KI in der Wirtschaft 2026: Zwischen Hype und Wertschöpfung
Von Dirk Röthig | CEO, VERDANTIS Impact Capital | 03. März 2026
88 Prozent der Unternehmen nutzen KI — irgendwo, irgendwie. Aber nur 6 Prozent erzielen damit einen messbaren Gewinn. Die Lücke zwischen Investition und Wertschöpfung ist das größte unternehmerische Risiko des Jahrzehnts.
Tags: Künstliche Intelligenz, Wirtschaft, Digitalisierung, Mittelstand, KI-Strategie
Die Illusion der Adoption
Es gibt wenige Technologien in der Geschichte, die so schnell so breit adoptiert wurden wie Künstliche Intelligenz. Die Zahlen sind beeindruckend: Laut der McKinsey-Studie The State of AI 2025 setzen 88 Prozent aller befragten Unternehmen weltweit KI in mindestens einem Geschäftsbereich ein (Chui et al., 2025). In Deutschland hat sich die KI-Nutzung innerhalb eines einzigen Jahres verdoppelt — von 20 Prozent auf 36 bis 41 Prozent der Unternehmen, je nach Erhebung (Bitkom, 2025).
Die globalen Ausgaben für KI sind in einem Tempo gewachsen, das selbst die optimistischsten Prognosen übertroffen hat. Im Jahr 2025 beliefen sich die weltweiten AI-Investitionen auf rund 1,5 Billionen US-Dollar. Für 2026 prognostizieren Analysten einen Anstieg auf 2,52 Billionen — ein Plus von 44 Prozent in einem einzigen Jahr (Gartner, 2025). KI-Unternehmen zogen 2025 rund 61 Prozent des globalen Venture-Capital-Volumens auf sich (OECD AI VC Report, 2025).
Und doch: Hinter dieser Fassade der universellen Adoption verbirgt sich eine unbequeme Wahrheit. Die überwältigende Mehrheit der Unternehmen, die KI einsetzen, erzielt damit keinen messbaren wirtschaftlichen Vorteil. Die Technologie wird gekauft, implementiert und vorgezeigt — aber sie liefert nicht.
Die 6-Prozent-Lücke: Was McKinsey wirklich gemessen hat
Die vielleicht ernüchterndste Zahl in der gesamten KI-Debatte stammt aus der McKinsey-Erhebung von 2025: Nur 6 Prozent der befragten Unternehmen berichten von einem signifikanten Einfluss auf ihr EBIT — definiert als eine Steigerung von mehr als 5 Prozent des operativen Gewinns, die direkt auf KI-Initiativen zurückzuführen ist (Chui et al., 2025).
Sechs Prozent. Von 88 Prozent, die KI nutzen. Das bedeutet: 93 Prozent der KI-Anwender bewegen sich in einem Spektrum zwischen marginalem Nutzen und reinem Kostenposten.
Die Boston Consulting Group bestätigt dieses Bild mit eigenen Daten. In ihrer Studie AI at Work 2025 stellt BCG fest: 60 Prozent der Unternehmen, die KI implementiert haben, erzeugen damit keinen materiellen Wert. Die Technologie existiert in Pilotprojekten, Proof-of-Concepts und Innovationslaboren — aber sie durchdringt nicht die operativen Kernprozesse. Nur 5 Prozent der Unternehmen schaffen es, KI im großen Maßstab wertschöpfend einzusetzen (BCG, 2025).
Diese Diskrepanz ist kein Zufall. Sie ist das Ergebnis struktureller Fehler in der Art und Weise, wie Unternehmen KI-Projekte konzipieren, implementieren und skalieren.
Warum die Mehrheit scheitert: Vier strukturelle Fehler
1. Technologie ohne Problemdefinition
Der häufigste Fehler ist zugleich der fundamentalste: Unternehmen implementieren KI, weil sie KI implementieren wollen — nicht weil sie ein konkretes Problem lösen müssen. Sie beginnen mit der Lösung und suchen dann nach einem passenden Problem.
Wie in meinem früheren Artikel KI im Wirtschaftsleben: Warum deutsche Unternehmen jetzt handeln müssen ausgeführt, ist der entscheidende erste Schritt nicht die Technologieauswahl, sondern die Identifikation der Engpässe, die das Unternehmen tatsächlich ausbremsen.
Ein mittelständisches Produktionsunternehmen, das ein LLM für den Kundenservice implementiert, obwohl sein eigentlicher Engpass in der Produktionsplanung liegt, verschwendet Ressourcen. Die KI funktioniert möglicherweise technisch einwandfrei — aber sie löst das falsche Problem.
