DEMO

Interner Assistent für Mitarbeiter für Energie Thun AG

Return-on-Invest-Modell

Ihr Projektteam

Elias Schegg

elias.schegg@power-brain.ch

Philline Goess

philline-goess@power-brain.ch

Michael Rubin

michael.rubin@power-brain.ch

2024-09-11 | Für Energie Thun AG

Für Energie Thun AG wurde für die Lösungskonfiguration ‘Interner Assistent für Mitarbeiter’ eine personalisierte Return-on-Invest-Analyse (RoI) für den Einsatz von KI im Kunden- und Mitarbeitersupport erstellt. Sie zeigt, wie KI messbare Effizienz- und Kostenvorteile erzeugen kann. Das zugrunde liegende Modell ist datengetrieben und transparent aufgebaut. Auf Wunsch kann das Modell gemeinsam mit Energie Thun AG weiter verfeinert werden.

Ihr Angebot

Das vorliegende Dokument ist eine vertrauliche Information zu Handen Energie Thun AG.

Angebot

Ihre Projektdaten

Die vorliegende Analyse wurde spezifisch für Energie Thun AG erstellt. Folgende Daten wurden berücksichtigt:

EVU: Energie Thun AG
Lösungskonfiguration: Interner Assistent für Mitarbeiter
Projekt ID: demo_3
Anzahl Haushalte im Gebiet: 20’867
Anzahl Unternehmen im Gebiet: 3’251
Total Kunden im Gebiet: 24’118 (relevant für das Angebot)

Gemäss BFS, sowie der Gebietszuteilung ElCom. Die Anzahl Kunden im Gebiet ist relevant für das Pricing der laufenden Kosten, da ein starker Zusammenhang zum Anfragevolumen besteht.

Vorgeschlagene Lösung

Die Tabelle zeigt die Module der vorgeschlagenen Lösung, inklusive der Bruttopreise:

Kategorie	Modul	Invest (einmalig)	Lizenz Kunden (jährlich)*	Lizenz Mitarbeiter (jährlich)**
	Kernsystem	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Wissensdaten Energiebranche	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Personalisierung	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Aktualisierung des Wissens	X'XXX CHF	X'XXX CHF	X'XXX CHF
Setup & Kernsystem	Subtotal	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Integration Website	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Integration Sharepoint	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Agent Prosumer	X'XXX CHF	X'XXX CHF	X'XXX CHF
Wissensquellen & Skills	Subtotal	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Interner KI-Assistent für Mitarbeitende	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Schulung Generative KI im Arbeitsalltag	X'XXX CHF	X'XXX CHF	X'XXX CHF
Fachwissen & Mitarbeiter	Subtotal	X'XXX CHF	X'XXX CHF	X'XXX CHF
	Total	X'XXX CHF	X'XXX CHF	X'XXX CHF
* Für 24118 Kunden im Gebiet (gemäss BFS). ** Für 5 User (Mitarbeiter Kundensupport).

Angebot Netto

Nachfolgend das Nettoangebot:

Invest (einmalig)	Lizenz Kunden (jährlich)*	Lizenz Mitarbeiter (jährlich)**	Lizenz Total (jährlich)
X'XXX CHF	X'XXX CHF	X'XXX CHF	X'XXX CHF
* Für 24118 Kunden im Gebiet (gemäss BFS). ** Für 5 User (Mitarbeiter Kundensupport).

Ihr Return-on-Invest

Simulationsrechnung

Wir haben für die Entwicklung der Situation in Ihrem Kundensupport Simulationen für folgende Szenarien berechnet:

Historisch: Typische Situation in den Jahren vor 2023
Heute: Typische Situation in den Jahren nach 2025 ohne KI
Mit KI: Typische Situation in den Jahren nach 2025 mit KI

Auf Basis unserer Erfahrung, sowie der gemeinsamen Erarbeitung, wurden folgende wichtige Parameter für die Berechnung der Simulation definiert:

Anfragen pro Kunde: Historisch = 1 (Heute 20% Zunahme)
Anteil komplexe Anfragen: Historisch 5% / Heute 19%
Anteil E-Mail-Kanal: 18%
Bearbeitungszeit einfache Anfragen: 6 Minuten Telefon / 10 Minuten E-Mail
Bearbeitungszeit komplexe Anfragen: 35 Minuten Telefon / 35 Minuten E-Mail
Personalkosten: Einfache Anfragen CHF 65’000 / Komplexe Anfragen CHF 85’000

