Sizing the prize: AI-Business-Cases bauen, die der Prüfung standhalten

# Sizing the prize: AI-Business-Cases bauen, die der Prüfung standhalten

Ein globaler Autohersteller startet einen Piloten: ein Modell, das vorhersagt, für welche Fahrzeuge Garantieansprüche anfallen, bevor sie ausfallen. Nach sechs Wochen präsentiert das Team eine Folie mit 40 Millionen Dollar jährlicher Einsparung. Der CFO stellt eine Frage: „Wie viel davon hätten wir auch ohne AI eingespart?“ Der Raum wird still. Der Pilot ist tot.

So scheitern die meisten AI-Business-Cases in der Automobilbranche. Nicht weil die Technologie nicht funktioniert, sondern weil das ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →-Modell (Return on InvestmentReturn on InvestmentReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →) der Prüfung nicht standhält. Bauen wir eines, das es tut.

Warum Garantieansprüche ein perfekter Testfall sind

Garantie ist ein echtes Cost Center. Autohersteller bilden jedes Jahr Garantierückstellungen in Milliardenhöhe. Schätzungen aus dem Branchen-Tracking (Warranty Week, historische Daten) beziffern die Garantieausgaben großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Hersteller auf 1,5 bis 3 Prozent des Produktumsatzes, wobei dies je nach Hersteller und Jahr variiert.

Der AI-Use-Case ist real: Komponentenausfälle früher vorhersagen, mithilfe von Sensordaten, Werkstattreparaturdaten und Informationen zu Lieferantenchargen. Ein defektes Teil erwischen, bevor es zum Feldausfall wird, oder eine fehlerhafte Lieferantencharge erkennen, bevor sie sich über 200.000 Fahrzeuge verteilt.

Aber „Ausfälle vorhersagen“ ist kein Business Case. Ein Business Case isoliert, was die AI konkret verändert, in welchem Zeitraum und zu welchen Kosten.

Schritt 1: AI-zurechenbare Einsparungen isolieren

Der größte Einzelfehler ist, sich Einsparungen anzurechnen, die das Unternehmen ohnehin realisiert hätte.

Garantieausgaben sinken bereits durch normale technische Verbesserungen, Lieferantenverhandlungen und Qualitätsprogramme. Ihr AI-Modell bekommt für diese Baseline-Verbesserung keine Anrechnung.

Die Isolationsregel: AI-zurechenbare Einsparungen = (Ergebnis mit AI) minus (Ergebnis der kontrafaktischen Baseline).

Konkretes Beispiel. Angenommen, eine Fahrzeuglinie verursacht jährlich 100 Millionen Dollar an Garantieansprüchen. Bestehende Qualitätsprogramme reduzieren das bereits um 4 Prozent pro Jahr. Wenn das AI-Modell die Ansprüche um 7 Prozent senkt, ist der AI-zurechenbare Anteil nur die zusätzlichen 3 Prozent, nicht die vollen 7.

$$\text{AI savings} = 100M \times (0.07, 0.04) = 3M$$

Nicht 7 Millionen Dollar. Diese Unterscheidung trennt ein belastbares Modell von einem Piloten, der im Büro des CFO stirbt.

Wie Sie das tatsächlich messen

Die glaubwürdige Methode ist eine Holdout-Gruppe: AI-Vorhersagen auf eine Gruppe von Fahrzeuglinien oder Regionen anwenden, sie einer vergleichbaren Gruppe vorenthalten und die Differenz messen. Das ist dieselbe Logik wie bei einem A/B-Test.

Wenn ein vollständiges Holdout nicht möglich ist, nutzen Sie einen Pre/Post-Vergleich mit Kontrollgruppe: Verfolgen Sie die AI-abgedeckte Flotte gegen eine ähnliche nicht abgedeckte Flotte im selben Zeitraum, damit externe Faktoren (ein harter Winter, ein neuer Modellstart) beide Gruppen gleichermaßen treffen.

Schritt 2: Die Ramp-Kurve modellieren, nicht den Steady State

Der zweite Fehler ist die Annahme, der volle Nutzen trete ab Tag eins ein.

