Rentabilität von KI im Unternehmen: warum sie auf sich warten lässt

Wenn Sie gelesen haben, dass eine überwältigende Mehrheit der KI-Projekte nichts einbringt, haben Sie etwas teilweise Wahres gelesen. Die seriösen Studien zur Rentabilität von KI im Unternehmen weisen alle in dieselbe Richtung: Nur ein Teil der Unternehmen zieht einen sichtbaren Wert aus generativer KI, auch wenn dieser Anteil wächst. Sie sagen aber auch, warum: Das Problem liegt selten im Modell. Es liegt in der Organisation, im Fehlen von Messungen und in einer Einführung in kleinen Schritten ohne Gesamtplan.

Das ist eher eine gute Nachricht: Ein Organisationsproblem lässt sich beheben.

Kurz gesagt

• Die Zahl von 95 % stammt aus einem vorläufigen Bericht des MIT auf Basis von Interviews: Sie zählt Projekte ohne berichtete Wirkung, keine gemessenen Verluste.
• Mit anderen Methoden weisen IBM und die BCG in dieselbe Richtung, mit weniger extremen Zahlen: Laut BCG zieht 2026 kaum die Hälfte der befragten Unternehmen, mehrheitlich sehr große, einen Wert aus KI.
• Die fortgeschrittensten Unternehmen legen ihre Prioritäten auf Menschen und Prozesse, wenig auf Algorithmen.
• Gewinne gibt es bei genau umrissenen Aufgaben: Kundenservice, Texterstellung, Analyse.
• Für ein mittelständisches Unternehmen: von einer Aufgabe ausgehen, sie vorher und nachher messen, die Teams schulen.

Die Zahl, die Angst machte: „95 %“

Die Zahl stammt aus einem Bericht des Projekts NANDA am MIT Media Lab, „The GenAI Divide: State of AI in Business 2025“, veröffentlicht im Juli 2025. Sein meistzitierter Satz: Trotz 30 bis 40 Milliarden Dollar, die Unternehmen in generative KI investiert haben, gelte „95% of organizations are getting zero return“.

Bevor man das wiederholt, sollte man wissen, wie die Zahl entstanden ist: eine Durchsicht von mehr als 300 öffentlich gemachten KI-Initiativen, Interviews mit Vertretern von 52 Organisationen und 153 Antworten von Führungskräften, gesammelt auf vier Fachkonferenzen zwischen Januar und Juni 2025. Das ist keine buchhalterische Messung: Die Autoren schreiben selbst, ihre Zahlen seien „directionally accurate“, also in der Richtung zutreffend, beruhten aber auf Interviews und nicht auf den Abschlüssen der Unternehmen.

Mehrere Schwachstellen verdienen es, benannt zu werden:

• „Zero return“ heißt nicht „Geld verloren“. Ein Erfolg ist dort ein Projekt, dessen Nutzer oder Führungskräfte eine deutliche und dauerhafte Wirkung auf die Produktivität oder die Gewinn- und Verlustrechnung angeben. Die 95 % zählen also Projekte ohne berichtete Wirkung, keine gemessenen Verluste.
• Es ist eine vorläufige Fassung (0.1), deren einziger namentlich genannter Gutachter einer ihrer Autoren ist und deren kursierende Kopie nicht auf einer Seite des MIT liegt. Sie widerspricht sich mindestens einmal: Auf derselben Seite beträgt der Anteil der Budgets für Vertrieb und Marketing im Zusammenfassungskasten die Hälfte, einige Zeilen weiter unten dann etwa 70 %. Und sie wirbt für ein Agentenprotokoll, das von ihren eigenen Autoren getragen wird.
• Die 5 % betreffen einen genau umrissenen Bereich: die spezialisierten Werkzeuge, die es bis in die Produktion geschafft haben, am Ende eines Trichters, den der Bericht so beschreibt.

Dieser Bericht ist also kein Beweis. Er ist ein Signal, das man mit anderen abgleichen muss.

Sagen die anderen Studien dasselbe?

Ungefähr ja, mit unterschiedlichen Zahlen, weil die Definitionen sich unterscheiden.

