KI-ROI-Rechner

01

So funktioniert’s

1. 1

   Fang mit den Stunden an

   Wie viele Leute Zugang haben, wie viele Stunden jede Person pro Woche spart, sobald sie eingearbeitet ist, und was eine Stunde ihrer Zeit voll belastet kostet. Für die letzte Zahl gilt dieselbe Konvention von 2.080 Stunden wie bei den anderen Rechnern hier, damit die Zahlen zwischen den Tools vergleichbar bleiben.

2. 2

   Dann kommen die drei ehrlichen Abschläge

   Adoption, weil nicht alle, die eine Lizenz bekommen, sie auch nutzen. Ramp-up, weil die Ersparnis nach und nach kommt. Setup-Kosten, weil Integration und Schulung echtes Geld kosten. Dieser KI-ROI-Rechner fragt alle drei ab und zeigt, wie das Ergebnis ohne sie aussähe.

3. 3

   Lies die Amortisation, nicht den ROI

   Über einen Prozentwert lässt sich leicht streiten. Eine Monatszahl – wann der kumulierte Nutzen die Null überschreitet – ist schwerer abzutun und später leichter zu überprüfen. Das Diagramm zeigt sie und startet um die eingegebenen Setup-Kosten unter der Linie.

02

Das Modell

hourly cost      = salary × loaded multiplier ÷ 2,080
gross saving     = people × hours saved per week × 52 × hourly cost
adjusted saving  = gross saving × adoption
net benefit      = saving over the horizon − setup − monthly cost × months

03

Rechenbeispiel

04

Was die Anbieter-Version sagt

05

Die bessere Frage

06

Wo dieses Modell am schwächsten ist

07

Häufige Fragen

Wie berechnet man den ROI von KI-Tools?

Der KI-ROI-Rechner oben startet mit den eingesparten Stunden mal den voll belasteten Kosten einer Stunde, abzüglich der Tool-Kosten, über einen gewählten Zeitraum. Zehn Leute, die je vier Stunden pro Woche bei 75 $ pro Stunde sparen, ergeben 156.000 $ brutto im Jahr – bevor Adoption, Ramp-up und Setup ihren Anteil nehmen.

Warum zeigt der Rechner zwei verschiedene ROI-Werte?

Weil die Annahmen mehr zählen als die Arithmetik. Mit den Standardwerten liefert ein realistisches Modell 285 % über ein Jahr. Dieselben Eingaben mit voller Adoption, ohne Ramp-up und ohne Setup-Kosten – die Annahmen der meisten Anbieter-Rechner – ergeben rund 2.500 %. Keine der beiden Zahlen ist gelogen; nur eine lässt sich verteidigen.

Mit welcher Adoptionsrate sollte ich rechnen?

Mit einer niedrigeren, als dir lieb ist. Lizenzen zu verteilen ist noch keine Adoption, und wenn 60–80 % der Seats wirklich jede Woche genutzt werden, ist das ein gutes Ergebnis für ein Tool, nach dem niemand gefragt hat. Hast du Telemetrie aus einem Pilotprojekt, nimm sie; schätzt du, dann schätz niedrig und lass dich von der Zahl positiv überraschen.

Warum ist der Ramp-up so wichtig?

Weil die Ersparnis nicht am ersten Montag beginnt. Das Team lernt das Tool, findet heraus, wofür es taugt, und baut seine Gewohnheiten darum herum neu auf – und im ersten oder zweiten Monat ist es oft langsamer, nicht schneller. Drei Monate bis zur vollen Wirkung sind eine vernünftige Planungsannahme für ein Team-Tool.

Was zählt zu den Setup-Kosten?

Integrationsarbeit, Datenmigration, Security-Review, die Zeit für die Auswahl zwischen den Optionen und Schulungen. Sie fallen einmalig an und sind der Posten, der am häufigsten fehlt – deshalb liegen so viele veröffentlichte Amortisationszeiten unter einem Monat. Mit den Standardwerten verändert allein das Weglassen dieses Postens das Ergebnis stärker als alles andere auf der Seite.

Wie viele Stunden muss es sparen, damit es sich lohnt?

Weniger, als du denkst, und das Tool rechnet es aus. Mit den Standardwerten ist es etwa eine Stunde pro Person und Woche gegenüber den angenommenen vier – die Rechnung hält also auch, wenn du um den Faktor drei danebenliegst. Diese Zahl lohnt es sich zu nennen, weil sie die Frage verschiebt: von „Wird das funktionieren?“ zu „Wie sehr dürfen wir danebenliegen, ohne dass es kippt?“.

