Die Immobilienbranche hat in den letzten Jahrzehnten drei technologische Zyklen durchlaufen, die stets dieselbe Frage auf der falschen Ebene gestellt haben: Business Intelligence in den 2000er Jahren, RPA in den 2010er Jahren und jetzt generative KI. Jedes Mal fragt die Branche nach den Lizenzkosten. Zwei Jahrzehnte der Beobachtung dieser Zyklen zeigen, dass die Lizenzgebühr nie die entscheidende Zahl war. Die relevante Kennzahl ist, wie sich die Kosten pro zusätzlichem Anwendungsfall bei der fünften, zwanzigsten oder hundertsten Implementierung entwickeln.
Die meisten CRE-Firmen können diese Frage weiterhin nicht beantworten, was sie letztendlich mehr kostet, als die reine Lizenzgebühr je würde. Der falsche Ansatz ist leicht zu erkennen: Die meisten Firmen bewerten die Wirtschaftlichkeit von KI so, wie sie traditionelle Unternehmenssoftware beurteilen würden – nach Platzkosten, Vertragslaufzeit und Implementierungsgebühr. Dieser Rahmen versagt jedoch, sobald KI portfolioübergreifend eingesetzt wird, da die wahre Kostenstruktur nicht in der Lizenz liegt.
Stattdessen umfasst sie alles, was die Lizenz umgibt: Integration, Governance, Wartung und der wiederkehrende Aufwand, eine sich schnell entwickelnde Technologie aktuell zu halten. Lizenzkosten sind die sichtbaren 10 Prozent; die anderen 90 Prozent sind jener Bereich, in den das Budget tatsächlich fließt, und fast niemand plant diese Kosten im Voraus ein. Traditionelle CRE-Plattformen sind keineswegs eine falsche Investition; sie bilden weiterhin das operative Rückgrat vieler Unternehmen. Die Herausforderung besteht darin, dass KI neue wirtschaftliche Gegebenheiten einführt, die über den reinen Softwarekauf hinausgehen.
Häufige Kostenmodelle und ihre Tücken
Drei Kostenmodelle haben sich branchenweit im großen Maßstab etabliert. Alle drei scheitern auf ähnliche Weise, lediglich zu unterschiedlichen Zeitpunkten. Das erste Modell ist der Kauf von Punktlösungen – beispielsweise ein Tool für die Mietvertragsabstraktion, ein anderes für Marktinformationen und ein separates Produkt für Exposés. Jedes Tool steht für sich. Im großen Maßstab teilen sie jedoch keine Infrastruktur. Jedes erfordert eigene Integration, Governance und Wartung. Das Ergebnis sind sogenannte KI-Inseln: reale Funktionalität ohne kumulativen Nutzen. Dies ist ein Hauptgrund, warum etwa 95 Prozent der generativen KI-Pilotprojekte keinen messbaren Geschäftseffekt erzielen. Die Modelle funktionieren, aber jede Bereitstellung beginnt bei null. Folglich verbessert sich die Wirtschaftlichkeit nie.
Das zweite Modell ist die Entwicklung im eigenen Haus. Fast jedes CRE-Tech-Team unterschätzt hierbei das gleiche Problem: Die reine Programmierung macht vielleicht 10 Prozent der tatsächlichen Arbeit aus. Die Solutionierung – das Sicherstellen, dass Systeme aktuell, prüfbar und genau bleiben, wenn sich Daten ändern – macht die anderen 90 Prozent aus. Dies ist keine einmalige Ausgabe, sondern erfordert eine kontinuierliche operative Fähigkeit. Unternehmen, die dies richtig angehen, bauen diese Fähigkeit einmal auf und nutzen sie bei jedem neuen KI-Workflow wieder, anstatt bei jeder Implementierung dieselbe Grundlage neu zu erstellen.
Das dritte Modell beinhaltet die Beauftragung einer Beratungsfirma oder eines Systemintegrators zur Durchführung der Transformation. Dieses Modell skaliert konzeptuell mit Zeit und Personal – es wird stundenweise oder pro Vollzeitäquivalent abgerechnet, sodass der Anreiz eher auf mehr Stunden als auf schnellere Ergebnisse gerichtet ist. Das Muster ist konsistent: Strategie-Präsentationen und vor Ort eingesetzte Ingenieure, eine mehrmonatige Vorlaufzeit vor der Produktivsetzung. Branchenweit benötigen große Unternehmen durchschnittlich neun oder mehr Monate, um einen einzelnen KI-Anwendungsfall vom Pilotprojekt zur Produktion zu führen, während mittelständische Firmen dafür etwa 90 Tage benötigen. Diese Lücke ist keine Fähigkeitslücke. Sie entsteht, wenn ein Bereitstellungsmodell nach Stunden statt nach Ergebnissen abgerechnet wird.
