KI ist überall – nur nicht im Gewinn: Warum der große Effizienz-Boost ausbleibt

Kaum ein Vorstandsgremium, das das Thema Künstliche Intelligenz nicht auf der Agenda hat. Kaum ein Jahresbericht ohne Bekenntnis zur KI-Transformation. Und doch sucht man in den Gewinn-und-Verlust-Rechnungen der meisten Unternehmen vergebens nach dem versprochenen Produktivitätsschub.

Das Paradox der omnipräsenten KI

Die Technologie ist angekommen – in Pilotprojekten, in ausgewählten Abteilungen, in beeindruckenden Demos auf Konferenzpodien. Was fehlt, ist der Durchschlag ins Ergebnis. Dieses Phänomen trägt in der Wirtschaftsforschung bereits einen Namen: das KI-Produktivitätsparadox. Es erinnert an den Ökonomen Robert Solow, der 1987 über die Computerrevolution schrieb: "Man kann das Computerzeitalter überall sehen – nur nicht in den Produktivitätsstatistiken." Vier Jahrzehnte später wiederholt sich die Geschichte, diesmal mit neuem Protagonisten.

McKinsey schätzt, dass generative KI langfristig einen wirtschaftlichen Mehrwert von mehreren Billionen Dollar jährlich freisetzen könnte. Goldman Sachs rechnet mit einer Produktivitätssteigerung von bis zu 1,5 Prozent des globalen BIP. Die Zahlen sind spektakulär – und sie liegen in der Zukunft. Was Unternehmen heute erleben, ist deutlich nüchterner.

Piloten statt Prozesse

Der typische Verlauf einer KI-Initiative in deutschen Unternehmen sieht so aus: Eine Taskforce wird gegründet, ein Use Case identifiziert, ein Proof of Concept entwickelt. Nach sechs Monaten präsentiert das Team vielversprechende Ergebnisse. Dann versickert das Projekt im Organisationsalltag. Der Wechsel vom Pilot in den produktiven Einsatz, den sogenannten Rollout im Unternehmensmaßstab, gelingt nur einem Bruchteil der Initiativen.

Siemens und SAP gehören zu den deutschen Konzernen, die ernsthaft in KI investieren und Anwendungsfälle über einzelne Teams hinaus skalieren. Siemens etwa integriert KI-gestützte Qualitätsprüfung in Fertigungslinien und setzt auf digitale Zwillinge mit KI-Komponenten. Doch selbst dort, wo die Technologie funktioniert, bleibt die Wirkung auf den Gesamtkonzern vorerst begrenzt – weil die Fläche fehlt. Ein Pilotprojekt in einem Werk ist kein Hebel für eine Organisation mit 300.000 Mitarbeitenden.

Bei den sogenannten Hidden Champions – jenen mittelständischen Weltmarktführern, die das industrielle Rückgrat der deutschen Wirtschaft bilden – ist das Bild noch fragmentierter. Viele Unternehmen haben die technologische Neugier, aber nicht die Infrastruktur, um KI-Lösungen systematisch einzuführen. Datenhaltung ist historisch gewachsen, IT-Abteilungen sind dünn besetzt, und die Bandbreite des Managements ist endlich.

Was KI wirklich kostet

Ein weiterer Grund für das ausbleibende Ergebnisplus: Die Investitionsseite wird systematisch unterschätzt. Lizenzen für große Sprachmodelle und KI-Plattformen sind teuer. Noch teurer sind die Anpassungen, die Integration in bestehende Systemlandschaften und – das vergessen viele Planungsrunden – die laufende Datenpflege. KI-Systeme brauchen hochwertige, strukturierte Daten. Wer jahrelang in Datensilos gewirtschaftet hat, zahlt jetzt doppelt: erst für die Bereinigung, dann für die Anwendung.

Dazu kommen Personalkosten. Wer KI ernsthaft einsetzen will, braucht Menschen, die Modelle trainieren, Outputs kontrollieren und Prozesse neu denken. Das ist keine Aufgabe für eine Stabsstelle mit zwei Vollzeitstellen. Gartner schätzt, dass Unternehmen, die KI-Projekte scheitern sehen, in mehr als 80 Prozent der Fälle nicht an der Technologie selbst, sondern an mangelhafter Datenbasis oder fehlenden Kompetenzen im eigenen Haus scheitern.

Das Kompetenzmuster entscheidet

Technologie ist immer nur so gut wie die Organisation, die sie einsetzt. Und hier liegt ein strukturelles Problem, das sich durch nahezu alle Branchen zieht. In vielen Unternehmen fehlt das mittlere Management, das KI-Initiativen überhaupt sinnvoll in operative Prozesse übersetzen kann. Die Lücke zwischen dem Vorstandsbeschluss und der gelebten Arbeitsroutine in der Sachbearbeitung, im Vertrieb oder in der Fertigung ist enorm.

