Ihr baut einen Business Case und stolpert über eine Annahme, die ihr nicht kennt. Wie hoch ist die Conversion Rate in diesem Segment? Wie stark steigen die Wartungskosten? Früher hättet ihr gesucht, geschätzt, jemanden gefragt. Heute fragt ihr die KI. Und die KI liefert: 3 bis 5 Prozent. Ihr tippt 4 Prozent in eure Excel-Zelle und rechnet weiter.
In diesem Moment ist euer Business Case schon falsch.
Das liegt nicht daran, dass die KI schlecht geraten hätte. Es liegt daran, dass 4 Prozent mit an Sicherheit grenzender Wahrscheinlichkeit nicht der exakt richtige Wert ist. Er liegt vermutlich irgendwo in der Nähe. Aber die Chance, dass ihr mit einer einzelnen Zahl genau richtig liegt, ist praktisch null. Ihr habt euch Präzision geholt, die es nicht gibt.
Das Problem sitzt tiefer als die KI. Wir sind darauf trainiert, in Einzelwerten zu denken, weil Excel in Einzelwerten denkt. Eine Zelle, eine Zahl. Und genau das tun wir mit der Antwort der KI: Sie gibt uns „3 bis 5 Prozent“, und wir machen daraus die 4. Mal fragen wir sie direkt nach der einen Zahl, mal nehmen wir einfach die Mitte der Spanne. In beiden Fällen werfen wir die wertvollste Information weg, die in der Antwort steckt: die Unsicherheit. Diesen Fehler gab es lange vor der KI. Business Cases waren schon immer voll von scheingenauen Einzelwerten. Neu ist nur, dass die KI uns die ehrliche Antwort inzwischen frei Haus liefert. Sie nennt uns die Spanne. Wir müssten sie bloß stehen lassen.
Die richtige Frage
Die Spanne ist keine Zwischenstation auf dem Weg zur Zahl. Sie ist das Ergebnis. Also lasst sie stehen und macht sie so eng wie möglich. Gebt der KI Kontext: die Branche, das Geschäftsmodell, die Situation. Je genauer ihr seid, desto enger wird die Spanne. Und sagt klar, was ihr wollt. Formuliert es konkret: „Ich möchte ein 95-%-Konfidenzintervall“, also einen Bereich, in dem der Wert mit 95-prozentiger Wahrscheinlichkeit liegt.
Das Schöne daran: Genau hier spielt die KI ihre Stärke aus. Ein Modell, das auf enormen Datenmengen trainiert wurde, kann so einen Bereich meist enger und besser abstecken als ein einzelner Mensch mit seinem Bauchgefühl. Beim Einzelwert zwingt ihr die KI zu einer Genauigkeit, die sie nicht hat. Beim Intervall fragt ihr sie nach etwas, das sie tatsächlich kann. Ihr kommt von einem falschen Ergebnis zu einem richtigen, das ehrlich mit Unsicherheit behaftet ist.
„Und wie rechne ich damit?“
Jetzt kommt der berechtigte Einwand aus dem Controlling: Schön, jetzt habe ich lauter Intervalle statt Zahlen. Meine Tabelle nimmt aber nur eine Zahl pro Zelle.
Hier kommt die Monte-Carlo-Simulation ins Spiel. Die Idee dahinter ist einfach: Statt einmal mit festen Zahlen zu rechnen, würfelt der Computer für jede Annahme tausende Male einen Wert aus ihrem Bereich und rechnet den Business Case jedes Mal komplett durch. Am Ende steht eine ganze Verteilung aus tausenden Ergebnissen, die euch zeigt, was wahrscheinlich ist und was nicht. Ja, das ist aufwendiger, als eine Zahl durch eine Formel zu schicken. Aber der Aufwand lohnt sich, weil ihr mit den Bereichen rechnet, statt sie wegzumitteln. Und weil ihr der Falle entkommt, die die meisten „Worst-Case-Betrachtungen“ in Wahrheit sind. Wer nur Best, Mid und Worst Case zeigt, greift für den Worst Case selten zu den echten Extremen. Meistens landen dort willkürlich gewählte Werte, ausgesucht danach, wie das Ergebnis aussehen soll, und nicht danach, was man wirklich glaubt. Ein bisschen schlechter, aber bitte noch positiv. Statt eines echten Stresstests lügt man sich damit in die eigene Tasche. Die Monte-Carlo-Simulation nimmt euch diese Wahl ab. Sie unterstellt nicht, dass alle Annahmen gleichzeitig im Worst Case landen, was ohnehin extrem unwahrscheinlich ist. Sie rechnet über alle Kombinationen und zeigt euch die tatsächliche Verteilung eures Ergebnisses.
Der eigentliche Gewinn
Mit Einzelwerten zu rechnen macht den Business Case falsch. Aber ein Case, der mit groben Bereichen gerechnet ist und am Ende eine Verteilung zwischen minus 10 und plus 40 Millionen ausspuckt, ist genauso wenig wert. In beiden Fällen steht ihr ohne belastbare Grundlage da: einmal mit einer Zahl, die schlicht falsch ist, einmal mit einer Spanne, die so breit ist, dass sie keine Entscheidung trägt.
Genau das bringt viele zu dem Schluss: „KI kann ich für Business Cases nicht nutzen.“ Könnt ihr doch. Ihr müsst nur wissen, welche Zahlen ihr validieren müsst und welche nicht.
Eine breite Verteilung ist keine Schwäche der Methode, und sie heißt auch nicht, dass ihr jede einzelne Annahme doch nachprüfen müsst. Sie zeigt den aktuellen Stand eures Wissens. Um den effizient zu verbessern, müsst ihr nur herausfinden, welche Annahmen die Breite überhaupt verursachen. Genau das liefert eine Sensitivitätsanalyse. Sie zeigt euch, welche Annahmen die Unsicherheit in eurem Ergebnis treiben und welche kaum etwas bewegen. Für die allermeisten Annahmen könnt ihr die KI-Range einfach stehen lassen, weil sie schlicht keinen relevanten Einfluss hat. Übrig bleiben meistens drei bis fünf kritische Annahmen, in die ihr eure Validierungszeit steckt. Statt alles selbst zu recherchieren, validiert ihr gezielt das, was zählt. Das spart enorm viel Zeit und ist der eigentliche Grund, warum KI Business Cases besser macht statt schlechter.
Also: Nutzt KI für eure Business Cases. Aber fragt sie nur nach dem, was sie weiß, also einem Bereich, und nicht nach der Zahl, die es nicht gibt.
Geschrieben von
Alex Gutzler
Gründer & CEO, Bayescase