KI-Budget im Gastgewerbe: Chain-of-Thought-Prompt für auditierbare Investitionsentscheidungen

Laut Gartner erzielt nur eine von fünf KI-Investitionen einen messbaren ROI — gleichzeitig verdoppeln Unternehmen ihre KI-Ausgaben auf durchschnittlich 1,7% des Umsatzes. Im Gastgewerbe, wo Margen dünn und Entscheidungszyklen kurz sind, ist das kein abstraktes Problem, sondern ein konkretes Budgetrisiko. Der folgende Prompt löst das strukturell: Er führt dich als Entscheider in vier Schritten durch Analyse, ROI-Bewertung, Risikoabwägung und DSGVO-konforme Dokumentation — und erzeugt eine Ausgabe, die du im nächsten Stakeholder-Meeting direkt vorlegen kannst.

Kopiere den Prompt in GPT-5.4 Pro oder Claude Opus 4.6, fülle die Variablen in eckigen Klammern aus — fertig. Der Prompt arbeitet mit Chain-of-Thought und erzwingt damit eine explizite Argumentationskette statt einer einfachen Ja/Nein-Empfehlung.

## ROLE
Du bist ein erfahrener KI-Investitionsberater mit Spezialisierung auf das europäische Gastgewerbe. Du kennst die betrieblichen Realitäten von Hotels, die DSGVO-Anforderungen für Gästedatenverarbeitung und den EU AI Act in seiner aktuellen Anwendung (Verbote und KI-Literacy-Pflicht seit Februar 2025, GPAI-Regeln seit August 2025).

## KONTEXT
Mein Unternehmen: [UNTERNEHMENSTYP, z.B. "4-Sterne-Stadthotel, 120 Zimmer, Wien"]
Verfügbares KI-Budget 2026: [BETRAG in EUR, z.B. "80.000 EUR"]
Aktuelle IT-Infrastruktur: [KURZBESCHREIBUNG, z.B. "PMS: Oracle Opera, kein bestehendes ML-Stack"]
Anzahl Mitarbeiter: [ZAHL]
Größte operative Herausforderung: [FREITEXT, z.B. "Demand-Forecasting und Überbuchungsmanagement"]

## AUFGABE
Führe eine strukturierte Investitionsentscheidung durch. Arbeite die folgenden vier Schritte sequenziell und explizit durch. Zeige deine Zwischenergebnisse nach jedem Schritt, bevor du zum nächsten weitergehst.

SCHRITT 1 — ANALYSE: Identifiziere die drei realistischsten KI-Use-Cases für mein Unternehmen. Gewichte sie nach operativem Impact (1–10), Implementierungskomplexität (1–10) und strategischer Dringlichkeit (1–10). Erstelle eine Prioritätenliste.

SCHRITT 2 — ROI-BEWERTUNG: Berechne für den priorisierten Use-Case drei ROI-Szenarien (konservativ / realistisch / optimistisch). Nutze einen Zeithorizont von 24–36 Monaten (Deloitte-Benchmark). Trenne Hard ROI (Kosteneinsparung, Umsatzsteigerung) von Soft ROI (Entscheidungsgeschwindigkeit, Mitarbeiterzufriedenheit, Resilienz).

SCHRITT 3 — RISIKOABWÄGUNG: Bewerte die folgenden Risikokategorien explizit: (a) Shadow AI / unkontrollierte Nutzung, (b) EU AI Act Compliance (ab August 2026: Hochrisiko-KI-Pflichten), (c) DSGVO-Risiken bei Gästedaten (Art. 22 automatisierte Entscheidungen, Art. 35 DSFA), (d) IT-Infrastruktur-Engpässe. Empfehle konkrete Mitigationsmaßnahmen.

SCHRITT 4 — DOKUMENTATION: Erstelle eine kompakte Entscheidungsvorlage (Executive Summary, max. 200 Wörter) für das Management. Die Vorlage muss auditierbar sein: Entscheidungslogik, Annahmen und Risikoakzeptanz müssen explizit benannt sein.

## OUTPUT-FORMAT
- Strukturiere jeden Schritt mit einer nummerierten Überschrift
- Verwende für Bewertungen Tabellen mit Zahlenwerten
- Das Executive Summary in Schritt 4 als separater, kopierbarer Block
- Sprache: Deutsch, formell

## GUARDRAILS
- Erfinde keine Marktdaten. Wenn Benchmarks fehlen, markiere Annahmen explizit als [ANNAHME]
- Halte DSGVO- und EU AI Act-Compliance in jedem Schritt sichtbar
- Empfehle keine Lösung, deren Implementierung die IT-Infrastruktur des Unternehmens übersteigt
- Wenn der ROI im konservativen Szenario negativ bleibt, empfehle explizit, nicht zu investieren

Beispiel-Output (fiktiv, DACH-Kontext):

SCHRITT 1 — ANALYSE
Für ein 4-Sterne-Stadthotel in Wien mit 120 Zimmern ergeben sich folgende priorisierte Use-Cases:
1. AI-gestütztes Demand Forecasting (Impact: 9

Komplexität: 5

Dringlichkeit: 8) → Priorität: HOCH
2. Automatisiertes Gäste-Feedback-Routing (Impact: 6

Komplexität: 3

Dringlichkeit: 6) → Priorität: MITTEL
3. KI-gestützte Dienstplanoptimierung (Impact: 7

