Den Business Case für eine KI-Lösung aufbauen

# Den Business Case für eine KI-Lösung aufbauen

Ein großes Pharmaunternehmen betreibt ein High-Throughput-Screening-Labor, in dem Techniker Assay-Platten manuell auf Fehler prüfen. Ein Assay ist ein Labortest, der eine biologische Reaktion misst; eine Platte enthält Dutzende oder Hunderte Wells, jedes ein winziges Experiment. Rund 20 bis 30 Prozent der Läufe scheitern (eine häufig zitierte Branchenspanne, die exakten Raten variieren je nach Assay-Typ), und jeder Fehlschlag bedeutet verschwendete Reagenzien, verlorene Gerätezeit und Wissenschaftler, die Arbeit wiederholen. Jemand schlägt ein KI-System vor, das ausfallende Platten früh markiert. Gute Idee? Das 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 Sie nicht mit Begeisterung beantworten. Sie beantworten es mit einem Business Case.

Diese Lektion zeigt Ihnen, wie Sie diesen Case aufbauen: einen Bottleneck auswählen, die Baseline quantifizieren, den Lift schätzen und prüfen, ob Ihre Daten ihn überhaupt liefern 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.

Beginnen Sie mit einem Bottleneck, nicht mit einer Technologie

Der häufigste Fehler bei KI in Biotech und Medtech ist, von „wir sollten KI einsetzen“ auszugehen und dann nach einem Einsatzort zu suchen. Drehen Sie das um. Beginnen Sie mit einem messbaren Schmerzpunkt.

Gute Bottlenecks haben drei Merkmale gemeinsam:

• Sie sind heute teuer oder langsam. Hohe Assay-Fehlerraten, langsame Biomarker-Bildanalyse, lange Dokumentenprüfung für Zulassungsanträge.
• Sie erzeugen Daten als Nebenprodukt. Wenn der Prozess schon Bilder, Sensor-Logs oder strukturierte Datensätze produziert, haben Sie Trainingsmaterial.
• Der Output speist eine Entscheidung. KI verdient Geld, indem sie verändert, was jemand als Nächstes tut, nicht indem sie ein Dashboard erzeugt, auf das niemand reagiert.

Beispiele für Bottlenecks, die einen Business Case verdienen:

• Pathologen, die Stunden damit verbringen, Zellen auf digitalisierten Gewebeschnitten zu zählen.
• QC-Teams (Quality Control), die Batch-Records aus der Produktion manuell prüfen.
• F&E-Wissenschaftler, die aus Millionen Kandidaten priorisieren, welche Verbindungen als Nächstes getestet werden.

Die Baseline quantifizieren

Sie 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 keine Einsparungen behaupten, ohne die heutigen Kosten zu kennen. Bauen Sie die Baseline aus echten operativen Zahlen, nicht aus Vendor-Folien.

Für das Assay-Fehler-Beispiel zerlegen Sie es so:

• Anzahl der pro Jahr gelaufenen Platten.
• Aktuelle Fehlerrate.
• Kosten pro fehlgeschlagener Platte (Reagenzien + Gerätezeit + Arbeitszeit für den Wiederholungslauf).

Durchgerechnetes Beispiel

Angenommen, ein Labor fährt 50.000 Platten pro Jahr bei einer Fehlerrate von 25 Prozent. Das sind 12.500 fehlgeschlagene Platten. Nehmen wir an, jeder Fehlschlag kostet etwa 200 Dollar an Reagenzien, Gerätezeit und Arbeit (illustrative Zahl, Sie müssen Ihre eigene messen).

Baseline annual failure cost
= 50,000 plates x 25% failure x $200
= $625,000 per year

Diese 625.000 Dollar sind Ihr Zielpool. KI kann nicht alles davon zurückholen. Manche Fehlschläge entstehen durch schlechte Proben oder Reagenzien-Chargen, die keine Früherkennung beheben kann. Als Nächstes schätzen Sie also den Lift.

Den Lift ehrlich schätzen

Der Lift ist der Anteil der Baseline-Kosten, den die KI tatsächlich einfängt. Hier gehen Business Cases schief: Man unterstellt nahezu perfekte Performance.