Kenngrösse	Historisch	Heute	Mit KI	KI-Effekt
Kunden im Versorgungsgebiet	24'100	24'100	24'100
Anfragen pro Jahr	24'100	28'900	28'900
Automatisierungsgrad KI	0%	0%	0%
Anfragen durch Mitarbeitende	24'100	28'900	28'900	0
Bearbeitungszeit pro Anfrage	8.13 Min.	12.4 Min.	9.86 Min.	-2.52 Min.
VZE im Kundensupport	3.40	5.4	4.40	-1.00
Supportkosten pro Jahr	CHF 306'000	CHF 486'000	CHF 396'000	CHF -90'000
Mehr Details zur Modellberechnung sowie den Parameter finden Sie im letzten Teil dieses Dokuments

Finanzielle Kennzahlen

Basierend auf der Simulationsrechnung und auf dem Pricing zeigen wir nachfolgend eine Investitionsrechnung:

Kenngrösse	Wert
Investition	X'XXX CHF
Kosteneinsparung im Kundensupport (jährlich)	X'XXX CHF
Laufende Kosten (jährlich)	X'XXX CHF
Kosteneinsparung Netto (jährlich)	X'XXX CHF
Return-on-Invest nach Jahr 1	X'XXX CHF
Return-on-Invest nach Jahr 3	X'XXX CHF
Payback Zeit in Monaten	X'XXX CHF

Diese Investitionsrechnung zeigt eine idealisierte Zielsituation. In der Praxis kann dieser Effekt erst nach der Einführung, der Kundeninformation und einer gewissen Einpendelphase eintreten. Auf der anderen Seite ist zu verstehen, dass sich der hier verwendete Automatisierungsgrad auch auf Daten aus der Einführungsphase bezieht.

Sensitivitätsanalyse

Die Simulation basiert auf einem mathematischen Modell mit Annahmen zu verschiedenen Parametern. Ein zentraler Parameter ist der Automatisierungsgrad der KI (p_bot).

Da dieser Wert von externen Faktoren abhängig ist und einen starken Einfluss auf das Ergebnis hat, wird eine Sensitivitätsanalyse durchgeführt. Dabei werden die Parameter (p_bot) für alle Kanäle und Komplexitätsstufen auf das 5 %-Quantil gesetzt. Das bedeutet: Mit 95 % Wahrscheinlichkeit wird der tatsächliche Automatisierungsgrad gleich hoch oder höher sein als in diesem Szenario.

Simulationsrechnung (5 %-Quantil)

Kenngrösse	Heute	(Erwartet mit KI)	5 %-Quantil mit KI	KI-Effekt 5 %-Quantil
Anfragen pro Jahr	28'900.0	28'900.0	28'900.0
Automatisierungsgrad KI	0%	0%	0%
Anfragen durch Mitarbeitende	28'900.0	28'900.0	28'900.0	0
VZE im Kundensupport	5.4	4.4	4.4	-1
Supportkosten pro Jahr	CHF 486'000	CHF 396'000	CHF 396'000	CHF -90'000
Weitere Details finden Sie im Teil Aufbau & Methodik

Finanzielle Kennzahlen (5 %-Quantil)

Kenngrösse	Wert
Investition	X'XXX CHF
Kosteneinsparung im Kundensupport (jährlich)	X'XXX CHF
Laufende Kosten (jährlich)	X'XXX CHF
Kosteneinsparung Netto (jährlich)	X'XXX CHF
Return-on-Invest nach Jahr 1	X'XXX CHF
Return-on-Invest nach Jahr 3	X'XXX CHF
Payback Zeit in Monaten	X'XXX CHF

PowerBrain KI-Ansatz

Situation Historisch: Komplexität ist stark gestiegen. Anfragen folgen zeitlich verzögert.

Situation Heute: Die Anfragen werden in naher Zukunft explodieren.

$Situation mit KI$

Situation mit KI: Ziel der KI ist es, die neue Situation mit denselben Ressourcen zu bewältigen.

KI bringt grosse Effizienzvorteile. Entscheidend ist, wie diese genutzt werden und welche Auswirkungen daraus entstehen. Mit der Umsetzung der Energiestrategie 2050 steigt der Bedarf an hochwertigen Dienstleistungen und Kundenberatungen deutlich. KI kann hier Freiräume schaffen und Mitarbeitende bei komplexeren technischen Beratungen unterstützen. Unser RoI-Modell basiert auf diesem Prinzip.

