Sie kennen das Szenario: Ein vielversprechendes KI-Automatisierungsprojekt wird vorgestellt. Die Technologie funktioniert, die Pilotphase war erfolgreich, das Team ist motiviert. Und dann scheitert das Projekt – nicht an der Umsetzung, sondern an der ROI-Berechnung. Der Business Case zeigt negative Zahlen. Das Investment wird abgelehnt.

Doch was, wenn die Rechnung von Anfang an falsch war? Was, wenn ein psychologischer Denkfehler systematisch dazu führt, dass KI-Projekte schlechter bewertet werden, als sie tatsächlich sind?

Der Unterlassungsfehlschluss (Omission Bias) beschreibt eine kognitive Verzerrung, die tief in der menschlichen Psychologie verankert ist: Wir bewerten Schäden durch aktives Handeln als gravierender als identische oder sogar größere Schäden durch Unterlassen.

Ein klassisches Beispiel aus der Medizin verdeutlicht dies:

• Szenario A: Eine KI-gestützte Diagnose macht einen Fehler → 1 Patient stirbt
• Szenario B: KI wird nicht eingesetzt, manuelle Prozesse sind langsamer und ungenauer → 10 Patienten sterben

Rational betrachtet ist Szenario B katastrophaler. Emotional aber empfinden die meisten Menschen Szenario A als verwerflicher – weil der Tod durch eine bewusste Handlung (Einsatz der KI) verursacht wurde, während in Szenario B "nur" eine Unterlassung vorliegt.

Lassen Sie uns dies an einem konkreten Beispiel durchrechnen.

Die falsche Rechnung (Opfer des Unterlassungsfehlschluss):

• Kosten: 100.000 € KI-Implementierung
• Nutzen: 50.000 € Personaleinsparung pro Jahr
• Risiko: 10.000 € durch KI-Fehler (falsche Antworten, Kundenunzufriedenheit)
• ROI Jahr 1: -60% (negativ!)

Entscheidung: Projekt wird abgelehnt. "Zu teuer, zu riskant."
 

Die korrekte Rechnung:

• Kosten: 100.000 € KI-Implementierung
• Nutzen: 50.000 € Personaleinsparung pro Jahr
• Risiko: 10.000 € durch KI-Fehler
   

Plus: Vermiedene Kosten des Status quo:

• 30.000 € durch schnellere Reaktionszeiten (reduzierte Kundenabwanderung)
• 20.000 € durch konsistente Qualität (weniger Beschwerden und Eskalationen)
• 15.000 € durch 24/7-Verfügbarkeit (zusätzlicher Umsatz)
• 25.000 € durch vermiedene menschliche Fehler

ROI Jahr 1: +40% (positiv!)

Entscheidung: Projekt wird genehmigt und liefert messbaren Mehrwert.

Der Unterschied? In der zweiten Rechnung werden die Kosten des Nicht-Handelns explizit gemacht. Die 90.000 € an vermiedenen Kosten entstehen dem Unternehmen jeden Tag, sie sind nur unsichtbar – bis man sie konkret beziffert.

Doch es geht noch weiter. Selbst wenn wir die direkten Kosten des Status quo erfassen, übersehen wir oft die strategischen Opportunitätskosten:

Wettbewerbsnachteil: Während Sie zögern, automatisiert die Konkurrenz und wird schneller, günstiger und serviceorientierter.

Skalierungsprobleme: Ohne Automatisierung können Sie nicht wachsen. Jeder neue Kunde erfordert linear mehr Personal – ein nicht-skalierbares Modell.

Fachkräftemangel: Qualifizierte Mitarbeiter für repetitive manuelle Prozesse zu finden wird zunehmend unmöglich. Die Positionen bleiben unbesetzt, die Qualität sinkt.

Mitarbeiterfluktuation: Überlastete Teams machen mehr Fehler, sind frustriert und kündigen. Recruiting- und Einarbeitungskosten explodieren.

All diese Kosten entstehen durch Unterlassen – und werden in traditionellen ROI-Rechnungen nicht berücksichtigt.

Betrachten wir die kumulative Wirkung über drei Jahre:

Szenario A: KI-Automatisierung

• Jahr 0: -100.000 € (Investment)
• Jahr 1: +80.000 € (Einsparungen minus KI-Wartung/Fehlerkosten)
• Jahr 2: +80.000 €
• Jahr 3: +80.000 €
• Gesamt: +140.000 €
   

Szenario B: Status Quo (wird oft als "0 €" gewertet!)

• Jahr 0: 0 € (kein Investment)
• Jahr 1: -50.000 € (versteckte Fehlerkosten, Überlastung, erste Kunden wandern ab)
• Jahr 2: -75.000 € (Wettbewerbsnachteil wächst, Fluktuation steigt)
• Jahr 3: -100.000 € (Marktanteile verloren, Team chronisch unterbesetzt)
• Gesamt: -225.000 €
   

Der relative ROI-Unterschied: +365.000 €

Wenn man beide Szenarien gegenüberstellt, wird klar: Die Entscheidung gegen die KI kostet das Unternehmen nicht "nichts" – sie kostet 365.000 € über drei Jahre!

Die Gründe sind psychologisch und organisatorisch:

1. Sichtbare vs. unsichtbare Kosten KI-Investitionen und KI-Fehler sind sichtbar, messbar, zuordenbar. Status-quo-Probleme verlieren sich im "operativen Geschäft" und werden nicht als vermeidbare Kosten erkannt.

2. Verantwortungsdiffusion Für einen KI-Fehler trägt jemand konkret Verantwortung. Für das Unterlassen einer Innovation trägt niemand direkt Verantwortung – die Kosten werden dem "System" zugeschrieben.

3. Persönliches Risiko der Entscheider Die Führungskraft denkt: "Für ein gescheitertes KI-Projekt werde ich zur Rechenschaft gezogen. Für die Beibehaltung des Status quo nicht – auch wenn das langfristig teurer ist."

4. Fehlerquoten-Asymmetrie Von KI wird oft Perfektion erwartet ("muss besser sein als der beste Mensch"), während menschliche Fehlerquoten von 5-10% als "normal" akzeptiert werden.

2. A/B-Szenario visualisieren

Stellen Sie nicht ein Projekt vor, sondern zwei Szenarien:

• Szenario A: Investment in KI-Automatisierung
• Szenario B: Beibehaltung des Status quo mit seinen konkreten Kosten

Der Vergleich macht die Entscheidung rational.
 

3. "Cost of Delay" berechnen

Zeigen Sie auf, was jeder Monat Verzögerung kostet: "Jeder Monat ohne Automatisierung kostet uns 12.500 € an verpassten Einsparungen."

Das erzeugt konstruktiven Handlungsdruck.
 

4. Risiko-Risiko-Abwägung statt Risiko-Sicherheit-Illusion

Formulieren Sie nicht:

• "Risiko durch KI" vs. "Sicherheit durch Status quo"

Sondern:

• "Risiko durch KI (2% Fehlerquote)" vs. "Risiko durch Status quo (10% Fehlerquote)"

Beide Optionen haben Risiken – die Frage ist nur, welches kleiner ist.
 

5. Pilot-to-Production mit messbaren KPIs

Führen Sie die KI parallel zum bisherigen Prozess ein und messen Sie:

• Fehlerreduktion
• Zeitersparnis
• Kostenreduktion
• Kundenzufriedenheit

Harte Daten schlagen psychologische Verzerrungen.