Fehlermarge -- der Spielraum, den eine Organisation zwischen dem, was etwas kostet, und dem, was berechnet wird, oder zwischen einer Schätzung und dem tatsächlichen Ergebnis einbaut -- wurde lange Zeit von dem Menschen bestimmt, der die Kalkulation erstellte. Ein erfahrener Kalkulator oder Account Manager wusste, wo die Risiken in einem Angebot lagen, und rechnete dafür eine Marge ein. Dieses Wissen steckte in Köpfen, verteilt auf Menschen, die jahrelang mit einem Produktportfolio oder einem bestimmten Kundentyp gearbeitet hatten. Zwei Kalkulatoren desselben Unternehmens kamen dadurch bei vergleichbaren Aufträgen auf unterschiedliche Margen. Dieser Unterschied war für den Kunden nicht sichtbar, wohl aber für die Erfolgsrechnung.
Der Vergleich zwischen Wettbewerbern lief daher über das Ergebnis: wer konnte schärfer kalkulieren, ohne Verlust zu machen. Nicht über die Frage, wie diese Marge bestimmt wurde, weil sich diese Berechnung dem Blick entzog.
Wo Fehlermarge auf Basis historischer Daten berechnet wird -- Abweichungen zwischen Kalkulation und Nachkalkulation, Durchlaufzeiten, Materialpreisschwankungen -- kann ein großer Teil dieser Rechenarbeit von KI übernommen werden. Nicht die Entscheidung über die endgültige Marge, sondern die zugrunde liegende Arbeit: tausende abgeschlossene Projekte durchrechnen, um zu erkennen, wo die Abweichungen strukturell auftraten, und dieses Muster auf ein neues Angebot anwenden. Bei Unternehmen, wo dies geschieht, liegt die Kalkulation näher an den tatsächlichen Risiken als bei Unternehmen, wo sie noch auf der Erfahrung eines Einzelnen beruht.
Das verändert den Vergleich auf eine bestimmte Weise. Eine Organisation, die ihre Fehlermarge auf tausende Datenpunkte stützt, kann schärfer kalkulieren, ohne dass das Risiko steigt, während ein Wettbewerber, der auf die Fachkenntnis einiger wenigen Personen vertraut, weiterhin eine breitere Marge benötigt, um dieselbe Unsicherheit abzudecken. Der eine kann also bei gleichem Risiko niedriger anbieten, oder bei gleichem Angebot ein geringeres Risiko tragen. Beides ist ein Wettbewerbsvorteil, und beides zeigt sich im Ergebnis, nicht im Prozess.
Die Verschiebung lässt sich in drei Arten von Arbeit unterteilen, die bei praktisch jedem Unternehmen ineinandergreifen.
Das Durchrechnen historischer Abweichungen -- Kalkulation versus Realisierung über Hunderte oder Tausende von Aufträgen -- ist Arbeit, die KI in vielen Fällen übernehmen kann. Es ist Mustererkennung auf strukturierten Daten, und genau darin ist diese Technologie stark.
Das Übersetzen dieser Muster in ein konkretes Angebot ist teilweise Arbeit mit menschlichem Toezicht (menschlicher Aufsicht). Ein System kann eine Risikoeinschätzung für ein neues Projekt liefern, aber jemand mit Kenntnis des Kunden, des Marktes oder der Ausnahmesituation beurteilt, ob diese Einschätzung hier auch zutrifft, und billigt oder verwirft die Marge, mit Begründung.
Die Entscheidung, bei einem bestimmten Deal bewusst unter die kalkulierte Marge zu gehen -- aus strategischen Gründen, um einen Kunden zu gewinnen, um in einen Markt einzutreten -- bleibt Menschenwerk. Das ist kein Rechenproblem, sondern eine Abwägung zwischen Risiko und Ambition, und diese Verantwortung verschiebt sich nicht.
Der Unterschied zwischen Unternehmen liegt nicht im Zugang zu KI, sondern darin, welche Daten und welche Disziplin hinter einer Kalkulation stehen. Ein Unternehmen, das Nachkalkulation strukturell erfasst -- was ein Projekt wirklich gekostet hat, wo die Abweichung entstand, ob es an Einkauf, Planung oder Ausführung lag -- hat eine Grundlage, auf der ein Modell lernen kann. Ein Unternehmen, das Nachkalkulation ad hoc oder nur bei großen Überschreitungen durchführt, hat diese Grundlage nicht, egal wie viel Budget es für KI aufwendet. Der Rückstand liegt dann nicht in der Technologie, sondern in der Frage, ob je festgehalten wurde, was tatsächlich geschah.
Das macht Fehlermarge zu einer Dimension, auf der die Verschiebung zwischen Branchen und zwischen Unternehmen innerhalb derselben Branche ungleich verläuft. Ein Bauunternehmer mit fünfzehn Jahren Nachkalkulationsdaten hat einen anderen Ausgangspunkt als ein Wettbewerber, der erst im vergangenen Jahr mit strukturierter Erfassung begann. Wer aufgrund dieser Verschiebung personelle Konsequenzen erwägt, sollte sich übrigens bewusst sein, dass dafür eigene gesetzliche Anforderungen gelten; diese Seite behandelt, was mit der Arbeit geschieht, nicht, was ein Arbeitgeber damit tut.
Fehlermarge steht selten für sich allein. Eine schärfere Kalkulation hängt zusammen mit dem Vorsprung, den KI beim Preis bringt, weil eine geringere erforderliche Marge Spielraum bei der Preisgestaltung schafft. Sie berührt auch den Vorsprung, den KI bei der Lieferzeit bringt, weil ein Teil der Fehlermarge aus Planungsunsicherheit entsteht. Um zu wissen, ob Ihr Ansatz zur Fehlermarge tatsächlich besser ist als der vergleichbarer Unternehmen, muss zuerst feststehen, wer diese vergleichbaren Unternehmen sind; deshalb ist wie eine Peer Group zusammengestellt wird die erste Frage, nicht die letzte.
Die Frage, welcher Teil dieses spezifischen Kalkulationsprozesses bei diesem spezifischen Unternehmen bereits von KI übernommen werden kann, und welcher Teil auf Nachkalkulationsdaten wartet, die es noch nicht gibt, wird mit dem Werkscan von FTE TO AI pro Aufgabe beantwortet.
Der kostenlose Dimensionscheck lässt Sie benennen, worin Sie glauben zu gewinnen -- Fehlermarge, Preis, Lieferzeit oder etwas anderes -- und zeigt, welche dieser Behauptungen mit Beweisen zu verteidigen ist und welche noch nicht. Die vollständige Benchmark, mit der Beweismatrix und dem Vergleich innerhalb Ihrer Peer Group, befindet sich im Aufbau.