68% der Großhändler, die KI im Einsatz haben, können deren ROI nicht messen. Die Tools sind ausgerollt, man glaubt, dass sie funktionieren — aber es gibt keine Zahlen, die das belegen (Applied AI for Distributors 2026).
Das ist kein Datenproblem. Die Daten existieren in jedem KI-gestützten Betrieb — Ticketvolumen, Lösungsquoten, Anzahl der Auftragsausnahmen, Bearbeitungszeiten. Das Problem: Niemand hat festgehalten, wie diese Zahlen aussahen, bevor die KI live ging. Ohne ein Vorher gibt es keinen Vergleich. Ohne Vergleich gibt es keinen Beleg.
Die Lösung ist nicht kompliziert. Es sind vier Kennzahlen — vor dem Go-live als Baseline erfasst, danach wöchentlich verfolgt.
Warum die Messlücke existiert
In Organisationen, die ihren KI-ROI nicht messen können, finden sich drei wiederkehrende Muster:
Muster 1 — Das Tool wurde aus dem Technologiebudget gekauft, nicht aus dem Betriebsbudget. Technologieanschaffungen müssen ihren ROI oft nicht in derselben Strenge nachweisen wie operative Ausgaben. Das Tool wird gekauft, ausgerollt und verschwindet im Software-Posten — ohne dass jemals eine Messung erwartet wird.
Muster 2 — Die Einführung passierte ohne Baseline-Erfassung. Das Team hat die KI über ein Wochenende ausgerollt. Montagmorgen war sie live. Niemand hat die Ticketdaten der vorangegangenen sechs Wochen gezogen, um festzuhalten, wie Lösungsquote, durchschnittliche Bearbeitungszeit und Kosten pro Anfrage vorher aussahen. Diese Baseline ist jetzt nicht mehr greifbar.
Muster 3 — Es wurden Volumenkennzahlen verfolgt statt Stückkosten. Im Monatsbericht steht: „Die KI hat diesen Monat 1.200 Tickets bearbeitet.” Das ist eine Volumenkennzahl. Die ROI-Kennzahl lautet: „Die KI hat 1.200 Tickets zu je €1,50 bearbeitet, gegenüber der menschlichen Baseline von €9 pro Ticket — Ersparnis diesen Monat: €9.000.” Volumen ohne Kostennenner ist kein ROI.
Die vier Kennzahlen
Kennzahl 1 — Lösungsquote
Definition: Anteil der eingehenden Anfragen, die vollständig von der KI gelöst werden, ohne Eskalation an einen Menschen.
Branchenbenchmark: 65–70% für eine gut konfigurierte B2B-Support-Implementierung (Gleap, 2026).
So messen Sie: Aus dem Analytics-Dashboard Ihres KI-Tools ziehen. „Gelöst” heißt: Der Kunde hat eine Antwort erhalten und nicht eskaliert. „Eskaliert” heißt: Die KI hat an einen Menschen übergeben.
Baseline-Schritt: Erfassen Sie vor dem KI-Go-live die „Erstkontakt-Lösungsquote” Ihres menschlichen Teams — den Anteil der Anfragen, die ohne zweiten Kontakt gelöst wurden. Das wird Ihre menschliche Vergleichsbasis.
Kennzahl 2 — Kosten pro Anfrage
Definition: Gesamte Supportkosten geteilt durch das gesamte Anfragevolumen, für einen bestimmten Zeitraum.
So berechnen Sie: (Arbeitszeit des Support-Teams in Stunden × Stundensatz + monatliche Kosten des KI-Tools) ÷ Gesamtzahl der Anfragen.
Benchmark-Spanne: Menschlicher Support: €6–€12 pro Anfrage (abhängig von Komplexität und Bearbeitungszeit). KI-Support: €1–€2 pro Anfrage bei entsprechendem Volumen.
Baseline-Schritt: Ziehen Sie die Support-Stunden und das Anfragevolumen der letzten 3 Monate. Berechnen Sie die Kosten pro Anfrage. Das ist Ihre Vor-KI-Baseline.
Kennzahl 3 — Ausnahmequote bei Bestellungen (für KI in der Auftragserfassung)
Definition: Anteil der KI-verarbeiteten Bestellungen, die vor der Übernahme ins ERP manuell korrigiert werden müssen.
Zielwert: ≤5% für eine ausgereifte Implementierung mit sauberen ERP-Daten.
Warum das zählt: Bei einer Ausnahmequote über 5% erzeugt die KI mehr Arbeit, als sie einspart — jede Ausnahme muss von einem Menschen untersucht, korrigiert und neu verarbeitet werden. Bei <5% ist der Durchsatzgewinn real.
Baseline-Schritt: Erfassen Sie vor der KI-Auftragserfassung die Fehlerquote der manuellen Eingabe — den Anteil der manuell erfassten Aufträge, die korrigiert werden mussten. Vergleichen Sie diesen Wert nach dem Go-live mit der KI-Ausnahmequote.
Kennzahl 4 — Zeit bis zur ersten Antwort
Definition: Zeit von der Einreichung der Kundenanfrage bis zur ersten inhaltlichen Antwort.
Menschlicher Benchmark: 10–20 Minuten Median für einen besetzten B2B-Support-Desk während der Geschäftszeiten.
KI-Benchmark: Unter 30 Sekunden für Standardanfragen.
Warum das im B2B zählt: Die Zeit bis zur ersten Antwort prägt, wie verlässlich ein Lieferant wahrgenommen wird. B2B-Einkäufer, die ihren Bestellstatus in 20 Sekunden statt in 15 Minuten bekommen, erleben denselben Lieferanten anders — auch wenn die Information identisch ist.
Das Protokoll zur Baseline-Erfassung
Eine Woche vor dem KI-Go-live:
- Exportieren Sie alle Support-Tickets der letzten 90 Tage mit: Zeitstempel, Anfragekategorie, Lösungsstatus, Bearbeitungszeit, zugewiesenem Mitarbeiter.
- Berechnen Sie: durchschnittliche Bearbeitungszeit pro Kategorie, Lösungsquote, Kosten pro Anfrage (mit dem vollen Stundensatz Ihres Teams inklusive Nebenkosten).
- Dokumentieren Sie alles in einer einzigen Tabelle: „Vor-KI-Baseline — [Datum].”
- Setzen Sie einen Review-Termin 30 Tage nach Go-live für den Vergleich.
Gesamtaufwand: 2–3 Stunden. Dieser Schritt macht den ROI-Nachweis 30 Tage später überhaupt erst möglich.
Was tun, wenn Sie bereits ohne Baseline live gegangen sind
Die Baseline ist nicht völlig verloren. Sie können eine Teil-Baseline rekonstruieren aus:
- Historischen Ticketdaten (falls Ihr Tool Daten aus der Zeit vor der KI gespeichert hat)
- Zeiterfassungen des Teams aus der Vor-KI-Phase
- Rechnungen oder Personalkostenberichten aus der Zeit vor der Einführung
Eine rekonstruierte Baseline ist weniger sauber als eine geplante — aber besser als keine, und für einen internen ROI-Nachweis reicht sie in der Regel aus.
Beim Mess-Framework geht es nicht darum, das Tool vor dem CFO zu rechtfertigen (auch wenn es das leistet). Es geht darum, das Tool richtig zu betreiben. Organisationen, die diese vier Kennzahlen verfolgen, schließen die 68%-Messlücke — und finden die konkreten Konfigurationsverbesserungen, die Lösungsquoten von 40% auf 65% heben.
AHoosh baut das Mess-Framework parallel zur Implementierung auf. ahoosh.ai/contact