Die IBM-Studie 2025 unter CEOs, durchgeführt mit Oxford Economics unter 2 000 Führungskräften in 33 Ländern: Die befragten CEOs geben an, dass in den letzten Jahren nur 25 % der KI-Initiativen die erwartete Rendite gebracht haben und nur 16 % unternehmensweit ausgerollt wurden. Nützlicher Hinweis: IBM verkauft KI.

Die Boston Consulting Group zeichnet am 30. September 2026 ein weniger düsteres Bild: Sie ordnet 48,5 % der befragten Unternehmen denen zu, die einen Wert aus KI ziehen, gegenüber 26 % im Jahr 2024. Der Großteil dieses Werts bleibt jedoch in einer kleinen Spitzengruppe konzentriert, und die BCG zählt nur 7,5 % zu den fortgeschrittensten. Die Umfrage sammelt die Angaben von 1 330 Führungskräften in mehr als 60 Ländern, und mehr als die Hälfte der befragten Unternehmen liegt über 5 Milliarden Dollar Umsatz: nichts, was einem Mittelständler gleicht. Die Stichprobe ändert sich von Jahr zu Jahr, und die Messlatte wurde bei neun Kriterien angehoben: Der Anstieg zeigt eine Tendenz, keine genaue Messung. Auch hier verkauft der Autor Beratung zur KI-Transformation.

Drei Quellen, drei Auftraggeber, die ein Interesse daran haben, dass in KI investiert wird, und dennoch derselbe Befund: Der Wert kommt nicht überall an, und er konzentriert sich.

Warum: die Organisation vor der Technologie

Bei der Ursache stimmen die Studien am deutlichsten überein. Die BCG hat daraus eine Regel abgeleitet, die „10-20-70“-Regel: 10 % des Aufwands für Algorithmen, 20 % für Technologie und Daten, die übrigen 70 % für Menschen, Organisation und Prozesse. Das ist eine Empfehlung, keine Messung. Ihre Umfrage von 2026 beobachtet dagegen, wo die Unternehmen, die sie für die fortgeschrittensten hält, ihre Prioritäten setzen:

Das sind Selbstauskünfte, und es ist eine Korrelation: Nichts beweist, dass diese Aufteilung ihren Vorsprung erklärt. Aber sie deckt sich mit dem, was die anderen Studien beschreiben.

Der MIT-Bericht sagt es anders: Das Haupthindernis ist weder die Infrastruktur noch die Regulierung noch die Kompetenzen, sondern das Lernen. Die meisten Systeme behalten keine Rückmeldungen, passen sich nicht dem Kontext an und verbessern sich nicht mit der Zeit. Derselbe Bericht beschreibt eine „shadow AI“, eine Schatten-KI: Nur 40 % der Unternehmen geben an, ein offizielles Abonnement für ein Sprachmodell gekauft zu haben, während Beschäftigte in mehr als 90 % von ihnen sagen, regelmäßig eines zu nutzen. Mit anderen Worten: Die Menschen nutzen KI, aber das Unternehmen organisiert sich nicht darum herum.

IBM fügt ein Puzzleteil hinzu: Die Hälfte der befragten CEOs räumt ein, dass ihre schnellen Investitionen zu „disconnected, piecemeal technology“ geführt haben, also zu unverbundener Stückwerk-Technologie. Eine KI auf einem schlecht gepflegten CRM etwa liefert schnell falsche Antworten, weil der Rohstoff falsch ist.

Und doch: Die Gewinne gibt es, wenn die Aufgabe passt

Würde man hier aufhören, käme man zu dem Schluss, dass KI nutzlos ist. Die Produktivitätsmessungen sagen das Gegenteil, unter einer Bedingung.

