KI liefert. Du musst prüfen.

KI kann heute komplette Kalkulationsschemata bauen, Preismodelle stresstesten und Verhandlungsunterlagen vorbereiten, in Minuten statt Tagen. Genau darin liegt die Falle: Ein KI-System liefert immer eine Antwort, unabhängig davon, ob es die richtige Frage verstanden hat. Eine Formel kann intern korrekt aussehen und trotzdem die falsche Zeile referenzieren. Ein Kalkulationsmodell kann mathematisch sauber sein und trotzdem ein strukturelles Preisproblem verdecken. Die Verantwortung für das richtige Ergebnis bleibt bei dir, nicht bei der KI.

Warum KI-Fehler so schwer auffallen.

Montagfrüh, ein Beratungsprojekt bei einem mittelständischen Anlagenbauer. Du sitzt mit dem Vertriebsleiter am Bildschirm, die KI hat über Nacht ein komplettes Kalkulationsschema für die neue Angebotslinie gebaut: Materialkosten, Fertigungszeiten, Margenstaffeln, alles sauber verlinkt. Zwanzig Minuten Arbeit statt zwei Tage Excel-Frickelei. Der Vertriebsleiter nickt zufrieden und will das Modell direkt für das nächste Kundenangebot übernehmen. Du schaust genauer hin, prüfst eine Formel in der Margenspalte nach, und sie referenziert die falsche Zeile. Seit drei Berechnungsdurchläufen. Niemand hätte es gemerkt, wenn niemand nachgefragt hätte.

Genau diese Szene wiederholt sich gerade in tausenden Vertriebsabteilungen im deutschsprachigen Raum, nur meist ohne die Nachfrage am Ende. KI kann heute liefern, was früher tagelange Excel-Arbeit oder externe Berater gekostet hätte: komplette Kalkulationsschemata, stresstestbare Preismodelle, druckreife Verhandlungsunterlagen. Das ist kein Zukunftsversprechen mehr, das ist Alltag in Beratungsprojekten. Doch genau darin liegt die Falle, die selten benannt wird: Ein KI-System liefert immer eine Antwort. Ob es die richtige Frage beantwortet hat, musst du selbst beurteilen.

Diese Unterscheidung klingt zunächst nach einer Formalie, nach einer Randbemerkung für Skeptiker. Sie ist es nicht. Sie entscheidet darüber, ob ein Kalkulationsfehler unbemerkt beim Kunden landet oder rechtzeitig im eigenen Haus auffällt. Drei Beispiele aus einem aktuellen Beratungsprojekt zeigen, wie unterschiedlich diese Falle zuschnappen kann, und was sich daraus für die eigene Arbeit mit KI ableiten lässt.

Bemerkenswert an allen drei Fällen ist, dass sie nicht auf einen unerfahrenen Umgang mit KI zurückgingen. Das Team, das mit dem Anlagenbauer arbeitete, nutzte KI-Werkzeuge seit über einem Jahr im Tagesgeschäft, kannte die typischen Stärken und Schwächen und formulierte Anfragen bewusst präzise. Genau diese Erfahrung macht die Beispiele wertvoll: Sie zeigen nicht, was passiert, wenn jemand KI falsch bedient, sondern was passiert, wenn jemand KI richtig bedient und trotzdem ein unvollständiges Bild der eigenen Situation zugrunde legt. Der Fehler liegt seltener im Werkzeug als in der Annahme, dass ein professionell wirkendes Ergebnis automatisch ein geprüftes Ergebnis ist.

Ein Tippfehler in einer klassischen Excel-Formel fällt meist schnell auf, weil das Ergebnis offensichtlich falsch aussieht: eine Zahl, die aus dem Rahmen fällt, eine Summe, die nicht aufgeht. Ein KI-Fehler sieht anders aus. Die Formel mit der falschen Zeilenreferenz aus dem Anlagenbauer-Beispiel war intern vollkommen stimmig: Syntax korrekt, Bezug formal gültig, Ergebnis eine plausible Zahl im erwarteten Wertebereich. Nichts an ihr signalisierte einen Fehler. Erst der Abgleich mit der Ursprungstabelle zeigte, dass die Marge einer Produktvariante berechnet wurde, deren Zeile drei Positionen über der eigentlich gemeinten Zeile lag.

