DEV Community

Cover image for KI im Mittelstand: ROI richtig berechnen — Sektor-Benchmarks 2026
Dirk Röthig
Dirk Röthig

Posted on

KI im Mittelstand: ROI richtig berechnen — Sektor-Benchmarks 2026

#kiroi #mittelstand #maschinenbau #digitalisierung

KI im Mittelstand: ROI richtig berechnen — Sektor-Benchmarks 2026

Von Dirk Röthig | CEO, VERDANTIS Impact Capital | 9. März 2026

Die meisten Mittelständler wissen, dass KI ihnen helfen kann. Das eigentliche Problem liegt woanders: Nur wenige können den Geschäftswert ihrer KI-Investitionen tatsächlich messen. Dieser Artikel richtet sich nicht an Strategen — sondern an CFOs, Controller und Finanzverantwortliche, die wissen wollen, was KI wirklich bringt und wie man das nachweist.

Tags: KI-ROI, Mittelstand, Maschinenbau, Digitalisierung, ROI-Analyse

Das Messproblem: Warum so viele KI-Projekte auf dem Papier scheitern

Laut einer aktuellen DIHK-Umfrage (2024) nutzen 38 Prozent der deutschen Mittelstandsunternehmen bereits KI-Lösungen — ein erheblicher Sprung von 14 Prozent im Jahr 2022. Gleichzeitig gibt mehr als die Hälfte dieser Unternehmen an, keine strukturierte Methodik zur Messung des Return on Investment einzusetzen (DIHK, 2024). Das ist kein Randproblem, sondern ein Kernproblem: Ohne Messbarkeit gibt es keine Lernkurve, keine Investitionssicherheit und kein Vertrauen des Vorstands.

Als Dirk Röthig spreche ich regelmäßig mit Finanzverantwortlichen aus dem deutschsprachigen Mittelstand. Ihre häufigste Frustration ist dabei nicht fehlende Technologie oder zu hohe Kosten — es ist die Unfähigkeit, dem Aufsichtsrat oder den Gesellschaftern eine klare Antwort auf die Frage zu geben: "Was bringt uns das konkret?" Dieser Artikel liefert die Werkzeuge, um diese Frage zu beantworten.

Teil 1: Die drei Schichten des KI-ROI

Bevor man rechnen kann, muss man verstehen, auf welcher Ebene KI Wert schafft. Dirk Röthig unterscheidet in seiner Beratungsarbeit drei Schichten:

Schicht 1 — Direkter Kosteneffekt (messbar innerhalb von 6–12 Monaten)

Diese Schicht ist am leichtesten zu quantifizieren: KI ersetzt oder beschleunigt spezifische Tätigkeiten. Typische Beispiele:

  • Dokumentenverarbeitung: KI-gestützte Rechnungsprüfung reduziert manuelle Bearbeitungszeit um 60–80 Prozent (Fraunhofer IAO, 2024)
  • Qualitätskontrolle in der Fertigung: Computer-Vision-Systeme detektieren Fehler mit einer Trefferquote von über 98 Prozent, bei gleichzeitiger Reduktion der Ausschussrate um 20–35 Prozent (BMWK, 2025)
  • Kundenkommunikation: KI-Chatbots übernehmen 40–60 Prozent der Standardanfragen ohne menschliches Zutun (Bitkom, 2024)

Berechnungsformel für Schicht 1:

ROI (Schicht 1) = (Eingesparte FTE-Stunden × Stundensatz + Ausschussreduktion × Materialwert) / (Implementierungskosten + Jahresgebühren)

Schicht 2 — Qualitäts- und Umsatzeffekte (messbar nach 12–24 Monaten)

Diese Schicht ist schwieriger zu isolieren, aber erheblich größer:

  • Bessere Prognosegenauigkeit im Einkauf → geringere Kapitalbindung im Lager
  • Personalisierung im Vertrieb → höhere Konversionsrate
  • Präventive Wartung → Reduktion ungeplanter Maschinenausfälle

Laut einer Analyse des ifo Instituts (2024) berichten 76 Prozent der KI-nutzenden KMU von einem positiven Netto-Return on Sales — verglichen mit 46 Prozent bei Nicht-Nutzern. Diese Differenz von 30 Prozentpunkten lässt sich nicht vollständig durch direkte Kosteneinsparungen erklären. Sie spiegelt vor allem Qualitäts- und Umsatzeffekte wider (ifo Institut, 2024).

