Unternehmen geben Billionen für KI aus und ernten Cent-Beträge
Es gibt eine Zahl, die auf dem Schreibtisch jedes CFOs liegen sollte, der heute ein Budget für künstliche Intelligenz unterzeichnet: 40 %. Das ist der Anteil der Unternehmen, die laut einer aktuellen Umfrage von Bain & Company unter 951 großen globalen Konzernen ihre tatsächlichen KI-Einsparungen gemessen haben – und sie im Bereich von null bis zehn Prozent vorfanden. Nicht weil die Technologie im Betrieb versagt hatte. Sondern weil der versprochene Wert sich nie in tatsächlich erfassten Wert verwandelte.
Die globalen KI-Ausgaben werden in diesem Jahr 2,59 Billionen Dollar erreichen – ein Sprung von 47 % gegenüber dem Vorjahr – gemäß Prognosen von Gartner. Im nächsten Jahr nähert sich die Zahl den 3,5 Billionen. Das sind beeindruckende Zahlen. Was hingegen nicht beeindruckt – zumindest nicht auf die richtige Weise – ist das, was sich auf der anderen Seite dieser Gleichung befindet: Mehr als 37 % der befragten Unternehmen hatten sich Kostensenkungen zwischen 11 % und 20 % zum Ziel gesetzt, und die Mehrheit landete deutlich darunter. Ohne Alarmzeichen. Ohne Überprüfungen. Mit bereits genehmigten neuen Budgets für die nächste Welle.
Dies ist keine Geschichte über eine gescheiterte Technologie. Es ist eine Geschichte darüber, wie Organisationen Abhängigkeiten aufbauen, die sie nicht benennen können, und darüber, wie Systeme, die scheinbar vorankommen, manchmal nur im Kreis drehen.
Der Kreislauf, den niemand an die Tafel schreiben möchte
Bain identifizierte einen Mechanismus, der – klar beschrieben – in jedem Vorstandssaal für Unbehagen sorgen sollte: 44 % der Unternehmen finanzieren die nächste KI-Welle mit den Einsparungen der vorherigen Welle. Einsparungen, die laut derselben Umfrage hinter den Projektionen zurückblieben.
Es handelt sich um eine strukturelle Zirkularität. Das Unternehmen investiert in robotergestützte Prozessautomatisierung oder in maschinelles Lernen, erzielt weniger als erwartet, nutzt diese reduzierte Basis zur Finanzierung des nächsten Zyklus mit generativer Intelligenz und bereitet sich nun darauf vor, die Operation mit autonomen Agenten zu wiederholen. Jede Investitionsrunde wird mit den unvollständigen Erträgen der vorherigen gerechtfertigt. Das Nettoergebnis ist keine Wertakkumulation. Es ist eine Anhäufung von Wetten.
Das Bemerkenswerte ist nicht, dass dies geschieht. Das Bemerkenswerte ist, dass es reibungslos geschieht. Bain beschreibt das Defizit als eine Lücke, die „Führungskräfte beunruhigen sollte", die aber nicht groß genug ist, um die Programme zu beenden. Diese Zwischenzone – zu kostspielig zum Ignorieren und zu klein zum Abschneiden – ist genau der Ort, an dem fragile Systeme existieren. Sie kollabieren nicht auf einmal. Sie verfallen langsam, während sie weiterhin funktionsfähig wirken.
Was der Bericht nicht explizit sagt, aber aus seiner Logik hervorgeht, ist, dass dieses Muster einen präzisen organisatorischen Namen hat: Das Unternehmen ist abhängig von einem Technologie-Investitionszyklus geworden, der als Ersatz für tiefgreifendere Entscheidungen darüber funktioniert, wie es arbeitet. Jedes neue Werkzeug verschiebt die Frage, die niemand in Ruhe beantworten möchte: Gestalten wir neu, wie dies funktioniert, oder automatisieren wir nur, was wir bereits schlecht machen?
Warum das Datenproblem eigentlich ein Governance-Problem ist
41 % der von Bain befragten Unternehmen nennen den Datenzugang und die Datenintegration als das größte Hindernis für den KI-Fortschritt. Diese Einschätzung hält sich seit Jahren auf diesem Platz. Sie hat massive Runden der Infrastrukturmodernisierung, Cloud-Migrationen und Plattformkonsolidierungen überstanden. Sie ist immer noch da.
Das lässt sich nicht allein durch technische Schwierigkeiten erklären. Technische Hindernisse werden in Organisationen mit Budgets dieser Größenordnung gelöst. Was sich weder mit Geld noch mit neuen Systemen lösen lässt, ist das Fehlen von Entscheidungen darüber, wer für welche Daten verantwortlich ist, wer die Autorität hat, Standards durchzusetzen, und wer die politischen Kosten trägt, Quellen zu vereinheitlichen, die verschiedene Bereiche wie eigene Territorien verwalten.
Das fragmentierte Datum ist fast immer das Symptom einer fragmentierten Macht. Organisationen, die ihre Daten nicht integrieren können, haben in erster Linie kein Problem mit der technischen Architektur: Sie haben ein Problem mit der menschlichen Architektur. Niemand ist für das gesamte Problem verantwortlich, und deshalb perpetuiert sich das Problem, auch wenn die Werkzeuge ringsherum ausgetauscht werden.