Stellen Sie zwei Fragen:

1. Welcher Anteil des Problems ist per KI adressierbar? Wenn die KI den Fehlschlag früh genug vorhersagt, um einen Lauf abzubrechen und Reagenzien zu sparen, aber nur 60 Prozent der Fehlschläge aus Daten der frühen Zyklen erkennbar sind, liegt Ihre Obergrenze bei 60 Prozent, nicht bei 100 Prozent.

2. Welche Accuracy erreicht das Modell realistisch? Ein Modell, das 80 Prozent der erkennbaren Fehlschläge findet, fängt bei dieser Adressierbarkeit von 60 Prozent 48 Prozent des Pools ein.

Captured value
= $625,000 x 60% addressable x 80% model recall
= $300,000 per year (gross, before AI costs)

Jetzt ziehen Sie die Kosten der KI selbst ab: Vendor-Lizenzen oder Entwicklungskosten, Integration mit Laborgeräten (über LIMS, ein Laboratory Information Management System, das Proben und Ergebnisse verfolgt), Cloud-Compute und laufendes Monitoring. Wenn das 120.000 Dollar pro Jahr ausmacht, liegt Ihr Netto bei 180.000 Dollar. Immer noch attraktiv. Beachten Sie aber, wie weit das vom naiven Pitch „625.000 Dollar sparen“ entfernt ist.

Präsentieren Sie immer drei Szenarien: konservativ, erwartet, optimistisch. Entscheider trauen einer Spanne weit mehr als einer einzelnen selbstsicheren Zahl.

Data Readiness: die Variable, an der alles hängt

Hier die Wahrheit, die die meisten Anbieter überspringen: Der geschätzte Lift ist nur erreichbar, wenn Ihre Daten ihn tragen 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. Ein brillantes Modell auf unbrauchbaren Daten liefert null.

Prüfen Sie Data Readiness in vier Dimensionen:

• Volumen. Haben Sie genug gelabelte Beispiele? Für ein Modell zur Fehlererkennung brauchen Sie viele vergangene Läufe, die als „pass“ oder „fail“ getaggt sind. Ein paar Hundert sind meist zu wenig; Tausende sind eine realistischere Untergrenze für tabellarische Sensordaten, bei Bildern mehr.
• Labels. Werden Ergebnisse zuverlässig erfasst? Wenn Techniker nicht dokumentiert haben, *warum* eine Platte ausgefallen ist, haben Sie Daten, aber keine Ground Truth.
• Konsistenz. Sind Geräte, Protokolle und Dateiformate stabil geblieben? Ein Modell, das auf einem Plate Reader trainiert wurde, lässt sich möglicherweise nicht auf einen anderen übertragen.
• Zugang. 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 die Daten das Silo verlassen, in dem sie liegen, angesichts von Patientendatenschutz und IP-Restriktionen (Intellectual Property)?

Bei klinischen oder Patientendaten wird der Zugang durch echte Regulierung bestimmt. In den USA ist das HIPAA (Health Insurance Portability and Accountability Act), der die Nutzung geschützter Gesundheitsdaten einschränkt. In Europa sind es die DSGVO (Datenschutz-Grundverordnung) und der EU AI Act, der ab 2026 Pflichten für Hochrisiko-KI-Systeme stufenweise einführt, und viele medizinische KI-Tools fallen in diese Kategorie. Planen Sie Compliance-Zeit in Ihren Case ein; sie ist nicht kostenlos.

Die FDA führt eine öffentliche Liste der von ihr zugelassenen KI-gestützten Medizinprodukte, ein nützlicher Realitätscheck dazu, was die Zulassungsprüfung tatsächlich bestanden hat: FDA AI-enabled medical device list.

