Der Ertragsnachweis. Bewertung und Nachprüfung des wirtschaftlichen Erfolgs betrieblicher KI-Anwendungen im mittelständischen Unternehmen[Proving the Return: Valuing and Verifying the Economic Success of Corporate AI Applications in Mid-Sized Firms]

Corporate AI applications are debated as a question of impact and fail as a question of proof. Surveys and field studies confirm that AI has an effect. None of the field studies read here sets money against cost, and a single mid-sized firm is left without conditions under which it can substantiate a return. This paper develops a procedure. It classifies corporate AI applications into five types by mode of effect, because the type determines the path from technical effect to cash flow. It decomposes proof into six stages and names for each stage and type the measures that a firm of 50 to 500 employees can obtain without new IT. Six attribution conditions, four substitutes for a counterfactual that are feasible in mid-sized firms, and five evidential grades determine how well a claim about returns is supported. A valuation model computes net present value as a distribution over parameter ranges. In the simulation, the effect at the workplace dominates over five years as long as it is unmeasured and its sign remains open. Once it is measured, the monetisation rate governs the result for capacity effects. Two protocols link valuation and verification, and every assumption in them can be refuted by an observation. The procedure has limits. For rare events, small error counts and low closing counts, a claim about returns carries at most evidential grade 2. The effect of a single application on a firm's result cannot be attributed. The findings rest on the literature read, on construction, and on a computation with invented example values. They are not tested against firm data. [Deutsche Zusammenfassung] Betriebliche KI-Anwendungen werden als Wirkungsproblem verhandelt und scheitern als Nachweisproblem. Erhebungen und Feldstudien bejahen die Wirkung. Keine der gelesenen Studien stellt jedoch Geld gegen Kosten, und für den einzelnen mittelständischen Betrieb bleibt offen, unter welchen Bedingungen er den Ertrag belegen kann. Dieses Papier entwickelt dafür ein Verfahren. Es ordnet betriebliche KI-Anwendungen nach der Wirkungsart in fünf Typen, weil der Typ den Pfad vom technischen Effekt zum Zahlungsstrom bestimmt. Es zerlegt den Nachweis in sechs Stufen und benennt je Stufe und Typ die Größen, die ein Unternehmen mit 50 bis 500 Beschäftigten ohne neues IT-System erheben kann. Sechs Zurechnungsbedingungen, vier im Mittelstand machbare Ersatzformen der Kontrafaktik und fünf Nachweisgrade legen fest, wie gut eine Ertragsaussage belegt ist. Ein Bewertungsmodell rechnet den Kapitalwert als Verteilung über Parameterbereiche. In der Simulation dominiert über fünf Jahre zuerst die Wirkung am Arbeitsplatz, solange sie nicht gemessen ist und ihr Vorzeichen offen bleibt. Ist sie gemessen, bestimmt bei der Kapazitätswirkung die Monetarisierungsquote das Ergebnis. Zwei Protokolle verbinden Bewertung und Nachprüfung, und jede Annahme darin ist durch eine Beobachtung widerlegbar. Das Verfahren hat Grenzen. Bei seltenen Ereignissen, kleinen Fehlerzahlen und niedrigen Abschlusszahlen trägt der Ertrag höchstens Nachweisgrad 2. Die Wirkung einer einzelnen Anwendung auf das Unternehmensergebnis ist nicht zurechenbar. Die Ergebnisse beruhen auf gelesener Literatur, auf Konstruktion und auf einer Rechnung mit erfundenen Beispielwerten. An Betriebsdaten sind sie nicht geprüft.