+150 XP

ROI-Berechnung für KI in gemeinwohlorientierten Organisationen

# ROI-Berechnung für KI in gemeinwohlorientierten Organisationen

Eine Programmleiterin einer mittelgroßen Non-Profit-Organisation, rund 40 Mitarbeitende und 8 Millionen Dollar Jahresumsatz, liest an einem Sonntagabend den Entwurf eines Förderantrags, den ein KI-Assistent geschrieben hat. Er ist flüssig, gut strukturiert und zitiert eine Statistik, die nicht existiert. Sie entdeckt es vor der Einreichung. Aber die Frage, die sie nicht schlafen lässt, ist nicht nur „haben wir Zeit gespart?“, sondern „was passiert bei dem einen Mal, wenn wir es nicht entdecken und ein Fördergeber es merkt?“

Genau das ist die eigentliche ROI-Rechnung (Return on Investment) für KI im öffentlichen und gemeinwohlorientierten Sektor: Es geht nie nur um gesparte Stunden geteilt durch Lizenzkosten. Es geht um gesparte Stunden, abgewogen gegen Qualitätsrisiko, abgewogen gegen etwas, das noch schwerer zu bepreisen ist: Vertrauen.

Warum die ROI-Mathematik im Non-Profit-Bereich anders ist

In einem gewinnorientierten Unternehmen lässt sich der ROI von KI-Tools meist auf zusätzliche Erlöse oder gesenkte Kosten geteilt durch die Ausgaben reduzieren. Sauber genug.

Gemeinwohlorientierte Organisationen haben ein zweites Konto. Fördergeber, Spender und Begünstigte sind Stakeholder mit geringer Fehlertoleranz und langem Gedächtnis. Eine halluzinierte Statistik in einem Förderbericht, ein Chatbot, der einer schutzbedürftigen Klientin falsche Informationen zu Sozialleistungen gibt, oder ein KI-verfasster Spenderbrief mit einer unsensiblen Zeile: Solche Dinge verursachen Reputationskosten, die in keiner Tabelle auftauchen, aber ganz sicher in den Spendensummen des nächsten Jahres.

Die ehrliche ROI-Formel hat also drei Teile, nicht zwei:

1. Quantifizierbare Gewinne: gesparte Personalstunden, Veränderung der Bewilligungsquote, schnellere Durchlaufzeiten.

2. Direkte Kosten: Lizenzen, Schulungszeit, Integration, Aufwand für Kontrolle.

3. Risikogewichtete Fehlerkosten: Wahrscheinlichkeit, dass ein Fehler bei einem Fördergeber oder Begünstigten ankommt, multipliziert mit dem reputativen oder finanziellen Schaden, wenn das passiert.

Die meisten Vendor-Pitches zeigen Ihnen nur Teil 1.

Durchgerechnetes Beispiel: KI-Assistent für Förderanträge

Modellieren wir das konkret. Angenommen, ein Fundraising-Team einer Non-Profit-Organisation mit 3 Antragsschreibern nutzt ein Tool wie Grantable oder einen universellen Assistenten (z. B. ChatGPT Enterprise oder Claude) zum Verfassen und Bearbeiten von Anträgen.

Ausgangslage (ohne KI), zur Illustration geschätzt:

  • Jeder Antragsschreiber erstellt etwa 8 vollständige Anträge pro Jahr, mit jeweils rund 25 Stunden = 200 Stunden pro Schreiber und Jahr für das Verfassen.
  • Teamweit: 3 Schreiber x 200 Stunden = 600 Stunden/Jahr nur für das Verfassen (ohne Recherche und Beziehungsarbeit).
  • Historische Bewilligungsquote: 20 % (ein häufig genannter Bereich für kompetitive Stiftungsförderungen liegt bei 10 bis 30 %, das ist illustrativ, kein allgemeingültiger Benchmark).

