AI Capex-Governance für Gremien: Vom Experiment-Portfolio zu investitionsreifen Business Cases

1. AI-Ausgaben als gesteuertes Portfolio behandeln

Ein AI-Portfolio enthält mehr als Projekte. Es umfasst üblicherweise Use Cases, von denen erwartet wird, dass sie Umsatz, Kosten, Risiko oder Service verändern; gemeinsam genutzte Daten- und Integrationsfähigkeiten; Modell- und Anwendungsabonnements; Cloud- oder Rechenzentrumskapazität; Spezialistenteams; Kontrollfunktionen; und Veränderungsaktivitäten, die erforderlich sind, um die Art der Arbeitsausführung zu ändern. Jede Kategorie hat eine unterschiedliche wirtschaftliche Lebensdauer, ein unterschiedliches Abhängigkeitsprofil und einen unterschiedlichen Grad an Reversibilität. Ein einziges Innovationsbudget kann diese Unterschiede verdecken.

Der Aufsichtsrat benötigt eine Sicht, die Verpflichtungen über Rechnungslegungskategorien hinweg zusammenführt. Ein Teil der Ausgaben kann aktivierte Infrastruktur sein, ein Teil Betriebsausgaben und ein Teil in Personalaufwendungen der Geschäftsbereiche oder Lieferantenverträgen enthalten sein. Die wirtschaftliche Frage ist der gesamte zusätzliche Cash- und Kapazitätsbedarf, der für das Portfolio gebunden wird, einschließlich der Betriebskosten nach dem Start. Eine Initiative kann während eines Piloten finanzierbar erscheinen, weil Unternehmensintegration, Sicherheit, Datenbereinigung, Prozessumgestaltung, Schulung, Monitoring und Betriebskosten außerhalb des Pilotbudgets bleiben.

Offizielle Angaben zeigen, warum Disziplin bei Verpflichtungen wichtig ist. Alphabet meldete für 2025 Investitionsausgaben in Höhe von USD 91.4 billion, überwiegend für technische Infrastruktur, und erklärte, für 2026 einen deutlichen Anstieg der Investitionen in Server, Netzwerkausrüstung und Rechenzentren zu erwarten.[4] Microsoft stellt im Jahresbericht 2026 fest, dass AI-Investitionen in erheblichem Umfang und vor vollständig entwickelten Erlösströmen getätigt werden.[5] Meta meldete für 2025 Investitionsausgaben in Höhe von USD 72.22 billion, einschließlich Tilgungszahlungen aus Finanzierungsleasing, und erwartete für 2026 Investitionsausgaben zwischen USD 115 billion und USD 135 billion zur Unterstützung von AI-Aktivitäten und des Kerngeschäfts.[6] Amazon meldete in den ersten sechs Monaten 2026 Cash-Investitionsausgaben in Höhe von USD 96.3 billion, überwiegend für Technologieinfrastruktur zur Unterstützung des AWS-Wachstums und der Kapazitäten für die Auftragsabwicklung.[7] Diese Zahlen haben unterschiedliche Definitionen und gemischte Geschäftszwecke. Ihre Relevanz liegt in der Größenordnung, den langen Vorlaufzeiten und der Nachfrageunsicherheit, die in den Berichten beschrieben werden.

Das Portfolio sollte daher fünf Summen offenlegen: genehmigte kumulierte Ausgaben; vertragliche und Leasing-Verpflichtungen; aktuelle jährliche Run Rate; prognostizierte Betriebskosten bei Skalierung; und nicht gebundene Kapazitätsanfragen. Es sollte außerdem ausweisen, welche Anwendungsfälle die jeweilige gemeinsame Fähigkeit nutzen. Dies verhindert, dass eine Plattform als strategische Notwendigkeit genehmigt wird, während die von ihr abhängigen Nutzenpotenziale ohne Verantwortlichen bleiben.

2. Dem Aufsichtsrat ein definiertes Governance-Mandat geben

Die Überwachung durch den Aufsichtsrat sollte sich auf wesentliche Risikopositionen, Portfoliokohärenz, Risikobereitschaft und Qualität der Nachweise konzentrieren. Sie sollte von Aufsichtsratsmitgliedern nicht verlangen, Modelle auszuwählen oder Umsetzungs-Sprints zu steuern. Die Geschäftsleitung bleibt dafür verantwortlich, Investitionen vorzuschlagen und umzusetzen. Der Aufsichtsrat legt fest, welche Verpflichtungen genehmigungspflichtig sind, welche Nachweise ihnen beiliegen müssen, wie die unabhängige Hinterfragung erfolgt und was geschieht, wenn ein Anwendungsfall seine Bedingungen verfehlt.

Genehmigungsschwellen sollten finanzielle Wesentlichkeit, Risiko und Umkehrbarkeit kombinieren. Eine kostengünstige Anwendung, die Beschäftigung, Kreditvergabe, Gesundheit, Sicherheit, kritische Infrastruktur oder sensible personenbezogene Daten betrifft, kann eine strengere Aufsicht verdienen als ein größeres Produktivitätstool. Eine mehrjährige Kapazitätsreservierung kann die Aufmerksamkeit des Aufsichtsrats erfordern, weil sie die strategische Flexibilität verringert, selbst wenn der kurzfristige Cash-Aufwand gering ist. Schwellen sollten daher kumulierte Ausgaben, nicht kündbare Verpflichtungen, betroffene Entscheidungen und Nutzer, Datensensibilität, Autonomie, geografische Reichweite und Ausstiegskosten berücksichtigen.

Der Aufsichtsrat benötigt außerdem eine verantwortliche Führungskraft. Ein Chief Executive Officer, ein Chief Financial Officer oder ein benannter Transformationsverantwortlicher sollte den Portfoliowert verantworten. Technologieführungskräfte verantworten Architektur und Umsetzungsnachweise. Fachbereichsverantwortliche verantworten die operative Ausgangsbasis, die Nutzung und den realisierten Nutzen. Führungskräfte für Risiko, Sicherheit, Datenschutz, Recht und Compliance verantworten unabhängige Standards innerhalb ihrer Mandate. Die Interne Revision kann Design und Funktionsweise prüfen, ohne Genehmiger in der ersten Linie zu werden.

Tabelle 1. Entscheidungsrechte und Nachweisverantwortung im AI-Portfolio

Die Zuweisung ist ein Modell. Tatsächliche Verantwortlichkeiten und Delegationen sollten der Satzung, Regulierung und dem Risikorahmen der Organisation folgen.

3. Den Use Case zur Werteinheit machen

Ein Modell, eine Plattform oder ein Data Lake ist selten die direkte Einheit des Geschäftswerts. Wert entsteht, wenn eine definierte Nutzergruppe eine Entscheidung oder einen Workflow ändert und die Änderung ein messbares Ergebnis erzeugt. Der Use Case sollte daher den Nutzer, den operativen Prozess, die Entscheidung oder Aufgabe, den Beitrag von AI, die menschliche Verantwortung, die Baseline, das Zielergebnis und die betroffenen Kontrollen angeben. Diese Definition schafft eine Verbindung von der Technologie zu Cashflow, Service oder Risiko.

