Das KI-Budget, das am meisten schmerzt, ist nicht das, was verloren geht, sondern das, das nie dort ankommt, wo es wichtig wäre
Mehr als 1,5 Billionen Dollar an Bewertungen von Unternehmenssoftware sind in den letzten zwei Jahren verdunstet. Nicht wegen mangelnder Investitionen in künstliche Intelligenz, sondern weil die Investitionen am falschen Ort gelandet sind. Das ist das Paradox, das den aktuellen Moment definiert: Unternehmen haben noch nie so viel für KI ausgegeben, und gleichzeitig war es noch nie so schwierig zu zeigen, wo der Wert tatsächlich liegt.
Rohit Kedia, CEO von Xoriant, hat es in einer kürzlichen Analyse präzise auf den Punkt gebracht: Der Großteil des unternehmensweiten KI-Budgets akkumuliert sich in der Modellschicht – also in Plattformlizenzen, Recheninfrastruktur, Anbieterpartnerschaften und der Entwicklung von Proof-of-Concept-Projekten. Diese Schicht zieht die Aufmerksamkeit auf sich, generiert Ankündigungen und produziert Demonstrationen. Was sie nicht konsistent produziert, sind Ergebnisse, die in der Gewinn- und Verlustrechnung auftauchen.
Gartner schätzte im Februar 2025, dass bis 2026 bis zu 60 % der KI-Projekte aufgrund fehlender verarbeitungsbereiter Daten aufgegeben werden. Das ist kein technologisches Scheitern. Es ist ein Scheitern der Budgetarchitektur: Man hat das Modell finanziert, nicht die Infrastruktur, die es trägt.
Die Frage, die Technologieführer sich stellen sollten, ist nicht ob man in KI investieren soll. Diese Entscheidung ist bereits gefallen. Die Frage lautet, ob das Geld operative Kapazität aufbaut oder lediglich den Anschein von Modernität finanziert.
Das teure Theater, das niemand benennen will
Es gibt ein Muster, das sich mit auffälliger Regelmäßigkeit in Vorstandssälen wiederholt. Jede Woche bringt eine neue Ankündigung einer Allianz mit einem Modellanbieter, eine Demonstration autonomer Agenten, ein Versprechen transformierter Arbeitsabläufe. Der Lärm ist laut. Das Theater überzeugend.
Wenn man über die Pressemitteilungen hinausblickt und fragt, was sich konkret daran geändert hat, wie das Unternehmen Mehrwert für seine Kunden schafft, ist die ehrliche Antwort oft enttäuschend. McKinsey berichtete in seinem State of AI 2025, dass nur ein Drittel der Unternehmen damit begonnen hat, ihre KI-Programme auf Unternehmensebene zu skalieren – obwohl 88 % aktive Investitionen melden. Der Rest gibt Geld aus. Nur eben nicht dort, wo es zählt.
Dieses Phänomen hat eine identifizierbare Struktur. Die KI-Budgets der Jahre 2023 und 2024 lebten überwiegend in Innovations- oder F&E-Linien mit laxen Renditeanforderungen und leichter Finanzprüfung. Das schuf die perfekten Bedingungen für die Proliferation überlappender Tools, abteilungsübergreifender Pilotprojekte ohne Verbindung zu Kernprozessen und Infrastrukturverträge, die niemand anhand eines konkreten Geschäftsergebnisses gemessen hat.
Das Problem ist nicht, dass Unternehmen experimentieren. Experimentieren hat einen Wert. Das Problem entsteht, wenn das Experiment zum Produkt wird, wenn die Demonstration das Deployment ersetzt und wenn das Innovationsbudget als eine Möglichkeit funktioniert, modern zu wirken, ohne sich auf irgendetwas Konkretes festzulegen.
Deloitte stellte fest, dass etwa 66 % der Organisationen, die Unternehmens-KI adoptiert haben, Verbesserungen bei Produktivität und Effizienz als den wichtigsten erzielten Vorteil nennen. Das ist eine vernünftige Zahl. Aber sie muss mit Sorgfalt gelesen werden: Produktivität und Effizienz sind Prozesskennzahlen, nicht zwingend Indikatoren für strukturellen wirtschaftlichen Einfluss. Die Zeit zu verkürzen, die ein Analyst zur Vorbereitung eines Berichts benötigt, ist nicht dasselbe wie die Entscheidungskette neu zu gestalten, die dafür sorgt, dass dieser Bericht überhaupt von Bedeutung ist.