Entwicklung 2021-2025

Seit 2021 haben sich die Regulierungen in der Energieversorgung nahezu verdoppelt. Gleichzeitig entstehen neue Technologien und Marktmodelle. Dadurch wird das Geschäft der EVU deutlich komplexer und führt zu einer starken Zunahme der Kundenanfragen (+221 %). Die Kundensupportabteilungen sind deshalb bereits heute (2026) stark gefordert und teilweise am Limit.

Entwicklung 2026-2030

Diese Entwicklung wird sich weiter verschärfen. Einerseits folgen die Anfragen typischerweise mit zeitlicher Verzögerung, weshalb sich der volle Effekt des Mantelerlasses in der aktuellen Situation noch nicht vollständig widerspiegelt. Andererseits zeichnen sich bereits neue Komplexitäten ab – etwa durch Marktliberalisierung, Batteriespeicher, Elektromobilität und dynamische Tarife. Es ist daher davon auszugehen, dass die Kundensupportabteilungen der EVU bis 2030 noch deutlich stärker unter Druck geraten. Die Kosten werden zeitnah zum echten Problem werden.

Ziel der Generativen KI von PowerBrain

Die generativen KI-Lösungen von PowerBrain sind darauf ausgerichtet, die steigende Komplexität und das wachsende Volumen von Anfragen effizienter zu bewältigen. Ziel ist nicht, Mitarbeitende im Kundensupport vollständig zu ersetzen. Vielmehr sollen Freiräume geschaffen werden, damit bestehende Mitarbeitende ihre Zeit produktiver und sinnvoller einsetzen können. Dies gelingt durch die Automatisierung repetitiver Aufgaben sowie durch die Unterstützung bei komplexen Fragestellungen im Rahmen eines Human-in-the-Loop-Ansatzes.

Die Energiestrategie 2050 verlangt sehr viel mehr hochwertige Beratungs- und Betreuungsdienstleistungen bei Kunden. Genau in diese Mehrwertdienstleistungen sollen die Freiräume investiert werden. Die KI unterstützt auch, indem sie mehr Leute zu Fachthemen befähigt.

Nutzen der Generativen KI

Der konkrete Nutzen der KI ist also die Differenz zwischen einem Szenario “weiter wie bisher”, bei dem bereits heute (oder in zeitnaher Zukunft ) einen Grossteil der Ressource auf repetitive Aufgaben entfallen und einem Szenario “Ziel”, bei dem die gleichen Ressourcen in viel höherwertige Dienstleistungen investiert werden.

PowerBrain strebt mit der KI also ein Szenario an, in dem wir mit ähnlichem Resourceneinsatz wie heute deutlich mehr und deutlich höherwertige Dienstleistungen anbieten können.

Clever eingesetzt können diese hochwertigen Services übrigens einen deutlich überproportionalen Nutzen haben. Je nach Situation könnten diese Beratungsressourcen beispielsweise in eine der folgenden Bereiche investiert werden:

Kunden zu Netzdienlichkeit beraten (HEMS, Batterien etc)
Kunden zum Energiesparen beraten
Kunden in neue Tarifmodelle einführen
Aktive Imagebearbeitung um eine mögliche Marktliberalisierung vorzubereiten.

Aufbau & Methodik

Ziel

Das Modell beantwortet im Kern vier Fragen:

Wie stark steigt das Supportvolumen gegenüber früher?
Wie viel davon kann KI übernehmen oder unterstützen?
Wie entwickelt sich dadurch der Personalbedarf im Support?
Rechnet sich die gewählte Lösung wirtschaftlich?

Unser ökonomisches Modell soll eine solide Entscheidungsgrundlage liefern. Es basiert auf Daten und Erfahrungswerten nach dem Prinzip Daten + bekannte Unsicherheit. Die Annahmen sind transparent und können gemeinsam angepasst werden. Die modellierten Effekte stützen sich auf reale Daten von Schweizer EVU. Es ist damit kein exaktes Abbild der Realität, sondern eine strukturierte und nachvollziehbare Entscheidungsrechnung.

Szenarien

Die Simulationsrechnung modelliert drei verschiedene Szenarien und stellt diese einander gegenüber:

Historisch

Dies repräsentiert die typische Support-Situation in den Jahren vor 2023. Die meisten Anfragen (95.0%) waren einfache administrative Anfragen (z.B. Umzug, Rechnungen). Das Volumen ist stabil mit ca. 1 Anfrage pro Jahr und Kunde.