Die Abgrenzung des Use Case erfordert Disziplin. Eine Aussage wie „den Kundenservice mit AI verbessern“ ist für eine Investitionsgenehmigung zu breit. Ein geregelter Use Case könnte Unterstützung für einen bestimmten Kontakttyp, eine definierte Nutzergruppe und einen Kanal definieren; Bearbeitungszeit, Lösung beim Erstkontakt, Qualität, Beschwerden und Eskalation messen; die genehmigten Daten- und Wissensquellen identifizieren; und menschliche Entscheidungsbefugnis für definierte Ausnahmen beibehalten. Der Umfang wird testbar und Kosten werden zurechenbar.

Gemeinsam genutzte Fähigkeiten sollten transparent zugeordnet werden. Wenn zehn Use Cases eine Retrieval-Schicht, Identitätskontrollen und Monitoring erfordern, sollte der Plattform-Case minimale gemeinsame Kapazität, inkrementelle Kapazität je Use Case und ungenutzte Reserve ausweisen. Alle gemeinsamen Kosten dem ersten Use Case zuzuordnen kann eine tragfähige Fähigkeit unwirtschaftlich erscheinen lassen. Alle gemeinsamen Kosten als strategische Gemeinkosten zu behandeln kann jeden Use Case künstlich attraktiv erscheinen lassen. Das Portfolio sollte die Wirtschaftlichkeit sowohl vor als auch nach einer konsistenten Zuordnungsmethode ausweisen.

Use Cases benötigen außerdem stabile Kennungen und Versionskontrolle. Ein Pilot, der als Unterstützung beim Entwerfen beginnt, kann später Kundenkommunikation erzeugen oder Empfehlungen abgeben. Seine Risiko-, Daten- und Nutzenprofile haben sich geändert. Der Genehmigungsdatensatz sollte die neue Abgrenzung, die kumulierte Verpflichtung und die Auswirkungen auf die Kontrollen ausweisen, statt zuzulassen, dass die Initiative ihre ursprüngliche Einstufung als geringes Risiko behält.

4. Einen investitionsreifen Business Case verlangen

Ein investitionsreifer Business Case ist ein Entscheidungsprotokoll, das finanziellem, operativem, technologischem und risikobezogenem Hinterfragen standhält. Er beginnt mit dem operativen Problem und dem kontrafaktischen Business-as-usual-Szenario. Anschließend vergleicht er Optionen, benennt den bevorzugten Weg, quantifiziert Kosten und Nutzen über den gesamten Lebenszyklus, belegt Umsetzung und Akzeptanz und legt die für die Nutzung erforderlichen Kontrollen dar. Seine Tiefe sollte dem Umfang der Verpflichtung und den Konsequenzen entsprechen.

Das Green Book 2026 des HM Treasury beschreibt fünf miteinander verbundene Dimensionen: strategisch, wirtschaftlich, kommerziell, finanziell und managementbezogen. Es verlangt außerdem eine Optionsbewertung und Verhältnismäßigkeit.[17] Die zugehörige Business-Case-Leitlinie entwickelt Vorschläge über strategische Skizze, Skizze und vollständigen Business Case.[18] Diese Rahmenwerke des öffentlichen Sektors sind keine unternehmensinternen Genehmigungsregeln. Ihr Wert für Verwaltungsräte liegt in der Trennung von strategischer Begründung, Wert, Lieferantenvereinbarungen, Finanzierbarkeit und Umsetzungsnachweisen.

Das kontrafaktische Szenario verdient besondere Aufmerksamkeit. Der Business Case sollte die bevorzugte AI-Option mit Business as usual, Prozessumgestaltung ohne AI, einer regelbasierten oder konventionellen Analytics-Option, Outsourcing sowie Kaufen und Eigenentwicklung vergleichen. Wenn sich die Baseline-Leistung verschlechtert, kann die Beibehaltung des heutigen Ergebnisses selbst Investitionen erfordern. Wenn eine bestehende Transformation bereits einen Teil des Nutzens erfasst, sollte der AI-Business-Case nur den inkrementellen Effekt beanspruchen.

Der Business Case muss Unsicherheit benennen, ohne sie in einer einzelnen Punktschätzung zu verbergen. Kostenspannen sollten die Reife der Schätzung widerspiegeln. Nutzenspannen sollten die Messsicherheit und die Akzeptanz widerspiegeln. Szenarioanalysen sollten Ergebnisse zu Nachfrage, Preis, Auslastung, Qualität, Produktivität und Kontrollen aufzeigen. Abhängigkeiten von Anbieterverfügbarkeit, Energieversorgung, Datenrechten, spezialisierten Qualifikationen und Prozessänderungen sollten ausdrücklich benannt bleiben.

Tabelle 2. Mindestnachweise für einen AI-Business-Case

Evidenz sollte mit der Verpflichtung reifen. Ein Discovery-Vorschlag kann begrenzte Bandbreiten nutzen; Produktions- und Skalierungsentscheidungen erfordern kontrollierte, nachvollziehbare und aktuelle Eingaben.

5. Segmentieren Sie das Portfolio, bevor Sie es priorisieren

Ein Portfoliovergleich funktioniert nur, wenn ungleiche Investitionen identifiziert werden. Ein Segment kann Umsatzanwendungsfälle enthalten, ein anderes Arbeitskapazitäts- oder Kostenfälle, ein weiteres Risiko- und Kontrollanwendungen und wieder ein anderes strategische Fähigkeiten, deren direkter Nutzen über mehrere nachgelagerte Fälle entsteht. Infrastruktur und verpflichtende Compliance-Arbeiten sollten als separate Schichten sichtbar bleiben, statt auf Basis einer nicht belegten gemeinsamen Renditekennzahl zu konkurrieren.

Das Portfolio kann auch nach Reifegrad segmentiert werden. Discovery validiert das Problem und die verfügbaren Daten. Ein Experiment testet die technische Machbarkeit in einer begrenzten Umgebung. Ein Pilot testet den End-to-End-Prozess, das Nutzerverhalten und die Kontrollen. Der Produktionsbetrieb etabliert einen kontrollierten Service. Skalierung erhöht Nutzerzahl, Volumen, geografische Abdeckung oder Autonomie. Eine Nutzenüberprüfung verifiziert realisierte Ergebnisse und bestimmt, ob die Fähigkeit erweitert, korrigiert, beibehalten oder außer Betrieb genommen werden sollte.

Die Risikosegmentierung sollte den Genehmigungsweg beeinflussen. Das AI-Risikomanagement-Framework des NIST organisiert Aktivitäten um die Bereiche Steuern, Zuordnen, Messen und Verwalten, wobei Governance über den gesamten AI-Lebenszyklus hinweg wirkt.[10] Sein generatives AI-Profil identifiziert Maßnahmen für Risiken, die durch generative Systeme neu entstehen oder verstärkt werden können.[11] Das Rechenschaftsframework der GAO gruppiert Praktiken um Governance, Daten, Leistung und Überwachung.[12] Diese Frameworks unterstützen ein gemeinsames Inventar, während sie zulassen, dass Kontrollen je nach Anwendungsfall, Kontext und Konsequenz variieren.