Die Unterscheidung zwischen „KI nutzen" und „Intelligenz anwenden" ist im Kern eine Budgetunterscheidung. KI nutzen bedeutet, Werkzeuge über bestehende Arbeitsabläufe zu legen: ein Copilot hier, ein Chatbot dort, eine Analyticschicht über einem Dashboard, das bereits existierte. Intelligenz anwenden bedeutet etwas kategorial anderes: automatisierte Entscheidungsfähigkeit in die Art und Weise einzubetten, wie das Unternehmen Wert produziert und liefert – mit Rückverfolgbarkeit zum Ergebnis, das diese Entscheidung beeinflusst.
Diese zweite Option erfordert die Finanzierung von Dingen, die keine Schlagzeilen generieren: Datenbereinigung, Prozessredesign, Modernisierung veralteter Architekturen, Teamweiterbildung. Goldman Sachs wies in seinem Bericht vom März 2026 darauf hin, dass KI den Softwaremarkt nicht frisst, sondern ihn erweitert – denn sie senkt die Kosten des Schreibens von Code, hebt gleichzeitig aber die Obergrenze dessen, was dieser Code leisten kann. Das bedeutet, dass der anwendbare Wertbereich gewachsen ist. Ihn zu erfassen erfordert jedoch, die Grundlagen gebaut zu haben, die ihn tragen.
Die vier Grundpfeiler, die das Budget ignoriert
Es gibt vier Bereiche, in denen Investitionen systematisch zu spät oder zu knapp ankommen – und alle vier bestimmen, ob jeder Ausgabe für Modelle Wert oder lediglich Aktivität erzeugt.
Die Prozesse sind der erste Versagenspunkt. KI, die auf einen kaputten Arbeitsablauf angewendet wird, produziert fehlerhafte Ergebnisse schneller. Jeder Dollar, der in das Modell investiert wird, ohne den umgebenden Prozess neu zu gestalten, ist ein Dollar, der Geschwindigkeit erzeugt, aber keine Richtung. Der häufigste Fehler in unternehmensweiten KI-Programmen ist die Annahme, dass die Intelligenz des Modells die Dysfunktionalität des Prozesses ausgleichen wird. Das tut sie nicht. Sie verstärkt sie.
Die Technologiearchitektur ist das zweite Problem. Fragmentierte Altsysteme können keine in den Entscheidungspunkt eingebettete Intelligenz tragen. Ein leistungsfähigeres Modell zu kaufen löst kein Integrationsproblem. Was wie ein Problem mit der KI-Kapazität erscheint, ist häufig ein ungelöstes Problem der technischen Schulden, das das KI-Budget nie angefasst hat – weil technische Schulden keine attraktiven Demonstrationen erzeugen.
Die Fähigkeiten belegen den dritten Platz und sind vielleicht das teuerste Defizit aufgrund ihrer Unsichtbarkeit. Es gibt einen Unterschied zwischen einer Belegschaft, die weiß, was KI ist, und einer, die weiß, wie man mit ihr arbeitet. Die erste kann eine Adoptionsumfrage beantworten. Die zweite kann neu definieren, wie ein Betriebs-, Risiko- oder Kundenserviceteam Entscheidungen trifft. Die Transformation von Fähigkeiten bleibt eine der am konsistentesten unterschätzten Budgetlinien in Unternehmens-KI-Programmen – behandelt als Change Management am Ende eines Projekts, statt als Lieferbedingung von Anfang an.
Die Daten runden das Bild ab. Kein Modell, egal wie ausgereift, produziert zuverlässige Intelligenz aus unzuverlässigen Daten. Und dennoch erhält die Datenvorbereitung nur einen Bruchteil der Investitionen, die für Modellauswahl und Plattformakquisition aufgewendet werden. Der Befund von Gartner ist nicht nur statistischer Natur: Er ist eine Diagnose von Prioritäten. Unternehmen investieren dort, wo Sichtbarkeit und Anerkennung herrschen. Saubere, gut verwaltete und mit den richtigen Prozessen verbundene Daten erzeugen keine spektakulären Demonstrationen. Sie erzeugen Ergebnisse. Dieser Unterschied erklärt, warum 60 % der Projekte nicht überleben.