Der Paradigmenwechsel bei der Kostenbetrachtung
Keines dieser drei Modelle löst die Frage, die die Wirtschaftlichkeit von KI im CRE-Maßstab tatsächlich bestimmt: ob die Kosten pro zusätzlichem Anwendungsfall sinken, gleich bleiben oder durch Governance-Wildwuchs steigen. In einem Portfolio-Geschäft ist diese Antwort entscheidend. Ein Unternehmen, das Mietvertragsabstraktion, Exposé-Erstellung, Angebotsmanagement und Marktinformationen über Dutzende von Geschäftsbereichen hinweg betreibt, implementiert nicht vier Projekte. Es implementiert eine Fähigkeit viermal, und die Wirtschaftlichkeit funktioniert nur, wenn die zweite Implementierung günstiger und schneller ist als die erste.
Auch der Maßstab verändert den Wert einer kleinen Genauigkeitsabweichung. Kleine Workflows tolerieren Ungenauigkeiten, da Fehler manuell korrigiert werden. Ein Workflow, der Zehntausende von Mietverträgen pro Jahr verarbeitet, kann dies nicht; wenige Prozentpunkte Genauigkeit äußern sich direkt in Stunden an Nacharbeit und nachgelagerten Berichtsfehlern. Wirtschaftlichkeit im großen Maßstab ist nicht nur die Plattformkosten. Es sind die Kosten, die eine Fehlerrate des Modells bei realem Portfoliovolumen Woche für Woche verursacht, ohne dass jemand jede Ausgabe manuell überprüft.
Der stattfindende Wandel: Die Preisgestaltung erfolgt pro Lösung, pro Jahr, gegen ein messbares Ergebnis – nicht pro Token, nicht pro Platz, nicht pro Stunde. Das klingt nach einem kommerziellen Detail. Das ist es jedoch nicht. Token- und Platz-basierte Preismodelle bestrafen genau jene Workflows, die im CRE am intensivsten genutzt werden – Mietvertragsvolumen, das um Verlängerungszyklen herum Spitzen erreicht, Nachfrage nach Exposés, die vor einem wichtigen Pitch steigt, oder Zeichnungsvolumen, das mit dem Dealflow schwankt. Ein Preismodell, das auf einer konstanten Nutzung pro Platz basiert, wird angesichts des unregelmäßigen, zyklischen Volumens im Immobiliensektor immer teuer erscheinen.
Ergebnisorientierte Preismodelle, die an eine gemeinsame Plattform gebunden sind, anstatt nach gemessenem Verbrauch abzurechnen, stimmen besser mit der portfoliogetriebenen Natur des gewerblichen Immobilienmarktes überein. Der kumulative Effekt wird leicht unterschätzt, bis er direkt beobachtet wird. Der global führende Gewerbeimmobilienkonzern Cushman & Wakefield begann mit einem einzigen Workflow zur Mietvertragsabstraktion, der einen Teil der rund 40.000 jährlich bearbeiteten Mietverträge verarbeitete, und betreibt nun über 15 KI-Lösungen – auf einer gemeinsamen Daten- und Governance-Ebene, die mit (nicht gegen, nicht anstelle von) der bestehenden Technologiestruktur des Unternehmens zusammenarbeitet.
Das ökonomische Argument ist einfach: Die Kosten des nächsten Anwendungsfalls sollten sinken, nicht neu ansetzen, und dessen Genauigkeit sollte nicht bei Null beginnen. Die Frage ist nicht, wie viel KI in diesem Quartal kostet. Die eigentliche Frage ist, wie viel sie für die nächsten 10 Anwendungsfälle kosten wird oder welche Fehlerkosten entstehen, wenn Anwendungsfälle im realen Portfoliomaßstab laufen. Wenn die Antwort lautet: „ungefähr das Gleiche wie der erste Fall“, dann hat das Unternehmen ein Problem.