Diese Art von Fehler ist gefährlicher als ein offensichtlicher, weil sie sich anfühlt wie ein korrektes Ergebnis. Ein zweites Beispiel aus demselben Projekt bestätigt das Muster: Die KI hatte eine Preisliste vorbereitet, in der sämtliche Zahlen rechnerisch korrekt waren, aber in der falschen Einheit auftauchten. Kalkuliert war der Preis pro Meter, ausgewiesen wurde jedoch ein Wert, der wie ein Preis pro laufendem Meter inklusive Aufschlag wirkte, ein feiner, aber entscheidender Unterschied. Beim Kunden hätte das zu einer Zahl geführt, die auf den ersten Blick nachvollziehbar, in der Sache aber deutlich zu niedrig gewesen wäre. Aufgefallen ist der Unterschied nur, weil jemand das alte Angebotsdokument danebenlegte und die Einheit Zeile für Zeile verglich.

Beide Beispiele haben eines gemeinsam: Die KI hat nicht geraten, sie hat exakt das geliefert, wonach gefragt wurde, nur war die Frage unvollständig gestellt. Das ist der entscheidende Unterschied zu einem klassischen Rechenfehler. Ein Mensch, der eine Zeile falsch referenziert, macht in aller Regel einen erkennbaren Ausrutscher, ein hastig eingefügtes Minuszeichen, eine vergessene Klammer, etwas, das bei genauem Hinsehen aus dem Muster fällt. Eine KI, die eine unvollständige Anfrage sauber zu Ende rechnet, produziert dagegen ein Ergebnis, das jede formale Prüfung besteht und trotzdem an der Wirklichkeit vorbeigeht, weil die Lücke nicht im Rechenweg steckt, sondern in der Eingabe, die diesen Rechenweg ausgelöst hat.

Erfahrene Kalkulatoren entwickeln über Jahre ein Gespür dafür, wo typische menschliche Fehler auftreten, meist an Übergängen zwischen Tabellenblättern, bei manuell kopierten Formeln oder bei Sonderfällen am Rand einer Preisstaffel. Dieses Gespür greift bei KI-generierten Modellen nur bedingt, weil die Fehlerquellen an anderen Stellen liegen. Die Formel selbst ist fast nie das Problem, das Verständnis dessen, was die Formel eigentlich abbilden sollte, ist es.

Der typische Fehlansatz: Geschwindigkeit mit Richtigkeit verwechseln.

Der naheliegende Reflex in solchen Projekten ist, das Tempo der KI als Beweis für ihre Qualität zu nehmen. Was in zwanzig Minuten entsteht und professionell formatiert aussieht, wirkt automatisch vertrauenswürdiger als das, was drei Tage gedauert hätte. Diese Verwechslung ist menschlich nachvollziehbar und trotzdem ein Denkfehler mit Folgen. Geschwindigkeit sagt nichts über Richtigkeit aus, sie sagt nur etwas über die Zeit, die zwischen Frage und Antwort vergangen ist.

Der zweite typische Fehlansatz liegt in der Prüftiefe. Viele Vertriebsverantwortliche prüfen ein KI-generiertes Kalkulationsmodell auf Plausibilität, nicht auf Korrektheit. Sieht die Marge realistisch aus? Stimmt die Gesamtsumme grob mit der Erwartung überein? Diese Fragen sind wichtig, aber sie reichen nicht aus, um strukturelle Probleme zu erkennen, die sich hinter einer sauber aussehenden Zahl verbergen.

Das dritte Beispiel aus dem Beratungsprojekt zeigt, warum diese oberflächliche Prüftiefe nicht ausreicht. Ein komplettes Preismodell für eine mehrstufige Produktlinie war mathematisch vollständig sauber, jede Formel korrekt, jede Summe stimmig, die Marge auf den ersten Blick plausibel. Trotzdem verschleierte das Modell ein strukturelles Problem: Es rechnete bei steigendem Volumen mit sinkenden Stückkosten, ohne die dafür nötige Fertigungsumstellung einzupreisen. Auf dem Papier sah das Angebot bei hohen Stückzahlen hervorragend aus. In der Realität hätte der Anlagenbauer bei genau diesem Volumen zusätzliche Maschinenkapazität gebraucht, ein Kostenblock, der im Modell schlicht nicht vorkam.

Aufgefallen ist dieses Problem nicht durch eine zusätzliche Rechnung und auch nicht durch eine zweite, unabhängige Kalkulation. Aufgefallen ist es durch eine einzige, gezielte Nachfrage: Ab welchem Volumen greift diese Annahme eigentlich, und ist das aktuell überhaupt realistisch für die vorhandene Fertigung? Diese eine Frage legte offen, dass das gesamte Modell auf einer stillschweigenden Annahme über zukünftige Kapazität aufgebaut war, die niemand explizit formuliert oder bestätigt hatte.