Eine 2026 veröffentlichte Kostenstudie schätzt, dass produktionsbereite KI-Systeme mit echter regulatorischer Compliance und Skalierbarkeit zwischen 250.000 und mehr als einer Million Dollar pro System kosten – sobald Engineering, Datenarbeit, Governance und Integration berücksichtigt werden. Diese Zahl schließt die wiederkehrenden Kosten für Modellwartung, Nachtraining und Monitoring ein. Fast kein Pilotprojekt wurde so konzipiert, dass es diese Struktur tragen kann. Das erklärt, warum Pilotprojekte nicht skalieren.
Die Budgetarchitektur, die diejenigen unterscheidet, die Wert erfassen, von denen, die ihn nur beobachten
Der Unterschied zwischen Unternehmen, die mit KI nachhaltigen Wert erfassen, und denen, die Implementierungsschulden anhäufen, liegt nicht darin, welche Modelle sie gewählt haben. Er liegt darin, wie sie die Investitionsarchitektur rund um diese Modelle aufgebaut haben.
Unternehmen, die messbare Renditen erzielen, teilen ein Drei-Schichten-Muster. Die erste Schicht ist die Grundlageninvestition: Datenvorbereitungsarbeit, Prozessredesign, Modernisierung von Altsystemen und Schulungsprogramme mit Adoptionskennzahlen. Es ist die glamourlose Arbeit, die bestimmt, ob alles andere funktioniert. Die zweite Schicht ist der Intelligenzausbau: KI, die nativ in reale Arbeitsabläufe integriert ist – nicht als paralleles Werkzeug, sondern als Fähigkeit innerhalb der Plattform, des Produkts oder der Customer Journey, mit direkter Rückverfolgbarkeit zu einem Geschäftsergebnis. Die dritte Schicht ist Orchestrierung – sowohl menschlich als auch agentisch –, die jedoch nur dann Wert hat, wenn die beiden vorherigen Schichten bereits aufgebaut sind.
Die Projektion von Deloitte zeigt, dass sich die Anzahl der Unternehmen mit mehr als 40 % ihrer KI-Projekte in Produktion im nächsten Planungszyklus verdoppeln wird. Diese Zahl ist weniger als Adoptionsindikator von Bedeutung denn als Signal dafür, welche Art von Unternehmen auf Basis einer strukturell anderen Kostenstruktur wettbewerbsfähig sein wird.
Finanzvorstände beginnen, KI-Budgets von Innovationslinien mit laxer Prüfung hin zu operativen Technologiebudgets zu verlagern – mit denselben Anforderungen, die für eine ERP-Investition oder für Customer-Relationship-Management-Plattformen gelten. Das hat zwei unmittelbare Konsequenzen. Die erste: Projekte, die keine messbare operative Rendite nachweisen können, werden ihre Finanzierung verlieren. Die zweite: Die Anbieter und Systemintegratoren, die überleben werden, sind jene, die ihr Angebot mit konkreten Prozesskennzahlen verknüpfen können – nicht mit abstrakten Transformationsversprechen.
Das zentrale Argument in Kedias Analyse – und das, das Technologieteams am meisten unbehagt – lautet, dass die KI-Investition, die im nächsten Jahr am meisten zählen wird, heute am wenigsten attraktiv erscheint. Das ist keine rhetorische Paradoxie. Es ist eine präzise Beschreibung davon, wie Wert in Märkten mit hoher Informationsasymmetrie verteilt wird: Wer in das investiert, was sich in einer Präsentation nicht demonstrieren lässt, erfasst den Wert, den die anderen nur in ihren Jahresberichten beschreiben.
Die Budgetarchitektur, die angewandte Intelligenz aufbaut, ist per Definition weniger sichtbar als jene, die Experimente mit fortschrittlichen Modellen finanziert. Aber sie ist die einzige, die Ergebnisse produziert, die einem echten Wert-Audit standhalten. Und in einem Umfeld, in dem Aufsichtsräte und Verwaltungsräte genau das zunehmend einfordern, hat die Sichtbarkeit des Ausgabens aufgehört, sein wichtigster Vorteil zu sein.