Heute

Das Szenario Heute modelliert die Situation nach der Einführung des Mantelerlasses, der dazugehörigen Marktmodellen und Technologien, ohne jegliche KI-Automatisierung. Wir nehmen an, dass das Volumen um 20.0% gestiegen ist. Gleichzeitig steigt die Komplexität der Anfragen. 20.0% sind jetzt fachlich komplexere Anfragen mit Beratungscharakter.

Mit KI

Dieses Szenario ist identisch zum Szenario Heute, jedoch unter Einbezug der Automatisierung durch die KI. Die KI wird in diesem Szenario zwei noch zu modellierende Faktoren positiv beeinflussen:

Automatisierungsgrad (p_bot): Anzahl der Anfragen, die die KI automatisch beantwortet.
Zeiteinsparung (t_save): Zeit, die die KI reduzieren kann für Anfragen durch Mitarbeiter.

Modellparameter

Alle folgenden Modellparameter können in einer gemeinsamen Arbeit diskutiert und justiert werden. Dies ist eine Dienstleistung von PowerBrain.

Komplexitäten & Bearbeitungszeiten

Jede Anfrage wird einer von zwei Klassen heuristisch zugeordnet:

Einfach: Administrative und einfache Produktauskünfte, bei dem eine simple Antwort genügt.
Komplex: Technische oder fachliche Fragen oder solche, die weitere Abklärungen benötigen.

Die Motivation für die Klassifizierung sind die unterschiedlichen Bearbeitungszeiten zwischen einfachen und komplexen Aufgaben.

Die Klassifizierung wurde ermittelt, indem ca. 25’000 E-Mail und Chat-Datensätze von EVU mittels eines lokalen LLM nach ebendiesen Kriterien klassifiziert wurden. Das Modell hat ca. 15% der Anfragen als Komplex klassifiziert, jedoch stark steigend in den Jahren von 2022-2025. Dies rechtfertigt die oben erwähnte Steigerung des Anteils der komplexen Anfragen.

Auf der Ebene aller Kanäle wurden die Bearbeitungszeiten so kalibriert, dass die aus dem Modell resultierende Anzahl an benötigten Vollzeitequivalenz (als Mitarbeiter) den bekannten Daten aus mehreren EVU entspricht.

Kanäle

Das Modell unterscheidet zwei traditionelle Support-Kanäle Telefon und E-Mail. Die Kanäle werden getrennt betrachtet, weil sie sich wie folgt unterscheiden:

Anteil am gesamten Anfragevolumen
Anteil der komplexen Anfragen
Zeitaufwand bei der Bearbeitung
Automatisierungsgrad durch KI
Zeiteinsparung pro Anfrage

Die Aufteilungen basieren auf gemessenen und generalisierten Daten aus Schweizer Stadtwerken.

Arbeitskosten

Die Arbeitskosten für einfache und komplexe Fälle werden unterschieden unter der Annahme, dass komplexe Anfragen teurere Fachkräfte benötigen.

Modellparameter Szenario Historisch

Kanal	Komplexität	Anteil	Bearbeitungszeit	Arbeitskosten
tel	simple	77.9%	6 Min.	CHF 78'000
email	simple	17.1%	10 Min.	CHF 78'000
tel	complex	4.1%	35 Min.	CHF 102'000
email	complex	0.9%	35 Min.	CHF 102'000

Modellparameter Szenario Heute

Kanal	Komplexität	Anteil	Bearbeitungszeit	Arbeitskosten
tel	simple	65.6%	6 Min.	CHF 78'000
email	simple	14.4%	10 Min.	CHF 78'000
tel	complex	16.4%	35 Min.	CHF 102'000
email	complex	3.6%	35 Min.	CHF 102'000

Modellrechnung Staffing (Personalbedarf)

Der Personalbedarf wird aus dem erwarteten Anfragevolumen berechnet. Da Anfragen zufällig eintreffen, wird ein Service-Puffer berücksichtigt. Wir verwenden eine vereinfachte √-Regel, was eine etablierte Approximation aus der Erlang-Warteschlangentheorie in Call-Centern ist. Zur durchschnittlichen Arbeitslast $A$ wird ein statistischer Service-Puffer $\beta \sqrt{A}$ addiert. $\beta$ ist dabei ein Service-Qualitätsfaktor (je höher, desto besser die Qualität).