Wäre dieses Preismodell unverändert in eine Kundenverhandlung gegangen, hätte der Anlagenbauer bei genau dem Volumen, das er sich am meisten gewünscht hätte, am wenigsten verdient. Ein mathematisch einwandfreies Modell hätte also zu einer wirtschaftlich falschen Entscheidung geführt, und niemand im Prozess hätte einen Fehler im klassischen Sinn gemacht. Genau diese Konstellation, korrekte Rechnung, falsche Entscheidung, ist die eigentliche Gefahr, wenn Plausibilitätsprüfung mit inhaltlicher Prüfung verwechselt wird.

Warum liefert eine KI auch bei falschen Annahmen ein überzeugendes Ergebnis?

Ein KI-System optimiert auf eine plausible, in sich stimmige Antwort, nicht auf die Übereinstimmung mit deiner tatsächlichen Geschäftsrealität. Fehlt eine Information, ergänzt das System sie mit einer wahrscheinlichen Annahme, ohne diese als Annahme kenntlich zu machen. Genau diese stille Lücke zwischen Annahme und Fakt ist der eigentliche Risikoherd in jeder KI-gestützten Kalkulation.

Das ist keine Kritik an der Technologie, sondern eine nüchterne Beschreibung, wie sie funktioniert. Eine KI hat kein eigenes Interesse daran, ob eine Fertigungsumstellung tatsächlich stattfindet oder ob eine Zeilenreferenz auf die richtige Produktvariante zeigt. Sie hat nur die Aufgabe, aus den gegebenen Informationen ein stimmiges Ergebnis zu bauen, und sie erledigt diese Aufgabe zuverlässig und schnell. Wenn die Informationen lückenhaft sind, bleibt die Lücke unsichtbar, aber sie verschwindet nicht. Sie wandert einfach eine Ebene tiefer, dorthin, wo sie erst auffällt, wenn jemand konkret nachfragt.

Für die tägliche Arbeit bedeutet das: Je komplexer und mehrstufiger eine Kalkulation ist, desto mehr stille Annahmen können sich in ihr verstecken, ohne dass die Oberfläche des Ergebnisses davon irgendetwas verrät. Ein einzelner Zahlenwert lässt sich innerhalb weniger Sekunden überprüfen. Ein zusammenhängendes Modell aus zwanzig oder dreißig verknüpften Positionen lässt sich nicht mehr in derselben Zeit vollständig durchdringen, und genau dort entsteht der Raum, in dem unausgesprochene Annahmen unentdeckt bleiben können.

Hinzu kommt ein zweiter Effekt, der die Sache in der Praxis noch verschärft: Je überzeugender ein Ergebnis formatiert ist, desto weniger wird es hinterfragt. Ein sauber gegliedertes Kalkulationsschema mit klaren Spaltenüberschriften und stimmigen Zwischensummen wirkt allein durch seine Form bereits fertig und geprüft, selbst wenn inhaltlich noch nichts geprüft wurde. Diese optische Reife eines KI-Ergebnisses ist ein eigener Risikofaktor, unabhängig vom Inhalt, weil sie die kritische Distanz genau in dem Moment senkt, in dem sie am nötigsten wäre.

Der eigentliche Engpass liegt nicht in der KI, sondern in der Prüfung.

An dieser Stelle lohnt sich ein Perspektivwechsel. Die naheliegende Reaktion auf die drei Beispiele wäre, KI-Ergebnissen grundsätzlich zu misstrauen oder sie doppelt und dreifach von Hand nachzurechnen. Das kostet genau die Zeit zurück, die man durch den KI-Einsatz gewonnen hat, und verfehlt den eigentlichen Punkt. Der Engpass liegt nicht in der KI selbst, sondern in der Frage, wer im Prozess die Verantwortung für die kritische Prüfung trägt, und ob diese Prüfung strukturell vorgesehen ist oder dem Zufall überlassen bleibt.

In allen drei Beispielen aus dem Beratungsprojekt war die Ursache dieselbe: Es gab keine feste, wiederkehrende Stelle im Prozess, an der jemand mit unternehmerischem Urteilsvermögen die KI-Ausgabe gegen die reale Geschäftssituation abgleicht. Die Formel wurde geprüft, weil ein erfahrener Berater aus Gewohnheit nachrechnete. Die Einheit fiel auf, weil jemand das alte Angebot danebenlegte. Das strukturelle Preisproblem wurde sichtbar, weil eine einzelne, gezielte Frage gestellt wurde. Keine dieser drei Prüfungen war im Prozess selbst verankert, sie passierten, weil einzelne Personen aus Erfahrung aufmerksam waren.