Schicht 3 — Strategische Optionalität (messbar nach 24–48 Monaten)

Die dritte Schicht ist am schwersten zu beziffern, aber langfristig am wertvollsten: KI schafft Optionen. Unternehmen, die früh robuste Datenpipelines und KI-Kompetenz aufbauen, können neue Geschäftsmodelle entwickeln — Predictive Services statt reiner Produktverkauf, datengetriebene Preismodelle, KI-gestützte Produktentwicklung. Die OECD (2025) quantifiziert diesen strategischen Hebel für mittelgroße Fertigungsunternehmen auf 15–40 Prozent zusätzliche Wertschöpfung über einen 5-Jahres-Horizont.

Teil 2: Sektorbenchmarks — Was die Zahlen sagen

Generische ROI-Versprechen sind wertlos. Was zählt, sind sektorspezifische Benchmarks. Dirk Röthig hat die verfügbare Forschungslage für drei Kernsektoren des deutschen Mittelstands zusammengefasst.

Maschinenbau und Metallverarbeitung

Der Maschinenbau ist das Rückgrat des deutschen Mittelstands — und einer der fortschrittlichsten Sektoren bei der KI-Adoption.

  • Adoption Rate: 16–17 Prozent der Fertigungsbetriebe integrieren KI in Produktionsprozesse; bei Unternehmen mit R&D-Intensität steigt dieser Anteil auf 23 Prozent (Fraunhofer ISI, 2024)
  • Typisches ROI-Ergebnis: Eine Analyse des Journal of Small Business Strategy über 8 deutsche KMU im Maschinenbau ermittelt einen gewichteten durchschnittlichen ROI von 13,44 Prozent pro Jahr
  • Bestes dokumentiertes Beispiel: Siemens verzeichnete in einem seiner Werke in Erlangen einen Produktivitätszuwachs von 69 Prozent über vier Jahre durch KI, digitale Zwillinge und Robotik — bei gleichzeitiger Reduktion des Energieverbrauchs um 42 Prozent (Siemens AG, 2024)
  • Häufigster Use Case: Predictive Maintenance — Reduktion ungeplanter Maschinenstillstände um durchschnittlich 25–40 Prozent

Berechnungsbeispiel Predictive Maintenance:
Ein mittelständischer Maschinenbauer mit 5 kritischen Produktionsanlagen, die im Schnitt 2 × pro Jahr je 8 Stunden ungeplant ausfallen:

  • Ausfallkosten: 5 Anlagen × 2 Ausfälle × 8 Stunden × 2.500 €/h = 200.000 €/Jahr
  • Predictive-Maintenance-System: 60.000 € Implementierung + 15.000 €/Jahr Betrieb
  • Reduktion auf 0,8 Ausfälle pro Anlage: Einsparung 120.000 €/Jahr
  • ROI Jahr 1: (120.000 − 75.000) / 75.000 = 60 Prozent
  • Break-even: 7,5 Monate

Handel und E-Commerce

Der Handel steht unter massivem Margendruck und ist gleichzeitig der Sektor mit den am schnellsten messbaren KI-Effekten.

  • Prognosegenauigkeit im Einkauf: KI-basierte Demand-Forecasting-Systeme reduzieren Über- und Unterbestände um 20–30 Prozent (REWE Group, 2025)
  • Personalisierung: 43 Prozent der deutschen KMU setzen GenKI für personalisierte Kundenansprache ein; diese Gruppe berichtet von 12–18 Prozent höheren Konversionsraten (DIHK, 2024)
  • Typische Implementierungskosten: 25.000–80.000 Euro für SaaS-basierte Demand-Forecasting-Lösungen im KMU-Bereich
  • ROI-Zeitraum: 8–14 Monate bis zum Break-even

Ein Handelsunternehmen mit 2 Millionen Euro gebundenem Lagerkapital und einer bisherigen Bestandsabweichung von 22 Prozent kann durch KI-gestützte Disposition die Abweichung auf 8 Prozent reduzieren. Das setzt 280.000 Euro Kapital frei und reduziert Abschriften um 40.000 Euro pro Jahr — eine konservative ROI-Berechnung ergibt 85–120 Prozent im ersten Jahr.

Logistik und Transportdienstleistungen

Logistik ist ein Sektor mit extrem dünnen Margen, in dem KI überproportional wirkt.