Soll ich Token- oder Nutzungskosten einrechnen?

Ja, im Feld für die monatlichen Kosten zusammen mit den Abos. Nutzungsbasierte KI-Kosten bleiben bekanntlich selten da, wo man sie hinstellt. Nimm also den teuersten Monat, den du bisher gesehen hast, statt des Durchschnitts, und schau noch einmal drauf, sobald sich die echte Nutzung eingependelt hat.

Rechnet ein ROI-Rechner für AI Agents anders?

Die Arithmetik ist dieselbe, aber zwei Eingaben verhalten sich anders. Ein ROI-Rechner für AI Agents sollte die Token-Kosten als größten monatlichen Posten behandeln statt als Rundungsfehler, weil Agents pro Aufgabe weit mehr verbrauchen als ein Chat-Interface. Und der Ramp-up dauert meist länger, weil ein Agent erst Zugriff, Leitplanken und einen Review-Prozess braucht, bevor jemand seinem Output traut.

Sind eingesparte Stunden eine verlässliche Eingabe?

Nein, und ausgerechnet von dieser Eingabe hängt alles andere ab. Kaum jemand misst sie; die meisten Zahlen stammen aus einer Case Study eines Anbieters oder aus einer Umfrage, wie produktiv sich Leute gefühlt haben. Ehrlich ist es, die erste Zahl, die dir einfällt, zu halbieren und zu prüfen, ob die Rechnung dann noch aufgeht.

Wird eingesparte Zeit wirklich zu Geld?

Nur wenn die frei gewordenen Stunden in etwas Sinnvolles fließen. Eine Stunde, die jemand im Engineering mit vollem Backlog spart, wird zu Output; eine Stunde, die jemand ohne wartende Aufgaben spart, wird zu nichts Messbarem. Das ist der stärkste Einwand gegen jeden KI-ROI-Rechner, und das Modell löst ihn nicht – es nimmt an, dass die Stunden anders eingesetzt werden.

Was ist eine gute Amortisationszeit für KI-Tools?

Unter sechs Monaten ist komfortabel, unter zwölf vertretbar für alles mit Setup-Kosten. Darüber tragen die Annahmen mehr als die Belege, und bis der Amortisationszeitpunkt erreicht ist, hat sich die Tool-Landschaft so stark verändert, dass du ohnehin neu bewerten würdest.

Soll ich das pro Team oder für das ganze Unternehmen rechnen?

Pro Team, und dann zusammenzählen. Adoption und eingesparte Stunden unterscheiden sich stark zwischen den Bereichen – ein Engineering-Team und ein Support-Team landen nicht bei denselben Zahlen –, und ein unternehmensweiter Durchschnitt versteckt die Teams, bei denen das Tool nicht funktioniert.

Speichert ihr die Zahlen, die ich eingebe?

Nicht bei uns, und es gibt kein Konto – ein echter Unterschied zu einem Anbieter-Rechner, der deine geschäftliche E-Mail-Adresse will, bevor er das Ergebnis zeigt. Die Rechnung läuft in deinem Browser, die Zahlen, die du in die Felder tippst, verlassen ihn also nie. Wenn du mit Coach chattest, gehen deine Nachricht und die aktuellen Zahlen des Rechners über unseren Server an OpenAI, das die Antwort von Coach schreibt; wir behalten keine Kopie davon und loggen nur Zählwerte, etwa wie viele Tokens eine Antwort verbraucht hat. Der Chat wird in deinem eigenen Browser gespeichert, damit du später weitermachen kannst. Wenn du deine Gehalts- und Ausgabenzahlen lieber nicht teilen willst, tipp die Zahlen selbst ein und lass den Chat weg.

Warum ist das kostenlos, und was ist Tekk?

Tekk macht dein Produkt zu Software, die sich selbst verbessert: Sechzehn Loops beobachten deine Codebase und bringen dir Proposals, die du mit Greenlight freigibst oder ablehnst, und dein Coding-Agent baut das Ergebnis. Wir sind nicht neutral in der Frage, ob sich KI-Tools lohnen – genau deshalb zeigt diese Seite das pessimistische Modell neben dem schmeichelhaften. Keine Anmeldung, kein Nutzungslimit, kein Upsell im Tool.