Eine formelle Berichtskritik, die früher zwei Stunden dauerte, ist heute in Minuten erledigt. Andreas Blum von dhpg nennt dieses Beispiel, wenn er über den messbaren Nutzen von KI in seiner Gesellschaft spricht. Dazu gibt es eine interne Erhebung. Dabei ist aber zu berücksichtigen, dass die materielle Berichtskritik natürlich beim Linksunterzeichner bleibt. Insgesamt, so Blum, spreche man bei dhpg von mehreren Tausend eingesparten Stunden. Das klingt nach einer klaren Antwort auf die Frage, ob KI sich rechne.
Ist es aber nicht. Denn zwischen ,Eine Tätigkeit geht schneller‘ und ,Die Kanzlei verdient mehr‘ liegen gleich mehrere Rechenschritte. Und dort verlieren viele den Überblick. Was die Beratungshäuser tatsächlich messen, was sie hochrechnen und was sie bislang nicht beziffern können: Darum geht es in diesem Teil unserer Serie.
Erste Stufe: Zeit messen
Eine Kennzahl für die KI-bedingte Effizienz ist die Bearbeitungszeit, wie im Beispiel mit der Berichtskritik von dhpg. So eindrücklich das Ergebnis klingt, so begrenzt ist gleichzeitig seine Aussagekraft. Eine schnellere Einzeltätigkeit bedeutet nicht automatisch, dass der gesamte Auftrag günstiger wird oder die Kanzlei profitabler arbeitet. Denn die Zeit, die an einer Stelle entfällt, muss anderswo tatsächlich genutzt werden. Dazu gesellen sich die Kosten für Lizenzen, Infrastruktur und Schulungen.
Martin Heyes, Managing-Partner bei der MDP-Gesellschaft kbht, geht einen Schritt weiter: Seine Kanzlei erfasst nicht einzelne Tätigkeiten, sondern die Gesamtzeit je Auftrag. „So können wir sehen, ob wir für einen Auftrag mehr oder weniger Zeit benötigen“, sagt Heyes. Das ist präziser als ein „Tätigkeitsschnappschuss“. Aber auch hier bleibt eine methodische Lücke: Kürzere Auftragszeiten können viele Ursachen haben. Welcher Anteil davon auf KI zurückgeht, lässt sich aus den Zeitdaten allein nicht ablesen.
Die HSP Gruppe, ein Kooperationsverbund aus rund 100 Steuerkanzleien, erhebt regelmäßig, wie viel Zeit die Beschäftigten nach eigener Einschätzung durch den Einsatz von ChatGPT Enterprise einsparen. Solche Selbsteinschätzungen sind eine eigene Datenkategorie. Sie zeigen, wie Mitarbeitende den Werkzeugeinsatz erleben. Was sie allerdings nicht zeigen: ob die subjektiv gesparte Zeit tatsächlich für andere Aufgaben genutzt wird.
Zweite Stufe: Kapazität und Geld
HSP-Geschäftsführer Carsten Schulz will diesen nächsten Schritt gehen. „Wer weiß, wie viel Umsatz und wie viel Zeit für einen Auftrag geplant sind, kann den Planumsatz je Stunde berechnen, und später dann mit den tatsächlichen Werten vergleichen“, sagt er. Daneben wertet HSP nach eigenen Angaben aus, wer welche KI-Modelle und ‑Funktionen wie intensiv nutzt, und stellt die Nutzungskosten dann den beobachteten Kapazitätsveränderungen gegenüber.
Was dabei herauskommt, beschreibt HSP in eigenen Berechnungen so: Es entstünden jährlich mehr als 40.000 Stunden zusätzlicher Kapazität, davon seien rund 28.000 Stunden proaktiv und abrechenbar – was einem potenziellen Umsatzvolumen von 3,8 Millionen Euro entspricht. Wie die Stunden konkret entstehen, zeigt ein Beispiel aus der Praxis: Steuerberaterin Magdalene Posnak von HSP Steuer Heibel und Partner erläutert, dass sie für die Vorbereitung einer Immobilienanalyse früher rund neun Stunden benötigte; heute reichten ihr zwei bis drei Stunden für die Datenaufbereitung. Die gewonnene Zeit nutze sie für die persönliche Beratung. Das ist ein Erfahrungsbericht, kein Messergebnis – aber er macht greifbar, wo die Kapazität herkommen soll.
