Rendite (Return on Investment = ROI) agentenbasierter KI: Der C-Suite-Leitfaden zur Messung des Geschäftswerts

Die Rendite (Return on Investment = ROI) von agentenbasierter KI misst den geschäftlichen Wert, den Agenten erzeugen, im Verhältnis zu den Kosten ihres Betriebs. Traditionelle Softwaremetriken erfassen sie überhaupt nicht: Die Kosten agentenbasierter Arbeit ändern sich bei jedem Durchlauf, sodass eine Preisgestaltung pro Nutzer sie nicht abbilden kann. Eine präzise Messung basiert auf drei Faktoren (direkte Kosteneinsparungen, Durchsatzsteigerungen und Geschäftsergebnisse), wobei Menschen den gesamten Prozess steuern.

Diese Variabilität zwischen einzelnen Durchläufen stellt die eigentliche Abweichung von früheren Automatisierungslösungen dar, und feste Lizenzkostenmodelle können sie nicht abbilden. Für die meisten Unternehmen äußert es sich durch steigende Kosten, ohne dass ein klarer Zusammenhang zu den erzielten geschäftlichen Vorteilen erkennbar ist. Deshalb scheitern selbst heute noch so viele agentenbasierte Pilotprojekte, bevor sie in die Produktion gehen.

Die wichtigsten Erkenntnisse

• Die Rendite von agentenbasierter KI ist das Verhältnis des durch Agenten erzeugten Geschäftswerts zu den Kosten für deren Entwicklung und Betrieb. Sie verhält sich anders als Software mit festen Kosten, da die Kosten für Agenten bei jedem Durchlauf variieren.
• Sie können Sie anhand von drei Säulen messen: direkte Kosteneinsparungen, Durchsatz- und Geschwindigkeitssteigerungen sowie Geschäftsergebnisse in Bezug auf Umsatz und Kundenbindung.
• Zwei agentenspezifische Metriken sind am entscheidendsten: Die Agentenkosten pro abgeschlossener Aufgabe (Agent Cost Per Completed Task, ACCT) und Agent Value Multiple (AVM).
• Gartner schätzt, dass über 70 % der agentenbasierten KI-Anwendungsfälle den erwarteten Mehrwert nicht liefern werden, hauptsächlich aufgrund von unkontrollierten Token-Kosten, mangelhafter Datenqualität und fehlender Messung.
• Etwa 60 % der Kosten einer agentenbasierten Aufgabe entfallen auf das Überprüfen und erneute Verifizieren von Antworten: die „Agentursteuer“, die durch Governance und Orchestrierung reduziert werden soll.

Warum traditionelle ROI-Modelle bei agentenbasierter KI versagen

Traditionelle ROI-Modelle gehen von festen Eingaben und festen Ergebnissen aus. Agenten bieten weder das eine noch das andere. Herkömmliche Software ist vorhersehbar: Eine Lizenz umfasst einen definierten Funktionsumfang zu einem festen Preis. Gibt man einem Agenten jedoch ein Ziel, entscheidet er selbst, welche Tools er aufruft, wie viele Denkschritte er unternimmt und wann er aufhört, sodass dieselbe Aufgabe bei verschiedenen Durchläufen sehr unterschiedliche Kosten verursachen kann.

Eine Preisgestaltung pro Nutzer kann einen derart schwankenden Workload nicht abbilden. Deshalb widersetzt sich die Rendite von KI-Agenten der eindimensionalen Logik, die früher die Budgets für Unternehmenssoftware bestimmte.