Genau das ist zu wenig, um sich auf Dauer darauf zu verlassen, denn Aufmerksamkeit einzelner Personen ist keine Systematik. Sie funktioniert an guten Tagen und versagt an vollen Tagen, wenn drei Angebote gleichzeitig fertig werden müssen und die Zeit für eine zusätzliche Nachfrage fehlt. Ein Betrieb, der sich auf die Wachsamkeit Einzelner verlässt, hat kein Prüfverfahren, sondern Glück, das irgendwann aufbraucht.

Der Perspektivwechsel besteht also darin, KI nicht als zusätzliche Fehlerquelle zu behandeln, die man kontrollieren muss, sondern als Beschleuniger, der jede vorhandene Lücke im eigenen Prozess sichtbarer und folgenreicher macht. Ein Betrieb mit einer sauber verankerten Prüfstelle profitiert von KI fast ausschließlich, weil Tempo dazukommt, ohne dass Risiko dazukommt.

Ein Betrieb ohne diese Prüfstelle importiert mit jedem KI-Ergebnis ein Risiko, das vorher schon da war, nur langsamer und in kleineren Schritten sichtbar wurde. Der Unterschied liegt selten in der eingesetzten Technologie, sondern fast immer in der Prozessreife, die vorher schon vorhanden war oder eben nicht.

Sortieren, bevor du beschleunigst.

Diese Erkenntnis ist im Kern nichts Neues, sie ist nur durch KI dringlicher geworden. Wer zuerst beschleunigt und erst danach sortiert, multipliziert vorhandene Unklarheit, statt sie zu beseitigen. Eine KI, die in Minuten liefert, was früher Tage brauchte, beschleunigt jeden Fehler genauso zuverlässig wie jede richtige Annahme. Vor der Beschleunigung steht deshalb immer die Frage, was überhaupt korrekt sortiert, verstanden und geprüft ist, bevor Tempo dazukommt.

Für die Praxis heißt das konkret: Bevor ein KI-generiertes Kalkulationsmodell, Preisdokument oder eine Verhandlungsunterlage den Betrieb verlässt, braucht es eine definierte Prüfstelle, an der jemand mit Marktkenntnis und unternehmerischem Urteilsvermögen gezielt nachfragt, nicht nur oberflächlich gegenliest. Diese Prüfstelle ersetzt nicht die Geschwindigkeit der KI, sie schützt sie. Erst wenn klar ist, welche Annahmen im Modell stecken, welche Formeln worauf verweisen und welche Einheit tatsächlich gemeint ist, darf beschleunigt werden.

Ein digitales Sales-Team wie Claudia kann in diesem Zusammenspiel eine sinnvolle Rolle übernehmen, wenn seine Aufgabe klar von der unternehmerischen Prüfung getrennt bleibt: Es liefert Tempo bei Kalkulation, Vorbereitung und Aufbereitung, ersetzt aber nicht den Moment, in dem ein Mensch mit Branchenkenntnis eine gezielte Nachfrage stellt. Sortieren vor Beschleunigen gilt für den Vertriebsprozess als Ganzes genauso wie für jedes einzelne KI-Ergebnis, das darin verarbeitet wird.

Am Ende bleibt eine einfache, aber unbequeme Wahrheit bestehen: KI ersetzt kein unternehmerisches Urteilsvermögen, sie beschleunigt dessen Ausführung. Wer die richtige Frage stellt, die kritische Prüfung strukturell verankert und das Ergebnis an der eigenen Geschäftsrealität misst, gewinnt durch KI enorm an Tempo. Wer diesen Schritt überspringt, gewinnt nur scheinbar Zeit und zahlt sie später mit Zinsen zurück, meist genau dann, wenn ein Kunde die Rechnung in der Hand hält.

Der Anlagenbauer aus dem eingangs geschilderten Projekt hat sein Kalkulationsschema am Ende doch übernommen, allerdings erst nach drei gezielten Korrekturrunden, in denen die Zeilenreferenz, die Einheit und die Kapazitätsannahme einzeln geprüft und richtiggestellt wurden. Die dafür aufgewendete Zeit lag bei weniger als zwei Stunden, verglichen mit den zwei Tagen, die die ursprüngliche Excel-Arbeit gekostet hätte. Der Zeitgewinn durch KI blieb also erhalten, nur eben nicht ungeprüft, sondern eingebettet in eine Prüfung, die von Anfang an mitgedacht war statt nachträglich improvisiert.

