KI entlang der SaaS-Wertschöpfungskette einordnen

# KI entlang der SaaS-Wertschöpfungskette einordnen

Ein B2B-SaaS-Unternehmen mit 200 Mitarbeitenden wird in diesem Jahr Demos von rund einem Dutzend „KI-gestützter" Tools durchlaufen. Vielleicht zwei sind in zwölf Monaten noch im Einsatz. Der Rest verschwindet stillschweigend, nachdem die Testphase abgelaufen ist, der interne Fürsprecher gegangen ist oder endlich jemand fragt: „Hat das irgendeine Kennzahl bewegt?"

Diese Lektion geht die übliche SaaS-Wertschöpfungskette durch, von Marketing bis R&D, und zeigt, wo KI (kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünstliche Intelligenz: Software, die Aufgaben erledigt, für die normalerweise menschliches Urteilsvermögen nötig ist, etwa Schreiben, Klassifizieren oder Vorhersagen) ihr Geld wert ist und wo sie nur Deko im Pitch Deck bleibt.

Warum die Sicht auf die Wertschöpfungskette wichtig ist

SaaS-Unternehmen (Software as a Service: Software, die im Abo lizenziert und über das Internet bereitgestellt wird, statt installiert zu werden) haben eine recht universelle interne Struktur: Kunden gewinnen, onboarden, zur Produktnutzung bringen, bei Problemen unterstützen und das Produkt weiterentwickeln. Der ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → (Return on InvestmentReturn on InvestmentReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →) von KI sieht auf jeder Stufe völlig anders aus.

Der Fehler, den die meisten Einkäufer und Führungskräfte machen: Sie bewerten „KI" als eine einzige Kategorie. Ist sie nicht. Ein Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → (LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →: ein KI-Modell, das mit riesigen Textmengen trainiert wurde, um Sprache zu erzeugen und zu verstehen, z. B. GPT-4, Claude), das eine Vertriebsmail entwirft, und ein Machine-Learning-Modell, das Churn vorhersagt, sind unterschiedliche Technologien mit unterschiedlichen Risikoprofilen und unterschiedlichen Amortisationszeiten. Beurteilen Sie sie getrennt.

Checkpoint 1: Marketing und Kundengewinnung

Wo es funktioniert: Content-Entwürfe, Varianten von Ad Copy, SEOSEOSearch Engine Optimization: the practice of improving your pages' natural (unpaid) rankings in search engine results pages to attract more organic traffic.Vollständige Definition ansehen →-Briefings (Search Engine OptimizationSearch Engine OptimizationSearch Engine Optimization: the practice of improving your pages' natural (unpaid) rankings in search engine results pages to attract more organic traffic.Vollständige Definition ansehen →) und Lead Scoring (Priorisierung von Prospects nach Abschlusswahrscheinlichkeit anhand historischer Konversionsdaten). Das sind Aufgaben mit hohem Volumen und geringem Risiko pro Einzelfall, bei denen die Unzuverlässigkeit von KI günstig abzufangen ist.

Beispiel aus der Praxis: HubSpot und Salesforce integrieren beide generative KI (KI, die neue Inhalte erzeugt: Text, Bilder, Code) für Mail-Entwürfe und Kampagnenzusammenfassungen direkt in ihre CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →-Produkte (Customer Relationship ManagementCustomer Relationship ManagementCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →). Die Nutzung ist hoch, weil der Mensch vor dem Versand prüfend in der Schleife bleibt.

Wo es Theater ist: Tools für „KI-generierte komplette Kampagnenstrategie", die Markturteil ersetzen sollen. Lead-Scoring-Modelle verfallen außerdem stillschweigend: Ein Modell, das auf KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äuferverhalten von 2023 trainiert ist, kann 2026 daneben liegen, wenn sich Markt oder Pricing verschoben haben. Das nennt man Model Drift (die Genauigkeit eines Modells sinkt über die Zeit, weil die realen Daten von den Trainingsdaten abweichen), und das erfordert Monitoring, nicht ein einmaliges Deployment.

Einfacher ROI-Plausibilitätscheck: Wenn ein Content-Team aus 4 Autoren ein KI-Tool für Entwürfe nutzt und die Zeit für erste Fassungen um 30 % senkt, und das Entwerfen 40 % der Arbeitswoche ausmacht, ergibt das rund 12 % Kapazitätsgewinn. Bei Vollkosten von, sagen wir, 90.000 $/Jahr pro Autor (US-Schätzung, stark schwankend) sind das für das Team knapp 43.000 $/Jahr freigesetzte Kapazität. Freigesetzte Kapazität ist nicht automatisch gespartes Geld, sie wird nur zu ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →, wenn sie in umsatzbringende Arbeit umgelenkt wird.

