← Zurück zu allen Tipps17. November 2026

Alle haben KI eingeführt. Die wenigsten verdienen damit Geld.

Die Adoptionszahlen für KI sind inzwischen fast universell. Stanford HAI beziffert die organisatorische KI-Nutzung auf 88%. Die jüngste McKinsey-Erhebung zeigt, dass 44% der Unternehmen angeben, KI werde unternehmensweit „skaliert“ – gegenüber 38% ein Jahr zuvor. Die globalen Unternehmensinvestitionen in KI erreichten 2025 581,7 Mrd. USD – ein Plus von 130% gegenüber dem Vorjahr. Nach jeder Adoptionskennzahl ist diese Frage entschieden.

Die Zahl, die sich nicht mitbewegt

Nur 37% der Unternehmen schreiben ihrer KI-Nutzung einen EBIT-Effekt zu, und mehr als 80% berichten weiterhin von keinem messbaren finanziellen Effekt auf Unternehmensebene. Einsatz und Rendite haben sich entkoppelt. Unternehmen kaufen und setzen KI jedes Jahr schneller ein, aber der Anteil derer, die Geld nennen können, das dadurch verdient oder gespart wurde, hält nicht Schritt.

Warum der Modellwechsel die Lücke nicht schließt

Die Standardreaktion auf enttäuschende KI-Ergebnisse ist, an der Modell-Ebene etwas auszutauschen – ein neueres Frontier-Modell, einen anderen Anbieter, eine feinabgestimmte Variante. Das behandelt die Sache als Modellwahl-Problem, und die Daten stützen diesen Rahmen nicht. 63% der Unternehmen geben an, nicht über die Datenmanagement-Praktiken zu verfügen, die KI tatsächlich braucht – oder sind sich nicht sicher, ob sie sie haben. Kein Modell, so leistungsfähig es auch ist, liefert eine verlässliche finanzielle Rendite auf historischen Daten, die unvollständig, inkonsistent gelabelt oder über Systeme verstreut sind, die nicht zusammenpassen. Das Modell war selten der Engpass.

Was tatsächlich über die Rendite entscheidet

Die unglamouröse Vorarbeit, die darüber entscheidet, ob sich ein KI-Projekt auszahlt, passiert, bevor überhaupt ein Modell trainiert wird: historische Daten, die wirklich bereinigt und quellenübergreifend zusammengeführt sind, eine Erfolgskennzahl, die in geschäftlichen Begriffen definiert wird, bevor das Projekt beginnt – nicht eine Modellgenauigkeit, die man sich im Nachhinein aussucht –, und eine Discovery-Phase, die klärt, ob die Daten die gestellte Frage überhaupt stützen können. Direkt zur Modellwahl zu springen heißt, genau den Schritt zu überspringen, der das Ergebnis am ehesten bestimmt.

Wo sich das in unserer Arbeitsweise zeigt

Deshalb beginnt Predictions mit „Daten vorbereiten“ als eigener, ausdrücklicher Phase, nicht als Fußnote vor dem Training – historische Daten aus den tatsächlichen Quellen eines Kunden sammeln, bereinigen und zusammenführen, bevor überhaupt ein Modell in die Nähe kommt. Aus demselben Grund starten Development-Projekte mit „Analysieren und planen“: Anforderungen, Rahmenbedingungen und eine Roadmap, die der Kunde freigibt, bevor auch nur eine Pipeline gebaut wird. Keines von beidem ist Prozess um des Prozesses willen. Es ist der Teil der Arbeit, der entscheidet, ob sich der Rest überhaupt lohnt.

Die KI-Adoptionskurve ist nicht mehr die Geschichte. Ob dieser Einsatz zu einer Zahl in der Gewinn- und Verlustrechnung wird – das ist es. Und diese Zahl wird früher entschieden, als die meisten Teams hinschauen.