Die resultierende Karte sollte sowohl strategische als auch finanzielle Risikopositionen zeigen. Ein kleines Experiment kann im Discovery-Pool verbleiben. Ein Produktionsservice mit wiederkehrenden Modell- und Cloud-Kosten gehört in das fest zugesagte Portfolio. Eine gemeinsame Plattform sollte die Use Cases und die Nachfrage zeigen, die sie rechtfertigen. Eine verpflichtende Investition in Kontrollen sollte die Risikoposition zeigen, die sie mindert, und die betrieblichen Folgen einer Verzögerung.

6. Eine Use-Case-Portfolio-Karte erstellen

Die Portfolio-Karte vergleicht den erwarteten wirtschaftlichen Wert mit der Umsetzungssicherheit. Der wirtschaftliche Wert kann inkrementellen Cashflow, vermiedene Cash-Kosten, nutzbare Kapazität, Serviceverbesserung und Risikominderung kombinieren, mit separaten Kennzeichnungen, wo die monetäre Umrechnung schwach ist. Die Umsetzungssicherheit kombiniert Problemklarheit, Nutzennachweise, Datenbereitschaft, Kontrolldesign, Akzeptanz und Umsetzungsfähigkeit. Die Blasengröße kann die jährlichen Run-Rate-Kosten oder die kumulierte Verpflichtung darstellen.

Die Karte leitet das Handeln. Fälle mit hohem Wert und hoher Konfidenz sind Kandidaten für eine kontrollierte Skalierung. Fälle mit hohem Wert und niedriger Konfidenz verdienen gezielte Investitionen in Nachweise statt einer automatischen Verpflichtung. Fälle mit niedrigerem Wert und hoher Konfidenz können nützlich bleiben, wenn sie strategische Fähigkeiten ermöglichen, eine Pflicht erfüllen oder einen schnellen Weg zur Einführung bieten. Fälle mit niedrigerem Wert und niedriger Konfidenz sollten normalerweise eingestellt, zusammengelegt oder zur Problemdefinition zurückgeführt werden.

Ein Portfolio-Office sollte verhindern, dass die Karte zu einem Schönheitswettbewerb wird. Bewertungen benötigen verankerte Definitionen, Quellenangaben mit Datum und Verantwortliche. Der Ausschuss sollte Konfidenzbereiche und Red-Line-Verstöße sehen. Er sollte auch die Konzentration nach Anbieter, Modell, Cloud-Anbieter, Datenbereich, Geschäftsprozess und Kontrollfunktion betrachten. Zehn einzeln attraktive Use Cases können eine wesentliche gemeinsame Abhängigkeit erzeugen.

Use Cases, Bewertungen und jährliche Run-Rate-Kosten sind hypothetische Modellierungsannahmen. Die Blasengröße stellt die jährlichen Kosten dar; die Karte unterstützt die Governance und stellt keine Prognose oder Empfehlung dar.

[/FIGURE]

7. Nutzen über eine Konfidenzleiter voranbringen

Nutzenkonfidenz sollte durch Nachweise erarbeitet werden. Eine Management-Hypothese kann Discovery-Aufwand rechtfertigen. Sie sollte keine umfangreiche Produktionsverpflichtung stützen. Ein kontrollierter Pilot kann feststellen, ob die Technologie die Aufgabenleistung unter definierten Bedingungen verändert. Produktionsnachweise können zeigen, ob der breitere Prozess, die Nutzer und die Kontrollen das Ergebnis aufrechterhalten. Eine Finanzvalidierung kann bestätigen, ob die Veränderung nach Kosten und Verdrängungseffekten Cash-, Kapazitäts-, Service- oder Risikoergebnisse erzeugt hat.

Die Leiter vermeidet falsche Präzision. Ein Nutzen kann einen hohen geschätzten Betrag und niedrige Konfidenz aufweisen. Ein anderer kann einen kleineren Betrag und stärkere Nachweise haben. Das Portfolio sollte beides ausweisen. Die Konfidenz sollte sinken, wenn der Use Case Population, Daten, Modell, Prozess oder Skalierung ändert, da die früheren Nachweise möglicherweise nicht übertragbar sind.

OECD-Forschung zur Einführung von AI berichtet, dass Unsicherheit über den Return on Investment und unzureichende Datenreife wichtige Barrieren sind und dass Führungskräfte unternehmensweite Prozess- und kulturelle Implikationen unterschätzen können.[8] Eine separate OECD-Überprüfung experimenteller Forschung stellt fest, dass die Leistung von Aufgabe und Nutzererfahrung abhängt, während langfristige organisatorische Nachweise begrenzt bleiben.[9] Diese Ergebnisse stützen einen vorsichtigen Transfer von Experimenten zu Einzelaufgaben auf unternehmensweite Cashflow-Aussagen.

Finance sollte die auf jeder Stufe erforderlichen Nachweise definieren. Eingesparte Zeit ist nicht automatisch eingespartes Geld. Sie kann Kapazität schaffen, den Service verbessern, Überstunden reduzieren, Einstellungen vermeiden oder Personalabbau ermöglichen; jeder Weg hat unterschiedliche Nachweise und Konsequenzen. Umsatzsteigerungen erfordern eine glaubwürdige Kontrollgruppe oder eine andere Attributionsmethode. Risikominderung kann eine Expected-Loss- oder Kontrollkostenanalyse erfordern und sollte schwerwiegende nichtfinanzielle Ergebnisse bewahren, die für eine einfache Monetarisierung nicht geeignet sind.

Die Leiter definiert die Evidenzreife. Sie ordnet einem Konfidenzniveau keine universelle Wahrscheinlichkeit oder keinen pauschalen Bewertungsaufschlag zu.

[/FIGURE]

8. Ausgangsbasis und Kontrafaktual festlegen

Die Ausgangsbasis sollte die Performance vor der Intervention durch AI erfassen. Je nach Anwendungsfall kann sie Transaktionsvolumen, Bearbeitungszeit, Nacharbeit, Fehler, Defekt, Verlust, Konversion, Marge, Beschwerde, Durchlaufzeit, Servicelevel, Kontrollausnahmen und Mitarbeiteraufwand umfassen. Quellsysteme, Messzeitraum, Ausschlüsse und Saisonalität sollten dokumentiert werden. Eine Ausgangsbasis, die nach einem erfolgreichen Pilotprojekt zusammengestellt wird, kann eine Selektionsverzerrung einführen.