2. Pilotfalle: Brillante Demos, fehlende Skalierung
Viele Unternehmen bleiben im Pilotmodus stecken. Sie entwickeln beeindruckende Prototypen, die in kontrollierten Umgebungen funktionieren — und scheitern dann an der Integration in die reale Infrastruktur. Legacy-Systeme, Datensilos, fehlende APIs und mangelnde Datenqualität verwandeln den Übergang vom Proof-of-Concept zur Produktion in einen Albtraum.
BCG identifiziert diese Skalierungslücke als den primären Grund, warum 60 Prozent der KI-Projekte keinen materiellen Wert erzeugen. Die Technologie scheitert nicht an sich selbst — sie scheitert an der organisatorischen Unfähigkeit, sie in bestehende Wertschöpfungsketten zu integrieren (BCG, 2025).
3. Datenqualität: Das ungelöste Grundproblem
KI ist nur so gut wie die Daten, mit denen sie arbeitet. Und die Datenqualität in den meisten Unternehmen ist katastrophal. Redundante Datensätze, inkonsistente Formate, veraltete Informationen, fehlende Metadaten — die Liste ist lang. Gartner schätzt, dass mangelhafte Datenqualität Unternehmen durchschnittlich 12,9 Millionen US-Dollar pro Jahr kostet — und das ohne KI. Mit KI potenziert sich das Problem, weil fehlerhafte Daten zu fehlerhaften Modellen und damit zu fehlerhaften Entscheidungen führen (Gartner, 2025).
4. Fehlende Verankerung in der Führungsebene
KI-Projekte, die von IT-Abteilungen getrieben werden, ohne strategische Verankerung im C-Level, sind zum Scheitern verurteilt. Die 6 Prozent der Unternehmen, die messbaren EBIT-Impact erzielen, haben eines gemeinsam: KI ist dort Chefsache. Sie wird nicht als IT-Projekt behandelt, sondern als strategische Transformation.
Was die Gewinner anders machen
Die Daten zeigen nicht nur, was schiefläuft. Sie zeigen auch, was richtig funktioniert — und die Ergebnisse sind bemerkenswert.
Produktivitätsgewinne: Faktor 4,8
Unternehmen, die KI erfolgreich in ihre Kernprozesse integriert haben, verzeichnen Produktivitätsgewinne zwischen 26 und 55 Prozent — abhängig von Branche, Anwendungsfall und Implementierungstiefe. Noch eindrucksvoller: Branchen, die KI frühzeitig und konsequent adoptiert haben, wachsen in der Produktivität 4,8-mal schneller als der Branchendurchschnitt (McKinsey Global Institute, 2025).
ROI: 3,70 Dollar pro investiertem Dollar
Die durchschnittliche Rendite pro investiertem KI-Dollar liegt bei 3,70 US-Dollar — aber diese Zahl ist ein Durchschnitt, der die extreme Streuung verdeckt. Bei den Top-Performern liegt der ROI bei über 10:1. Bei den unteren 60 Prozent ist er negativ. Die Verteilung gleicht einer Pareto-Kurve: Eine kleine Gruppe von Gewinnern erzielt überproportionale Renditen, während die Mehrheit Verluste einfährt.
Das Muster der Gewinner
Wer die McKinsey- und BCG-Daten übereinanderlegt, erkennt ein klares Muster. Die erfolgreichen 5 bis 6 Prozent der Unternehmen teilen fünf Eigenschaften:
- Klare Problemdefinition: Sie beginnen mit einem konkreten Geschäftsproblem, nicht mit einer Technologie.
- Daten als Asset: Sie haben vor der KI-Implementierung in Datenqualität investiert.
- Cross-funktionale Teams: KI-Projekte werden nicht in IT-Silos entwickelt, sondern von gemischten Teams aus Fachexperten, Datenwissenschaftlern und Geschäftsverantwortlichen.
- Skalierung von Anfang an: Sie planen den Produktionseinsatz vom ersten Tag an mit — nicht als nachträgliche Phase.
- CEO-Sponsorship: Die Transformation wird von der Führungsebene getrieben und mit klaren KPIs versehen.
Der deutsche Mittelstand: Zwischen Chance und Lähmung
Die Situation des deutschen Mittelstands ist besonders aufschlussreich. Laut Bitkom ist die KI-Adoption in Deutschland innerhalb eines Jahres von 20 auf 36 bis 41 Prozent gestiegen — eine Verdopplung, die zeigt, dass die Dringlichkeit erkannt wird (Bitkom, 2025). Gleichzeitig liegt Deutschland damit immer noch deutlich hinter den USA, China und auch hinter skandinavischen Ländern.