Checkpoint 2: Onboarding

Wo es funktioniert: In-App-Guidance, automatisierte Setup-Checklisten und KI-Chat, der in der ersten Session beantwortet: „Wie verbinde ich Salesforce damit?" Onboarding ist repetitiv und gut dokumentiert, genau das, was KI gut kann.

Userpilot und Pendo bieten Stand 2025-2026 beide KI-gestützte Onboarding-Flows an. Die messbare Kennzahl ist Time-to-First-Value (wie lange es dauert, bis ein neuer Nutzer den Kernnutzen des Produkts erlebt), ein üblicher SaaS-KPIKPIKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen → (Key Performance IndicatorKey Performance IndicatorKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen →).

Wo es Theater ist: Vollständig „autonome Onboarding-Agenten", die versprechen, Customer Success Manager bei komplexen Enterprise-Deals mit vielen Stakeholdern zu ersetzen. Enterprise-Onboarding umfasst Einkauf, Security-Review und interne Politik. Kein Modell schafft das bisher.

Checkpoint 3: Produkt (Kernanwendung)

Hier wird „KI-gestützt" auf Features geklebt, die kaum KI nutzen, und hier verstecken sich echt nützliche Anwendungen direkt vor unseren Augen.

Echt nützlich:

• Anomaly Detection (automatisches Markieren ungewöhnlicher Muster) in Observability-Tools wie Datadog
• Recommendation Engines in Tools wie Notion oder Figma, die Vorlagen oder Layouts vorschlagen
• Copilot-artige Features: GitHub Copilot für Code oder Grammarly fürs Schreiben, direkt in den Workflow eingebettet

Warnzeichen für Theater:

• Ein Chatbot, der an ein Produkt angeschraubt wird, ohne eine klare Aufgabe, die ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → besser löst als eine Suchleiste
• „AI Insights"-Dashboards, die Daten zusammenfassen, die Sie im gleichen Chart auch selbst lesen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnten
• Marketing, das „powered by AI" behauptet, ohne zu sagen, was die KI eigentlich vorhersagt oder erzeugt

Eine brauchbare Bewertungsfrage für jedes KI-Feature in einem Produkt: Welche Entscheidung verändert das, und was passiert, wenn es in 10 % der Fälle falsch ist? Lautet die Antwort „nichts verändert sich" oder „niemandem würde es auffallen", ist es Dekoration.

Checkpoint 4: Kundensupport

Wo es funktioniert: Ticket-Deflection auf Tier 1 (einfache, wiederkehrende Fragen automatisch lösen, bevor sie einen menschlichen Agent erreichen). Intercom und Zendesk berichten laut Schätzungen von 2024-2025 beide über relevante Deflection-Raten durch KI-Assistenten bei FAQ-artigen Tickets. Das ist die klarste ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Story für KI in SaaS, weil Support-Tickets hohes Volumen haben, repetitiv sind und sich leicht messen lassen.

Durchgerechnetes Beispiel:

Ein Unternehmen bearbeitet 10.000 Tickets/Monat. Ein KI-Assistent löst 25 % ohne menschliche Beteiligung (eine plausible, häufig genannte Deflection-Rate für ausgereifte Implementierungen, Schätzung). Bei durchschnittlichen Vollkosten von 6 $ pro menschlich bearbeitetem Ticket (US-Schätzung):

• Abgefangene Tickets: 10.000 × 0,25 = 2.500
• Monatliche Einsparung: 2.500 × 6 $ = 15.000 $
• Jährliche Einsparung: ~180.000 $

Vergleichen Sie das mit den jährlichen Lizenzkosten und der Implementierungszeit des Tools. Kostet das Tool 60.000 $/Jahr und brauchte zwei Monate für ein ordentliches Tuning (ein realistischer Zeitrahmen, keine Demo-Day-Fantasie), ist die Amortisation schnell und belegbar.

Wo es Theater ist: KI, die komplexe, emotional aufgeladene oder vertraglich sensible Tickets (Rückerstattungen, Sicherheitsvorfälle, Churn-Rettungen) ohne menschliche Eskalation bearbeitet. Diese schlecht abzufangen schadet der Retention mehr, als es an Kosten spart.

