Warum 97 % der Unternehmen KI-Projekte haben und nur 5 % über einsatzbereite Daten verfügen
Es gibt eine Statistik, die jede Vorstandssitzung über künstliche Intelligenz zum Innehalten bringen sollte: Laut einer Umfrage von Dun & Bradstreet unter 10.000 Unternehmen aus dem Jahr 2026 erklären 97 % der Befragten, aktive KI-Initiativen zu betreiben, während gerade einmal 5 % der Meinung sind, dass ihre Daten tatsächlich bereit sind, diese zu unterstützen. Diese Lücke ist kein kleines technisches Detail. Es ist der Abstand zwischen der Investition in Infrastruktur und dem Betrieb von etwas, das in der Produktion zuverlässig funktioniert.
Was diese Zahl beschreibt, ist ein Muster, das denjenigen vertraut ist, die beobachtet haben, wie Technologieentscheidungen in großen Organisationen getroffen werden: Zuerst wird der Pilotversuch genehmigt, dann sucht man nach dem Problem, das die Genehmigung rechtfertigt. Die Demonstration beeindruckt. Der Saal applaudiert. Das Projekt erhält Budget. Und irgendwo zwischen diesem Moment und dem täglichen Betrieb bricht etwas ab, ohne dass jemand offiziell das Scheitern erklärt hat.
BCG dokumentierte dies mit Präzision: Nur 5 % der Unternehmen erzielen einen substanziellen Wert aus KI, während 60 % keinerlei materielle Auswirkungen berichten. McKinsey wiederum stellte fest, dass mehr als 80 % der Befragten keinerlei greifbare Auswirkungen auf das EBIT durch generative künstliche Intelligenz sehen konnten, selbst als die erklärte Adoptionsrate weiter stieg. Diese Zahlen sind keine Verurteilung der Technologie. Sie sind ein Schnappschuss davon, wie die Investitionen verwaltet werden.
Die Illusion des ewigen Pilotprojekts
Es gibt eine stille Form des organisationalen Scheiterns, die weder in Bilanzen auftaucht noch Pressemitteilungen erzeugt: das Pilotprojekt, das nicht stirbt. Es installiert sich unter dem Namen „Innovation", verbraucht chronisch technische und menschliche Ressourcen, produziert intern einigermaßen ansprechende Präsentationen und wird nie zu etwas, das eine Zeile in der Gewinn- und Verlustrechnung verändert. Organisationen mit höherem Reifegrad in der digitalen Transformation lernen seit Jahren, dass diese Dynamik nicht zufällig, sondern strukturell ist.
Das Problem beginnt am Ursprung des Projekts. Wenn eine KI-Initiative genehmigt wird, weil „der Anwendungsfall interessant ist" oder weil ein Anbieter eine überzeugende Demonstration geliefert hat, fehlt ihr von Anfang an etwas, das jedes Investitionsprogramm haben sollte: eine messbare Ausgangsbasis, einen Eigentümer des Ergebnisses und ein Ausstiegskriterium, falls der Wert nicht eintritt. Ohne diese drei Elemente hat das Pilotprojekt keine Möglichkeit, würdevoll zu scheitern oder mit Rückverfolgbarkeit zu skalieren.
BCG stellte fest, dass die Unternehmen mit den besten KI-Ergebnissen im Durchschnitt zwischen drei und vier Anwendungsfälle priorisieren, gegenüber sechs oder sieben bei Organisationen mit schlechteren Renditen. Dieser Unterschied ergibt sich nicht aus dem verfügbaren Budget oder der Größe des technischen Teams. Er ergibt sich aus der Bereitschaft, Initiativen abzulehnen, die keine strategische Ausrichtung und wirtschaftliche Tragfähigkeit nachweisen können, sobald sie um Finanzierung bitten. Fokus ist keine abstrakte Führungstugend; in diesem Kontext ist er die einzige Bedingung, die Skalierung möglich macht.
Was die Daten von BCG und McKinsey gemeinsam enthüllen, ist, dass sich die meisten Organisationen in einer Phase befinden, die man als KI-Theater bezeichnen könnte: hohe sichtbare Aktivität, geringe operative Transformation. Die Pressemitteilungen sprechen von Adoption. Die internen Kennzahlen erzählen eine andere Geschichte.
Das Problem liegt nicht im Modell, sondern unterhalb des Modells
Es gibt eine verständliche Tendenz, die KI-Leistung aus dem Blickwinkel des Modells zu analysieren: Welche Architektur wurde verwendet, welcher Anbieter, welche Version des Systems. Diese Analyse ist in Forschungskontexten nützlich, aber in den meisten Unternehmensumgebungen liegt der Engpass nicht im Modell. Er liegt in dem, was das Modell benötigt, um zuverlässig zu funktionieren: saubere Daten, gemeinsam genutzte Definitionen, neu gestaltete Arbeitsabläufe und klare Verantwortung für die Entscheidungen, die das System unterstützen soll.
Die zuvor erwähnte Umfrage von Dun & Bradstreet formuliert dies in Begriffen, die kaum eine alternative Interpretation zulassen: Wenn fast kein Unternehmen glaubt, dass seine Daten bereit sind, dann ist das massive Problem kein technologisches Experimentationsproblem, sondern ein Fundamentalproblem. Eine KI, die fragmentierte Daten erhält, ohne einzige Quelle der Wahrheit, mit in Tabellenkalkulationen vergrabenen Geschäftsregeln und Ausnahmeprozessen, die niemand dokumentiert hat, liefert keine zuverlässigeren Empfehlungen als das System, das sie verbessern soll. In vielen Fällen beschleunigt sie schlicht die bestehenden Fehler.
