Bringt KI in Betrieben wirklich etwas?
- Titus Kaletta
- 4. Dez. 2025
- 7 Min. Lesezeit
Alle experimentieren mit KI, doch in vielen Betrieben bleibt der große Durchbruch damit aus. Warum erzielen wenige High Performer großen Mehrwert, während der Rest in der Testphase bleibt – gerade im Mittelstand? Dieser Beitrag zeigt, wo der wahre Business-Impact entsteht und welche Weichen Sie jetzt stellen sollten.
Zusammenfassung
|
Inhaltsverzeichnis
1. KI ist Mainstream – der geschäftliche Impact noch nicht 2. Was die High Performer anders machen – 8 Merkmale
Ein mittelständiges Biotech-Unternehmen hatte sich KI als Gamechanger ausgemalt: Effizienzgewinne, optimierte Prozesse, entlastete Teams. Ein Jahr später gibt es bunte Dashboards und einen Chatbot fürs Intranet. Die Engpässe in Zulassung, Labor und Backoffice sind aber geblieben. Projekte stocken und die Geschäftsführung spürt wachsende Zweifel in der Belegschaft. Es folgt die Frage: Woran hat es gelegen? An der Technologie oder daran, wie sie das Thema KI im Unternehmen generell angegangen sind?
Mehreren Studien zufolge dürften viele Unternehmen sich diese Frage stellen. Eine Antwort darauf, was sich hinter dieser Lücke zwischen KI-Euphorie und realem Business-Impact verbirgt und wie Unternehmen sie schließen können, zeigt der folgende Beitrag.
1. KI ist Mainstream – der geschäftliche Impact nicht
Aktuelle Studien von MIT, McKinsey und Boston Consulting Group (BCG) zeichnen alle ein ähnliches Bild: Fast jedes Unternehmen experimentiert mit künstlicher Intelligenz (KI) und speziell mit generativer KI. Tools wie ChatGPT oder Copilot werden von der Mehrheit zumindest getestet, viele sind im Roll-out. Doch nur ein kleiner Teil der Unternehmen ist tatsächlich erfolgreich mit ihren KI-Bemühungen und profitiert auch davon.
„95% of organizations are getting zero return … just 5% of integrated AI pilots are extracting millions in value.“ (MIT: The GenAI Divide – State of AI in Business 2025)
„Only 5% of companies get substantial value from AI, while 60% lag in developing critical AI capabilities.“ (BCG: The Widening AI Value Gap – Built for the Future 2025)
Respondents who attribute EBIT impact of 5% or more to AI use and say their organization has seen “significant” value from AI use—our definition of AI high performers, representing about 6% of respondents—report pushing for transformative innovation via AI… (McKinsey: The State of AI in 2025)
Die aktuelle Lage kleiner und mittlerer Unternehmen (KMU) in Deutschland weicht von dem oben skizzierten Bild kaum ab. So zeigen Studien der Bundesnetzagentur und des Forschungszentrums Informatik (FZI), dass sich zahlreiche Betriebe noch in der frühen Phase der KI-Erprobung befinden. Nach Angaben des Instituts für Mittelstandsforschung (IfM) in Bonn verwendet etwa ein Fünftel der Unternehmen bereits KI-Verfahren. Trotz spürbarer Zuwächse (siehe Auszug unten) beschränkt sich der Einsatz jedoch vielfach auf das Testen einzelner Anwendungen.
Die Anzahl der kleinen und mittleren Unternehmen, die Verfahren der Künstlichen Intelligenz nutzen, ist zwischen 2023 und 2024 um 8 Prozentpunkte auf 19 % gestiegen. (IfM 2025)
Wichtig ist: Diese oben beschriebene Kluft zwischen AI-Mainstream und AI-Impact ist nicht immer die Folge technisch unzureichender KI-Lösungen. Erfolgreiche KI-Anwendungen gibt es in großer Vielzahl – von automatisierter Qualitätskontrolle bis hin zu zugelassenen KI-basierten Medizinprodukten. In vielen Fällen ist nicht das Tool an sich das Problem, sondern seine Implementierung im Unternehmen. Dabei greift ein einfacher „Plug-and-Play“-Ansatz generell zu kurz.
Die wenigen Unternehmen, die mit KI-Lösungen wirklich erfolgreich sind, verdanken ihren Vorsprung nicht schlicht einer besseren Tool-Wahl. Ebenso wenig sind sie allein deshalb erfolgreicher, weil sie oftmals große Konzerne darstellen. Doch was macht diese kleine Spitze an AI-High-Performern denn nun anders, dass sie sich von der Masse an AI-Laggards (KI-Nachzüglern) so deutlich absetzt? Und haben kleinere sowie mittelständische Unternehmen überhaupt eine realistische Chance, im Wettlauf um „AI Future Readiness“ mitzuhalten – also nicht nur im Experimentierkasten herumpilotieren, sondern sich letztlich gezielt und mehrwertbringend auf das Zeitalter der KI vorzubereiten?