Mit KI-Unterstützung, plausible Schätzungen:

  • KI verkürzt die Zeit für den Erstentwurf um rund 40 %, eine Größenordnung, die aus Erfahrungsberichten von Non-Profit-Tech-Anwendern stammt (siehe z. B. TechSoups Leitfaden zu KI für Non-Profits zu Adoptionsmustern). Das sind 10 gesparte Stunden pro Antrag.
  • Gesparte Zeit: 10 Stunden x 24 Anträge/Jahr = 240 Stunden/Jahr, die frei werden.
  • Bei vollbelasteten Personalkosten von 45 Dollar/Stunde (Gehalt plus Nebenkosten, eine realistische Schätzung für eine Programmrolle im US-Non-Profit-Bereich 2026) ergibt das 10.800 Dollar zurückgewonnene Arbeitskapazität.
  • Angenommen, die freie Zeit erlaubt dem Team 4 zusätzliche Anträge pro Jahr und die Bewilligungsquote bleibt bei 20 %: Das sind rund 0,8 zusätzlich bewilligte Förderungen. Bei einer durchschnittlichen Fördersumme von 50.000 Dollar liegen die erwarteten Zusatzerlöse bei ~40.000 Dollar/Jahr.

Kosten:

  • Lizenzen für das KI-Tool: rund 20 bis 60 Dollar pro Nutzer und Monat für Assistenten auf Enterprise-Niveau im Jahr 2026 (Schätzung, je nach Anbieter und Volumen unterschiedlich). Für 3 Nutzer: sagen wir 2.000 Dollar/Jahr.
  • Schulungs- und Prüfzeit: angenommen 1 Stunde pro Antrag für menschlichen Faktencheck und Tonalitätsprüfung, 24 Stunden/Jahr, zu 45 Dollar/Stunde = 1.080 Dollar.

Einfacher ROI, ohne Risiko:

ROI = (Gains - Costs) / Costs
Gains = $10,800 (labor capacity) + $40,000 (expected new grant revenue) = $50,800
Costs = $2,000 (license) + $1,080 (review time) = $3,080

ROI = ($50,800 - $3,080) / $3,080 ≈ 15.5, or 1,450%

Diese Zahl sieht spektakulär aus, und Anbieter werden Ihnen genau solche Zahlen zeigen. Sie ist außerdem unvollständig.

Das Vertrauensrisiko bepreisen

Jetzt ziehen wir das dritte Konto ab. Angenommen, es besteht eine Wahrscheinlichkeit von 5 % pro Jahr (eine illustrative Schätzung, keine veröffentlichte Statistik), dass ein KI-unterstützter Antrag einen Fehler enthält, den ein Fördergeber bemerkt: ein überzeichnetes Ergebnis, eine erfundene Quelle, eine falsche demografische Zahl. Wenn das passiert, sind folgende Konsequenzen plausibel:

  • Verlust dieser Fördergeberbeziehung, geschätzt 50.000 bis 150.000 Dollar an künftigen Förderungen über mehrere Jahre.
  • Reputationseffekte, die auch andere Fördergespräche beeinflussen, schwer zu quantifizieren, aber real (Fördernetzwerke im Non-Profit-Bereich sind klein und sprechen miteinander).

Erwartete Risikokosten = 5 % x 100.000 Dollar (Mittelwertschätzung) = 5.000 Dollar/Jahr.

Neu berechneter ROI:

Adjusted Gains = $50,800 - $5,000 (expected trust cost) = $45,800
Adjusted ROI = ($45,800 - $3,080) / $3,080 ≈ 13.9, or 1,290%

Weiterhin deutlich positiv, aber die Übung zählt mehr als die Endzahl. Sie erzwingt eine Governance-Frage: Welcher Prüfprozess senkt diese Fehlerwahrscheinlichkeit von 5 %, und was kostet dieser Prozess? Wenn eine verpflichtende menschliche Freigabe für jede KI-verfasste Aussage die Fehlerwahrscheinlichkeit auf 1 % drückt, haben Sie etwa 1.080 Dollar zusätzliche Prüfzeit ausgegeben (oben schon enthalten), um 4.000 Dollar erwartetes Risiko zu vermeiden. Das ist die tatsächliche Entscheidung, vor der Non-Profit-Führungskräfte stehen: nicht „sollen wir KI nutzen“, sondern „wie viel menschliche Kontrolle macht das Risiko akzeptabel“.

Anwendung über Förderanträge hinaus

Dasselbe dreiteilige Framework gilt entlang der gesamten Wertschöpfungskette des Sektors:

  • Chatbots im Publikumskontakt (Portale für Sozialleistungen, Non-Profit-Helplines): Gewinne bei der Anrufvermeidung und Personalzeit, abgewogen gegen die Kosten falscher Informationen, die jemanden in einer Krise erreichen. Der U.S. Digital Service und der britische Government Digital Service veröffentlichen beide Leitlinien zu diesem Trade-off für Einsätze im öffentlichen Sektor.
  • Fallmanagement und Anspruchsprüfung: Effizienzgewinne gegen die Kosten verzerrter oder falscher Ablehnungen, die nach Antidiskriminierungsrecht nicht nur Reputationskosten, sondern rechtliche Risiken mit sich bringen können.
  • Spender- oder Öffentlichkeitskommunikation: Schreibgeschwindigkeit gegen die Marken- und Vertrauenskosten unsensibler oder falscher Botschaften, die in großem Umfang hinausgehen.

