Deutsche Unternehmen erzielen zwar zunehmend messbare Erfolge mit Künstlicher Intelligenz, doch mangelnde Datenqualität verhindert den flächendeckenden Durchbruch. Laut dem „AI Momentum Index“ verzeichnen zwar 73 % der Unternehmen einen positiven ROI durch KI, allerdings halten nur 3 % ihre Datenbasis für einen großflächigen Einsatz vollständig bereit.
KI-Projekte erreichen die nächste Reifestufe
Laut der Erhebung erzielen 50 Prozent der deutschen Unternehmen punktuelle Erträge aus einzelnen KI-Projekten. Weitere 23 Prozent sprechen von einem breiten oder starken ROI über mehrere Projekte hinweg. Der KI-Einsatz geht dabei zunehmend über erste Pilotprojekte hinaus. 69 Prozent der deutschen Befragten skalieren oder operationalisieren KI bzw. nutzen bereits agentische Arbeitsabläufe. Weltweit liegt dieser Wert bei 60 Prozent. Auch die Erwartungen bleiben hoch:
- 79 Prozent erwarten in den kommenden zwölf Monaten steigende KI-Ausgaben
- 78 Prozent rechnen bereits im nächsten Quartal mit neuen Produkten, Geschäftsmodellen oder operativen Verbesserungen durch KI
- Weltweit rechnen 56 Prozent der Befragten mit kurzfristigen Ergebnissn
Die Erhebung zeigt damit eine hohe Investitionsbereitschaft. Sie weist allerdings nicht aus, wie hoch die erzielten Einsparungen oder zusätzlichen Umsätze konkret ausfallen.
Datenqualität und Risikomanagement bleiben Schwachstellen
Der Ausbau von KI-Anwendungen stößt vielerorts auf eine unzureichend vorbereitete Datenbasis. Nur drei Prozent der deutschen Unternehmen bewerten ihre Daten als vollständig bereit für einen großflächigen KI-Einsatz. 45 Prozent sehen ihre Daten als teilweise und 43 Prozent als weitgehend vorbereitet an. Für den wirtschaftlichen Einsatz sind insbesondere folgende Voraussetzungen relevant:
- vollständige und aktuelle Daten aus ERP-, CRM- und weiteren Unternehmenssystemen
- eindeutig geregelte Verantwortlichkeiten für Daten und Ergebnisse
- kontrollierte Schnittstellen und Zugriffsrechte
- messbare Kennzahlen zu Kosten, Zeitersparnis, Fehlerquoten und ROI
Auch beim Risikomanagement besteht Nachholbedarf. Nur 36 Prozent der Unternehmen fühlen sich gut oder sehr gut darauf vorbereitet, Risiken wie verzerrte Ergebnisse, Datenschutzprobleme oder Compliance-Verstöße zu erkennen und zu steuern. Der AI Momentum Index basiert laut Dun & Bradstreet auf einer quartalsweisen Befragung von rund 10.000 Unternehmen in 32 Ländern. Eine separate Stichprobengröße für Deutschland wird in der veröffentlichten Mitteilung nicht genannt. Die Angaben zu ROI und Datenreife beruhen auf Einschätzungen der Befragten und stellen keine unabhängig geprüften Finanzkennzahlen dar.
Wirtschaftlicher Nutzen ist unterschiedlich verteilt
Die Ergebnisse zeigen, dass KI zwar in vielen Unternehmen einen finanziellen Beitrag leistet, der Nutzen jedoch häufig auf einzelne Projekte begrenzt bleibt. Während 50 Prozent der Befragten lediglich von punktuellen Erträgen berichten, erreichen 23 Prozent einen breiten oder starken ROI über mehrere Anwendungen hinweg. Für die weitere Entwicklung dürfte es daher entscheidend sein, ob Unternehmen erfolgreiche Pilotprojekte zuverlässig in bestehende Abläufe und Systeme integrieren können. Neben der technischen Leistungsfähigkeit spielen dabei insbesondere die Datenqualität, die laufenden Betriebskosten, eine klare Prozessverantwortung und messbare Entlastungen eine Rolle.
Einordnung von IT-P
Aus Sicht von IT-P hängt der wirtschaftliche Erfolg von KI nicht allein von der Leistungsfähigkeit eines Modells ab. Erst verlässliche Daten, klar definierte Prozesse und eine saubere Integration in bestehende Systeme ermöglichen einen skalierbaren Einsatz. Unternehmen sollten daher mit abgegrenzten Anwendungsfällen beginnen und deren Wirkung anhand konkreter Kennzahlen überprüfen. Von entscheidender Bedeutung ist, ob manuelle Aufwände, Durchlaufzeiten, Fehlerquoten und Prozesskosten tatsächlich sinken und wann die Investition einen positiven ROI erreicht. Erst auf dieser Grundlage sollte eine KI-Lösung auf weitere Prozesse oder Unternehmensbereiche ausgeweitet werden.