AI-Systeme rampen hoch. Ein Garantie-Prognosemodell braucht Zeit, um gelabelte Ausfalldaten zu sammeln, Schwellenwerte zu justieren und das Vertrauen der Händler zu gewinnen, bevor Techniker auf seine Alerts reagieren.

Eine realistische Ramp für ein Garantiemodell kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte so aussehen (illustrativ, kein Benchmark):

| Quartal | % des realisierten Steady-State-Nutzens |

|---------|-----------------------------------|

| Q1 | 10% |

| Q2 | 30% |

| Q3 | 60% |

| Q4 | 85% |

| Jahr 2+ | 100% |

Wenn die jährlichen Einsparungen im Steady State 3 Millionen Dollar betragen, liefert Jahr 1 keine 3 Millionen. Es liefert den gewichteten Durchschnitt über die Ramp:

$$3M \times \frac{(0.10 + 0.30 + 0.60 + 0.85)}{4} = 3M \times 0.46 \approx 1.4M$$

3 Millionen Dollar als Zahl für Jahr 1 zu präsentieren und sie dann zu verfehlen, zerstört die Glaubwürdigkeit für jeden kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ünftigen AI-Vorschlag. Zeigen Sie die Ramp explizit.

Schritt 3: Die Kosten zählen, die Teams routinemäßig vergessen

Jeder zählt die Kosten der Modellentwicklung. Fast niemand zählt die laufenden Kosten, die das Modell erst funktionsfähig machen.

Data Labeling ist der versteckte Posten

Ein überwachtes Garantiemodell lernt aus gelabelten Beispielen: „Diese Reparatur war ein echter Defekt“, „dieser Anspruch war betrügerisch“, „dieses Teil fiel aus Grund X aus“. Jemand muss diese Labels erstellen, und Werkstattnotizen sind unsauberer Freitext.

Labeling ist keine einmalige Kostenposition. Fehlermodi entwickeln sich mit jedem Modelljahr weiter, also müssen Labels laufend aufgefrischt werden. Planen Sie das explizit ein.

Illustrative Kostenstruktur für ein Garantie-Prognosemodell:

• Initiales Labeling historischer Ansprüche: ein großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → einmaliger Aufwand, oft mit Garantieingenieuren statt günstigen Annotatoren, weil die Beurteilung eines echten Defekts Domänenwissen erfordert.
• Laufendes Labeling: wiederkehrende Quartalskosten, wenn neue Fehlermuster auftauchen.
• Model Monitoring und Drift Detection: Produktivmodelle degradieren, wenn sich Fahrzeuge, Teile und Lieferanten ändern. Das nennt man Model Drift. Sie brauchen Engineers, die das beobachten.
• MLOps-Infrastruktur: MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen → (Machine Learning OperationsMachine Learning OperationsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen →) ist das Tooling, um Modelle in Produktion zu deployen, zu versionieren und zu überwachen. Ein realer, wiederkehrender Kostenposten.
• Integration: Vorhersagen in das Dealer-Management-System und den Garantie-Workflow einbinden, damit ein Mensch darauf reagiert.

Als Einstieg in die versteckten Kosten und den Lebenszyklus von Produktivmodellen ist Googles MLOps-Leitfaden eine solide kostenlose Quelle.

Eine durchgerechnete Nettorechnung

Zusammengefasst für Jahr 1, illustrative Zahlen:

| Position | Betrag |

|------|--------|

| AI-zurechenbare Einsparungen (geramped) | +$1.4M |

| Modellentwicklung (einmalig) | -$0.8M |

| Labeling historischer Daten (einmalig) | -$0.4M |

| Laufendes Labeling + Monitoring + MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen → | -$0.5M |

| Netto Jahr 1 | -$0.3M |

Jahr 1 ist negativ. Das ist in Ordnung, und es ist ehrlich. Der Steady State ab Jahr 2 sieht ganz anders aus:

| Position | Betrag |

|------|--------|

| AI-zurechenbare Einsparungen (voll) | +$3.0M |

| Laufendes Labeling + Monitoring + MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen → | -$0.5M |

| Netto Jahr 2 | +$2.5M |

Ein Modell mit Verlust in Jahr 1 und Gewinn ab Jahr 2 hält der Prüfung deutlich besser stand als eines, das sofortige Millionen verspricht.