Den Case für Entscheider aufbereiten

Verpacken Sie Ihre Analyse so, dass eine nicht-technische Führungskraft handeln kann. Ein starker Einseiter beantwortet:

• Welcher Bottleneck? Ein Satz. „Eine Assay-Fehlerrate von 25 Prozent kostet uns schätzungsweise 625.000 Dollar pro Jahr.“
• Was macht die KI? „Sie markiert wahrscheinliche Fehlschläge früh, sodass Läufe abgebrochen und Reagenzien gespart werden.“
• Erwarteter Nettowert? Die Spanne über drei Szenarien, netto nach KI-Kosten.
• Was ist erforderlich? Lücken in der Data Readiness, Integrationsarbeit, regulatorische Prüfung und ein Zeitplan.
• Woran erkennen wir den Erfolg? Die Metrik, die Sie nach dem Deployment verfolgen (erkannte Fehlschläge, gesparte Reagenzien), und wann Sie sie überprüfen.

Der letzte Punkt ist wichtig. Zu viele KI-Projekte starten ohne vereinbarte Erfolgsmetrik, sodass niemand sagen kann, ob sie funktioniert haben. Legen Sie die Zahl fest, bevor Sie den Vertrag unterschreiben.

Typische Wege, auf denen der Case auseinanderfällt

Auch ein gut gebauter Case kann in der Praxis kollabieren. Achten Sie darauf:

• Der Lift setzt voraus, dass sich der Workflow ändert, aber niemand ändert ihn. Wenn die KI eine ausfallende Platte markiert, der Techniker aber den Anreiz hat, Läufe trotzdem abzuschließen, entstehen die Einsparungen nie. Adoption gehört zum 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 →, nicht in den Anhang.
• Model Drift zehrt am Lift. Reagenzien-Chargen wechseln, Geräte werden gewartet, Protokolle entwickeln sich. Ein 2025 trainiertes Modell kann über 2026 hinweg leise degradieren. Budgetieren Sie Monitoring und Retraining, typischerweise laufende Kosten, nicht einmalige.
• Die Baseline war geschätzt, nicht gemessen. Wenn Sie 625.000 Dollar gepitcht haben, die echte Zahl aber 300.000 Dollar war, halbiert sich Ihr Nettowert und das Projekt reißt die Hürde möglicherweise nicht.
• Regulatorischer Scope Creep. Ein als „Decision SupportDecision SupportTechnologien und Prozesse, die Rohdaten über Reporting, Dashboards und Analysen in verwertbare Insights überführen, damit Teams auf Basis von Fakten statt Intuition entscheiden.Vollständige Definition ansehen →“ vermarktetes Tool kann still zu einem Diagnostikum werden, was es in eine regulierte Produktkategorie verschiebt und Monate hinzufügt. Klären Sie den Intended Use früh.

Ein kurzer Realitätscheck, wo KI passt

Nicht jeder Bottleneck verdient eine KI-Lösung. KI ist vorzuziehen, wenn die Aufgabe Mustererkennung über großen Datenmengen ist (Bilder, Signale, hochdimensionale Screens), das Volumen für Menschen zu hoch ist, um mitzuhalten, und Fehler tolerierbar oder überprüfbar sind. Einfachere Automatisierung oder Prozesskorrekturen sind vorzuziehen, wenn es eigentlich um fehlende Standard Operating Procedures, kaputte Übergaben oder eine einzelne harte Geschäftsregel geht. KI auf ein Prozessproblem angewendet fügt nur Kosten hinzu.

Die wichtigsten Erkenntnisse

• Starten Sie von einem gemessenen Bottleneck, nicht von der Technologie. Die besten KI-Cases beginnen mit einer Zahl, über die sich schon jemand Sorgen macht.
• Trennen Sie Pool, adressierbaren Anteil und Modell-Performance. Multiplizieren Sie sie für einen realistischen eingefangenen Wert und ziehen Sie dann die KI-Kosten ab, um den Nettowert zu erhalten.
• Data Readiness ist der limitierende Faktor. Volumen, verlässliche Labels, Konsistenz und rechtmäßiger Zugang unter HIPAA, DSGVO und EU AI Act entscheiden, ob überhaupt ein Lift erreichbar ist.
• Präsentieren Sie eine Szenario-Spanne und eine vor dem Start vereinbarte Erfolgsmetrik und budgetieren Sie Monitoring, Retraining und Adoption, das sind laufende Kosten.
• Alle Zahlen hier sind illustrativ oder zitierte Schätzungen mit Stand 2026; messen Sie Ihren eigenen Betrieb, bevor Sie Kapital binden.