Woher wissen Sie, ob KI Ihrer Agentur tatsächlich Zeit und Geld spart? Legen Sie fest, wie Erfolg aussieht, bevor Sie irgendetwas einschalten. Messen Sie die Arbeit, wie sie heute ist, setzen Sie die Verbesserung, die die Umstellung rechtfertigen würde, testen Sie den KI-Workflow gegen das alte Vorgehen und prüfen Sie dann die vollen Kosten, einschließlich der Stunden, die für das Prüfen und Korrigieren des Outputs anfallen.
Die vollen Kosten lassen sich immer schwerer ignorieren. In einem Gastkommentar für Horizont, das deutsche Branchenmedium, argumentieren zwei Führungskräfte der Agentur Mutabor, das Märchen von der kostenlosen KI sei vorbei. Professionelle KI-Arbeit, schreiben sie, beschleunige viele Prozesse enorm, verbrauche aber erhebliche Rechenleistung. Mutabor will KI-Rechenleistung deshalb künftig als eigene Position in Kundenangeboten ausweisen und nennt sie „M-Credit“.
Wenn Rechenleistung nicht kostenlos ist, ist es auch die menschliche Zeit drumherum nicht. Ein Agenturgründer stellte bei einer Session zur KI-Einführung in Singapur diese Woche ein einfaches Framework vor, um beides zu erfassen, und eine Wochenreport-Geschichte, die zeigt, warum das wichtig ist.
Warum ist KI-ROI in Agenturen so schwer zu messen?
Meistens, weil niemand den Ausgangspunkt aufgeschrieben hat. Agenturen messen ihre eigenen Prozesse selten. Fragen Sie, wie lange der Monatsreport dauert, und Sie hören „einen Tag, ungefähr“, „kommt auf den Kunden an“ oder ein Schulterzucken.
Dann kommt die KI mit einer scheinbar offensichtlichen Ersparnis. Der Entwurf steht in Minuten. Was niemand misst, ist alles, was danach passiert: die Zahlen prüfen, den Kommentar umschreiben, das Diagramm korrigieren, das den falschen Monat zitierte, den Kundenkontext neu erklären. Diese Stunden verteilen sich auf Personen und Tage, deshalb tauchen sie nie als Kosten auf.
Heraus kommt eine Geschichte, an die alle glauben wollen, und kein Beleg dafür oder dagegen.
Was heißt „Erfolg definieren, bevor Sie ausrollen“?
Das Framework des Gründers hat vier Schritte, und wie das Diagramm zeigt, laufen sie der Reihe nach ab. Zu jedem gehört eine Frage von seiner Folie.
| Schritt | Die Frage | Was zu messen ist | Angewandt auf einen wöchentlichen Kundenreport |
|---|---|---|---|
| 1. Baseline | Wie läuft die Arbeit heute? | Stunden pro Zyklus, beteiligte Personen, Fehler und Nacharbeit | Den aktuellen Report mehrere Wochen lang von Anfang bis Ende messen |
| 2. Ziel | Welche Verbesserung würde es rechtfertigen? | Eine konkrete Zahl, vorab vereinbart | Eine Stunde pro Report, mit einer Person, die prüft |
| 3. Test | Mit dem alten Vorgehen vergleichen | Dieselbe Arbeit, beide Methoden, dieselbe Qualitätslatte | Den KI-Workflow parallel zum manuellen an echten Reports laufen lassen |
| 4. Review | Hat es sich bei vollen Kosten gelohnt? | Alle Stunden, einschließlich Prüfen und Korrigieren, plus Tool- und Rechenkosten | Die Bearbeitungszeit mitzählen, nicht nur die Entwurfszeit |
Nichts davon ist raffiniert. Genau das ist der Punkt. Die Schritte sind so grundlegend, dass sie im Eifer der Einführung als Erstes übersprungen werden.
Was passierte, als eine Agentur ihren Wochenreport automatisierte?
Im Beispiel des Gründers wollte eine Marketingagentur einen Wochenreport von KI übernehmen lassen. Das Ziel war klar: auf eine Stunde herunterkommen, wobei Menschen den Output prüfen. Auf dem Papier sah der KI-Workflow günstiger aus.
Dann kam das Review. Das Beheben der Halluzinationen, also der mit voller Überzeugung genannten falschen Zahlen, kostete etwa vier weitere Stunden. Unterm Strich: nichts gewonnen.
Ohne Baseline und Ziel hätte diese Agentur wahrscheinlich den Sieg erklärt. Das Entwerfen war schneller. Das Tool war beeindruckend. Erst ein Review der vollen Kosten zeigte, dass sich die Zeit nur vom Schreiben zum Korrigieren verlagert hatte. In vielen Agenturen fällt dieses Korrigieren zudem auf erfahrenere Leute, weil nur sie wissen, wie die Zahlen aussehen müssten.