PwC identifizierte dieses Muster aus einem anderen Blickwinkel: Die solidesten Ergebnisse kommen, wenn Unternehmen die Arbeitsabläufe neu gestalten, anstatt KI über vererbte Prozesse zu legen. Dieser Unterschied ist wirtschaftlich bedeutsam. Das Hinzufügen einer KI-Komponente zu einem ineffizienten Prozess kann diesen Prozess schneller machen. Aber es ändert weder die Kostenlogik noch die Struktur der Operation. Die Arbeitsökonomie bleibt dieselbe, nur schneller ausgeführt.
Der Fall regulatorisch anspruchsvoller Umgebungen ist besonders eindeutig. Finanzen, regulatorische Compliance, rechtliche Prüfung, Lieferkette: das sind Kontexte, in denen zwei unterschiedliche Antworten auf dieselbe Anfrage kein Zeichen der Flexibilität des Systems sind, sondern ein Kontrollproblem. Zuverlässigkeit in der Produktion hat einen anderen Maßstab als beim Experimentieren. Und genau dieser Unterschied trennt die Systeme, die übernommen werden, von denen, die nach dem Pilotprojekt still und leise aufgegeben werden.
Wenn 70 % des Wertes aus Faktoren stammt, die nicht auf der Technologie-Roadmap erscheinen
BCG dokumentierte etwas, das Technologieteams oft unbequem macht: Bei KI-gesteuerten Transformationen, die echte Ergebnisse erzielten, stammten 70 % des Wertes aus Maßnahmen im Zusammenhang mit Menschen, nicht mit Technologie. Das umfasst die Neudefinition von Rollen, Änderungen bei Anreizen, aktives Management des Adoptionsprozesses und den Aufbau von Kapazitäten in den Teams, die die Systeme in der Produktion nutzen sollten.
Dieser Befund sollte nicht als Argument gegen technische Investitionen gelesen werden. Er sollte als Karte gelesen werden, die aufzeigt, wo die eigentliche Blockade normalerweise liegt. Ein Sprachmodell kann Tausende von Verträgen pro Stunde verarbeiten; aber wenn das Rechtsteam seinen Ergebnissen nicht vertraut, wenn sich die Anreize des Bereichs nicht verändert haben, wenn niemand neu definiert hat, was es bedeutet, „einen Vertrag zu prüfen", wenn ein System die erste Durchsicht übernimmt, dann findet keine nachhaltige Adoption statt. Das System existiert. Der Wert nicht.
Die Unternehmen des Global 1000, die tatsächlich messbare Auswirkungen melden, teilen einige operative Merkmale: Sie haben spezifische Prozesse neu gestaltet, bevor sie die Systeme implementierten, haben Metriken anhand dokumentierter Ausgangswerte etabliert und haben die Ergebnisverantwortung Personen mit echter Rechenschaftspflicht für diese Zahlen zugewiesen. In einigen dokumentierten Fällen sind die Ergebnisse materiell: Effizienzsteigerungen in der Fertigung in der Größenordnung von 30 %, eine 80-prozentige Reduzierung der Analysedauer von Dokumenten, eine 1,7-fache Verbesserung der Vertriebskonversionsraten. Diese Zahlen stammen nicht von überlegenen Modellen. Sie stammen von überlegenen Integrationen.
Der Unterschied zwischen einem Unternehmen, das KI nutzt, und einem Unternehmen, das mit KI operiert, liegt weder beim Modellanbieter noch bei der Größe des Innovationsbudgets. Er liegt darin, ob die Organisation in der Lage war, die Systemausgabe mit einer konkreten Entscheidung zu verknüpfen, innerhalb eines neu gestalteten Prozesses, mit jemandem, der dafür verantwortlich ist zu messen, ob das die Kennzahl bewegt, die sich bewegen soll.
Die eigentliche Verschiebung, die diese Zahlen enthüllen
Die aktuelle Phase des unternehmerischen Zyklus der künstlichen Intelligenz wird nicht durch Fortschritte bei den Basismodellen definiert. Sie wird durch die Fähigkeit der Organisationen definiert, vom Experiment zur Ergebnisforderung überzugehen. Und dieser Übergang ist noch nicht mehrheitlich vollzogen.
Was die Daten von BCG, McKinsey, PwC und Dun & Bradstreet gemeinsam beschreiben, ist ein Markt mit einer asymmetrischen Verteilung: Eine kleine Minderheit von Unternehmen generiert mit KI messbaren und zusammengesetzten Wert, während eine breitere Mehrheit weiterhin Projekte anhäuft, die die Gewinn- und Verlustrechnung nicht berühren. Diese Lücke lässt sich nicht mit mehr Technologie schließen. Sie schließt sich durch Portfolio-Disziplin, durch Datenfundamente, die heute offensichtlich beim Großteil des Marktes fehlen, und durch eine organisatorische Bereitschaft anzuerkennen, dass echte Adoption Neugestaltung erfordert, keine Überlagerung.
Die Verschiebung, die gerade stattfindet, obwohl noch unvollständig, zeigt in eine präzise Richtung: KI hört auf, ein Signal der Modernität zu sein, und wird zu einer Anforderung an Evidenz. Organisationen, die die Frage, was sich operativ seit der Implementierung ihrer Systeme verändert hat, nicht mit Zahlen beantworten können, werden wachsendem Druck ausgesetzt sein — zunächst intern, dann von ihren Aufsichtsräten und Investoren. Das Kapital, das früher in das Experiment floss, wird schrittweise dorthin migrieren, wo das Experiment bewiesen hat, mehr zu sein als nur ein Experiment.