Eine Mitarbeitendenbefragung flankiert diese Erfahrung: 95,9 Prozent der Befragten berichten demnach von Zeitersparnissen, 98,6 Prozent von höherer Produktivität, 84,6 Prozent von besserer Arbeitsqualität. Das ist methodisch anspruchsvoller als die reine Zeiterfassung einzelner Tätigkeiten. Es bleibt aber eine Ungewissheit über die genaue Ursache für sinkende Planstunden und realisierte Umsätze. Zugleich wirken andere Einflüsse wie die Mandantenstruktur, die Konjunktur oder Personalveränderungen.
Die Lünendonk-Studie zum Wirtschaftsprüfungs- und Steuerberatungsmarkt 2026, für die 42 Gesellschaften mit unterschiedlicher Umsatzgröße befragt wurden, gibt einen weiteren Hinweis darauf, wie die Branche über den Zusammenhang zwischen KI und Preisen denkt: 62 Prozent der Befragten nennen Preisstabilität durch interne Effizienzgewinne, 57 Prozent berichten bislang von keinen konkreten Auswirkungen auf ihre Preisgestaltung. Was die Studie nicht sagt: ob und in welchem Umfang die genannten Effizienzgewinne tatsächlich realisiert wurden. Die Zahlen messen Einschätzungen und Absichten, keine Deckungsbeiträge.
Die unsichtbaren Kosten
Wer nur auf eingesparte Stunden schaut, rechnet also unvollständig. Andrea Bruckner, Vorstandsvorsitzende von BDO, macht klar: „Es gibt noch nicht genügend strukturiertes Datenmaterial und KPIs. Um zu beurteilen, ob sich eine KI-Investition rechnet, müsste man neben den eingesparten Stunden auch die Infrastruktur, die Ausbildung und das Training einbeziehen.“ Das Problem: Infrastruktur-, Schulungs- und Governance-Kosten lassen sich in der Praxis häufig nicht isoliert der KI-Nutzung zurechnen – sie sind Teil größerer IT- und Organisationsbudgets. Solange das so ist, bleibt jede Wirtschaftlichkeitsrechnung zwangsläufig unvollständig.
dhpg hat sich bewusst dagegen entschieden, gesondert die Zeit zu erfassen, die Mitarbeitende damit verbringen, KI-Tools auszuprobieren. „Das könnte sie davon abhalten, sich mit den Werkzeugen zu beschäftigen“, sagt Blum. Die Lernzeit ist damit eine reale, aber bewusst nicht quantifizierte Investition – mit dem Effekt, dass sie in keiner Wirtschaftlichkeitsrechnung auftaucht.
Ähnlich klingt es bei Forvis Mazars. „Die zeitlichen Effizienzgewinne durch KI wirken sich derzeit aufgrund der laufenden Transformation noch nicht aus. Wir gehen davon aus, dass sich das kurzfristig auch nicht ändern wird“, sagt Ralf Bierent, der bei der Gesellschaft den Bereich Tax und Accounting verantwortet. Jörn Dieckmann, der im deutschen Management Board die Transformation von Forvis Mazars mitverantwortet, ergänzt: „Jede frei gewordene Stunde kann man nur einmal verwenden. Diese Zeit investieren wir derzeit vor allem in die weitere Transformation.“
Am schwierigsten zu beziffern sind Faktoren, die nicht in Stunden ausgedrückt werden können: Qualität, Fehlerquoten, Nacharbeitsaufwand, Entscheidungsgeschwindigkeit für Mandanten. BDO beschreibt mögliche Vorteile durch KI bei diesen Aspekten, hat aber nach eigener Auskunft noch keine belastbaren Kennzahlen dafür entwickelt.