Checkpoint 5: Engineering und R&D

Wo es funktioniert: Code-Vervollständigung und Unterstützung beim Code Review. GitHub Copilot (auf OpenAI-Modellen aufgebaut) und Amazons CodeWhisperer/Q Developer sind weit verbreitet; unabhängige Studien und Herstellerschätzungen deuten auf relevante Produktivitätsgewinne bei Routine-Coding-Aufgaben hin, auch wenn die Gewinne je nach Aufgabentyp und Komplexität der Codebase stark schwanken. Test-Generierung und Dokumentationsentwürfe sind ähnlich starke Use Cases: begrenzt und überprüfbar in der Ausgabe.

Wo es Theater ist: Behauptungen wie „KI ersetzt Ihr Engineering-Team". Komplexe Architekturentscheidungen, sicherheitskritischer Code und die Integration von Legacy-Systemen brauchen weiterhin menschliches Engineering-Urteil. KI-generierter Code muss außerdem geprüft werden, sodass die beim Schreiben gesparte Zeit teils durch Review-Zeit aufgefressen wird, besonders bei weniger erfahrenen Engineers, die der Ausgabe zu leicht vertrauen.

Ein relevantes technisches Konzept: Halluzination (wenn ein KI-Modell plausibel klingende, aber falsche oder erfundene Ausgaben erzeugt). Beim Coding zeigt sich das in erfundenen Library-Funktionen oder APIs, die nicht existieren. Jede Bewertung von Engineering-KI sollte eine Prüfung der Halluzinationsrate an Ihrer echten Codebase enthalten, nicht am Demo-Repo des Anbieters.

# Simple pattern for evaluating an AI coding suggestion
# before merging: never trust, always verify against tests

def evaluate_ai_suggestion(code_snippet, existing_test_suite):
    passes_tests = run_tests(code_snippet, existing_test_suite)
    uses_real_apis = verify_imports_exist(code_snippet)
    return passes_tests and uses_real_apis

Ein einfaches Framework zur Beurteilung jeder KI-Behauptung

Bevor Sie ein KI-Feature oder einen Anbieter-Pitch übernehmen, fragen Sie:

1. Welche konkrete Aufgabe ersetzt oder beschleunigt es? (vage Antworten sind ein Warnsignal)

2. Wie hoch sind die Fehlerkosten? Geringes Risiko (Mail-Entwurf) vs. hohes Risiko (Finanzberichterstattung, Security)

3. Gibt es eine messbare Baseline vor der KI und eine Kennzahl für danach?

4. Wie hoch ist die Review-Last? Gesparte Zeit minus Zeit für die Prüfung der Ausgabe

5. Verschlechtert es sich über die Zeit? (Model Drift, besonders bei Prognose- und Scoring-Tools)

Für ein striktes, herstellerneutrales Framework zur Bewertung von Risiko und Zuverlässigkeit von KI-Systemen ist das NIST AI Risk Management Framework (US National Institute of Standards and Technology) eine solide kostenlose Referenz, gebaut für den Enterprise-Einsatz, aber anwendbar für SaaS-Einkäufer, die Anbieterversprechen prüfen.

🎬 [VIDEO: "How Companies Are Actually Using AI (Not the Hype)" - youtube.com/@a16z - Praktiker-Interviews von a16z zu realen Mustern beim Enterprise-KI-Einsatz im Vergleich zu Marketingversprechen]

Wichtigste Erkenntnisse

• Der KI-ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → in SaaS ist dort am höchsten, wo Aufgaben hohes Volumen haben, repetitiv sind und pro Fehler wenig auf dem Spiel steht: Support-Ticket-Deflection, Code-Vervollständigung, Onboarding-Guidance, Content-Entwürfe.
• Am schwächsten, und am häufigsten Theater, ist KI dort, wo sie behauptet, Urteilsvermögen in komplexen, seltenen Situationen mit hohem Risiko zu ersetzen: Enterprise Sales, sicherheitskritischer Code, emotional sensibler Support.
• Zerlegen Sie „KI" immer in den tatsächlichen Mechanismus (generative Entwürfe, Klassifikation, Vorhersage, Anomaly Detection), bevor Sie den ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → bewerten; sie verhalten sich völlig unterschiedlich.
• Achten Sie bei jedem Prognose- oder Scoring-Tool auf Model Drift (Churn-Modelle, Lead Scoring); ein Modell, das beim Launch funktionierte, kann innerhalb eines Jahres still verfallen.
• Nutzen Sie ein konkretes Framework (ersetzte Aufgabe, Fehlerkosten, Review-Last, messbare Baseline) statt Anbieter-Demos, um ein KI-Feature vor der Einführung zu beurteilen.