Der Wandel von deterministischen zu nichtdeterministischen Kostenmodellen

Agentenkosten-Modelle werden nichtdeterministisch, weil der Agent entscheidet, wie viel Arbeit jede Aufgabe erfordert. Ein Bot mit deterministischer robotergesteuerter Prozessautomatisierung (RPA) trifft jedes Mal denselben Satz von Entscheidungen und folgt denselben Ausführungspfaden; seine Kosten sind ein stabiler, planbarer Posten. Innerhalb eines definierten Workflows entscheidet ein Agent weiterhin zur Durchlaufzeit, wie viel Arbeit jede Aufgabe erfordert, sodass der Tokenverbrauch den Schwierigkeitsgrad des Problems widerspiegelt. Dieselbe Aufgabe kann also bei verschiedenen Durchläufen unterschiedlich viel kosten.

Daraus folgen zwei Dinge. Die Kosten jeder einzelnen Aufgabe ergeben sich als eine Verteilung und nicht als eine feste Zahl. Die absoluten Kosten sind zudem hoch: Der Großteil der Rechnung entfällt auf die Eingabeseite, also auf den Kontext, den ein Agent vor seiner Handlung einliest. Dabei kann eine einzige agentenbasierte Aufgabe ungefähr 1.000-mal mehr Token verbrauchen als eine vergleichbare Chat- oder Code-Reasoning-Sitzung. Deshalb muss man agentenbasierte Kosten nach eigenen Maßstäben messen, statt sie in Festpreismodelle zu zwängen.

Das 3-Säulen-Framework zur Messung der Rendite von agentenbasierter KI

Die Messung der Rendite von agentenbasierter KI basiert auf drei Säulen: direkte Kosteneinsparungen, Durchsatz- und Geschwindigkeitssteigerungen sowie Geschäftsergebnisse. Die erste erfasst direkte Einsparungen. Die zweite erfasst Kapazität, die das Unternehmen nicht kaufen musste. Die dritte erfasst den Wert, der sich in Umsatz und Kundenbindung widerspiegelt, anstatt auf einer Rechnung zu erscheinen. Gemeinsam ersetzen sie die einzelne ROI-Kennzahl, die nicht erfassen kann, wie sich agentenbasierte Kosten und Werte tatsächlich verhalten.

Direkte Kosteneinsparungen (betriebliche Effizienz)

Direkte Kosteneinsparungen sind die unmittelbar nachweisbaren Einsparungen, die ein Agent aus der laufenden Kostenbasis entfernt: Arbeitskräfte, die von repetitiven Aufgaben abgezogen und anderweitig eingesetzt werden, reduzierte ausgelagerte Transaktionsvolumina sowie gesenkte Prozesskosten pro Einheit.

Diese Gewinne lassen sich am einfachsten erkennen, wenn der zugrunde liegende Prozess bereits stabil ist. Aus diesem Grund setzt eine Grundlage zuverlässiger Automatisierung in der Regel die Obergrenze für agentenbasierte Erträge. Unternehmen, die ausgereifte Plattformen wie die Plattform für Agentenbasierte Prozessautomatisierung (APA) betreiben, beginnen mit diesem Ausgangsniveau und ergänzen anschließend agentenbasierte Entscheidungsfindung zu Workflows, die bereits reibungslos ablaufen.

Durchsatz- und Geschwindigkeitssteigerungen (Agent Value Multiple)

Durchsatz- und Geschwindigkeitssteigerungen messen die Arbeit, die ein Agent übernimmt, ohne dass zusätzliches Personal eingestellt werden muss: die Kapazität, für die ein Unternehmen andernfalls neue Mitarbeitende einstellen oder Aufgaben auslagern müsste. Hier kommt der Agent Value Multiple (AVM) von Gartner ins Spiel und übernimmt die Berechnung. Es teilt die gesamte geschäftliche Auswirkung (Kosteneinsparungen plus zusätzlichen Umsatz plus Marge) durch die gesamten Agentenkosten und liefert so ein einziges Verhältnis dafür, wie effektiv jeder in den Agenten investierte Dollar eingesetzt wird.

Ein hoher AVM signalisiert, dass ein Agent deutlich mehr Wert schafft, als er verbraucht. Ein niedriger Wert weist auf eine Arbeitslast hin, die zwar ausgelastet erscheint, sich jedoch nicht selbst trägt. Die Straight-through-Processing-Quoten und die Zykluszeitverkürzung sind die operativen Kennzahlen, die als Grundlage dienen.