Bosch hat das früh erkannt und investiert gezielt in KI-Kompetenzaufbau – nicht nur in der IT, sondern quer durch die Fachbereiche. Das Stuttgarter Unternehmen schult Mitarbeitende in der praktischen Anwendung und schafft sogenannte "AI Champions" in den Fachabteilungen, die als Brücke zwischen Technologie und Geschäftsprozess wirken. Das ist kein glamouröser Ansatz, aber er adressiert den eigentlichen Engpass: nicht die Software, sondern das Wissen, wie man sie nutzt.

Erwartungen, die die Realität überfordern

Wer KI als Wunderwaffe betrachtet, ist anfällig für Ernüchterung. Das gilt nicht nur für mittlere Unternehmen, sondern auch für Investoren. Die Bewertungen vieler KI-Unternehmen reflektieren Erwartungen, die auf einem Zeithorizont von fünf bis zehn Jahren beruhen – nicht auf dem nächsten Quartalsbericht. Wenn die Ergebnisse ausbleiben, folgt Verdruss. Dieser Verdruss ist bereits spürbar: Erste Analysten sprechen von einer "KI-Ernüchterungsphase", die auf den Hype-Höhepunkt folgt – ein Muster, das Gartner in seinem Hype Cycle regelmäßig beschreibt.

Das bedeutet nicht, dass KI scheitert. Es bedeutet, dass die Kurve zwischen Investition und Ertrag länger ist, als die Erwartungen es zulassen. Produktivitätsgewinne aus neuen Technologien setzen sich typischerweise erst durch, wenn eine kritische Masse an Unternehmen die Technologie in ihre Kernprozesse integriert hat – und wenn sich gleichzeitig Geschäftsmodelle, Berufsbilder und Organisationsstrukturen angepasst haben. Beides braucht Zeit.

Der Unterschied zwischen Anwendung und Integration

Hier liegt der entscheidende Trennstrich: zwischen dem Einsatz von KI als Werkzeug und der echten Integration in Wertschöpfungsprozesse. Wer ChatGPT nutzt, um Texte zu überarbeiten, spart vielleicht eine Stunde pro Woche. Wer hingegen Beschaffungsprozesse, Qualitätskontrolle und Kundenservice auf KI-Basis neu strukturiert, verändert das operative Modell grundlegend. Der erste Ansatz kostet wenig und bringt wenig. Der zweite kostet viel – und kann tatsächlich transformieren.

BASF experimentiert mit KI in der Chemieprozessoptimierung und berichtet von messbaren Einsparungen im Energieverbrauch einzelner Anlagen. Deutsche Telekom setzt auf KI in der Netzwerkwartung, um Ausfälle vorherzusagen, bevor sie entstehen. Diese Anwendungen greifen in operative Kernbereiche ein – und genau deshalb haben sie einen spürbaren Effekt auf Kosten und Qualität.

Wann der Produktivitätssprung kommt

Wer auf das große Erwachen wartet, muss vor allem eines mitbringen: Geduld und Klarheit über die eigenen Prozesse. Unternehmen, die heute systematisch ihre Datenbasis aufräumen, ihre Mitarbeitenden qualifizieren und KI-Projekte mit klaren Erfolgsmetriken steuern, bauen einen Vorsprung auf, der sich in zwei bis drei Jahren materialisieren wird. Wer dagegen auf fertige Lösungen wartet oder KI als Marketingthema behandelt, verliert diese Zeit.

Der große Effizienz-Boost kommt – aber nicht für alle gleichzeitig und nicht automatisch. Er kommt für Unternehmen, die aufgehört haben, KI zu feiern, und angefangen haben, KI zu managen.

Häufig gestellte Fragen

Warum schlägt sich KI noch nicht in den Unternehmensgewinnen nieder?
Viele Unternehmen befinden sich noch in der Pilot- und Testphase. Der Sprung von einzelnen Anwendungsfällen zur unternehmensweiten Integration gelingt nur selten – wegen fehlender Datenbasis, mangelnder Fachkompetenz im eigenen Haus und unterschätzter Implementierungskosten. Produktivitätsgewinne aus neuen Technologien brauchen historisch gesehen immer eine gewisse Reifezeit, bis sie sich in gesamtwirtschaftlichen Kennzahlen abbilden.

Was brauchen Unternehmen, um KI wirklich produktiv zu nutzen?
Drei Faktoren sind entscheidend: erstens eine saubere, strukturierte Datenbasis, zweitens Mitarbeitende mit dem nötigen Wissen, KI-Outputs zu bewerten und in Prozesse einzubetten, und drittens ein klares Commitment des Managements, KI nicht als Pilotprojekt zu betreiben, sondern als Teil der operativen Strategie. Unternehmen wie Bosch oder Siemens zeigen, dass systematischer Kompetenzaufbau dabei der entscheidende Hebel ist.

Ist der KI-Hype eine Blase?
Nicht zwangsläufig. Die Technologie hat reales Potenzial – das belegen konkrete Anwendungen in der Fertigungs- und Prozessoptimierung. Was übertrieben ist, sind die kurzfristigen Ertragserwartungen. Der Abstand zwischen Investition und messbarem Ergebnis ist größer als erhofft. Das ist kein Zeichen des Scheiterns, sondern ein typisches Muster beim Einsatz transformativer Technologien – bekannt aus der Einführung von Computer und Internet.