Was ist KI-Drag, und wie erkenne ich ihn?
KI-Drag ist der Begriff des Gründers für den Punkt, an dem Sie mehr Zeit damit verbringen, zu bearbeiten, was KI produziert, als Sie gebraucht hätten, die Arbeit gleich richtig zu machen. Er ist die versteckte Steuer auf viele KI-Piloten und kündigt sich selten an. Achten Sie auf diese Anzeichen:
- Die Entwurfszeit sinkt, während die Bearbeitungszeit unbemerkt steigt.
- Erfahrene Leute werden herangezogen, um Output zu prüfen, der früher Routine war.
- Dieselben Korrekturen tauchen Woche für Woche auf.
- Für die „wichtigen“ Kunden greifen die Leute wieder zum alten Vorgehen.
- Niemand kann sagen, was das Tool spart, nur, was es produziert.
Sehen Sie zwei oder mehr davon, halten Sie an und führen Sie den Review-Schritt erneut durch. KI-Drag ist kein Grund, KI aufzugeben. Er ist ein Zeichen, dass Workflow, Daten oder Anweisungen repariert werden müssen, bevor Sie skalieren.
Warum passiert das immer wieder?
Ökonomen nennen es Marktversagen, wenn Preise die wahren Kosten nicht widerspiegeln und Ressourcen deshalb an die falschen Stellen fließen. „Kostenlose“ KI ist dafür in Agenturen ein Lehrbuchbeispiel. Die Lizenz ist günstig, die Rechenleistung unsichtbar, und die Prüfzeit steht in keinem Budget. Was kostenlos aussieht, nutzt man zu viel, an Stellen, an die es nicht gehört.
Mutabors M-Credit ist, wie Horizont ihn beschreibt, ein Preissignal: Er macht einen versteckten Kostenpunkt für den Kunden sichtbar. Dieselbe Disziplin brauchen Agenturen intern. Tragen Sie Prüf- und Korrekturzeit in die Zeiterfassung ein. Zählen Sie die Rechenleistung mit. Dann wird Effizienz etwas, das Sie sehen können, und der Insight hinter diesem Beitrag gilt: Effizienz ist die Mutter der Innovation. Echte Einsparungen schaffen echte Zeit für bessere Arbeit.
Wie führe ich Baseline, Ziel, Test und Review bei einem Reporting-Workflow durch?
- Wählen Sie einen wiederkehrenden Report. Wöchentlich oder monatlich, für einen Kunden, in stabilem Format.
- Messen Sie einen Monat lang. Jeden Schritt und jede Person, einschließlich Daten hinterherjagen und Fehler beheben. Das ist Ihre Baseline.
- Vereinbaren Sie das Ziel, bevor Sie bauen. Stunden pro Report und eine akzeptable Fehlerquote, schriftlich festgehalten mit der Account-Leitung.
- Benennen Sie eine prüfende Person. Eine Person, die für die Qualität verantwortlich ist und protokolliert, wie lange das Prüfen dauert.
- Fahren Sie beide Wege parallel. Mehrere Zyklen, dieselben Daten, dieselbe Qualitätslatte.
- Prüfen Sie die vollen Kosten. Entwerfen, Prüfen, Korrigieren, Tool-Gebühren und Rechenleistung, gemessen an der Baseline.
- Entscheiden Sie: skalieren, korrigieren oder stoppen. Wird das Ziel erreicht, rollen Sie aus. Tritt KI-Drag auf, beheben Sie die Inputs. Hilft beides nicht, stoppen Sie und wählen eine andere Aufgabe.
Was sollten Agenturen nach dem Launch einplanen?
Ein bestandener Test ist kein fertiges Produkt. Der Schlussrat des Gründers lautete, für Veränderung zu bauen, nicht für ein fertiges Versprechen. Was auch immer Sie bauen, es braucht laufende Investitionen und eigene Ressourcen, denn Modelle ändern sich, Kunden ändern ihre KPIs und Plattformen ändern ihre Daten.
Das betrifft direkt die Frage, ob Sie bauen oder kaufen. Wer seine Reporting-Automatisierung selbst baut, besitzt ihre Wartung, solange sie läuft. Defy Agents zum Beispiel führen agentische Workflows für repetitive Lieferaufgaben wie Reporting und Monitoring aus, ohne dass die Wartungslast bei Ihrem Team landet. SAMY, die globale Influencer-Agentur, hat sie eingeführt, um das Performance-Reporting zu verschlanken, und drei Tage Arbeit auf einen reduziert.
Welchen Weg Sie auch gehen, durchlaufen Sie zuerst die vier Schritte. Wie Agenten, Monitoring und Datenzugriff zusammenspielen, sehen Sie auf der Defy-Plattform, aber die Baseline muss von Ihnen kommen.