2. Was AI-High-Performer anders machen
Schaut man auf AI-High-Performers – also auf „future-built“-Unternehmen, die im Zeitalter der KI mit der Implementierung von KI-Anwendungen deutlich messbare Erfolge erzielen – lassen sich aus den zuvor genannten Studien acht Merkmale ableiten:
Nachfolgend möchten wir auf die einzelnen Eigenschaften von AI High Performern genauer eingehen und sie im Vergleich zu den Merkmalen von "KI-Nachzüglern" setzen, die beim Thema künstliche Intelligenz noch gewisse Unzulänglichkeiten aufweisen.
Besondere Merkmale von AI High Perfrormern | Defizite bei der Mehrheit an AI Laggards |
Mit KI-Strategie handeln | Ohne KI-Strategie agieren |
Statt einer wahllosen Einführung einzelner Tools (z. B. ChatGPT, Copilot, Gemini) wird von Beginn an eine übergreifende KI-Strategie definiert. Im Vordergrund steht ein integrierter Lösungsansatz, der Insellösungen vermeidet und das Thema KI ganzheitlich betrachtet. | Einer aktuellen Studie der FZI zufolge sollen lediglich 21% der befragten deutschen Unternehmen eine KI-Strategie haben. 64% der heutigen KI-Nutzer und 83% der „Bald-Nutzer“ sollen strategielos handeln. Bei den größeren KMU sollen etwa 30% der Befragten eine KI-Strategie haben; bei den Kleinsten sind es lediglich 9%. |
Transformation ebenfalls als Ziel | Effizienzgewinne als einziges Ziel |
Während sich die meisten Unternehmen primär auf Effizienzgewinne durch KI konzentrieren, richten High Performer ihren Fokus zusätzlich auf Wachstum und Innovation - so McKinsey's Studie. Sie sind zudem mehr als dreimal so häufig überzeugt, dass KI ihr Geschäftsmodell grundlegend transformieren wird. | Der Einsatz von KI zielt lediglich darauf ab, Prozesse zu beschleunigen und weiter zu vereinfachen. Ein darüber hinausgehendes Verständnis von KI als Hebel für Wachstum und Innovation ist nicht vorhanden. |
Workflows grundlegend neu denken | Implementierung = reine Tooleinführung |
Wert aus KI entsteht nicht durch Tools allein, sondern durch neue Workflows. Laut einer Studie der BCG erwarten bis zu 90 % den größten Nutzen aus dem Neudenken und Umgestalten von Prozessen, nicht nur aus punktueller Automatisierung. Außerdem werden Mitarbeitende aktiv in die Neugestaltung von Workflows einbezogen – doppelt so häufig wie bei anderen Unternehmen. | KI-Lösungen werden als zusätzliche Büroapplikationen verstanden, die sich mit einem einfachen Plug-and-Play-Ansatz im Unternehmen einführen lassen. Künstliche Intelligenz wird dabei wie jede andere Technologie behandelt – als ergänzende Anwendung, die ohne tiefgreifende Veränderung einfach in den bestehenden Arbeitsalltag integriert wird. |
„AI-first“-Leadership & Betriebsmodell | Einzelverantwortung statt Gesamtansatz |
Top-Führungskräfte übernehmen sichtbar die Verantwortung für KI und treiben das Thema aktiv voran. Diese Unternehmen verfügen über klarere Praktiken zu Governance, Human-in-the-Loop-Validierung, agiler Umsetzung, Daten-/Technik-Fundamenten und zur Nachverfolgung der Nutzung. | Die Auseinandersetzung mit dem Thema KI erfolgt isoliert und wird auf eine einzelne Person übertragen. Diese soll für das Unternehmen sondieren, welche Potenziale KI bietet und von welchen Anwendungen das Unternehmen – möglichst ohne großen Aufwand und ohne umfassende Veränderungen – quasi „auf Knopfdruck“ profitieren kann. |
Ressourcen, Talente und Qualifizierung | Tool-Anschaffung ohne Weiterbildung |
KI wird als zentraler Faktor zur Sicherung der eigenen Wettbewerbsfähigkeit verstanden, in den es sich zu investieren lohnt. Entsprechend wird sichergestellt, dass Mitarbeitende je nach Fachbereich passgenaue Weiterbildungsangebote im Bereich KI erhalten. Damit wird auf die Regelkonformität (siehe KI-Verordnung, Artikel 4) geachtet. | Laut einer Studie der Bundesnetzagentur bieten bisher nur etwa 4 von 10 Firmen systematische Schulungen oder Weiterbildungen an. Die Bereitschaft der Belegschaft, KI-Fähigkeiten zu erlernen, wird von der Mehrheit als hoch eingeschätzt. Dennoch schätzt rund ein Drittel der Unternehmen, dass die meisten Mitarbeitenden noch Schwierigkeiten im Umgang mit KI haben. |