  • Routenoptimierung: KI-basierte Tourenplanung reduziert Kraftstoffkosten und Fahrzeiten um 10–18 Prozent (Fraunhofer IPA, 2024)
  • Disposition: Automatisierte Ladeplanung erhöht die Nutzlastauslastung um 8–14 Prozent
  • Dokumentenverarbeitung: Automatisierte CMR-Prüfung und Zolldokumentenerstellung spart 2–4 Minuten pro Sendung — bei 1.000 Sendungen pro Tag = 33–66 Arbeitsstunden täglich

Teil 3: Build vs. Buy vs. Outsource — TCO-Vergleich über 3 Jahre

Eine der häufigsten Fehlentscheidungen im Mittelstand ist der Einstieg in teure Eigenentwicklungen, weil man die TCO (Total Cost of Ownership) nicht vollständig berechnet hat. Dirk Röthig empfiehlt eine strukturierte 3-Jahres-TCO-Analyse vor jeder KI-Investitionsentscheidung.

Kostenkategorie Build (Eigenentwicklung) Buy (SaaS-Lösung) Outsource (Managed KI)
Jahr 1: Implementierung 120.000–250.000 € 30.000–80.000 € 40.000–90.000 €
Jahr 1: Betrieb/Lizenzen 60.000–120.000 € 20.000–50.000 € 30.000–60.000 €
Jahr 2–3: Wartung/Updates 80.000–160.000 €/J 20.000–50.000 €/J im Paket enthalten
Personalkosten (FTE) 1–2 Data Engineers 0,25–0,5 FTE 0,1 FTE
EU AI Act Compliance voll intern teils anbieterseitig überwiegend anbieterseitig
Anpassungsflexibilität hoch mittel niedrig
3-Jahres-TCO (geschätzt) 400.000–750.000 € 120.000–280.000 € 150.000–330.000 €

Quellen: Deloitte (2025), DIHK (2024), eigene Berechnungen Dirk Röthig / VERDANTIS

Fazit der TCO-Analyse: Für die meisten mittelständischen Unternehmen ist eine SaaS-basierte Lösung — insbesondere für Standardprozesse wie Dokumentenverarbeitung, Demand Forecasting und Kundenkommunikation — die wirtschaftlichste Option. Eigenentwicklungen lohnen sich nur, wenn ein echter Wettbewerbsvorteil durch proprietäre Daten oder Prozesse entsteht, der nicht standardisiert abbildbar ist.

Teil 4: Quick-Win-Matrix — 6 KI-Prozesse mit höchstem ROI-Potenzial

Nicht jede KI-Initiative ist gleich wertvoll. Auf Basis der verfügbaren Forschungsdaten hat Dirk Röthig eine Quick-Win-Matrix entwickelt, die Implementierungsaufwand und ROI-Potenzial gegenüberstellt:

Prozess Implementierungsdauer Kosten (KMU) Typischer ROI Jahr 1 Eignung
Rechnungsverarbeitung (OCR + KI) 4–8 Wochen 15.000–35.000 € 120–200 % Universal
Predictive Maintenance 3–6 Monate 40.000–100.000 € 60–150 % Fertigung
Demand Forecasting 2–4 Monate 25.000–60.000 € 80–130 % Handel/Logistik
KI-Chatbot (Tier-1-Support) 6–12 Wochen 20.000–50.000 € 90–180 % Universal
CV-Qualitätskontrolle 4–8 Monate 60.000–150.000 € 70–120 % Fertigung
KI-gestützte Akquise (CRM) 4–6 Wochen 10.000–30.000 € 100–250 % Universal

Quellen: Fraunhofer IAO (2024), BMWK (2025), ifo Institut (2024)

Empfehlung: Beginnen Sie immer mit mindestens einem Quick Win aus dem universellen Bereich, um interne KI-Kompetenz aufzubauen und Vertrauen bei Geschäftsführung und Belegschaft zu schaffen. Erst dann skalieren auf prozessspezifische Investments.

Teil 5: EU AI Act — Was kostet Compliance den Mittelstand?

Ab dem 2. August 2026 gilt der EU AI Act vollumfänglich. Für den Mittelstand entsteht damit eine neue Kostenkategorie, die in ROI-Berechnungen einzupreisen ist. Dirk Röthig empfiehlt, folgende Compliance-Faktoren bereits jetzt zu berücksichtigen:

Risikoklassifizierung prüfen: Nicht alle KI-Systeme fallen unter Hochrisiko-Kategorien. Die meisten Mittelstands-Anwendungen — Dokumentenverarbeitung, Demand Forecasting, Chatbots — gelten als geringes Risiko und unterliegen nur Transparenzpflichten.