• Im Kundenservice zeigt eine im Quarterly Journal of Economics veröffentlichte Studie auf Basis realer Daten von 5 172 Agenten einen durchschnittlichen Anstieg der pro Stunde gelösten Probleme um 15 %. Die am wenigsten Erfahrenen gewinnen am meisten; bei den Qualifiziertesten sinkt die Qualität leicht.
• Bei beruflichen Schreibaufgaben misst ein in Science veröffentlichtes Experiment mit 453 Fachleuten eine um 40 % verkürzte durchschnittliche Zeit und eine um 18 % höhere Qualität.
• Bei 18 realistischen Beratungsaufgaben, entwickelt mit der BCG, misst ein präregistriertes, in Organization Science veröffentlichtes Experiment mit 758 Fachleuten 12,2 % mehr erledigte Aufgaben, 25,1 % schneller, mit besserer Qualität. Doch bei einer Aufgabe außerhalb der Fähigkeiten der KI hatten die Teilnehmenden eine um 19 % geringere Chance, eine richtige Antwort zu liefern.

Dieser letzte Punkt ist der Kern der Sache, und wir widmen ihm einen Artikel über die Rolle des Menschen gegenüber der KI: KI hilft bei manchen Aufgaben sehr und verschlechtert die Arbeit bei benachbarten Aufgaben.

Im Juli 2025 hat eine randomisierte Studie der Organisation METR gemessen, dass 16 erfahrene Entwickler mit KI 19 % mehr Zeit brauchten, obwohl sie glaubten, 20 % gewonnen zu haben. METR erklärt diese Ergebnisse inzwischen für überholt: Seine Aktualisierung vom Februar 2026 hält die Wirkung der KI Anfang 2026 für wahrscheinlich günstiger, ohne sie verlässlich beziffern zu können. Die Lehre ist nicht, dass KI bremst: Sie lautet, dass gefühlter und gemessener Gewinn auseinanderliegen können.

Und in Europa?

Die vorstehenden Studien sagen fast nichts über kleine europäische Unternehmen, die die amtliche Statistik besser abdeckt. Laut Eurostat nutzten 2025 20,0 % der Unternehmen der Union mit 10 oder mehr Beschäftigten KI, gegenüber 13,5 % im Jahr 2024.

Die Datenbank von Eurostat zeigt vor allem den Abstand nach Größe. Sie schlüsselt auch die Hemmnisse auf, die Unternehmen nennen, die KI erwogen, aber nicht eingeführt haben.

Das erste Hemmnis ist also fehlendes Fachwissen, und KI für das Unternehmen als nutzlos einzuschätzen, ist der am seltensten genannte Grund. Diese Zahlen betreffen Unternehmen ab 10 Personen, ohne Landwirtschaft, Bergbau und Finanzwesen.

Die Lehren für ein mittelständisches Unternehmen

Das ziehen wir daraus, wobei wir Gesichertes von bloßen Beobachtungen unterscheiden.

1. Von einer Aufgabe ausgehen, nicht von einem „KI-Projekt“. Die in diesen Studien gemessenen Gewinne betreffen alle genau umrissene Aufgaben: einem Kunden antworten, einen beruflichen Text verfassen, eine Analyse erstellen. „KI machen“ ist keine Aufgabe.
2. Vorher messen, nachher messen. Aufgewendete Zeit, Fehlerquote, Antwortzeit: eine Zahl vor der Einführung, dieselbe Zahl drei Monate danach. Ohne Ausgangspunkt weiß man nie, ob sich das Werkzeug lohnt, und das Gefühl reicht nicht, wie METR gezeigt hat.
3. Im Backoffice anfangen. Der MIT-Bericht beobachtet, dass die deutlichste Rendite oft aus internen Funktionen kommt (Betrieb, Finanzen, Dokumentenverarbeitung) statt aus sichtbaren Marketingprojekten. Das ist eine Beobachtung, kein Beweis. Unser eigener Agent zur Erfassung von Ausgaben gehört in diese Kategorie: Seit Juli 2026 auf Telegram in Produktion, geht er vom Foto des Belegs bis zur Buchung im Buchhaltungssystem, nach einer menschlichen Freigabe.
4. Die Arbeitsweise zugleich mit dem Werkzeug ändern. Ein Werkzeug auf einem unveränderten Prozess liefert dasselbe Ergebnis wie zuvor, nur teurer. Auf Menschen und Prozesse legen die fortgeschrittensten Unternehmen laut BCG übrigens den Großteil ihrer Prioritäten.
5. Die Teams schulen. Das ist auch eine Pflicht: Artikel 4 der europäischen KI-Verordnung, neu gefasst durch die Verordnung (EU) 2026/1744, in Kraft seit dem 27. Juli 2026, verlangt von Unternehmen, die KI einsetzen, Maßnahmen zur Förderung der KI-Kompetenz ihres Personals zu ergreifen, ohne wie die Fassung von 2024 noch zu verlangen, ein ausreichendes Niveau sicherzustellen.
6. Das günstigste Modell wählen, das die Arbeit erledigt. Die Rentabilität entscheidet sich auch an den Kosten pro Anfrage: Ein großes Modell, um E-Mails zu sortieren, ist zu teuer bezahlt. Wir erläutern, wie sich die Kosten von KI im Unternehmen berechnen und vorhersagen lassen.
7. Nicht alles allein bauen. Laut MIT erreichen Projekte mit einem externen Partner etwa doppelt so oft den Rollout wie intern gebaute Werkzeuge. Korrelation ist keine Kausalität, warnen die Autoren, und wir sind selbst ein externer Partner: mit Vorsicht zu lesen.