Entsprechend berechnet sich der Personalbedarf $P$ (Square-Root-Staffing):

\[ P \approx A + \beta \sqrt{A} \]

Modellierung des Automatisierungsgrades

Ausgangslage

Das Angebot von PowerBrain besteht aus verschiedenen Interface-Modulen (z. B. Chatbot, E-Mail-Integration). Jedes dieser Module hat einen unterschiedlichen Einfluss auf die Automatisierung nach Kanal und Komplexität. Zum Beispiel kann der Chatbot einfache Anfragen sehr gut automatisieren.

Einschätzung PowerBrain

Die Tabelle zeigt die Einschätzung von PowerBrain für den Automatisierungsgrad pro Modul, Kanal und Komplexität. Dahinter stehen vor allem Fragen zum Kundenverhalten und zu den Fähigkeiten der Systeme. Es wurden folgende Überlegungen gemacht:

Für einfache Fragen wird die KI deutlich mehr genutzt als für komplexe.
Kunden, die E-Mails schreiben, wechseln eher zur KI als solche, die anrufen.
Das Self-Service-Center wird halb so oft genutzt wie der Chatbot.
Die E-Mail-Integration automatisiert nichts – sie hilft den Mitarbeitenden, Zeit zu sparen.
Der interne Assistent automatisiert nichts – er hilft den Mitarbeitenden, Zeit zu sparen.

Wichtig: Die einzelnen Prozentwerte müssen zur Quersumme addiert werden, da sie sich ergänzen. Z. B. können bei einfachen Anfragen per Telefon der Chatbot 20 % und das Self-Service-Center weitere 10 % automatisieren, also insgesamt 30 %.

Kanal/Komplexität	Chatbot	Self-Service-Center	E-Mail int.	Int. Assistent
simple_tel	20%	10%	0%	0%
simple_email	45%	22%	0%	0%
complex_tel	3%	1%	0%	0%
complex_email	25%	12%	0%	0%

Bayesianische Optimierung

Auf der Stufe der Automatisierungsgrade pro Kanal und Komplexität erfolgt ein Abgleich mit den beobachteten Daten aus den PowerBrain-Systemen im Einsatz. Da aktuell noch eine begrenzte Datenmenge vorliegt, wird dafür ein bayesianisches Optimierungsmodell verwendet. Dieses startet mit den Einschätzungen von PowerBrain und passt diese mit jedem neuen Datenpunkt schrittweise in Richtung der beobachteten Werte an.

Modell:

\[ \alpha_{\text{post}} = \alpha_{\text{prior}} + w \cdot n_{\text{bot}}, \qquad \beta_{\text{post}} = \beta_{\text{prior}} + w \cdot (n_{\text{channel}} - n_{\text{bot}}) \]

und daraus folgt:

\[ E[p_{\text{bot}}] = \frac{\alpha_{\text{post}}}{\alpha_{\text{post}} + \beta_{\text{post}}} \] wobei:

$(E[p_{\text{bot}}] )$: Erwarteter Automatisierungsgrad - beste Schätzung mit aktueller Datenlage
$(p_{\text{bot}} )$: Wahrer Automatisierungsgrad - unbekannt
$( n_{\text{bot}} )$: Anzahl automatisierter Anfragen
$( n_{\text{channel}} )$: Gesamtanzahl Anfragen im Kanal
$(w)$: Gewichtung der neuen Daten (Learning Rate)
$(\alpha_{\text{prior}}, \beta_{\text{prior}} )$: Einschätzung von PowerBrain (Prior)
$(\alpha_{\text{post}}, \beta_{\text{post}} )$: aktualisierte Parameter nach Einbezug der Daten

Je mehr empirische Daten vorliegen und je konsistenter diese sind, desto näher rückt die Einschätzung an diese empirische Daten (=Kalibrierung) und desto enger wird die Verteilung (=Zuverlässigkeit). Diese Methode berücksichtigt, dass sich die Nutzung des Bots durch die Kunden über die Zeit weiterentwickelt.

Wichtig zudem: die aktuelle Kalibrierung bezieht sich nur auf die Funktion des Chatbots. Für diesen stehen genügend Daten zur Verfügung. Die Automatisierungsgrade für die anderen Module werden daraus abgeleitet.