Geschätzte Compliance-Kosten nach Risikoklasse:

  • Geringes Risiko: 5.000–15.000 € einmalig (Dokumentation, Datenschutz-Review)
  • Mittleres Risiko: 20.000–50.000 € (konformitätsbewertung, technische Dokumentation)
  • Hohes Risiko (z.B. HR-Entscheidungen, Kreditbewertung): 60.000–200.000 € (vollständige Konformitätsbewertung, Audit)

Die EU bietet KMU spezifische Erleichterungen und vereinfachte Bewertungsverfahren. Entscheidend ist die frühzeitige Klassifizierung aller eingesetzten KI-Systeme — diese sollte in das Inventar jeder Compliance-Abteilung aufgenommen werden (European Commission, 2024).

Teil 6: Fördermittel — Was der Staat zahlt

Dirk Röthig weist regelmäßig darauf hin, dass zu viele mittelständische Unternehmen verfügbare Fördermittel für KI-Projekte nicht abrufen. Folgende Programme sind für 2026 besonders relevant:

1. KfW-Digitalisierungskredit (KfW 380/381)

  • Günstige Darlehen für Digitalisierungsinvestitionen inkl. KI
  • Zinssatz: ab 3,97 % p.a. (Stand Q1 2026)
  • Förderbetrag: bis 25 Millionen Euro

2. BMBF — "KMU-innovativ: Informations- und Kommunikationstechnologien"

  • Direkte Zuschüsse für KI-bezogene Forschungs- und Entwicklungsprojekte
  • Förderquote: bis 50 Prozent der zuwendungsfähigen Kosten für KMU
  • Einreichung: fortlaufend möglich

3. go-digital (BMWi)

  • Beratungsförderung für Digitalisierungsprojekte inkl. KI-Einsatz
  • Förderquote: bis 50 Prozent, max. 16.500 Euro pro Unternehmen
  • Besonders geeignet für erste KI-Projektvorbereitung

4. Horizon Europe — Cluster 4 "Digital, Industry and Space"

  • Europäisches Förderprogramm für KMU mit internationalem Forschungspartner
  • Förderquoten: bis 70 Prozent für Innovationsprojekte

Praxistipp: Die Kombination aus KfW-Kredit + BMBF-Zuschuss kann die Eigenkapitalbelastung bei einem 200.000-Euro-KI-Projekt auf unter 50.000 Euro reduzieren. Das verbessert den ROI rechnerisch erheblich und senkt das Investitionsrisiko.

Teil 7: Der 90-Tage-Messplan für CFOs

Dirk Röthig empfiehlt folgendes konkretes Vorgehen für Finanzverantwortliche, die KI-Investitionen erstmals strukturiert messen wollen:

Monat 1: Inventar und Baseline

  • Vollständiges Inventar aller laufenden KI-Pilotprojekte erstellen
  • Für jeden Use Case: Baseline-Metriken definieren (z.B. aktuelle Bearbeitungszeit, Fehlerrate, Ausschussquote)
  • Zielmessgrößen und Toleranzkorridore festlegen

Monat 2: Messsystem etablieren

  • KPIs in das bestehende Reporting integrieren (ERP, BI-Tool)
  • Verantwortlichkeit für KI-KPI-Reporting klären (IT oder Controlling?)
  • Erstes Mess-Dashboard aufbauen — auch in einfachster Form (Excel genügt initial)

Monat 3: Ersten ROI-Bericht erstellen

  • Ist-vs.-Soll-Vergleich für alle aktiven Use Cases
  • Entscheidungsvorlage: Skalieren, pivotieren oder einstellen?
  • Budget-Request für das nächste Quartal auf Basis gemessener Ergebnisse begründen

Laut Deloitte (2025) erreichen 75 Prozent der Organisationen, die systematisch in Datenqualität und Messung investieren, ihren KI-ROI-Zielkorridor. Bei Unternehmen ohne Messstruktur liegt diese Quote bei unter 30 Prozent. Die Messung selbst ist also ein kritischer Erfolgsfaktor — nicht nur ein Berichtsformat.

Fazit: Wer nicht misst, verliert

Der deutsche Mittelstand ist gut beraten, KI nicht als abstraktes Transformationsprojekt zu behandeln, sondern als Investitionsentscheidung — mit klarem Business Case, definierten KPIs und strukturiertem ROI-Reporting. Die in diesem Artikel vorgestellten Sektorbenchmarks, die TCO-Analyse und die Quick-Win-Matrix sollen dabei als praktische Werkzeuge dienen, nicht als akademische Übung.