Wer 2027 profitieren will, muss heute die Grundlagen schaffen
Möchtest du wissen, wie deine IT-Roadmap für 2027 aussehen könnte?
Nicht automatisch werden 2027 die Unternehmen gewinnen, die KI am intensivsten einsetzen. Erfolgreich werden diejenigen sein, die ihre Daten, Prozesse, Cloud-Infrastruktur und Governance rechtzeitig vorbereiten. KI-Agenten, generative KI, klassische Automatisierung, Cloud und Cybersecurity müssen als Bestandteile einer gemeinsamen Strategie verstanden werden. Nur so lassen sich KI-Anwendungen sicher skalieren und geschäftskritische Prozesse langfristig optimieren.
FAQ: Häufig gestellte Fragen
Wie prüfen Unternehmen konkret die KI-Tauglichkeit ihrer Daten?
Am besten nicht mit einem allgemeinen „Data Check“, sondern direkt am geplanten Anwendungsfall. Wenn eine KI beispielsweise Kundenanfragen beantworten soll, wird geprüft, ob Produktinformationen, Kontaktdaten und frühere Anfragen vollständig, aktuell und eindeutig sind. Im Anschluss testet ein kleines Pilotprojekt typische und schwierige Fälle. So zeigt sich schnell, bei welchen Fragen die Daten ausreichen und bei welchen die KI falsche oder unvollständige Antworten liefert.
Welche Sicherheits- und Datenschutzrisiken entstehen bei der Skalierung von KI-Assistenten?
Es wird kritisch, wenn Mitarbeitende vertrauliche Inhalte in frei zugängliche KI-Tools eingeben oder wenn der Assistent auf mehr Informationen zugreifen kann, als die jeweilige Person. Ein Vertriebsmitarbeiter darf beispielsweise nicht automatisch Zugriff auf Personalakten erhalten. Deshalb müssen Unternehmen vor dem breiten Einsatz festlegen, welche Daten verarbeitet werden dürfen, wo sie gespeichert werden und welche Zugriffsrechte gelten. Diese Regeln sollten technisch durchgesetzt und regelmäßig überprüft werden.
Was unterscheidet einfache Prozessautomatisierung von autonomen KI-Agenten?
Eine klassische Automatisierung führt festgelegte Schritte aus. Geht eine Rechnung ein, wird sie gespeichert, ausgelesen und an die zuständige Person weitergeleitet. Ein KI-Agent kann darüber hinaus den Inhalt einordnen, fehlende Angaben erkennen, Informationen aus anderen Systemen hinzuziehen und den nächsten Schritt vorschlagen oder ausführen. Je mehr Entscheidungen ein Agent selbst trifft, desto wichtiger werden klare Grenzen, Protokolle und menschliche Freigaben.
Rechnet sich der Einsatz von KI auch für KMU schnell?
Ja, insbesondere bei häufig anfallenden Aufgaben, die viel manuelle Zeit kosten. Wenn ein Team beispielsweise jeden Monat Hunderte Belege erfasst, Supportanfragen sortiert oder Besprechungen nachbereitet, können bereits kleine Zeitersparnisse spürbar sein. Entscheidend ist jedoch nicht, ob ein KI-Tool günstig verfügbar ist. Entscheidend ist, ob es in den bestehenden Ablauf passt und dort tatsächlich Arbeit abnimmt. Das sollte vor der Einführung anhand von Fallzahlen, Zeitaufwand und laufenden Kosten berechnet werden.
Welche Kennzahlen messen den Erfolg von KI-Projekten abseits des ROI?
Das hängt vom jeweiligen Prozess ab. Bei der Dokumentenverarbeitung zählen beispielsweise Bearbeitungsdauer, Fehlerquote und die Zahl der Fälle, die ohne manuelle Korrektur verarbeitet werden. Im Kundenservice sind die Antwortzeit, die Lösungsquote und die Kundenzufriedenheit wichtiger. Zusätzlich sollte gemessen werden, wie häufig Mitarbeitende die Lösung nutzen und wie oft sie Ergebnisse nachbearbeiten müssen. Eine hohe Nutzungsrate allein ist kein Erfolg, wenn die KI regelmäßig korrigiert werden muss.
Quellen: Dun & Bradstreet Deutschland, internationale Studienmeldung