Bain schlägt mit einer gewissen produktiven Ironie vor, die KI selbst einzusetzen, um diesen Knoten zu lösen: einen wiederholbaren, hochwertigen Arbeitsablauf zu identifizieren, bei dem Mitarbeiter Daten manuell extrahieren, Tabellenkalkulationen konsolidieren und Berichte erstellen, und diese gesamte Abfolge zu ersetzen. Nicht als endgültige Lösung, sondern als Demonstration, dass sich das Problem bewegen lässt. Die Taktik hat Vorzüge, aber sie funktioniert nur, wenn jemand die Autorität hat, die Konsolidierung durchzusetzen, die das Werkzeug erfordern wird. Ohne diese vorherige Entscheidung wird der KI-Agent zu einem weiteren System, das mit dem Chaos koexistiert, anstatt es zu ordnen.
Der Bain-Bericht weist auch darauf hin, dass die KI-Governance fast gleichmäßig auf Technologie, Geschäftsfunktionen und zentrale Teams verteilt ist, ohne eine klare Verantwortlichkeit in den meisten Organisationen. Das hat konkrete Konsequenzen: Wenn ein autonomer Agent in einem Produktionssystem einen Fehler mit realen Folgen begeht, kann die Rechenschaftspflicht nicht im Nachhinein improvisiert werden. Sie muss zuvor festgelegt worden sein. Organisationen, die dies nicht getan haben, haben kein KI-Problem. Sie haben ein Governance-Problem, das die KI gerade erst sichtbar gemacht hat.
Was diejenigen trennt, die Wert abschöpfen, von denen, die nur Ausgaben anhäufen
Bain unterscheidet – mit einem Satz, der es verdient, langsam gelesen zu werden – zwischen zwei Typen von Unternehmen: solchen, die KI-Werkzeuge über ihre bestehenden Prozesse hinweg einsetzen, und solchen, die KI als Anlass nutzen, um von Grund auf neu zu gestalten, wie Arbeit funktioniert. Der Abstand zwischen beiden ist nicht technologischer Natur. Er ist eine Frage des organisatorischen Ehrgeizes und der Bereitschaft, die politischen Kosten zu tragen, um die Struktur alltäglicher Entscheidungen zu verändern.
Die erste Gruppe produziert die Zahlen des Bain-Berichts: Einsparungen von 0 % bis 10 %, steigende Budgets, Erwartungen, die sich zur nächsten Welle verlagern. Die zweite Gruppe, erheblich kleiner, baut etwas anderes auf. Nicht weil sie über bessere Technologie verfügt, sondern weil sie entschied, dass die Technologie nicht das zentrale Objekt der Initiative war. Das zentrale Objekt war der Prozess, die Rolle, die Entscheidung. Die Technologie war das Instrument, das deren Neugestaltung ermöglichte.
Bains Empfehlung, keine „Feldwege mit KI zu asphaltieren", trifft diesen Punkt präzise. Wenn der Prozess, der automatisiert wird, Designineffizienzen aufweist, macht seine Automatisierung diese nur schneller und schwerer erkennbar. Die eigentliche Einsparung entsteht nicht dadurch, dass man dasselbe schneller tut. Sie entsteht dadurch, dass man sich – bevor man ein Programm genehmigt – fragt, wie dieser Prozess von Grund auf neu gestaltet würde, wenn er heute aufgebaut werden würde. Diese Frage beantwortet kein Sprachmodell. Sie wird von einer Organisation beantwortet, die ausreichend Klarheit darüber hat, was sie produzieren möchte, und von einer Führung, die bereit ist, die Kosten des Übergangs zu tragen.
Hier zeigt sich die stillste Fragilität des gesamten Phänomens. 90 % der Unternehmen erhöhen ihr KI-Budget. Nur 7 % haben Agenten, die im Produktionsbetrieb vollständig autonom funktionieren. Diese Lücke zwischen Investition und realer Autonomie ist der Raum, in dem sich die noch unbenannte Abhängigkeit ansammelt: die Abhängigkeit von einem Investitionszyklus, der die Illusion von Transformation erzeugt, ohne das Neudesign zu produzieren, das sie nachhaltig machen würde.
Die CFOs, die Bain in einer parallelen Forschungsreihe befragte, geben an, dass sie beginnen, die Metriken zu ändern, mit denen sie die KI-Rendite bewerten. Weniger Gewicht auf direkter Kosteneinsparung, mehr Aufmerksamkeit auf Informationsgeschwindigkeit, Entscheidungsqualität und Reaktionsgeschwindigkeit auf Veränderungen. Diese Metrikverschiebung ist nicht kosmetisch. Sie zeigt, dass ein Teil der Finanzführung verstanden hat, dass die Frage nicht lautete: „Wie viel sparen wir?", sondern: „Was können wir jetzt tun, was wir vorher nicht konnten?" Zu spät zu dieser Unterscheidung zu gelangen, ist kostspielig. Aber anzukommen ist besser, als weiterhin das Falsche mit immer größeren Budgets zu messen.
Die organisatorische Reife gegenüber KI misst sich weder an der Größe der Investition noch an der Raffinesse der gewählten Werkzeuge. Sie misst sich an der Fähigkeit einer Organisation, ihre eigenen früheren Wetten ehrlich zu prüfen, Verantwortlichkeit zuzuweisen, bevor der Fehler eintritt, und der Versuchung zu widerstehen, die nächste Welle mit den unvollständigen Erträgen der vorherigen zu finanzieren. Unternehmen, die diese drei Dinge nicht tun können, befinden sich nicht auf dem Weg zur Transformation. Sie drehen sich in einem Kreislauf, der sich selbst finanziert und der bislang noch nicht die ausreichenden Kosten verursacht hat, um innezuhalten und ihn genauer zu betrachten.