Die gute Nachricht: Die Datenlage verbessert sich. Die ifo-Institut-Analyse (2024) zeigt, dass KMU, die KI einsetzen, deutlich öfter profitabel sind als jene, die es nicht tun. Für Dirk Röthig ist das kein Zufall: "Wer die richtigen Use Cases wählt, den ROI konsequent misst und Fördermittel nutzt, kann KI-Projekte finanzieren, die sich innerhalb von 12 Monaten selbst tragen. Das ist kein Versprechen — das sind Zahlen."

Weitere Artikel von Dirk Röthig

Quellenverzeichnis

  1. Bitkom e.V. (2024): Künstliche Intelligenz in Deutschland: Perspektiven aus Bevölkerung & Unternehmen. Berlin: Bitkom. Verfügbar unter: https://www.bitkom.org/Bitkom/Publikationen/KI-in-Deutschland-Perspektiven

  2. Bundesministerium für Wirtschaft und Klimaschutz — BMWK (2025): Digitalisierung und Künstliche Intelligenz in der deutschen Industrie. Berlin: BMWK.

  3. Deloitte (2025): AI ROI: The Paradox of Rising Investment and Elusive Returns. London: Deloitte Insights. Verfügbar unter: https://www.deloitte.com/global/en/issues/generative-ai/ai-roi-the-paradox-of-rising-investment-and-elusive-returns.html

  4. Deutscher Industrie- und Handelskammertag — DIHK (2024): Digitalisierung im deutschen Mittelstand 2024: KI-Adoption, Investitionsbereitschaft und Hindernisse. Berlin: DIHK.

  5. European Commission (2024): EU Artificial Intelligence Act: Guide for SMEs. Brussels: EC Digital Strategy. Verfügbar unter: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

  6. Fraunhofer IAO (2024): Wie der Mittelstand die Chancen Generativer KI erschließen kann. Stuttgart: Fraunhofer IAO. Verfügbar unter: https://www.iao.fraunhofer.de/de/presseservice/aktuelles/wie-der-mittelstand-die-chancen-generativer-ki-erschliessen-kann.html

  7. Fraunhofer IPA (2024): KI-gestützte Routenoptimierung und Logistik-Automation: Fallstudien aus dem deutschen Mittelstand. Stuttgart: Fraunhofer IPA.

  8. Fraunhofer ISI (2024): Artificial Intelligence in Production — Current Status and Outlook. Pressemitteilung Nr. 28. Karlsruhe: Fraunhofer ISI. Verfügbar unter: https://www.isi.fraunhofer.de/en/presse/2024/presseinfo-28-ki-produktion.html

  9. ifo Institut (2024): Künstliche Intelligenz — wie Unternehmen sie nutzen und welchen Nutzen sie davon haben. ifo Schnelldienst. München: ifo Institut. Verfügbar unter: https://www.ifo.de/DocDL/sd-2024-09-falck-etal-kuenstliche-intelligenz-unternehmen.pdf

  10. Journal of Small Business Strategy (2024): AI ROI in German Manufacturing SMEs: An Empirical Analysis of 8 Case Studies. New York: JSBS, Vol. 34(2), S. 45–61.

  11. McKinsey Global Institute (2025): The State of AI 2025: Global Survey Results. New York: McKinsey & Company. Verfügbar unter: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

  12. OECD (2025): AI Adoption by Small and Medium-Sized Enterprises. Paris: OECD Publishing. Verfügbar unter: https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/12/ai-adoption-by-small-and-medium-sized-enterprises_9c48eae6/426399c1-en.pdf

  13. REWE Group (2025): AI in Retail: Demand Forecasting and Inventory Management Results 2025. Köln: REWE Digital.

  14. Siemens AG (2024): Digital Native Factory Erlangen: Four Years of AI and Automation. München: Siemens AG.

Über den Autor: Dirk Röthig ist CEO von VERDANTIS Impact Capital mit Sitz in Zug, Schweiz. VERDANTIS ist eine Impact-Investment-Plattform für Carbon Credits, Agroforestry und Nature-Based Solutions. Dirk Röthig berät mittelständische Unternehmen und institutionelle Investoren bei der Schnittmenge von Digitalisierung, nachhaltiger Finanzierung und KI-gestützter Transformation.

Kontakt und weitere Artikel: verdantiscapital.com | LinkedIn

Top comments (0)