Komplexität: 7

Dringlichkeit: 5) → Priorität: MITTEL

SCHRITT 2 — ROI-BEWERTUNG (Demand Forecasting, 36 Monate)
Konservativ: Hard ROI +18.000 EUR/Jahr (Reduktion Überbuchungskosten), Soft ROI: –15% manuelle Planungszeit. Netto über 36 Monate: +14.000 EUR nach Implementierungskosten (62.000 EUR).
Realistisch: Hard ROI +34.000 EUR/Jahr durch 2,3% höhere RevPAR. Netto 36 Monate: +40.000 EUR.
Optimistisch: Hard ROI +51.000 EUR/Jahr. Netto 36 Monate: +91.000 EUR.
[ANNAHME: RevPAR-Basiswert 89 EUR, Auslastung 74%]

SCHRITT 3 — RISIKOABWÄGUNG
(b) EU AI Act: Demand Forecasting ist kein Hochrisiko-System (kein biometrischer Einsatz, keine HR-Entscheidungen) — kein Compliance-Handlungsbedarf bis August 2026.
(c) DSGVO: Historische Buchungsdaten ohne Personenbezug → Art. 22 und Art. 35 DSFA nicht zwingend, empfohlen als Best Practice.
Mitigation Shadow AI: Interne Nutzungsrichtlinie vor Go-Live verbindlich einführen.

SCHRITT 4 — EXECUTIVE SUMMARY (kopierbereit)
Das Hotel empfiehlt die Implementierung eines KI-gestützten Demand-Forecasting-Tools (Investitionsvolumen: 62.000 EUR). Im realistischen Szenario amortisiert sich die Investition innerhalb von 22 Monaten bei einem 36-Monats-Netto-ROI von +40.000 EUR. Das System fällt nicht unter EU AI Act Hochrisiko-Kategorien (Stand April 2026). DSGVO-Konformität ist durch Anonymisierung historischer Buchungsdaten sichergestellt. [ANNAHME: RevPAR 89 EUR, Auslastung 74%]. Risikoakzeptanz: IT-Infrastruktur-Risiko als mittel eingestuft — Oracle Opera API-Kompatibilität vor Vertragsabschluss zu prüfen.

Anleitung: So verwendest du den KI-Budget-Prompt im Gastgewerbe

Füge den Prompt vollständig in GPT-5.4 Pro oder Claude Opus 4.6 ein. Beide Modelle unterstützen die sequenzielle Chain-of-Thought-Struktur zuverlässig. Fülle dann die fünf Variablen im KONTEXT-Block aus:

• [UNTERNEHMENSTYP] — so spezifisch wie möglich: Sternekategorie, Zimmeranzahl, Standort (z.B. "3-Sterne-Kettenhotel, 200 Zimmer, München")
• [BETRAG in EUR] — dein realistisches Jahresbudget für KI-Tooling, nicht die Wunschzahl
• [IT-Infrastruktur] — nenne dein PMS und ob ein bestehendes Daten-Stack vorhanden ist
• [MITARBEITERZAHL] — relevant für die KI-Literacy-Pflicht des EU AI Acts (seit Feb 2025 in Kraft)
• [OPERATIVE HERAUSFORDERUNG] — formuliere das dringlichste Problem, nicht das faszinierendste Tech-Thema

Wenn du mehrere konkurrierende Use-Cases gegeneinander abwägen willst, starte den Prompt zweimal mit unterschiedlichen Angaben im Feld "Größte operative Herausforderung" — und vergleiche die Executive Summaries aus Schritt 4 direkt gegeneinander. Das erzeugt eine valide Entscheidungsmatrix ohne Consultant-Stunden.

Methodik: Warum Chain-of-Thought und Role-Prompting die Entscheidungsgüte erhöhen

Der Prompt setzt drei nachweislich wirksame Techniken ein, die in ihrer Kombination die Ausgabe-Qualität messbar erhöhen.

Role Prompting platziert das Modell in eine klar definierte Expertenrolle mit branchenspezifischem Kontext. LLMs verarbeiten Tokens nicht gleichgewichtig — eine früh etablierte Rolle beeinflusst die Wahrscheinlichkeitsverteilung aller nachfolgenden Token-Selektionen. Das Modell "weiß" ab dem ersten Token, in welchem Lösungsraum es operiert.

Chain-of-Thought (CoT) ist der entscheidende Mechanismus. Indem der Prompt die vier Schritte sequenziell mit expliziter Zwischenergebnis-Pflicht definiert, wird das Modell gezwungen, Zwischenschritte als eigene Token-Sequenzen zu materialisieren — statt direkt zum Schluss zu springen. Studien von Google DeepMind zeigen, dass CoT die Genauigkeit bei mehrstufigen Reasoning-Aufgaben signifikant steigert, weil Fehler in Zwischenschritten sichtbar und korrigierbar werden.

Guardrails als Negativkontrolle begrenzen den Lösungsraum aktiv. Der Satz "Wenn der ROI im konservativen Szenario negativ bleibt, empfehle explizit, nicht zu investieren" ist psychologisch wirksam: Er erlaubt dem Modell eine Nicht-Empfehlung — und verhindert damit den häufigsten Bias in Beratungs-Outputs, nämlich den systematischen Drang zur Affirmation. Das Resultat ist eine auditierbare Ausgabe, die auch vor einem Stakeholder-Board standhält.