Das Kontrafaktual definiert, was ohne die vorgeschlagene Investition eintreten würde. Business as usual kann bestehende Produktivitätstrends, vertragliche Preisänderungen, Personalpläne, Prozessverbesserungen und andere Technologie-Releases umfassen. Der Business Case sollte keine Nutzen beanspruchen, die bereits aus diesen Faktoren erwartet werden. Wo eine randomisierte Kontrolle nicht praktikabel ist, können ein stufenweiser Rollout, eine gematchte Gruppe, eine unterbrochene Zeitreihe oder ein definierter Vorher-Nachher-Vergleich nützliche Evidenz liefern, sofern Einschränkungen benannt werden.

Nutzen benötigen eine Kette von der operativen Kennzahl bis zum Finanzabschluss oder zu einem governance-gesteuerten Ergebnis. Eingesparte Minuten pro Aufgabe werden erst dann zu jährlicher Kapazität, wenn sie mit infrage kommendem Volumen, Adoption, nachhaltiger Zeitreduktion und produktivem Neueinsatz multipliziert werden. Kapazität wird nur dann zu vermiedenen Kosten, wenn ein genehmigter Personalplan geändert oder eine Fremdkostenposition beseitigt wird. Umsatz wird nach Bereitstellungskosten, Kannibalisierung, Rabattierung, Abwanderung und ggf. Steuern zum Deckungsbeitrag. Der Vorstand sollte jede Überleitung sehen.

Das UK Digital and Data Benefits Framework wurde entwickelt, um den Nutzen von Digital- und Datenprogrammen zu quantifizieren, und ist für die Anwendung zusammen mit der Green Book Guidance vorgesehen.[19] Das Government Efficiency Framework verknüpft ebenfalls identifizierte Einsparungen mit Nutzenmanagement und übergreifenden Governance-Regelungen.[20] Ihr Kontext im öffentlichen Sektor unterscheidet sich von einem Unternehmensportfolio. Die allgemeine Disziplin bleibt nützlich: Nutzenarten, Messmethoden, Verantwortlichkeiten und die Beziehung zwischen operativer Veränderung und Wert definieren.

9. Datenbereitschaft als Gate für Kapitalfreigaben verankern

Datenbereitschaft hat direkten wirtschaftlichen Wert, weil die Behebung Zeit, spezialisierten Aufwand und operative Aufmerksamkeit bindet. Sie beeinflusst auch Performance und Kontrollrisiko. Ein Anwendungsfall sollte die erforderlichen Daten, Datenverantwortlichen, Rechtsgrundlage oder vertragliche Berechtigung, Zugriffsweg, Qualität, Vollständigkeit, Datenherkunft, Repräsentativität, Aufbewahrung, Sicherheitsklassifizierung, Resilienz und Überwachung benennen. Unklarheiten sollten sich in Kosten- und Terminfolgen niederschlagen.

Die Bereitschaftsbewertung sollte die Existenz eines Datensatzes vom nutzbaren Zugriff trennen. Daten können über Systeme verteilt, in Lieferantenverträgen eingeschlossen, nur über manuelle Extraktion verfügbar oder für die erforderliche Frequenz ungeeignet sein. Labels können inkonsistent sein. Historische Ergebnisse können frühere, inzwischen geänderte Richtlinien widerspiegeln. Trainingsdaten repräsentieren möglicherweise nicht die aktuellen Nutzer oder Edge Cases. Die pauschale Aussage, dass die Organisation über Daten verfügt, löst diese Probleme nicht.

Die Heatmap sollte verankerte Scores verwenden. Ein roter Score bedeutet, dass eine definierte Bedingung nicht vorliegt oder nicht akzeptabel ist. Gelb bedeutet, dass die Behebung finanziert und begrenzt ist. Grün bedeutet, dass die aktuelle Evidenz das Gate erfüllt. Grau bedeutet, dass die Dimension nicht bewertet wurde. Durchschnitte können rote Linien verbergen; daher sollten Rechte-, Sicherheits- oder Nutzungsverbotsfragen sichtbar bleiben, selbst wenn andere Dimensionen ausgereift sind.

Die Ökonomie des Anwendungsfalls sollte Datenbehebung und laufende Kontrolle umfassen. Ein Datenprodukt kann mehrere Anwendungsfälle unterstützen und eine gemeinsame Kostenverteilung ermöglichen. Der Vorstand sollte die Anwendungsfälle sehen, die die Investition rechtfertigen, die erforderliche Sequenzierung und das Risiko, dass die erwartete Nachfrage nicht eintritt.

Die Scores sind hypothetische Modellierungsannahmen: 1 bedeutet nicht vorhanden oder nicht akzeptabel, 3 bedeutet begrenzte Behebung und 5 bedeutet gatefähige Evidenz.

[/FIGURE]

10. Wirtschaftlichkeit über den gesamten Lebenszyklus abstimmen

Das Kostenmodell sollte Discovery, Aufbau, Integration, Daten, Sicherheit, Validierung, Lizenzen, Modellinferenz, Cloud oder Infrastruktur, Change-Management, Schulungen, Support, Monitoring und Außerbetriebnahme umfassen. Es sollte auch internes Personal einschließen, sofern es knappe Kapazität darstellt oder zusätzliche Neueinstellungen bedeutet. Verpflichtungen aus Mindestmengen, reservierter Kapazität, Leasingverträgen und Take-or-Pay-Verträgen sollten getrennt von der variablen Nutzung ausgewiesen werden.

Das Nutzenmodell sollte zwischen Cash, Kapazität, Umsatz, Service und Risiko unterscheiden. Diese Kategorien sollten nicht zu einer einzigen monetären Gesamtsumme addiert werden, es sei denn, die Umrechnungsbasis ist belastbar. Ein Use Case kann eine positive Cash-Rendite und ein separates Kunden- oder Kontrollergebnis ausweisen. Ein verpflichtender Compliance-Use-Case kann eine begrenzte konventionelle Rendite haben, während er die Betriebsgenehmigung aufrechterhält. Seine Kosten konkurrieren weiterhin um Kapital und Umsetzungskapazität.

Das nachstehende hypothetische Beispiel verwendet ein fünfjähriges Nominalmodell, einen Diskontsatz von 11 Prozent, keinen Endwert und eine vereinfachte Steuerbehandlung. Es wird angenommen, dass Implementierungskosten vor der Skalierung anfallen, die Vorteile mit der Adoption hochlaufen und die jährlichen Betriebskosten mit dem Volumen steigen. Es schließt Finanzierungsstruktur, Fremdwährung, Working Capital, bilanzielle Aktivierung und Wechselwirkungen mit anderen Programmen aus. Dies sind Modellannahmen, keine Marktparameter.

Tabelle 3. Hypothetische Use-Case-Wirtschaftlichkeit vom Pilotprojekt bis zur Skalierung

Die Werte sind hypothetische USD Millionen. Der NPV verwendet einen nominalen Diskontierungssatz von 11 Prozent über fünf Jahre ohne Endwert; Summen sind gerundet und stellen keine Prognose dar.