Das Problem ist nicht mangelndes Interesse. Das Problem ist mangelnde Umsetzungskompetenz. Dem Mittelstand fehlen drei Dinge:
Erstens: Fachkräfte. Wie ich in meinem Artikel 20 Millionen Rentner, 7,5 Millionen fehlende Kräfte dargelegt habe, steht Deutschland vor einem demografischen Umbruch, der die Fachkräftelücke in den kommenden Jahren massiv verschärfen wird. KI könnte diese Lücke schließen — aber nur, wenn sie richtig implementiert wird.
Zweitens: Dateninfrastruktur. Viele mittelständische Unternehmen arbeiten noch mit ERP-Systemen aus den 2000er Jahren, fragmentierten Excel-Tabellen und manuellen Prozessen. Bevor KI Wert schaffen kann, muss die Datenbasis digitalisiert, standardisiert und zugänglich gemacht werden.
Drittens: Strategische Klarheit. Es fehlt an einer klaren Vorstellung davon, welche Geschäftsprozesse durch KI verbessert werden können und welche nicht. Nicht jedes Problem ist ein KI-Problem. Manchmal ist eine einfache Prozessoptimierung effektiver als ein Machine-Learning-Modell.
Die 2,52-Billionen-Frage: Wohin fließt das Geld?
Die prognostizierten globalen KI-Ausgaben von 2,52 Billionen US-Dollar im Jahr 2026 verteilen sich auf vier Hauptkategorien:
Infrastruktur (ca. 40%): GPU-Cluster, Cloud-Computing, Rechenzentren. Hier profitieren vor allem die großen Hyperscaler — Microsoft, Google, Amazon, Oracle — sowie Chiphersteller wie NVIDIA.
Software und Plattformen (ca. 25%): Enterprise-AI-Plattformen, SaaS-Lösungen mit KI-Integration, Entwicklertools. Dieser Bereich wächst am schnellsten, weil er die Einstiegshürde für Unternehmen senkt.
Beratung und Implementierung (ca. 20%): Die großen Beratungshäuser — McKinsey, BCG, Accenture, Deloitte — haben ihre KI-Praxen massiv ausgebaut. Allein McKinsey hat 2025 über 6.000 KI-Berater eingestellt.
Forschung und Entwicklung (ca. 15%): Grundlagenforschung, neue Modellarchitekturen, branchenspezifische Modelle. Hier konzentriert sich der größte Teil des Venture Capitals.
Die Frage ist nicht, ob diese Investitionen gerechtfertigt sind. Die Frage ist, ob sie an den richtigen Stellen ankommen. Wenn 61 Prozent des globalen VC-Volumens in KI-Unternehmen fließen, aber nur 6 Prozent der Anwender messbaren Gewinn erzielen, dann liegt ein massives Allokationsproblem vor (OECD, 2025).
Was jetzt zu tun ist: Ein Fünf-Punkte-Plan für den Mittelstand
Wer als mittelständisches Unternehmen in Deutschland KI sinnvoll einsetzen will, sollte fünf Schritte befolgen:
Schritt 1: Engpässe identifizieren, nicht Trends jagen
Bevor Sie ein einziges KI-Tool evaluieren, identifizieren Sie die drei bis fünf größten Engpässe in Ihrer Wertschöpfungskette. Wo verlieren Sie Zeit? Wo entstehen Fehler? Wo fehlen Kapazitäten? KI ist ein Werkzeug zur Engpassbeseitigung — nicht zur Trendfolge.
Schritt 2: Datenqualität vor Modellqualität
Investieren Sie zuerst in Datenbereinigung, Datenstandardisierung und Datenintegration. Ein einfaches Modell auf sauberen Daten schlägt ein komplexes Modell auf schmutzigen Daten — jedes Mal.
Schritt 3: Klein starten, schnell skalieren
Beginnen Sie mit einem klar definierten Use Case, der messbaren wirtschaftlichen Wert verspricht. Setzen Sie klare KPIs. Messen Sie nach drei Monaten. Und dann skalieren Sie — oder stoppen Sie.
