Über 70 Prozent aller KI-Projekte scheitern: Kurswechsel in B2B-Unternehmen scheint erforderlich

In vielen Unternehmen hat KI hohe Priorität. Doch zwischen gekaufter Technologie und messbarer Wertschöpfung klafft weiterhin eine große Lücke. Der Marketing Tech Monitor 2026 zeigt dies deutlich. Bis zu 70 Prozent der lizenzierten Marketing-Technologien werden unzureichend genutzt. Besonders deutlich wird das bei CRM- und Marketing-Automation-Systemen.

Ein Beispiel: Die Vorführung lief überzeugend. Der neue KI-Assistent fand innerhalb weniger Sekunden die richtige Präsentation, fasste ein langes Dokument zusammen und formulierte eine passende Antwort für den Kunden. Im Raum war schnell klar: Das wollen wir nutzen. Einige Monate später fällt die Bilanz jedoch ernüchternd aus. Der Assistent hat immer noch keinen Zugriff auf das CRM. In seinen Antworten tauchen veraltete Produktinformationen auf.

Nur zwei Mitarbeitende testen das System gelegentlich, während der Rest des Teams wieder wie zuvor arbeitet. Die Lizenzkosten laufen weiter, doch der erwartete wirtschaftliche Nutzen bleibt aus. Dieses Beispiel ist zwar fiktiv, die dahinterliegende Situation ist jedoch in vielen Unternehmen Realität: Ein technisch funktionierender Pilot wird nicht automatisch zu einem produktiven Arbeitswerkzeug.

Zwischen Investition und Nutzung klafft eine große Lücke

Wie groß diese Lücke ist, zeigt der Marketing Tech Monitor 2026. Für die Untersuchung wurden 1.562 Marketingleiter, Vorstände und Verantwortliche im Digital Marketing angesprochen. In die Auswertung flossen 414 vollständige Antworten aus der DACH-Region sowie mehr als 30 Experteninterviews ein. Das zentrale Ergebnis: Unternehmen schöpfen ihre vorhandenen Marketing-Technologien im Durchschnitt nur zu etwa einem Drittel aus. Die Management Summary der Studie spricht davon, dass bis zu 70 Prozent der lizenzierten Tools unzureichend genutzt werden. 

Besonders groß ist die Lücke bei etablierten Kernsystemen. Nach einer Auswertung von Campaign Germany setzen 68 Prozent der befragten Unternehmen ein CRM-System ein. Nur acht Prozent geben jedoch an, dessen Möglichkeiten auszuschöpfen. Marketing-Automation-Lösungen sind bei 62 Prozent verfügbar, werden nach eigener Einschätzung aber nur von vier Prozent vollständig genutzt. Damit wird das eigentliche Problem sichtbar: Es fehlt den Unternehmen häufig nicht an Technologie. Es fehlt an der Fähigkeit, diese Technologie wirksam in Daten, Prozesse und tägliche Arbeitsabläufe zu integrieren.

Ein Tool kommt selten allein

Inzwischen sammelt in vielen Unternehmen jede Abteilung eigene Erfahrungen mit KI. Der Vertrieb möchte beispielsweise Gespräche automatisch dokumentieren. Das Marketing möchte Inhalte schneller erstellen. Der Kundenservice benötigt Unterstützung bei der Bearbeitung von Anfragen. Andere Fachbereiche testen Anwendungen für Dokumente, Verträge oder interne Wissensbestände. Jeder einzelne Anwendungsfall kann sinnvoll sein. Ohne eine gemeinsame Steuerung entstehen daraus jedoch schnell neue Kosten und Risiken.

• Ähnliche Funktionen werden mehrfach lizenziert.
• Kunden- und Produktdaten verteilen sich auf verschiedene Anwendungen.
• Schnittstellen zum CRM, ERP oder Dokumentenmanagement fehlen.
• Datenschutz und Informationssicherheit werden erst spät geprüft.
• Niemand kennt die tatsächlichen Nutzungs- und Betriebskosten.
• Für die Ergebnisse und Datenquellen fühlt sich nach dem Pilotprojekt niemand verantwortlich.