Switch-Werte verbessern die Entscheidung. Der Business Case sollte das Adoptionsniveau, den Stückpreis, die Fehlerquote, den Nutzen pro Transaktion oder das Volumen zeigen, bei dem der NPV null oder eine Board-Schwelle erreicht. Außerdem sollte er das gefährdete Kapital vor der nächsten umkehrbaren Entscheidung ausweisen. Dadurch wird die Debatte auf die Annahmen fokussiert, die den Wert bestimmen.

Die Portfoliobetrachtung sollte Doppelzählungen vermeiden. Eine gemeinsame Datenplattform kann nicht den vollen Nutzen jedes abhängigen Anwendungsfalls beanspruchen, während jeder Anwendungsfall denselben Wert ebenfalls beansprucht. Ein Produktivitätsnutzen kann nicht gleichzeitig als Kostensenkung, Vermeidung von Neueinstellungen und zusätzlicher Umsatz gezählt werden, es sei denn, die Organisation hat eine glaubwürdige Zuordnung der freigesetzten Kapazität. Finance sollte ein Nutzenregister mit einem Verantwortlichen und einer einheitlichen Behandlung je Ergebnis führen.

11. Infrastruktur, Kapazität und Energie explizit bepreisen

Die Wirtschaftlichkeit von AI kann sich durch Modellwahl, Token- oder Compute-Verbrauch, Latenz, Kontextlänge, Caching, Auslastung, reservierte Kapazität, Speicher, Datenübertragung, Hardware-Abschreibung und Stromverfügbarkeit ändern. Der Vorstand benötigt kein technisches Tarifblatt. Er benötigt die Kostentreiber pro Einheit, vertragliche Verpflichtungen, Sensitivitäten und Gegenmaßnahmen.

Die Internationale Energieagentur berichtet, dass AI-fokussierte Rechenzentren schnell gewachsen sind und dass der Energieverbrauch pro einfacher AI-Aufgabe deutlich gesunken ist, während intensivere Video-, Reasoning- und agentische Anwendungen weit mehr Energie verbrauchen können.[3] Sie berichtet außerdem von einem starken und unsicheren Wachstum der Rechenzentrumskapazität und der Stromnachfrage. Die Implikation für einen Unternehmens-Anwendungsfall ist, dass die Kosten pro Aufgabe unter der tatsächlichen Arbeitslast gemessen und nicht aus einer Demonstration abgeleitet werden sollten.

Die Genehmigung von Kapazitäten sollte auf Nachfragebelegen basieren. Ein Unternehmen kann Infrastruktur aus strategischen Gründen, zum Absichern der Versorgung oder wegen Latenz reservieren, doch der Business Case sollte zugesagte Auslastung, Optionswert und Downside aufzeigen. Ausrüstung mit langer Lieferzeit, Energieverträge und Rechenzentrumsmietverträge können die Reversibilität verringern. Alphabets Einreichung beschreibt beispielsweise mehrjährige Rechenzentrumsprojekte und wesentliche Verpflichtungen im Bereich technische Infrastruktur.[4] Das Faktenmuster ist unternehmensspezifisch; es zeigt, wie sich die Infrastrukturökonomie über einen kurzen Software-Pilot hinaus erstreckt.

Model-Routing kann Wert erhalten. Kostengünstigere Modelle können begrenzte Aufgaben übernehmen, während größere Modelle für Ausnahmen eingesetzt werden. Retrieval, Caching, Prompt-Design und Prozessvorgaben können den Verbrauch senken. Das Portfolio sollte die Kosten pro abgeschlossenem und akzeptiertem Geschäftsergebnis überwachen, nicht nur die Kosten pro Anfrage. Fehlgeschlagene, wiederholte oder manuell korrigierte Outputs gehören in den Nenner.

12. Kontrollen als Teil der Investition konzipieren

Kontrollen sind Produkt- und Betriebsanforderungen mit Kosten, Zeitplan und Verantwortlichkeit. Sie sollten mit dem Anwendungsfall konzipiert werden, statt nach technischem Erfolg hinzugefügt zu werden. Der Kontrollsatz kann genehmigten Zweck, Zugriff, Datenminimierung, Tests, menschliche Prüfung, Trennung, Ausgabebeschränkungen, Protokollierung, Monitoring, Incident Response, Lieferantenaufsicht, Aufbewahrung von Unterlagen, Fallback und Außerbetriebnahme umfassen.

Die Verhältnismäßigkeit von Kontrollen ist wichtig. Das NIST-Rahmenwerk ist freiwillig und anwendungsfallunabhängig und betont ein kontinuierliches Risikomanagement über den gesamten Lebenszyklus.[10] ISO/IEC 42001 spezifiziert ein AI-Managementsystem für Organisationen, die AI bereitstellen oder nutzen, und verwendet eine Struktur der kontinuierlichen Verbesserung.[13] Die überarbeiteten Modellrisiko-Leitlinien der Federal Reserve für 2026 betonen einen risikobasierten Ansatz, der auf Modellprofil, Größe und Komplexität einer Bankorganisation zugeschnitten ist.[14] Die Bankaufsichtsleitlinien gelten innerhalb ihres angegebenen regulatorischen Anwendungsbereichs. Die übergreifende Governance-Lektion ist, dass Validierung, Einschränkungen, Aufsicht und Kontrollen im Verhältnis zur wesentlichen Nutzung stehen sollten.

Rechtliche Verpflichtungen erfordern eine jurisdiktionsspezifische Analyse. Das EU-AI-Gesetz nutzt eine risikobasierte Struktur und gilt schrittweise; die Europäische Kommission berichtete, dass Durchsetzungsbefugnisse und bestimmte Transparenzpflichten ab August 2026 galten, während andere Hochrisiko-Bestimmungen späteren Terminen unterliegen.[15][16] Eine Vorstandsvorlage sollte die Rolle, den Standort, die Klassifizierung des Anwendungsfalls und die Rechtsberatung der Organisation darlegen. Ein pauschales Kennzeichen „AI-konform“ ist nicht ausreichend.

Tabelle 4. Kontrollauslegung in Verknüpfung mit Investitionsnachweisen

Die Tabelle ist ein Governance-Modell und ersetzt keine rechtlichen, regulatorischen, sicherheitsbezogenen, datenschutzbezogenen oder branchenspezifischen Anforderungen.

13. Kontroll-Gates nutzen, um Befugnisse und Verpflichtung in Einklang zu bringen

Gates sollten eine definierte nächste Verpflichtung genehmigen. Gate 0 nimmt das Problem in die Discovery-Phase auf. Gate 1 genehmigt ein begrenztes Experiment, nachdem Baseline, Datenzugang und Testplan geklärt sind. Gate 2 genehmigt einen Piloten, wenn Prozess, Nutzer, Kontrollen und Nutzenbewertungsmethode bereit sind. Gate 3 genehmigt die Produktivfreigabe, nachdem End-to-End-Leistungs- und Kontrollnachweise bestanden sind. Gate 4 genehmigt die Skalierung, nachdem Adoption und Unit Economics nachgewiesen sind. Gate 5 schließt die Nutzenrealisierung ab und legt Ausbau, Wartung oder Stilllegung fest.