Geschäftsergebnisse und strategischer Wert

Geschäftsergebnisse sind die Erträge, die niemals als Kostenposition erscheinen: höhere Konversion, bessere Kundenzufriedenheit (CSAT), weniger Eskalationen und schnellere Lösung. Sie sind schwieriger zuzuordnen als Kosteneinsparungen, weshalb sie häufig zu niedrig angesetzt werden, dennoch übersteigen sie oftmals die direkten Einsparungen über die gesamte Implementierungsdauer hinweg.

Eine Umfrage unter KI-Agent-Anwendern weist darauf hin, dass kundenorientierte und umsatzbezogene Metriken das deutlichste Signal dafür sind, dass der agentenbasierte Wert nicht stagniert, sondern sich weiter kumuliert. Nichts davon erscheint allerdings als Rendite, bis das Unternehmen die Arbeit leistet, diese Gewinne in tatsächliche Kosteneinsparungen oder Einnahmen umzuwandeln.

Wichtige Metriken, die Sie verfolgen sollten: ACCT und AVM

Die zwei Metriken ACCT und AVM leisten den Großteil der Arbeit bei der Messung der Rendite von KI-Agenten im gesamten KI-Portfolio eines Unternehmens. Die Kosten pro abgeschlossener Aufgabe, das Maß, das McKinsey als das entscheidende identifiziert, sind die Gesamtkosten, um eine Aufgabe erfolgreich abzuschließen – unabhängig davon, wie ein Anbieter Tokens, Nutzer oder Aufrufe bepreist.

Gartner formalisiert dies als Agentenkosten pro abgeschlossener Aufgabe (Agent Cost Per Completed Task), oder ACCT; eine niedrigere Zahl bedeutet, dass jedes Ergebnis kostengünstiger erbracht wird. AVM, wie oben eingeführt, steht auf der Wertseite daneben: der Ertrag pro investiertem Dollar an Agentenkosten. Beide können sich unabhängig voneinander verändern. Ein Agent kann pro Aufgabe kostengünstig und dennoch den Betrieb nicht wert sein, oder teuer und eindeutig lohnenswert. Dieser Trade-off ist auf Portfolioebene besonders zu beobachten.

Ein verwandter Begriff, den Sie kennen sollten: Gartner definiert außerdem einen Context Memory Optimization Score (CMOS), eine an Financial Operations (FinOps) angelehnte Kennzahl für die durchschnittliche Anzahl von Eingabetokens pro abgeschlossener Aufgabe. Sie verfolgt die Token-Effizienz, was für das Kostenmanagement nützlich ist, jedoch handelt es sich dabei um ein Kostensignal und nicht um eine ROI-Metrik.

Beispiel eines ROI-Rechners für agentenbasierte KI im IT-Service-Desk

Ein Informationstechnologie (IT)-Service-Desk ist einer der eindeutigsten Bereiche, um die Rendite von agentenbasierter KI zu modellieren, da die direkten Kosteneinsparungen die greifbarste der drei Säulen sind und sich am einfachsten schätzen lassen.

Für einen IT-Service-Desk, eine der häufigsten frühen agentenbasierten Implementierungen, sind die Eingaben bekannte Größen: Ticketvolumen, Service-Desk-Mitarbeiterzahl, Arbeitskosten pro Agent und Lizenzkosten pro Nutzer. Eine agentenbasierte Ebene, die routinemäßige Tickets löst, bevor sie einen Menschen erreichen, verändert jeden dieser Abläufe.

Dieser Wandel spiegelt sich unmittelbar in den Zahlen wider: Analysieren Sie Ihr eigenes Ticketvolumen, Ihre Mitarbeiterzahl und Ihre Lizenzkosten, um die Einsparungen zu sehen.