Die Grenzen all dessen

Keine dieser Studien misst die Kapitalrendite in den Abschlüssen: Die Umfragen sammeln Selbstauskünfte, die Experimente messen eine Produktivität bei einer Aufgabe. Die Stichproben enthalten wenige kleine Unternehmen. Der Übergang von gemessenen Gewinnen auf ein ganzes Unternehmen ist nicht belegt. Und wir haben im Oktober 2026 keine veröffentlichungsfähige Vorher-nachher-Messung aus unseren eigenen Mandaten: Wir sagen das lieber, als einen Fall zu erfinden.

Was wir davon halten

Die Wendung „auf sich warten lässt“ im Titel zählt: Sie beschreibt eine Verzögerung, kein Scheitern. Der MIT-Bericht räumt selbst ein, dass sechs Monate Beobachtung den Erfolg einer komplexen Einführung unterschätzen können. Der Wert kommt nicht mit dem nächsten Modell: Er kommt, wenn Unternehmen eine Aufgabe wählen, sie messen und die Arbeit darum herum neu organisieren.

Weiter geht es mit unseren Artikeln zu Unternehmens-KI, privat und zum fairen Preis. Und wenn Sie lieber von einer bezifferten Aufgabe ausgehen als von einem vagen Projekt, ist das der Ansatz unseres Audits der digitalen und KI-Reife: wissen, was man automatisiert, bevor man Geld ausgibt. Wenn die KI bereits läuft und die Rechnung steigt, ohne dass Sie wissen, was sich lohnt, misst unser Angebot KI zum fairen Preis die Kosten jeder Nutzung und vertraut jede Aufgabe dem Modell an, das ausreicht.

Häufige Fragen

Quellen

1. „The GenAI Divide: State of AI in Business 2025“ (neuer Tab)mlq.ai
2. Die IBM-Studie 2025 unter CEOs (neuer Tab)newsroom.ibm.com
3. Die Boston Consulting Group (neuer Tab)bcg.com
4. Eine im Quarterly Journal of Economics veröffentlichte Studie (neuer Tab)doi.org
5. Ein in Science veröffentlichtes Experiment (neuer Tab)doi.org
6. Ein präregistriertes, in Organization Science veröffentlichtes Experiment (neuer Tab)doi.org
7. Eine randomisierte Studie der Organisation METR (neuer Tab)arxiv.org
8. Erklärt diese Ergebnisse inzwischen für überholt (neuer Tab)metr.org
9. Seine Aktualisierung vom Februar 2026 (neuer Tab)metr.org
10. Eurostat (neuer Tab)ec.europa.eu
11. Die Datenbank von Eurostat (neuer Tab)ec.europa.eu
12. Neu gefasst durch die Verordnung (EU) 2026/1744 (neuer Tab)eur-lex.europa.eu