Jedes Gate sollte vier Ergebnisse haben: weitergehen; mit zeitgebundenen Bedingungen weitergehen; bis zum Vorliegen von Nachweisen pausieren; oder stoppen. Bedingungen erfordern einen Verantwortlichen, einen Nachweis, ein Fälligkeitsdatum und eine Konsequenz. Wiederholte bedingte Genehmigungen sollten gemeldet werden, da sie fehlende Nachweise in eine dauerhafte Risikoexposition umwandeln können.

Die Genehmigungsbefugnis sollte mit der Verpflichtung und der Tragweite steigen. Ein delegiertes Team kann ein kleines, isoliertes Experiment genehmigen. Ein Investmentausschuss kann eine Produktivfreigabe genehmigen. Der Vorstand kann eine große Infrastrukturverpflichtung, eine wesentliche Änderung der Automatisierung oder einen Anwendungsfall mit hohen Konsequenzen genehmigen. Notfallmaßnahmen bleiben über eine definierte Ausnahme und eine nachträgliche Überprüfung möglich.

Gate-Nachweise sind kumulativ. Die Genehmigungsbefugnis sollte kumulierte Verpflichtung, Risiko, Umkehrbarkeit und betroffene Nutzer widerspiegeln.

[/FIGURE]

14. Adoption testen, bevor Skalierungswert beansprucht wird

Die technische Abnahme zeigt, dass ein System leistungsfähig ist. Adoptionsnachweise zeigen, dass Menschen es im vorgesehenen Prozess nutzen und das operative Ergebnis fortbesteht. Ein Skalierungsfall sollte berechtigte Nutzer und Transaktionen, aktive Nutzung, Häufigkeit, Abschluss, Akzeptanz, Übersteuerung, Nacharbeit, Fallback und Support definieren. Er sollte außerdem Arbeit identifizieren, die aus dem gemessenen System herausverlagert wurde.

Adoption sollte an einem Prozessnenner gemessen werden. Die Zahl lizenzierter Nutzer ist ein schwacher Nachweis, wenn nur ein kleiner Anteil der berechtigten Arbeit durch das System läuft. Hohe Nutzung kann ebenfalls irreführend sein, wenn Ergebnisse verworfen oder korrigiert werden. Akzeptierte Ergebnisse pro berechtigter Transaktion bilden eine stärkere Brücke zum Wert.

Prozessgestaltung und Anreize sind wichtig. Nutzer können eine langsame oder unzuverlässige Kontrolle umgehen. Führungskräfte können die Nutzung fördern, ohne Arbeitslast oder Ziele zu ändern. Mitarbeitende können Zeit sparen, aber mehr Arbeit erhalten, was Qualität und Mitarbeiterbindung beeinträchtigt. Ein Business Case sollte darlegen, wie sich Rollen, Leistungskennzahlen, Schulung, Aufsicht, Support und Beteiligung der Belegschaft ändern. Wo Arbeitsrechte oder kollektive Vereinbarungen gelten, ist Fachberatung erforderlich.

Der Pilot sollte die vorgesehene Betriebspopulation repräsentieren. Begeisterte Freiwillige, saubere Daten und geringes Volumen können die Skalierungsleistung überzeichnen. Ein Produktionstest sollte normale Nutzer, Spitzenzeiten, Ausnahmen und Fehlerwiederherstellung umfassen. Adoptionsschwellen sollten daher mit Qualitäts- und Kontrollschwellen kombiniert werden.

15. Entscheidungen über Stopp oder Skalierung explizit machen

Eine Stop-or-Scale-Prüfung kombiniert Nutzenzuversicht, Unit Economics, Adoption, Datenbereitschaft, Kontrollwirksamkeit und Lieferkapazität. Sie sollte zu einem festgelegten Zeitpunkt oder Volumen und vor der nächsten wesentlichen Verpflichtung erfolgen. Die Entscheidung ist eine Portfolio-Maßnahme, keine retrospektive Projektbewertung.

Skalierung kann mehr Nutzer, Transaktionen, Länder, Geschäftseinheiten, Datenquellen, Autonomie oder Modellfähigkeit bedeuten. Jede Form verändert Risiko und Kosten unterschiedlich. Die Genehmigung sollte die Skalierungsdimension und die Nachweise angeben, die weiterhin gültig bleiben. Ein Use Case, der sich in eine neue Rechtsordnung oder betroffene Population ausweitet, kann eine Neuklassifizierung und eine erneute Kontrollprüfung erfordern.

Für das Stoppen sollte ein Betriebsplan vorliegen. Das Team benötigt die Befugnis, einen Vertrag zu kündigen, reservierte Kapazität freizugeben, Daten zu archivieren, Zugriffe zu entfernen, Unterlagen aufzubewahren, Nutzer zu benachrichtigen, den Prozess zurückzusetzen und Erkenntnisse zu sichern. Eine Sunk-Cost-Erzählung sollte einen unwirtschaftlichen oder unkontrollierten Use Case nicht am Leben halten.

Tabelle 5. Entscheidungsmatrix für Stopp oder Skalierung

Schwellenwerte sind hypothetische Beispiele. Jede Organisation sollte Wesentlichkeit, Risiko- und Evidenzschwellen innerhalb ihres Governance-Rahmens festlegen.

Werte und Schwellenwerte sind hypothetische Modellannahmen. Statusfarben fassen die zugrunde liegende Evidenz zusammen und belegen nicht unabhängig Bereitschaft oder Wert.

[/FIGURE]

16. Steuerung von Anbietern, Konzentration und Exit

Die Anbieterauswahl kann Kosten, Performance, Datennutzung, Prüfbarkeit, Service-Resilienz und Exit bestimmen. Der Business Case sollte Modellanbieter, Anwendungsanbieter, Cloud- oder Infrastrukturanbieter, Integrator und Datenlieferant unterscheiden. Ein einzelner Vertrag kann mehrere Rollen kombinieren. Die Konzentration sollte portfolioübergreifend bewertet werden, da separate Geschäftsbereiche ohne zentrale Sicht ein großes gemeinsames Exposure erzeugen können.

Die Due Diligence sollte Serviceumfang, Preistreiber, Mindestmengen, Kapazität, Sicherheit, Datenschutz, geistiges Eigentum, Nutzung von Trainingsdaten, Änderungen an Modellen und Funktionen, Unterauftragnehmer, Vorfallmeldungen, Datenstandort, Audit, regulatorische Zusammenarbeit, Portabilität, Übergang und Beendigung abdecken. Anbieteraussagen sollten anhand des beabsichtigten Einsatzes und interner Evidenz geprüft werden. Eine Zertifizierung oder ein Standard kann die Due Diligence unterstützen, bleibt jedoch für die Abnahme des Anwendungsfalls unzureichend.