Häufig gestellte Fragen.

Ersetzt KI die fachliche Prüfung durch einen Menschen?

Nein. Eine KI liefert ein in sich stimmiges Ergebnis auf Basis der Eingaben, die sie erhält, aber sie kann nicht beurteilen, ob diese Eingaben deine reale Geschäftssituation korrekt abbilden. Diese Beurteilung bleibt eine unternehmerische Aufgabe, die sich nicht automatisieren lässt.

Wie erkenne ich, ob ein KI-generiertes Kalkulationsmodell vertrauenswürdig ist?

Prüfe gezielt einzelne Formeln und Bezüge stichprobenartig gegen die Ursprungsdaten, kontrolliere Einheiten explizit gegen bestehende Dokumente, und stelle mindestens eine konkrete Nachfrage zu einer Annahme, die im Modell unausgesprochen steckt.

Lohnt sich der Einsatz von KI in der Kalkulation trotzdem?

Ja, eindeutig. Der Zeitgewinn ist real und erheblich, und kein seriöses Argument spricht dagegen, ihn zu nutzen. Entscheidend ist, dass die kritische Prüfung als fester Schritt im Prozess verankert wird, statt vom Zufall einer aufmerksamen Einzelperson abzuhängen.

Aktionsplan in 5 Schritten.

Die folgenden fünf Schritte helfen dir, KI-Tempo mit unternehmerischer Sorgfalt zu verbinden, ohne die Geschwindigkeit wieder zu verlieren, die dich zur KI gebracht hat. Sie sind bewusst so formuliert, dass sie sich in einen bestehenden Angebots- oder Kalkulationsprozess einfügen lassen, ohne ihn zu verlangsamen.

1.Definiere für jedes KI-generierte Kalkulations- oder Preisdokument eine feste Prüfstelle mit klarer Verantwortlichkeit, bevor es den Betrieb verlässt.

2.Prüfe stichprobenartig einzelne Formeln und Zeilenbezüge gegen die Ursprungsdaten, statt nur das Endergebnis auf Plausibilität zu checken.

3.Gleiche Einheiten, Bezugsgrößen und Preisbasen explizit gegen ein bestehendes, bereits verifiziertes Dokument ab.

4.Stelle bei jedem neuen Modell mindestens eine gezielte Nachfrage zu einer Annahme, die die KI stillschweigend getroffen haben könnte.

5.Dokumentiere geprüfte Annahmen sichtbar im Modell selbst, damit die nächste Person im Prozess nicht erneut bei null anfängt.

Wenn diese fünf Schritte einmal als fester Bestandteil deines Prozesses etabliert sind, wird aus der Prüfung kein zusätzlicher Aufwand mehr, sondern ein selbstverständlicher Teil der Geschwindigkeit, die KI dir überhaupt erst ermöglicht.

Was du mitnimmst.

KI kann heute vollständige Kalkulationsschemata, Preismodelle und Verhandlungsunterlagen liefern, und sie tut das schneller und oft sauberer formatiert als jede manuelle Vorarbeit. Das eigentliche Risiko liegt nicht in Fehlern, die offensichtlich falsch aussehen, sondern in Ergebnissen, die intern stimmig wirken und trotzdem eine falsche Zeile, eine falsche Einheit oder eine unausgesprochene Annahme enthalten.

Wer diese Lücke schließen will, braucht keine grundsätzliche Skepsis gegenüber KI, sondern eine feste, im Prozess verankerte Prüfstelle mit unternehmerischem Urteilsvermögen. Sortieren vor Beschleunigen gilt für jedes einzelne KI-Ergebnis genauso wie für den gesamten Vertriebsprozess. Die Verantwortung für die richtige Frage und das richtige Ergebnis lässt sich beschleunigen, aber nicht outsourcen.

Willst du wissen, wo in deinem Vertriebsprozess eine solche Prüfstelle aktuell fehlt? Mach den kostenlosen Claudia Quick-Test auf TheSwissBizz.com/Test und erhalte eine erste Einordnung, wo dein Wertstrom am ehesten unbemerkt Substanz verliert.

Auslastung UND Aufwand managen mit EINER Lösung: Swiss Business System.

Wenn du wissen willst, wie das geht: Lass uns reden. Ohne Verkaufsdruck, von Kollege zu Kollege:
HIER TERMIN BUCHEN.