. Der Hard ROI ist die messbare Art: Vermeidung von Arbeitskosten, geringere Kosten pro Ticket oder Transaktion, Durchsatzsteigerungen, die sich in Personal umwandeln, das Sie nicht mehr einstellen müssen.
2. Der Soft ROI umfasst den Rest: schnellere Entscheidungen, verbesserte Kundenerfahrung, reduziertes Betriebsrisiko und bessere Mitarbeitererfahrung. Beide gehören in einen Business Case. Nur einer erscheint in der Gewinn- und Verlustrechnung, und der andere ist der Ort, an dem die meisten überzogenen KI-ROI-Behauptungen zu finden sind.

Aber selbst eine saubere Hard-ROI-Berechnung kann erheblich falsch sein. Automatisieren Sie einen Berichts-Workflow, der etwa zehn Stunden pro Woche von jedem der acht Analysten in Anspruch nimmt, und der ROI im ersten Jahr kann auf dem Papier im mittleren 40-Prozent-Bereich liegen. Diese Zahl gilt nur, wenn die wiedergewonnenen Stunden in Arbeiten fließen, die das Unternehmen erledigen muss. Wenn diese Stunden jedoch in die Validierung von KI-Ergebnissen, die Abstimmung nicht übereinstimmender Zahlen oder den Neuaufbau von Berichten fließen, die das System falsch erstellt hat, bricht der ROI zusammen, und der Workflow hat für zwei Versionen derselben Aufgabe bezahlt.

Das bedeutet, dass der ROI aus KI-Automatisierung sich eher wie eine Systemdesign-Metrik als eine Finanzmetrik verhält. Ob die Zahl auf der Folie bei 7 % oder 31 % landet, hängt weniger vom Modell ab als davon, wie das umgebende System die Arbeit leitet und die wiedergewonnene Zeit wieder aufnimmt.

Die versteckten Kosten, die die meisten KI-ROI-Berechnungen vergessen

Die Kostenseite des KI-ROI ist die reale Produktionsumgebung. Demos lassen es günstig erscheinen, aber reale Workflows decken auf, was Demos überspringen können, wie Integrationspfade, menschliche Überprüfung, Sicherheit, Compliance und den fortlaufenden Wartungsaufwand eines Systems, das sich selbst dann verändert, wenn niemand es anfasst.

Bei Codebridge sehen wir versteckte Kosten meist als frühes Warnsignal. Fehlen sie im Business Case, wirkt das Projekt bereits gesünder, als es tatsächlich ist. Forschungsergebnisse zu KI-Portfolio-Ergebnissen bestätigen dies. Organisationen, die technische Schulden in ihre KI-Business Cases einbeziehen, prognostizieren einen um 29 % höheren ROI als jene, die dies nicht tun. Und das Modell mag identisch sein, aber der Unterschied liegt darin, ob das Budget die Produktionsrealität oder nur die Demo widerspiegelt.

Vier Kostenkategorien machen den Großteil der Lücke zwischen Pilotprojekt und Produktionsökonomie aus.

1. Integration und Architektur 

Ein KI-Workflow hat nur dann Wert, wenn er sich mit den Systemen verbindet, die bereits das Geschäft betreiben: CRMs, ERPs, Ticketing-Systemen, Dokumentenarchiven und internen Wissensdatenbanken. 

Die Kosten, die Demos verbergen, sind der technische Aufwand, der diese Verbindungen für eine nicht-deterministische Komponente zuverlässig macht. Datenpipelines benötigen Verträge, an die das Modell gebunden ist. Ausgaben benötigen Validierungsprüfungen. Fehler benötigen Fallback-Pfade. Eine ernsthafte KI-Implementierung ist zuerst eine Architekturaufgabe und erst an zweiter Stelle eine Prompt-Aufgabe.

2. Datenaufbereitung und -qualität 

Die meisten Teams unterschätzen die Kosten, die entstehen, um ihre Daten für KI-Anwendungen vorzubereiten. Nur 26 % der Chief Data Officers geben an, dass ihre Datenkapazitäten neue KI-Einnahmequellen unterstützen können. Die Lücke ist für Agenten relevanter als für Menschen. 

Ein menschlicher Analyst, der einen unübersichtlichen Bericht liest, bemerkt das Rauschen und umgeht es. Ein KI-Agent, der dieselben Daten liest, skaliert den Fehler. Er normalisiert die fehlerhafte Zeile, verbreitet sie nachgelagert und liefert jedem Nutzer des Workflows eine falsche Antwort, die niemand bis zur Quelle zurückverfolgen kann.