Die Exit-Ökonomie sollte quantifiziert werden. Datenexport, Neuaufbau von Workflows, erneute Schulung der Nutzer, Parallelbetrieb und Datenaufbewahrung können wesentlich sein. Ein Modellwechsel kann die Performance verändern, ohne dass ein herkömmliches Software-Release erfolgt. Verträge und Betrieb sollten daher Kündigung, Tests und Rollback unterstützen. Wo Dual Sourcing unwirtschaftlich ist, sollte das Board die akzeptierte Abhängigkeit und die Notfallvorsorge sehen.

Das Portfolio Office sollte einen Verpflichtungskalender führen. Er sollte Verlängerungstermine, Preisüberprüfungen, Mindestvolumenstufen, Kapazitätsreservierungen und Kündigungsfenster ausweisen. Eine Stopp-Entscheidung nach einer automatischen Verlängerung bietet weniger wirtschaftlichen Schutz als eine vor dem Verpflichtungsdatum angesetzte Überprüfung.

17. Geben Sie dem Board ein evidenzbasiertes Dashboard

Das Board-Dashboard sollte kompakt und nachvollziehbar sein. Es benötigt Portfolio-Summen, Veränderungen seit der letzten Sitzung, erforderliche Entscheidungen und wesentliche Ausnahmen. Es sollte genehmigte Ausgaben, Verpflichtungen, jährliche Run-Rate, prognostizierte Skalierungskosten, Nutzen nach Konfidenzniveau, Adoption, kritische Kontrollausfälle, Daten-Gates, Konzentration und Use Cases ausweisen, die sich der Stopp-oder-Skalieren-Überprüfung nähern.

Aggregate erfordern Drill-down. Ein grüner Portfolio-Durchschnitt kann einen roten Use Case mit schwerwiegenden Folgen verbergen. Das Board sollte Ausnahmen nach kumulierter Verpflichtung und Risiko sehen. Es sollte außerdem seit Langem offene Bedingungen, wiederholte Gate-Verschiebungen und Nutzen sehen, die auf Hypothesen- oder Pilotniveau verharrten, während die Ausgaben weiterliefen.

Prognostizierter und realisierter Wert sollten getrennt bleiben. Das Dashboard kann den erwarteten, nach Konfidenz gewichteten Nutzen für Szenariozwecke anzeigen; dies sollte jedoch nicht als realisierter Wert ausgewiesen werden. Von Finance verifizierte Cash-Werte, Kapazitäten, Umsätze und Serviceergebnisse benötigen eigene Zeilen. Vermeidungskosten sollten den genehmigten Plan oder Vertrag benennen, der geändert wurde.

Die Ausschussunterlagen sollten wesentliche Annahmen und Änderungen darlegen. Ein niedrigerer Modellpreis, ein höheres Nutzervolumen, eine überarbeitete Datenlizenz oder eine neue Regulierung können den Business Case verändern. Die Versionskontrolle sollte die an jedem Gate genehmigte Grundlage bewahren und die aktuelle Veränderung erläutern. Dies unterstützt die Rechenschaftspflicht, ohne einen statischen Business Case zu schaffen, der nach dem Start obsolet wird.

18. Das Governance-System in neunzig Tagen mobilisieren

Im ersten Monat sollten das Inventar und die Entscheidungsgrenze festgelegt werden. Das Management sollte alle AI-Use-Cases, Plattformen, Infrastrukturverpflichtungen, Abonnements, Lieferanten und Datenbereiche identifizieren. Jede Position erhält einen Verantwortlichen, eine Reifestufe, kumulierte Ausgaben, eine Run-Rate, das nächste Verpflichtungsdatum und eine Risikoklassifizierung. Finance gleicht das Hauptbuch und die Verträge mit dem Inventar ab.

Im zweiten Monat sollte der gemeinsame Evidenzstandard festgelegt werden. Business-Verantwortliche definieren Ausgangsbasen und Nutzenmechanismen. Technologie- und Datenteams bewerten Architektur und Bereitschaft. Kontrollfunktionen definieren verhältnismäßige Gates. Die Beschaffung identifiziert Konzentration und Verlängerungsrisiken. Das Portfolio Office bildet Abhängigkeiten ab und identifiziert Fälle, deren nächste Verpflichtung bis zum Vorliegen von Evidenz ausgesetzt werden sollte.

Im dritten Monat sollte der erste Stopp-oder-Skalieren-Zyklus durchgeführt werden. Das Management wählt die Fälle mit der höchsten Risikobelastung und der nächsten Verpflichtung aus. Der Investmentausschuss prüft Business Cases, Bedingungen und Exit-Routen. Das Board genehmigt den Portfolio-Rahmen, wesentliche Ausnahmen und die künftige Berichtskadenz. Die Teams betreiben das System anschließend als wiederkehrenden Entscheidungsprozess.

Tabelle 6. 90-tägige Mobilisierung der Governance für AI-Investitionsausgaben

Die Reihenfolge ist als Richtwert zu verstehen. Die Zeitplanung sollte Portfoliogröße, regulatorische Verpflichtungen, Datenverfügbarkeit und bestehende Governance-Reife berücksichtigen.

Die Einheit sollte mit wesentlichen Entscheidungen beginnen, nicht mit einer vollständigen historischen Rekonstruktion. Experimente mit geringerem Wert können auf einen vereinfachten Pfad gesetzt werden. Vorhaben mit hohen Verpflichtungen, hohen Konsequenzen oder kurz bevorstehender Erneuerung verdienen sofortige Aufmerksamkeit. Die Bestandsaufnahme kann reifen, während das Governance-System beginnt, die nächste Entscheidung abzusichern.

Fazit

AI Capex-Governance verbindet technologischen Fortschritt mit Kapitaldisziplin. Der Vorstand benötigt ein abgestimmtes Portfolio aus Use Cases, gemeinsamen Fähigkeiten und Verpflichtungen. Jeder wesentliche Use Case benötigt ein definiertes operatives Problem, ein Vergleichsszenario ohne Vorhaben, eine Wirtschaftlichkeitsbetrachtung über den gesamten Lebenszyklus, Datenbereitschaft, Kontrolldesign, einen Adoptionsplan und einen benannten Nutzenverantwortlichen mit Rechenschaftspflicht. Evidenz sollte durch Gates reifen, bevor Verpflichtungen erhöht werden.

Das in diesem Papier beschriebene System nutzt fünf miteinander verknüpfte Instrumente: eine Use-Case-Portfoliokarte, eine Nutzen-Konfidenz-Leiter, eine Datenbereitschafts-Heatmap, Kontroll-Gates und ein Stop-or-Scale-Dashboard. Zusammen zeigen sie, welche Fälle Discovery-Finanzierung verdienen, welche gezielte Behebung benötigen, welche für kontrollierte Skalierung bereit sind und welche geschlossen werden sollten. Sie offenbaren außerdem gemeinsame Infrastruktur- und Lieferantenrisiken, die nicht jeweils pro Einzelexperiment gesteuert werden können.