Schritt 4: Menschen mitnehmen
Die größte Hürde bei der KI-Implementierung ist nicht die Technologie, sondern die Organisation. Schulen Sie Ihre Mitarbeiter. Erklären Sie, warum KI eingesetzt wird. Zeigen Sie, dass KI Arbeit erleichtert, nicht ersetzt. Wie in meinem Beitrag AI or Obsolescence: Why Every Business Needs an AI Strategy Now dargelegt, ist die Frage nicht mehr, ob Unternehmen KI brauchen, sondern wie schnell sie eine funktionierende Strategie entwickeln.
Schritt 5: Ergebnisse messen, nicht Aktivitäten
Der häufigste Fehler bei KI-Projekten: Es wird gemessen, wie viele Modelle trainiert, wie viele Tools implementiert und wie viele Piloten gestartet wurden. Aber nicht, ob sich der operative Gewinn verbessert hat. Messen Sie Ergebnisse, nicht Aktivitäten. Messen Sie EBIT-Impact, nicht Modellgenauigkeit.
Der Blick nach vorn: 2026 als Wendepunkt
Das Jahr 2026 könnte sich als Wendepunkt in der Geschichte der unternehmerischen KI-Nutzung erweisen. Nicht weil die Technologie einen Durchbruch erzielt — den hat sie bereits. Sondern weil die Unternehmen beginnen, die richtigen Fragen zu stellen.
Die erste Phase der KI-Revolution (2022–2025) war geprägt von Staunen, Experimentieren und undiszipliniertem Investieren. Die zweite Phase, die jetzt beginnt, wird geprägt sein von Konsolidierung, Skalierung und der unerbittlichen Frage nach dem Return on Investment.
Bei VERDANTIS Impact Capital nutzen wir KI-gestützte Analyse seit der Gründung als integralen Bestandteil unseres Investment-Prozesses — nicht als Experiment, sondern als operatives Werkzeug zur Bewertung von Impact-Investments. Die Technologie hilft uns, Datenmengen zu verarbeiten, die manuell nicht beherrschbar wären, und Muster zu erkennen, die menschlichen Analysten entgehen. Aber sie ersetzt nicht das menschliche Urteil über die strategische und ethische Dimension einer Investitionsentscheidung. Dirk Röthig versteht KI bei VERDANTIS als Verstärker menschlicher Kompetenz — nicht als deren Ersatz.
Die Unternehmen, die diese Unterscheidung verstehen, werden zu den 6 Prozent gehören, die messbaren Wert schaffen. Die anderen werden weiterhin Geld ausgeben und sich fragen, warum es nicht funktioniert.
Die Antwort ist einfach: KI ist kein Zauberstab. Sie ist ein Werkzeug. Und wie jedes Werkzeug entfaltet sie ihren Wert erst in den Händen derer, die wissen, was sie damit bauen wollen.
Quellenverzeichnis
- Bitkom (2025). KI-Monitor 2025: Künstliche Intelligenz in der deutschen Wirtschaft. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V.
- Boston Consulting Group (2025). AI at Work 2025: Friend and Foe. BCG Henderson Institute.
- Chui, M., Hazan, E., Roberts, R. et al. (2025). The State of AI in 2025: How Organizations Are Rewiring to Capture Value. McKinsey Global Institute.
- Gartner (2025). Forecast: Artificial Intelligence Software, Worldwide, 2022–2028. Gartner Research.
- McKinsey Global Institute (2025). The Economic Potential of Generative AI: The Next Productivity Frontier. McKinsey & Company.
- OECD (2025). Venture Capital Investments in AI: Trends and Policy Implications. OECD Science, Technology and Innovation Papers.
Weiterführende Artikel
- KI im Wirtschaftsleben: Warum deutsche Unternehmen jetzt handeln müssen
- AI or Obsolescence: Why Every Business Needs an AI Strategy Now
- 20 Millionen Rentner, 7,5 Millionen fehlende Kräfte: Schließt KI die Lücke?
Über den Autor
Dirk Röthig ist CEO von VERDANTIS Impact Capital, einer auf nachhaltige Investments spezialisierten Beteiligungsgesellschaft mit Sitz in der Schweiz. Er verfügt über mehr als 20 Jahre Erfahrung in Unternehmensführung, strategischer Beratung und nachhaltiger Kapitalanlage. Seine Schwerpunkte liegen auf der Schnittstelle von Technologie, Wirtschaft und gesellschaftlichem Impact. Er schreibt regelmäßig über KI-Strategie, Wirtschaftstrends und nachhaltige Wertschöpfung.
Lesen Sie diesen Artikel auch auf: Hashnode | WordPress | Tumblr | Blogger | Telegraph
Top comments (0)