Kosteneinsparung ist der Bereich mit den eindeutigsten Zahlen, stellt jedoch lediglich die Basis der agentenbasierten Rendite dar. Durchsatz und Geschäftsergebnisse bauen darauf auf.

Warum über 70 % der agentenbasierten KI-Anwendungsfälle den erwarteten Mehrwert nicht liefern

Laut Gartner-Schätzungen liefern über 70 % der agentenbasierten KI-Anwendungsfälle nicht den erwarteten Mehrwert, wobei die Ursache selten im Modell liegt. Die meisten Misserfolge lassen sich auf unkontrollierte Token-Kosten, mangelhafte Datenqualität und Arbeitslasten ohne eine abgestimmte Geschäftskennzahl zur Messung zurückführen.

Das schwierigere Problem besteht darin, dass die meisten Unternehmen den von ihnen geschaffenen Wert nicht nachweisen können. Die Instrumente, um die Aktivitäten von Agenten mit einem Gewinn- und Verlust (P&L)-Ergebnis zu verknüpfen, sind in der Regel nicht vorhanden, und genau diese Lücke untergräbt die Rendite von KI-Agenten im großen Maßstab. Die eigentliche Frage ist daher nicht mehr, ob KI grundsätzlich funktioniert, sondern welche Anwendungsfälle eine Finanzierung wert sind.

Die Agentensteuer und versteckte Token-Kosten

Die Agentensteuer ist die Summe aus den Kosten für die Überprüfung der Arbeit eines Agenten und den Kosten für deren Nachbesserung, falls sie fehlerhaft ist. Im laufenden Betrieb sind Nachbesserungen zudem so gut wie immer erforderlich. Der Großteil dieser Ausgaben verbirgt sich in der Verfeinerung und nicht in der ersten Ausgabe: Etwa 60 % der Kosten einer agentenbasierten Aufgabe entfallen auf das Überprüfen und erneute Verifizieren von Antworten, nicht auf deren Generierung.

Die Senkung der Kosten bedeutet, die zugrundeliegenden Fehler- und Wiederholungszyklen zu reduzieren. In unserem Context Intelligence testing konnten Agenten, die mit der Process Reasoning Engine und einem operativen Speicher ausgestattet waren, die durchschnittliche Anzahl der Tool-Aufrufe pro Durchlauf in einem Unternehmens-Workflow um etwa 20 % senken – korrektes Verhalten beim ersten Versuch ersetzt dabei Fehler- und Wiederholungszyklen.

In der Produktion führt das direkt zu geringeren Kosten in der Anwendung (Application Programming Interface, API), reduzierter Latenz und einer besser vorhersehbaren Ausführung. Eine Ebene wie Mozart Orchestrator übernimmt den Rest, indem sie die Kostenverteilung begrenzt und dafür sorgt, dass die Ergebnisse steuerbar bleiben, sodass sich die Varianz nicht von Durchlauf zu Durchlauf aufsummiert.

Maximierung der Rendite mit Automation Anywhere

Die Rendite von agentenbasierter KI wird in der operativen Ebene rund um den Agent entschieden: Beobachtbarkeit, Governance und Orchestrierung. Die APA-Plattform ist für diese Ebene konzipiert. Sie misst die Aktivitäten von Agenten im Vergleich zu Geschäftsergebnissen, hält Menschen bei Entscheidungen auf dem Laufenden und verpflichtet Agenten zu überwachten Ausführungspfaden, sodass KI-Workloads in Unternehmen mit Kontrolle und einer nachvollziehbaren Rendite von KI-Agenten skaliert werden können.

Dies wird am deutlichsten dort sichtbar, wo jede Arbeitseinheit einen Preis hat. KI für ITSM ist ein Beispiel: Sie löst routinemäßige Tickets, bevor sie eine Person erreichen, und wandelt so bekannte Kosten pro Ticket in direkte Einsparungen um.