Was als schnelle Lösung beginnt, kann zusätzliche Komplexität schaffen. Das ist aus finanzieller Sicht besonders problematisch, denn die Lizenzkosten sind sichtbar, während die erhofften Einsparungen unklar bleiben.

Eine gute Demo ist noch kein belastbarer Prozess

Demos arbeiten in der Regel mit ausgewählten Beispielen. Der Unternehmensalltag sieht jedoch oft ganz anders aus: Es gibt doppelte Kundeneinträge, veraltete Dokumente, fehlende Pflichtfelder, unterschiedliche Dateiformate und unklare Versionen. Spätestens unter diesen Bedingungen zeigt sich, ob eine KI-Anwendung tatsächlich einen wirtschaftlichen Nutzen bringt. Ein Wissensassistent kann sprachlich überzeugende Antworten liefern. Verweist er jedoch auf eine veraltete Preisübersicht oder Richtlinie, ist die Antwort trotzdem falsch. Die Mitarbeitenden verlieren schnell das Vertrauen und prüfen jedes Ergebnis erneut.

Damit verschwindet die geplante Zeitersparnis. Im ungünstigsten Fall entsteht sogar zusätzlicher Aufwand: Das Unternehmen bezahlt für das System, beschäftigt Mitarbeitende mit der Kontrolle seiner Ergebnisse und trägt gleichzeitig das Risiko fehlerhafter Informationen. Entscheidend ist deshalb nicht allein, wie viele Fälle ein System automatisiert. Ebenso wichtig ist, wie viele Ausnahmen, Nacharbeiten und Kontrollen es verursacht.

Wirtschaftlicher Nutzen braucht einen Ausgangswert

Oft starten KI-Projekte, ohne dass der bisherige Prozess zuvor sauber vermessen wurde. Nach einigen Monaten kann das Projektteam zwar Nutzungszahlen oder generierte Inhalte nennen. Ob sich jedoch Kosten, Durchlaufzeiten oder Fehlerquoten verbessert haben, bleibt offen. Deshalb sollten vor dem Start mindestens fünf Werte feststehen:

• Wie viele Vorgänge fallen monatlich an?
• Wie hoch ist die durchschnittliche Bearbeitungszeit?
• Welche Personalkosten entstehen dabei?
• Wie hoch sind Fehler- und Nachbearbeitungsquote?
• Welche System-, Einführungs- und Betriebskosten verursacht die neue Lösung?

Erst daraus ergibt sich ein belastbarer Business Case. Ein einfaches Rechenbeispiel: Bearbeitet ein Team monatlich 5.000 Vorgänge mit einem durchschnittlichen Aufwand von sechs Minuten, so entstehen 500 Arbeitsstunden. Reduziert eine Anwendung den tatsächlichen Aufwand einschließlich Kontrolle und Nacharbeit um 30 Prozent, werden 150 Stunden frei.

Ob sich die Investition rechnet, hängt davon ab, ob diese Entlastung wirklich genutzt werden kann und ob ihr wirtschaftlicher Wert die vollständigen Kosten der Lösung übersteigt. Zu den Kosten gehören nicht nur die Lizenzen, sondern auch die Bereiche Integration, Datenaufbereitung, Schulung, Betrieb und laufende Qualitätskontrolle. Das Beispiel ist keine allgemeingültige ROI-Zusage. Es zeigt jedoch, welche Größen ein Unternehmen vor einer Investitionsentscheidung kennen muss.

Wo KI bereits sinnvoll eingesetzt werden kann

Geeignete Anwendungsfälle müssen nicht spektakulär sein. Wirtschaftlich interessant sind vor allem wiederkehrende Aufgaben mit hohem Volumen, klaren Regeln und messbarem Aufwand. Im Marketing und Vertrieb können dazu gehören:

• Kundeninformationen aus CRM, E-Mails und Dokumenten zusammenführen
• Gesprächsnotizen strukturiert im CRM erfassen
• vorhandene Inhalte und Produktinformationen schneller finden
• Leads nach transparenten Kriterien priorisieren
• Kampagnen anhand aktueller Kunden- und Vertriebsdaten auswerten
• wiederkehrende Kundenanfragen vorbereiten