3. Mensch-in-der-Schleife und Überprüfung 

Einige Workflows sollten nicht durchgängig automatisiert werden, und die Kosten, einen Menschen in der Schleife zu halten müssen vom ersten Tag an im ROI berücksichtigt werden. Klinische Koordination, rechtliche Überprüfung, sensible Personalentscheidungen, Finanzgenehmigungen und die meisten regulierten Arbeiten fallen in diese Kategorie. 

Die Kosten gehen über die Zeit des Prüfers hinaus. Sie umfassen auch die Designarbeit für den Aufbau eines Workflows, der die Überprüfung schnell, nachvollziehbar und sinnvoll macht. Die Alternative ist ein System, in dem Mitarbeiter KI-Ergebnisse abnicken, weil die Überprüfungsoberfläche schwieriger zu bedienen ist, als der KI zu vertrauen.

4. Sicherheit, Compliance und Wartung 

KI-Systeme verursachen einen Wartungsaufwand, den traditionelle Software nicht hat. Konzeptdrift und Datendrift verändern das Verhalten des Modells, selbst wenn der Code unverändert bleibt, und die Überwachung beider ist ein fortlaufender technischer Aufwand. 

Sicherheit fügt eine weitere Risikokategorie hinzu, die spezifisch für LLMs ist: Prompt Injection, übermäßige Agentenberechtigungen, Retrieval Poisoning. 

Compliance ist jetzt ein direkter Kostenpunkt. Nach dem EU-KI-Gesetz drohen bei Nichteinhaltung Strafen von bis zu 7 % des weltweiten Jahresumsatzes..

Zusammengenommen erklären diese vier Kategorien, warum derselbe Workflow einen ROI von 31 % im Pilotprojekt und einen Portfolio-ROI von 7 % aufweisen kann. Denn das Pilotprojekt ignorierte die meisten davon, das Produktionssystem jedoch nicht.

Ein praktischer Rahmen zur Messung des ROI von KI-Automatisierung

Wenn diese Kosten das sind, was die meisten Berechnungen übersehen, stellt sich die nächste Frage, wie ein potenzieller Workflow anhand dieser Kosten bewertet werden kann, bevor das Budget freigegeben wird. Das untenstehende Framework durchläuft vier Phasen. Jede Phase endet mit Fragen, die Sie beantworten müssen, bevor der Workflow in die nächste Phase übergeht.

Das Framework geht davon aus, dass Sie mit einem Workflow beginnen, nicht mit einem Modell. „Wo können wir KI einsetzen?“ ist die falsche Ausgangsfrage. Gartner stellt fest, dass der Abbruch von Proof-of-Concepts eher auf schlechte Datenqualität und unklaren Geschäftswert zurückzuführen ist als auf Modellbeschränkungen.

Die meisten gescheiterten KI-Projekte scheitern in Phase 1 des untenstehenden Frameworks, weshalb das Framework dort mehr Zeit aufwendet, als die spätere Budgetzuweisung vermuten lässt.

Phase 1: Definieren Sie den Workflow und seinen Ausgangszustand

Identifizieren Sie einen Workflow, der drei Bedingungen erfüllt: 

1. Er ist repetitiv genug, um von Automatisierung zu profitieren
2. Kostspielig oder risikoreich genug, um die Investition zu rechtfertigen
3. Gut genug verstanden, dass Sie seine Eingaben, Ausgaben, Entscheidungspunkte und Ausnahmen auf einer einzigen Seite beschreiben können. 

Typische Kandidaten sind manuelle Berichterstellung, Vertriebsrecherche, Koordination medizinischer Arbeitsabläufe, Rechnungssortierung, Routing von Support-Tickets oder Lead-Qualifizierung. 

Workflows voller Ausnahmen oder undokumentiertem institutionellem Wissen gehören auf eine andere Liste, die in Abschnitt 5 behandelt wird.

Sobald Sie den Workflow haben, messen Sie den aktuellen Zustand anhand von vier Metrikkategorien. Dies sind dieselben Kategorien, die Sie verwenden werden, um den Nutzen in Phase 2 zu prognostizieren:

• Kosten und Durchsatz: aufgewendete Stunden, Kosten pro Transaktion, erledigte Arbeit pro Person pro Zeiteinheit.
• Durchlaufzeit: verstrichene Zeit von der Anfrage bis zur Lösung, von Rohdaten bis zur entscheidungsreifen Ausgabe.
• Qualität und Risiko: Fehlerquoten, Nacharbeitsvolumen, Compliance-Feststellungen, Prüfbarkeit, Abhängigkeit von Einzelpersonen oder anfälligen Tabellenkalkulationen.
• Umsatzauswirkungen (sofern relevant): Konversionsraten, Reaktionszeiten, Abwanderungssignale.