Gute Governance erhält die Lernfähigkeit und schützt gleichzeitig das Kapital. Ein gestoppter Fall kann nützliche Evidenz liefern, wenn Verpflichtungen begrenzt sind und Lehren festgehalten werden. Ein skalierter Fall erlangt größere Entscheidungsbefugnis durch repräsentative Leistung, Nutzerakzeptanz, wirksame Kontrollen und finanzseitig verifizierten Wert. Die Rolle des Vorstands besteht darin, diese Standards explizit zu machen und sicherzustellen, dass das Management sie anwendet, bevor das Portfolio schwer rückgängig zu machen ist.

Anhang A. Fragen des Vorstands zu einer wesentlichen AI-Verpflichtung

1. Welches operative Problem und welcher betroffene Prozess liegen im Geltungsbereich?
2. Was geschieht im Regelbetrieb, und welche Alternativen ohne AI wurden getestet?
3. Welche Nutzen sind Cash-, Kapazitäts-, Umsatz-, Service- oder Risikoeffekte?
4. Wie hoch ist das aktuelle Konfidenzniveau für jeden Nutzen, und welche Evidenz erhöht es?
5. Welche Cash-, Kapazitäts- und Vertragsverpflichtungen bestehen über die gesamte Laufzeit?
6. Welche Bedingungen hinsichtlich Datenrechten, Datenqualität, Datenherkunft, Datensicherheit und Monitoring sind noch offen?
7. Welche menschlichen Entscheidungen, betroffenen Parteien und Rechtsordnungen sind einbezogen?
8. Welche Kontrollen sind vor Pilot, Produktion und Skalierung erforderlich?
9. Welche Adoptions- und Qualitätsschwellen lösen Skalierung, Halten oder Stopp aus?
10. Was ist die nächste irreversible Verpflichtung, und wie lautet der Exit-Plan davor?

Anhang B. Mindest-Nachweispaket für Stopp oder Skalierung

1. Aktuelle Definition des Anwendungsfalls und Versionshistorie.
2. Baseline, kontrafaktische Vergleichsbasis und Methode zur Nutzenmessung.
3. Tatsächliche und prognostizierte Ausgaben, Verpflichtungen und jährliche Betriebskosten.
4. Pilot- oder Produktionsergebnisse über repräsentative Nutzer und Bedingungen hinweg.
5. Nachweise zu Adoption, Akzeptanz, Nacharbeit, Override und Fallback.
6. Status der Datenbereitschaft und offene Behebungsmaßnahmen.
7. Ergebnisse von Kontrolltests, Vorfälle, Einschränkungen und Akzeptanz des Restrisikos.
8. Lieferantenleistung, Konzentration, Vertragsverlängerung und Ausstiegsposition.
9. Szenariowirtschaftlichkeit, kritische Schwellenwerte und gefährdete Barmittel vor dem nächsten Gate.
10. Managementempfehlung mit Bedingungen, Verantwortlichem, Datum und Konsequenz.

Quellen

1. Bank für Internationalen Zahlungsausgleich, Finanzierung des AI-Booms: Von Cashflows zu Schulden, BIS Bulletin Nr. 120, veröffentlicht am 7. Januar 2026. https://www.bis.org/publ/bisbull120.htm
2. Bank für Internationalen Zahlungsausgleich, Das AI-Investitionsrennen, BIS-Forschungsarbeit Nr. 1367, veröffentlicht am 14. Juli 2026. https://www.bis.org/publ/work1367.htm
3. Internationale Energieagentur, Zentrale Fragen zu Energie und AI, veröffentlicht 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai
4. Alphabet Inc., Jahresbericht auf Formular 10-K für das am 31. Dezember 2025 endende Geschäftsjahr, eingereicht am 5. Februar 2026. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
5. Microsoft Corporation, Jahresbericht auf Formular 10-K für das am 30. Juni 2026 endende Geschäftsjahr, eingereicht am 30. Juli 2026. https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm
6. Meta Platforms, Inc., Jahresbericht auf Formular 10-K für das am 31. Dezember 2025 endende Geschäftsjahr, eingereicht am 29. Januar 2026. https://www.sec.gov/Archives/edgar/data/1326801/000162828026025534/meta-12312025x10kars.htm
7. Amazon.com, Inc., Quartalsbericht auf Formular 10-Q für das am 30. Juni 2026 endende Quartal, eingereicht am 31. Juli 2026. https://www.sec.gov/Archives/edgar/data/1018724/000101872426000026/amzn-20260630.htm
8. OECD, Boston Consulting Group und INSEAD, Die Einführung künstlicher Intelligenz in Unternehmen: Neue Erkenntnisse für die Politikgestaltung, veröffentlicht am 2. Mai 2025. https://doi.org/10.1787/f9ef33c3-en
9. OECD, Die Auswirkungen generativer AI auf Produktivität, Innovation und Unternehmertum, OECD Artificial Intelligence Papers Nr. 39, veröffentlicht am 20. Juni 2025. https://doi.org/10.1787/b21df222-en
10. National Institute of Standards and Technology, Risikomanagement-Rahmenwerk für künstliche Intelligenz 1.0, veröffentlicht am 26. Januar 2023. https://doi.org/10.6028/NIST.AI.100-1
11. National Institute of Standards and Technology, Risikomanagement-Rahmenwerk für künstliche Intelligenz: Profil für generative künstliche Intelligenz, veröffentlicht am 26. Juli 2024. https://doi.org/10.6028/NIST.AI.600-1
12. U.S. Government Accountability Office, Künstliche Intelligenz: Ein Rechenschaftsrahmen für Bundesbehörden und andere Einrichtungen, GAO-21-519SP, veröffentlicht am 30. Juni 2021. https://www.gao.gov/products/gao-21-519sp
13. Internationale Organisation für Normung, ISO/IEC 42001:2023 Informationstechnik – Künstliche Intelligenz – Managementsystem, veröffentlicht im Dezember 2023. https://www.iso.org/standard/81230.html
14. Gouverneursrat des Federal Reserve Systems, Überarbeitete Leitlinien zum Management von Modellrisiken, SR 26-2, veröffentlicht am 17. April 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm
15. Europäische Kommission, AI-Gesetz: Regulatorischer Rahmen für Künstliche Intelligenz, aktualisiert am 3. August 2026. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
16. Europäische Union, Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz, veröffentlicht am 12. Juli 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
17. HM Treasury, The Green Book 2026, veröffentlicht am 5. Februar 2026. https://www.gov.uk/government/publications/the-green-book-appraisal-and-evaluation-in-central-government/the-green-book-2026
18. HM Treasury, Leitfaden zur Entwicklung von Business Cases, aktualisiert am 30. Juni 2026. https://www.gov.uk/government/publications/guidance-on-developing-business-cases
19. Ministerium für Wissenschaft, Innovation und Technologie und Government Digital Service, Rahmenwerk für digitale und datenbezogene Nutzeffekte, veröffentlicht am 7. April 2026. https://www.gov.uk/government/publications/digital-and-data-benefits-framework
20. Cabinet Office und HM Treasury, Das Rahmenwerk für staatliche Effizienz, veröffentlicht 2025. https://www.gov.uk/government/publications/the-government-efficiency-framework/the-government-efficiency-framework--2