Grundsätzlich lassen sich die Erkenntnisse auch auf andere Unternehmensbereiche übertragen. Dies sollte jedoch nicht mit der Studie selbst verwechselt werden. Der Marketing Tech Monitor untersucht vor allem die Bereiche Marketing und Vertrieb. Die wirtschaftliche Entscheidungslogik gilt trotzdem ebenso für die Bereiche Rechnungsverarbeitung, Vertragsprüfung oder interne Wissenssysteme. Ein guter Anwendungsfall löst ein konkretes Problem. Seine Wirkung lässt sich anhand weniger Kennzahlen überprüfen. Dazu zählen beispielsweise Bearbeitungszeit, Prozesskosten, Fehlerquote, Durchlaufzeit, Nutzungsgrad oder zusätzlicher Umsatz.

Warum Projekte im Pilotmodus stecken bleiben

Festgefahrene Projekte haben häufig ähnliche Ursachen:

Das Unternehmen startet beim Produkt.
Eine überzeugende Demo führt zum Kauf, bevor das konkrete Problem und der erwartete wirtschaftliche Nutzen definiert wurden.

Die Datenlage wird überschätzt.
Informationen sind zwar vorhanden, aber nicht vollständig, aktuell, eindeutig oder für das neue System zugänglich.

Die Integration wird vertagt.
Die Anwendung funktioniert isoliert, ist aber nicht mit CRM, ERP oder anderen führenden Systemen verbunden.

Der Fachbereich wird zu spät beteiligt.
Die späteren Nutzer entdecken erst kurz vor dem Start, dass wichtige Arbeitsschritte und Ausnahmen fehlen.

Der Betrieb ist nicht geregelt.
Niemand überwacht Datenqualität, Fehlerraten, Kostenentwicklung oder veraltete Informationsquellen.

Der Erfolg wurde nicht definiert.
Nutzungszahlen ersetzen den Business Case. Dabei bedeutet eine hohe Zahl von Anfragen noch nicht, dass Kosten sinken oder Umsätze steigen.

Fünf Kriterien für die Investitionsentscheidung

Bevor ein Unternehmen einen KI-Piloten startet, sollte es fünf Fragen beantworten:

1. Welches konkrete Problem soll gelöst werden?
2. Welche Kennzahl muss sich in welchem Zeitraum verbessern?
3. Welche Daten und Schnittstellen werden dafür benötigt?
4. Wer ist nach dem Pilotprojekt für Betrieb und Ergebnis verantwortlich?
5. Bei welchem Ergebnis wird skaliert, nachgebessert oder abgebrochen?

Für einen begrenzten Pilotversuch reicht häufig ein überschaubarer Prozess. Entscheidend ist, dass Ausgangswert, Zielwert, Budget, Zeitraum und Verantwortlichkeit vor dem Start dokumentiert sind. Ein Pilot ohne Abbruchkriterium läuft leicht weiter, obwohl sein wirtschaftlicher Nutzen längst zweifelhaft ist.

Erst den Prozess verstehen, dann die Technologie auswählen

Unternehmen sollten deshalb nicht mit der Frage beginnen, welches KI-Tool sie kaufen möchten. Sinnvoller ist es, den tatsächlichen Arbeitsalltag zu betrachten: Wo übertragen Mitarbeitende Daten noch manuell? Welche Informationen werden regelmäßig gesucht? Wo entstehen Wartezeiten, Fehler oder unnötige Rückfragen? Welche dieser Aufgaben verursachen genügend Aufwand, um eine Investition zu rechtfertigen?

Ein guter erster Anwendungsfall muss nicht das gesamte Unternehmen verändern. Er muss ein bekanntes Problem lösen, sich in bestehende Systeme integrieren lassen und im Alltag messbar mehr Nutzen bringen als Kosten verursachen. Genau daran entscheidet sich, ob aus einer überzeugenden KI-Demo ein verlässliches Arbeitswerkzeug wird oder nur ein weiterer Pilot bleibt, dessen Lizenzkosten weiterlaufen, während die Mitarbeitenden längst wieder wie zuvor arbeiten.

Häufig gestellte Fragen (FAQ)