Das NIST-Rahmenwerk für das KI-Risikomanagement betrachtet Qualitäts- und Risikokennzahlen als Kern des Werts, nicht als separate Compliance-Ebene. Denn die Risikokontrolle entscheidet darüber, ob Produktivitätsgewinne lange genug bestehen bleiben, um sich zu potenzieren.

Voraussetzungen vor Stufe 2:

• Basiert die Ausgangsbasis auf gemessenen Daten und nicht auf Schätzungen?
• Ist der Workflow heute schmerzhaft genug, um die Investition in den Aufbau, die Bereitstellung und die Wartung eines KI-Systems dafür zu rechtfertigen?

Wenn eine der Antworten unklar ist, ist der Workflow nicht bereit für die nächste Stufe.

Stufe 2: Vorteile und Gesamtkosten modellieren

Prognostizieren Sie den Nutzen anhand derselben vier Metrikkategorien. Verwenden Sie gemessene Verbesserungen aus kontrollierten Experimenten anstelle von Anbieterprognosen und bevorzugen Sie Spannen gegenüber Punktschätzungen. Eine „30% bis 45%ige Reduzierung der Zykluszeit, vorausgesetzt die Datenqualität bleibt über dem aktuellen Ausgangsniveau“ ist nützlicher als „40% Reduzierung“.

Erstellen Sie dann die Gesamtbetriebskosten über den gesamten Lebenszyklus. Die meisten TCO-Berechnungen unterschätzen die Wartung. Planen Sie jährlich 15% bis 25% der anfänglichen Entwicklungskosten für Modellwartung, Überwachung, Umschulung und Drift-Reaktion ein. Fügen Sie die Kostenkategorien aus 

Abschnitt 3: Integrations-Engineering, Datenaufbereitung, Human-in-the-Loop-Überprüfung, Sicherheits- und Compliance-Overhead.

Voraussetzungen vor Stufe 3:

• Sind die Daten sauber, zugänglich und durch klare Berechtigungen geregelt, die der KI-Workflow respektieren kann?
• Sind die Integrationspfade, die Fallback-Logik und die Mechanismen zur Ausgabeprüfung verstanden, oder befinden sie sich noch im Stadium „Das klären wir während der Entwicklung“?

Diese beiden Voraussetzungen erklären den Großteil der Abweichung zwischen Pilot-ROI und Portfolio-ROI. Stufe 3 ist Arithmetik. 

Stufe 3: ROI, Amortisation und Break-Even berechnen

In dieser Phase treffen die Zahlen aus Stufe 1 und 2 auf drei Formeln:

• ROI = (Nutzen − Kosten) / Kosten × 100
• Amortisationszeit = Gesamtkosten des Projekts / Monatlicher Nettonutzen
• Break-even-Menge = Fixkosten / Nutzen pro automatisierter Aufgabe

Zwei dieser Ergebnisse sind wichtiger als der reine ROI-Prozentsatz.

Die Amortisationszeit gibt an, wie schnell der Workflow seine Entwicklungskosten wieder einspielt. Die meisten KI-Investitionen in Unternehmen amortisieren sich auf Portfolioebene innerhalb von zwei bis vier Jahren. Ein Pilotprojekt, das eine Amortisation in sechs Monaten verspricht, zielt entweder auf einen außergewöhnlichen Workflow ab oder verschleiert Kostenkategorien, die erst in der Produktion sichtbar werden.

Die Break-even-Menge gibt an, ob der Workflow ausreichend Umfang hat, um eine Automatisierung überhaupt zu rechtfertigen. Ein Workflow, der 40 Mal im Monat ausgeführt wird und 15 Minuten pro Ausführung einspart, tut dies nicht, unabhängig davon, wie sauber die Daten sind.

Prüfpunkt vor Stufe 4:

• Hat der Workflow ausreichend Volumen, sodass sich die wiederkehrenden Kosten für den Betrieb des KI-Systems innerhalb eines Zeitraums amortisieren, den das Unternehmen tragen kann?