Schlussfolgerung: Vom Pilotprojekt zur Produktion

Der Übergang vom Pilotprojekt zur Produktion bedeutet, die Rendite von agentenbasierter KI anhand von Metriken zu messen, die für agentenbasierte Arbeit und nicht für Software mit festen Kosten entwickelt wurden: Kosten pro abgeschlossener Aufgabe, Agent Value Multiple sowie Geschäftsergebnisse in Bezug auf Umsatz und Kundenbindung, die nicht in einer Kostenaufstellung erscheinen.

Agenten zu zählen ist kein Fortschritt. Fortschritt bedeutet nachzuweisen, welche Anwendungsfälle einen tatsächlichen Ertrag liefern.

Dazu bedarf es einer konsequenten Messdisziplin, Governance sowie einer operativen Ebene, die Kosten und Ergebnisse vom Pilotprojekt bis zur Produktion transparent hält. Erfahren Sie, wie Automation Anywhere Ihnen dabei hilft, die Rendite von agentenbasierter KI zu messen und zu steuern.

Häufig gestellte Fragen

Wie misst man die Rendite von agentenbasierter KI?

Man misst sie anhand von drei Säulen – direkte Kosteneinsparungen, Durchsatz- und Geschwindigkeitssteigerungen sowie Geschäftsergebnisse – unter Verwendung von agentenspezifischen Metriken wie den Kosten pro abgeschlossener Aufgabe und dem Agent Value Multiple, die von nutzerbasierten Softwaremodellen nicht erfasst werden können.

Was ist der Unterschied zwischen der Rendite von GenAI und der von agentenbasierter KI?

Die Rendite von GenAI misst die Effizienz der Inhaltserstellung, also von Entwürfen, Zusammenfassungen und Antworten. Die Rendite von agentenbasierter KI misst die Ausführung: ob ein agentenbasierter Workflow einen mehrstufigen Geschäftsprozess vollständig von Anfang bis Ende abschließt und zu welchen Kosten.

Was ist eine realistische Rendite für agentenbasierte KI in Unternehmen?

Die Erwartungen sind hoch. Befragte Führungskräfte erwarten eine Rendite von etwa 171 %, während die tatsächlichen Ergebnisse hinterherhinken: Nur etwa 25 % der KI-Initiativen haben die erwartete Rendite erzielt (McKinsey). Die Lücke besteht in der Messung und Governance, nicht in der Modellfähigkeit.

Wie hilft der Agent Value Multiple bei der Berechnung des Ertrags von Investitionen in KI-Agenten?

Gartners Agent Value Multiple teilt die gesamte geschäftliche Auswirkung (Kosteneinsparungen plus zusätzlichen Umsatz plus Marge) durch die gesamten Agentenkosten. Je höher dieser Multiplikator, desto mehr Wert generiert jeder in Agenten investierte Dollar.

Was sind die Kosten pro abgeschlossener Aufgabe und warum sind sie für die Rendite von agentenbasierter KI von Bedeutung?

Die Kosten pro abgeschlossener Aufgabe messen die Gesamtkosten, um eine Aufgabe erfolgreich abzuschließen, unabhängig vom Preismodell des Anbieters – die Metrik, die McKinsey als die entscheidende bezeichnet. Gartner formalisiert dies als Agentenkosten pro abgeschlossener Aufgabe (Agent Cost Per Completed Task, ACCT); ein niedrigerer Wert bedeutet eine effizientere Ergebnisbereitstellung.

Warum scheitern die meisten agentenbasierten KI-Pilotprojekte?

Zwei Gründe: Das Umfeld erweitert sich und der Wert bleibt ungemessen. Eine Demo mit einem sauberen Datensatz überlebt selten in der vollständigen Betriebsumgebung, und selbst wenn Agenten doch bestehen, bleibt der Ertrag aufgrund unkontrollierter Token-Kosten und mangelhafter Datenqualität unbewiesen.