Ausreichende Daten- und Tech-Basis | Unzureichende Daten- und Tech-Basis |
Es braucht kein perfektes Data Warehouse, aber: Zugriff auf relevante qualitative Daten, saubere Schnittstellen und ein Mindestmaß an Governance (z. B. welche Daten dürfen in welche KI?). | Relevante Daten stehen nicht in ausreichendem Umfang oder nur in schlechter Qualität zur Verfügung. Sie sind häufig fragmentiert, liegen in Silos vor oder sind nicht in einer Form aufbereitet, die für KI-Anwendungen nutzbar ist. |
Mitverantworten eingekaufter Produkte | Passive Anschaffung externer Produkte |
Erfolgreiche Käufer erwarten Co-Entwicklung, Anpassung an ihre Prozesse und Bezahlung nach Geschäftsergebnis. Sie bewerten KI-Lösungen nach Business-Kennzahlen wie Kosten, Durchlaufzeit, Fehlerquoten oder Umsatz – nicht nach Modell-Benchmarks. | KI-Lösungen werden extern eingekauft – ohne jegliches Zutun (Mitentwicklung, individuelle Anpassungen usw.). Ein One-Size-Fits-All-Ansatz führt jedoch häufig dazu, dass die Lösung hinter den Erwartungen zurückbleibt, da sie nicht auf die spezifischen Anforderungen des Unternehmens ausgerichtet ist. |
Von Sichtbarkeit zu Wirtschaftlichkeit | Fokus rein auf sichtbare KI-Lösungen |
KI-Avatare, automatisierte Social-Media-Auftritte usw. gelten oftmals als sichtbarste Beispiele für KI-basierte Anwendungen. Finanzielle Effekte können jedoch auch im Back-Office entstehen – also wenn interne Routinetätigkeiten, für die bisher externe Dienstleister nötig waren, automatisiert werden (z. B. Rechnungen auslesen, ERP befüllen, Dokumente klassifizieren, etc.). | Bekannte KI-Lösungen stammen überwiegend aus sichtbaren Bereichen wie Marketing oder Vertrieb. Legt ein Unternehmen auf diese Bereiche generell keinen nennenswerten Schwerpunkt, gerät das Thema KI häufig in den Hintergrund – ohne dass nach weiteren, weniger sichtbaren Lösungen etwa für Backoffice-Prozesse gesucht wird. |
3. Warum KMU jetzt aktiv werden sollten
Die Nutzung von KI im Mittelstand steigt deutlich, und in einigen Jahren werden KI-Lösungen in vielen Produkten und Prozessen selbstverständlich sein. Wer heute erst beginnt, ist also noch nicht zu allzu spät – aber die Zeit des unverbindlichen Experimentierens geht zu Ende.
Für KMU heißt das: nicht noch mehr Tools testen, sondern einige wenige, gut ausgewählte Anwendungsfälle zur Reife bringen. Wenn ein Unternehmen im nächsten Jahr nur einen KI-Use-Case zur Skalierung bringt, der auch einen klar messbaren Effekt hat, ist mehr gewonnen als mit zehn hübschen, aber impactlosen Piloten. Kurz gesagt:
KI bringt sehr viel – nur meistens nicht da, wo heute der Hype sitzt. Sondern dort, wo Prozesse und Organisation sich trauen, sich wirklich zu verändern.
Wer noch keine KI-Strategie formuliert hat, findet hier einen guten Startpunkt: KI-Beratung für Life-Science-KMU
Wenn Ihnen dieser Artikel gefallen hat, freuen wir uns über Ihr Feedback in den Kommentaren. Teilen Sie Ihre Gedanken und lassen Sie uns wissen, wie wir Sie noch besser unterstützen können. Verpassen Sie außerdem nicht unsere nächste Veröffentlichung, die wie immer donnerstags und diesmal am 18. Dezember erscheint.
Quellen:
Boston Consulting Group: The Widening AI Value Gap – Built for the Future 2025
Forschungszentrums Informatik: Use of AI in German SMEs (2025)
Instituts für Mittelstandsforschung (IfM): Pressemitteilung (2025)
Hinweis: Die ersten beiden Bilder im Artikel sind KI-generiert.
Disclaimer: Alle Angaben erfolgen nach bestem Wissen und Gewissen, jedoch ohne Gewähr für Vollständigkeit, Richtigkeit und Aktualität.
Das könnte Sie auch interessieren:
Kommentare