Stufe 4: Validierung in einem kontrollierten Pilotprojekt

Die Aufgabe des Pilotprojekts ist es nicht, zu beweisen, dass das Modell funktioniert, da das Modell bereits im Prototyp funktionierte. Nun ist es seine Aufgabe, die drei Dinge zu testen, die Prototypen verbergen: 

1. Integrationskomplexität im Produktionsmaßstab
2. Echte Kosten pro Inferenz bei Produktionsvolumen
3. Benutzerakzeptanz, wenn das System nicht mehr im Demo-Modus läuft

Ein kontrolliertes Pilotprojekt hat einen definierten Umfang, definierte Erfolgsmetriken aus denselben vier Kategorien und eine definierte Ausstiegsbedingung. McKinseys Forschung zeigt, dass gut definierte KPIs in der Pilotphase stärker mit dem letztendlichen EBIT-Einfluss korrelieren als jede andere von ihnen verfolgte Variable.

Abschließende Prüfpunkte vor der Skalierung:

• Warum wird das Team diesem System ausreichend vertrauen, um es zu nutzen, anstatt es zu umgehen?
• Wie verhalten sich die Kosten bei einer zehnfachen Nutzung im Vergleich zur aktuellen, und hält der Business Case unter dieser Skalierung stand?

Wenn das Pilotprojekt beides beantwortet, ist der Workflow bereit zur Skalierung. Wenn nicht, ist es der richtige Schritt, den Workflow neu zu gestalten, anstatt ihn in Produktion zu nehmen.

Wann sich KI-Automatisierung nicht lohnt

Manche Workflows gehören überhaupt nicht in das Framework. Und es ist wichtig für Unternehmen, diese frühzeitig zu identifizieren. Das ist wichtiger, als die KI selbst zu verbessern, denn die Automatisierung eines fehlerhaften Workflows behebt ihn nicht. Sie erzeugt eine schnellere Version des fehlerhaften Verhaltens.

Vier Muster beschreiben die meisten Workflows, die nicht automatisiert werden sollten, unabhängig davon, wie leistungsfähig das Modell wird.

1. Der Workflow läuft nicht oft genug, um relevant zu sein. 

Automatisierung ist sinnvoll, wenn das Volumen einen kleinen Einzelgewinn zu einem bedeutsamen Gesamtwert verstärkt. Ein Workflow, der vierzig Mal im Monat läuft und pro Durchlauf nur wenige Minuten einspart, kann den erforderlichen Aufwand für Entwicklung, Überwachung und Wartung nicht amortisieren. Die Kosten für den Betrieb des KI-Systems übersteigen den von ihm erzeugten Wert.

2. Der Prozess wird nicht verstanden oder ist größtenteils eine Ausnahme. 

Ein Workflow, den man nicht auf einer einzigen Seite beschreiben kann, ist ein Workflow, den man nicht automatisieren kann. Die meisten „ausnahmelastigen“ Prozesse sind nicht zufällig ausnahmelastig. Sie kodieren implizite Entscheidungen, die jemand im Unternehmen von Fall zu Fall trifft, und diese Entscheidungen in einem Modell zu erfassen, ist eher ein Forschungsproblem als ein Implementierungsproblem. Das Gegenteil anzunehmen, führt zu einer KI, die 60 % der Fälle richtig und 40 % der Fälle falsch bearbeitet, ohne dass klar erkennbar ist, welche Fälle richtig und welche falsch sind.

3. Die Daten unterstützen es nicht, oder das Risiko erlaubt keine prüfungsfreie Bereitstellung. 

In diese Kategorie fallen zwei Fehlerursachen. Entweder sind die Daten nicht sauber, zugänglich oder nicht gut genug verwaltet, damit ein KI-Agent darauf reagieren kann, ohne Fehler zu verstärken, oder der Workflow verarbeitet Entscheidungen, bei denen eine falsche Antwort so gravierende Nachteile mit sich bringt, dass ein Mensch jede Ausgabe überprüfen muss. 

4. Der Grund für die Automatisierung ist „wir sollten KI nutzen“. 

Ein Workflow, den das Unternehmen automatisiert, um mit Wettbewerbern Schritt zu halten, um einem Vorstandsbeschluss zu entsprechen oder um Innovation zu signalisieren, wird für andere automatisiert als für die Personen, die ihn nutzen. 

Diese Projekte sammeln Anforderungen von denjenigen, die die Ankündigung wünschen, und ignorieren diejenigen, die mit dem Ergebnis leben müssen. Das Modell wird ausgeliefert. Der Workflow verbessert sich nicht.

Ein Workflow, der einen dieser Tests nicht besteht, ist kein schlechterer Kandidat für die Automatisierung. Er ist der falsche Kandidat. Der richtige nächste Schritt ist, den zugrunde liegenden Prozess neu zu gestalten, die Datenschicht zu reparieren oder zu akzeptieren, dass der Workflow bereits das tut, was er soll, und ihn in Ruhe zu lassen.