Schritt 4: Die Annahmen unter Druck setzen

Bevor Sie präsentieren, greifen Sie Ihre eigenen Zahlen so an, wie es eine skeptische Führungskraft tun wird.

Attribution-Challenge: „Beweisen Sie, dass die Einsparungen von der AI kommen und nicht von unserem neuen Lieferanten.“ Antworten Sie mit Ihrer Holdout- oder Kontrollgruppe.

Precision-Challenge: Ein Modell, das zu viele False Positives markiert, verschwendet Technikerzeit und zerstört Vertrauen. Wenn das Modell einen Ausfall vorhersagt und das Teil in Ordnung ist, ist das ein False Positive, und jedes davon verursacht reale Kosten (unnötige Inspektion, Frust beim Händler). Nehmen Sie die Kosten für den Umgang mit False Positives ins Modell auf und berichten Sie Precision (welcher Anteil der markierten Teile tatsächlich ausgefallen ist) neben den Einsparungen.

Adoption-Challenge: Eine Vorhersage, auf die niemand reagiert, spart nichts. Wenn Händler Alerts ignorieren, ist der Nutzen gleich null, unabhängig von der Modellgenauigkeit. Die Adoption-Rate gehört ins ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →-Modell, nicht in die Fußnote.

Data-Availability-Challenge: Das Modell braucht Telematik- oder Sensordaten. In Europa unterliegt die Nutzung von Fahrzeugdaten der DSGVO (Datenschutz-Grundverordnung), und Connected-Vehicle-Daten kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen personenbezogene Daten enthalten, die einem Fahrer zuzuordnen sind. In den USA gibt es kein einzelnes bundesweites Äquivalent, aber Bundesstaatengesetze wie der CCPA (California Consumer Privacy Act) greifen. Wenn Ihre Datenpipeline nicht compliant ist, sind die Einsparungen nicht real, weil die Daten nicht genutzt werden dürfen. Benennen Sie die rechtliche Einschränkung im Business Case.

Wo sich das über die Wertschöpfungskette verallgemeinern lässt

Der Garantiefall ist eine Vorlage. Dieselbe Disziplin gilt für andere echte AI-Anwendungen in der Automobilbranche:

• Predictive Maintenance für Flottenbetreiber: gleiche Ramp, gleiches Labeling-Problem (was zählt als „Ausfall“).
• Vision-Modelle für Lackiererei und Schweißinspektion in der Fertigung: False Positives bedeuten hier, dass gute Teile verschrottet werden.
• Demand Forecasting in der Supply Chain: den AI-Lift vom bestehenden Planerurteil isolieren.

In jedem Fall bleibt die Struktur gleich: den inkrementellen AI-Effekt isolieren, die Ramp modellieren, die versteckten Betriebskosten zählen und Adoption ins Modell aufnehmen.

Seien Sie genauso klar darin, wo AI noch keinen sauberen ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen → liefert. Vollautonomes Fahren bleibt kapitalintensiv mit unsicherem Payback-Zeitraum. Ein Garantie-Prognosemodell ist eine weit belastbarere kurzfristige Wette als ein Robotaxi-Programm, und Ihr Business Case sollte diesen Realismus abbilden.

Key Takeaways

• Nur das Inkrement beanspruchen. AI-zurechenbare Einsparungen sind das Ergebnis mit AI minus die kontrafaktische Baseline. Nutzen Sie eine Holdout- oder Kontrollgruppe als Nachweis.
• Die Ramp zeigen, nicht den Steady State. Der realisierte Nutzen in Jahr 1 ist ein Bruchteil des vollen Nutzens. Ein gewichteter Ramp-Durchschnitt ist ehrlich und hält Rückfragen stand.
• Die versteckten Kosten einplanen. Data Labeling (initial und laufend), Model-Drift-Monitoring, MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen → und Integration sind wiederkehrende Posten, die die meisten Teams vergessen.
• Adoption und Precision ins Modell aufnehmen. Ein hochgenaues Modell, das Händler ignorieren, oder eines, das sie mit False Positives überflutet, spart nichts.
• Daten- und Regulierungsgrenzen benennen. Wenn DSGVO- oder CCPA-Compliance Ihre Datenpipeline blockiert, sind die prognostizierten Einsparungen nicht real.