In jedem Fall: Misstrauen Sie ROI-Zahlen, die nur den Zähler (Gewinne) zeigen, ohne einen ernsthaften Versuch beim Nenner (Gesamtkosten inklusive Risiko).

Wissenscheck

1. Warum reicht die übliche ROI-Formel gewinnorientierter Unternehmen (Gewinne minus Kosten) nicht aus, um die KI-Einführung in gemeinwohlorientierten Organisationen zu bewerten?

2. Was stellen die „risikogewichteten Fehlerkosten“ in der beschriebenen dreiteiligen ROI-Formel dar?

3. Ein Vendor-Pitch für ein KI-Tool zum Schreiben von Förderanträgen betont nur die pro Monat gesparten Personalstunden. Welche Lücke sollte eine Non-Profit-Führungskraft hier vor allem erkennen?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE richtigen Antworten zu den Komponenten einer vollständigen KI-ROI-Berechnung für gemeinwohlorientierte Organisationen.

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE richtigen Antworten dazu, warum Fehler von KI-Tools für Non-Profits eine besondere Herausforderung darstellen, verglichen mit typischen Unternehmenskontexten.

Wählen Sie alle richtigen Antworten aus.

Wie eine „gute“ Bewertung aussieht

Bevor eine gemeinwohlorientierte Organisation ein Tool einführt, sollte sie folgende Fragen beantworten können:

1. Wie hoch ist die realistische Zeit- oder Kostenersparnis, auf Basis eines Pilotprojekts, nicht einer Anbieter-Demo?

2. Wie hoch ist die Fehlerquote in Ihrem konkreten Anwendungsfall, getestet an Ihren eigenen Dokumenten und Daten, nicht am Marketing-Benchmark des Anbieters?

3. Wie sieht der Prüf-Workflow aus, und skaliert er mit steigender Nutzung?

4. Was ist das Worst-Case-Szenario für die Reputation, und kann die Organisation das verkraften?

Ein kurzes Pilotprojekt, 4 bis 8 Wochen, mit einem kleinen Team und echten Dokumenten, ist weitaus aussagekräftiger als jeder ROI-Rechner eines Anbieters. Erfassen Sie tatsächlich gesparte Stunden und tatsächlich gefundene Fehler und bauen Sie dann Ihre eigene Version der obigen Rechnung mit Ihren echten Zahlen.

🎬 [VIDEO: "How Nonprofits Can Use AI Responsibly" - youtube.com/@techsoup - TechSoups praxisnaher Durchgang zu KI-Einführung, Risiko und Bewertung für Non-Profit-Teams]

Wichtigste Erkenntnisse

  • Der KI-ROI im Non-Profit- und öffentlichen Sektor hat drei Teile: quantifizierbare Gewinne, direkte Kosten und risikogewichtete Fehlerkosten (reputativ oder rechtlich). Die meisten Vendor-Pitches zeigen nur die ersten beiden.
  • Rechnen Sie mit Ihren eigenen Pilotdaten: gesparte Stunden, Fehlerquoten, Prüfzeit, nicht mit Anbieter-Benchmarks. Ein Pilot über 4 bis 8 Wochen schlägt jeden Rechner.
  • Selbst ein deutlich positiver ROI (wie im Beispiel zum Antragsschreiben) sollte die Wahrscheinlichkeit und die Kosten eines sichtbaren Fehlers einbeziehen, der einen Fördergeber, Klienten oder die Öffentlichkeit erreicht.
  • Menschliche Prüfung ist nicht nur eine Compliance-Formalie, sondern ein kosteneffizienter Weg, den Risikoterm in der ROI-Gleichung zu verkleinern. Modellieren Sie ihn explizit, nicht als Nachgedanken.
  • Wenden Sie dasselbe dreiteilige Framework an, egal ob Sie Tools für Förderanträge, Chatbots, Anspruchsprüfung oder Spenderkommunikation bewerten: Die Struktur der Rechnung bleibt gleich, nur das Risikoszenario ändert sich.