Wie Codebridge über den ROI von KI-Automatisierung denkt

Das oben genannte Framework erfasst den Kern dessen, wie Codebridge einen Workflow bewertet. Die Arbeitsversion hat Anpassungen aus Projekteinsätzen in der Produktion erfahren, die nicht sauber in vier Phasen passen, aber die Disziplin bleibt bestehen: den Workflow definieren, gegen messbare Kategorien abgleichen, die gesamten Produktionskosten modellieren, in einem Pilotprojekt validieren, das das System um das Modell herum testet und nicht das Modell isoliert.

Zwei aktuelle Projekteinsätze zeigen, wie das in der Praxis aussieht.

RadFlow AI: KI in der Produktion innerhalb eines regulierten Workflows

Ein führendes diagnostisches Bildgebungsnetzwerk mit 12 Zentren verzeichnete ein jährliches Wachstum des Scan-Volumens von 22 % bei gleichbleibender Anzahl von Radiologen. Das Netzwerk hatte bereits mehrere kommerzielle KI-Tools getestet. 

Jedes scheiterte auf die gleiche Weise. Die KI befand sich in einer separaten Schnittstelle zum PACS-Viewer, erzeugte etwa 4,1 falsch positive Ergebnisse pro Scan und trainierte Radiologen darauf, ihre Ergebnisse zu ignorieren. Das Modell funktionierte. Die umgebende Architektur erzeugte einen negativen operativen Wert.

Codebridge bettete die KI in den diagnostischen Arbeitsbereich ein, fügte eine aktive Lernschleife hinzu, die das Netzwerk zur Reduzierung falsch positiver Ergebnisse anhand von Radiologen-Korrekturen neu trainierte, und entwickelte ein Clinical AI Oversight Module, das Zustimmungsraten, Korrekturraten und Modellversionen für das Governance-Team sichtbar machte. 

Gemessen nach 9 Monaten im Produktivbetrieb: 

• Die CT-Befundungszeit sank von 15,2 auf 9,4 Minuten pro Studie (38 % Reduzierung, validiert über 4.800+ Fälle)
• Fehlalarme sanken von 4,1 auf 0,4 pro Scan
• Der Vertrauensindex der Radiologen stieg von 27 % auf 89 %
• Geschätzte jährliche Auswirkung auf die Produktivität: 2,1 Mio. $

Die Schlagzeile ist die Reduzierung um 38 %, aber der Vertrauensindex ist die wichtigere Zahl. Die Wiederherstellung des Vertrauens war der Schwachpunkt, den frühere Anbieter nicht beheben konnten. Das Framework identifizierte ihn in Phase 1 (Prüfbarkeit) und Phase 4 (wird das Team dem System vertrauen). Codebridge löste das Problem auf Architekturebene.

Fazit: Der ROI aus KI-Automatisierung wird in Zahlen gemessen, entscheidet sich aber im Workflow.

Der ROI aus KI-Automatisierung ist eine Eigenschaft des Workflows, den man um das Modell herum aufbaut. Dazu gehört, wie die Daten ins System gelangen, wo Menschen die Kontrolle behalten, wie Fehler erkannt werden und was der Betrieb des Systems kostet, wenn der Reiz des Neuen verflogen ist. 

Eine Tabellenkalkulation wird Ihnen nicht sagen, ob die Daten sauber sind, ob die Integrationen realistisch sind oder ob das Team das System nutzen wird, anstatt es zu umgehen. Die Aufgabe des CTO im KI-Investitionszyklus ist es, die Fragen zu stellen, die eine Tabellenkalkulation nicht beantworten kann.

Wenn Ihnen das nächste Mal jemand einen KI-Workflow vorschlägt, stellen Sie vor allem anderen eine Frage: Welche Ausgangsmetrik versuchen Sie zu beeinflussen, und wie wurde sie gemessen? Wenn die Antwort unklar ist, befinden Sie sich in Phase 1, egal wie gut die Demo aussah. Die meisten gescheiterten KI-Projekte scheitern in Phase 1.

Wenn das oben genannte Framework etwas Nützliches bewirkt, dann macht es schlechte Investitionen sichtbar, bevor das Budget zugesagt wird, und sorgt dafür, dass gute Investitionen die Phase zwischen Pilotprojekt und Produktion überstehen. Die Zahlen werden so oder so gemeldet. Was entscheidet, ob sie Bestand haben, ist das Design des zugrunde liegenden Workflows.