Forvis Mazars versucht, die Auswirkungen von KI zumindest in Testgruppen messbar zu machen. Dieckmann beschreibt einen Test für einen Prozess der Jahresabschlusserstellung: Eine Gruppe arbeitete mit einem KI-Tool, die andere ohne. Verglichen wurden Fehlerquoten, Prozesslaufzeiten und Kontrollaufwand. „Wie intensiv unsere Mitarbeitenden KI nutzen, können wir sehr klar messen. Die Auswirkungen auf Produktivität und Effizienz untersuchen wir dagegen derzeit nur in Testgruppen an konkreten Use Cases.“ Auch das geht über eine reine Zeiterfassung hinaus, erlaubt aber noch keine belastbare Aussage für das gesamte Unternehmen.
Blick über den Branchenrand
Dass belastbare KI-Kennzahlen fehlen, ist keine Besonderheit der Steuerberatung. In einer branchenübergreifenden Studie der Boston Consulting Group aus dem Jahr 2025, für die mehr als 1.250 Unternehmen weltweit befragt wurden, nennen 63 Prozent der Befragten fehlende KI-Metriken und ROI-Messungen als eine der zentralen Hürden bei der KI‑Implementierung. Nur 5 Prozent der untersuchten Unternehmen erzielten KI-Wertschöpfung in nennenswertem Umfang. Ein wesentlicher Unterschied: Letztere verfolgten konsequent Ergebnisse und hinterlegten sie mit klaren KPIs.
Für die Steuerberatung zeigt eine Umfrage von format C: consulting unter 107 Kanzleiinhabern aus dem Frühjahr 2026, wie weit die Branche von systematischem Controlling noch entfernt ist: Nur 32 Prozent der befragten Kanzleien geben an, einen vollständigen Überblick über Deckungsbeiträge je Mandant oder Auftrag zu haben, um daraus Preismaßnahmen abzuleiten. Die Zeiterfassung ist zwar weitverbreitet – 61 Prozent erfassen ihre Zeiten konsequent –, aber eine schriftlich fixierte Honorarstrategie haben nur 36 Prozent, einen schriftlichen Dienstleistungskatalog nur 39 Prozent. Die Studie erhebt allerdings keinen Anspruch auf Repräsentativität.
Die Conclusio aus diesen Untersuchungen für die KI-Frage: Wer keine Deckungsbeiträge je Auftrag kennt, kann auch nicht messen, ob der KI-Einsatz diesen Deckungsbeitrag verändert. Erst wenn Ziele definiert und mit geeigneten Kennzahlen hinterlegt sind, lassen sich KI-bedingte Effizienzgewinne messen und Preismodelle anpassen – so formuliert es Jörg Hossenfelder, Lünendonk-Geschäftsführer, in einer Stellungnahme zur Studie 2026.
Klare Kennziffern fehlen
Mit Begriffen wie „mehrere Tausend eingesparte Stunden“, „40.000 Stunden zusätzliche Kapazität“ oder „drei bis achtzehn Euro zusätzliches Ergebnis je Euro KI-Kosten“ beschreiben Gesellschaften ihren KI‑Einsatz. Tatsächlich aber meinen sie damit sehr unterschiedliche Dinge. „Wir sparen Stunden“, das kann dhpg für einzelne Tätigkeiten belegen. „Wir können mehr Aufträge annehmen“, das ist HSPs Kapazitätsrechnung, die zusätzliche Nachfrage voraussetzt. „Wir erzielen mehr Umsatz“, HSP rechnet damit, macht aber selbst deutlich, dass andere Einflüsse gleichzeitig wirken. Daher weist Bruckner auch darauf hin, dass derzeit niemand sauber beziffern kann, inwieweit KI den Gewinn steigert, solange Infrastruktur, Schulung und Lernzeit nicht systematisch in die Rechnung eingehen. Und manchmal ist es sogar eine bewusste Entscheidung, weniger zu messen, wenn dhpg die Lernzeit seiner Mitarbeitenden nicht erfasst, weil dies sie vom Ausprobieren abhalten könnte.
Ob eingesparte Stunden tatsächlich zu mehr Aufträgen führen, hängt nicht zuletzt davon ab, ob die Kapazität überhaupt gebraucht wird – oder ob sie schlicht den Personalmangel abfedert.
Wie Kanzleien KI als Antwort auf den Fachkräftemangel einsetzen und wo die Technologie dabei an ihre Grenzen stößt, darum geht es im nächsten und Teil unserer Serie „KI und Pricing in der Steuerberatung“.