Beispiele (Grafik):

Der Automatisierungsgrad für komplexe Telefonanrufe wurde tief eingeschätzt. Die Daten sind etwas höher, aber es ist noch sehr instabil, weshalb nur eine schwache Korrektur nach oben erfolgt.
Der Automatisierungsgrad für einfache Telefonanrufe wurde mit 20% angenommen. Es sind schon relativ viele Daten vorhanden, welche diese 20% bestätigen. Deshalb wird die Streuung um die 20% enger -> relativ stabile Einschätzung
Für den Automatisierungsgrad für E-Mails scheinen die Daten die Einschätzungen ebenfalls mehr oder weniger zu bestätigen, wobei noch eine etwas dünne Datenbasis z.V. steht. Deshalb ist die Varianz noch groß -> es kann sich noch ändern.

Verwendet wird jeweils der korrigierte Wert (orange in der Grafik).

Modellierung der Zeiteinsparung

Ausgangslage

Das Angebot von PowerBrain besteht aus verschiedenen Interface-Modulen (z. B. Chatbot, E-Mail-Integration). Jedes dieser Module hat einen unterschiedlichen Einfluss auf die Zeiteinsparung nach Kanal und Komplexität. Zum Beispiel kann der interne Assistent eine Zeiteinsparung bei komplexen Anfragen leisten, während die E-Mail-Integration bei einfacheren E-Mails ganz besonders stark wirkt.

Einschätzung PowerBrain

Die Tabelle zeigt die Einschätzung von PowerBrain für die Zeiteinsparung pro Modul, Kanal und Komplexität. Dahinter steht in erster Linie die Frage nach der Fähigkeit der Technologie. Diese kann PowerBrain gut einschätzen und stellt folgende Überlegungen an:

Die E-Mail-Integration spart sehr viel Zeit bei einfachen E-Mails
Die E-Mail-Integration spart moderat viel Zeit bei komplexen E-Mails
Der interne Assistent spart bei komplexen Telefonanfragen viel Zeit.
Der interne Assistent spart bei einfachen Telefonanfragen wenig Zeit.
Der interne Assistent spart bei komplexen E-Mails Zeit.
Der Chatbot spart keine Zeit - er automatisiert.
Das Self-Service-Center spart keine Zeit - es automatisiert.

Wichtig: Die einzelnen Prozentwerte müssen zur Quersumme addiert werden, da sie sich ergänzen.

Kanal/Komplexität	Chatbot	Self-Service-Center	E-Mail int.	Int. Assistent
simple_tel	0%	0%	0%	5%
simple_email	0%	0%	75%	0%
complex_tel	0%	0%	0%	35%
complex_email	0%	0%	40%	25%

Für die Variable der Zeiteinsparung kann aktuell noch keine Kalibrierung anhand von Daten erfolgen, da diese Grösse nicht einfach zu messen und zu erheben ist. Auf der anderen Seite kann die Einschätzung von PowerBrain als solide angesehen werden, da der Effekt weniger stark vom Kundenverhalten abhängt.

Finanzielle Analyse

Die Szenarien werden gemäss dem oben beschriebenen Modell berechnet. Das Resultat ist die Anzahl eingesparter Stellenprozente zwischen dem Szenario Heute und dem Szenario Mit KI, sowie die daraus abgeleitete finanzielle Einsparung.

Diese Einsparung wird anschliessend den Investitionen und laufenden Kosten gegenübergestellt und anhand gängiger Finanzkennzahlen wie ROI oder Payback bewertet. Darauf wird hier nicht näher eingegangen.

Sensitivitätsanalyse

Die Simulation basiert auf Annahmen. Besonders kritisch ist der Automatisierungsgrad der KI, da dieser stark vom externen Kundenverhalten abhängt. Deshalb berechnet das Modell zusätzlich ein sehr vorsichtiges Szenario:

Für alle Kanal- und Komplexitätskombinationen wird nicht der erwartete Mittelwert verwendet.
Stattdessen wird das 5%-Quantil verwendet, also ein deutlich tieferer Wert.

Das 5%-Quantil bedeutet: In 95% der Fälle liegt der tatsächliche Automatisierungsgrad höher. Die bayesianische Modellierung liefert dafür eine Verteilung inklusive Unsicherheit (siehe Grafik).

Anschliessend wird das gesamte Modell mit diesen konservativen Annahmen erneut berechnet und geprüft, ob die finanziellen Kennzahlen weiterhin positiv sind.

Ziel ist es, eine bewusst zurückhaltende Variante zu evaluieren. Die Sensitivitätsanalyse dient damit als vorsichtige Untergrenze für den erwarteten Nutzen.