Zwei Zahlen, die nicht zusammenpassen

Im Mai 2026 meldete das ifo Institut: 54,5 % der deutschen Unternehmen setzen Künstliche Intelligenz ein – mehr als jemals zuvor. Fast zeitgleich zeigte die globale McKinsey-Befragung: Nur 39 % der Unternehmen, die KI nutzen, können überhaupt einen Effekt auf das Betriebsergebnis (EBIT) beziffern – und wenn, dann meist unter 5 %. Und nach den Schätzungen, die die RAND Corporation zusammengetragen hat, scheitern mehr als 80 % aller KI-Projekte – doppelt so viele wie bei klassischen IT-Projekten.

Zwischen diesen Zahlen liegt die Managementaufgabe des Jahres 2026: KI zu nutzen ist leicht geworden. KI wirtschaftlich zu nutzen ist es nicht. Der Engpass ist dabei nicht die Technologie, sondern die Auswahl und die Rechnung – welcher Use Case zuerst umgesetzt wird, woran der Erfolg gemessen wird und wann ein Pilot beendet wird, der nichts einbringt.

Die Adoptionslücke: Deutschland im Aufholmodus

Die methodisch strengste Quelle ist die amtliche IKT-Erhebung des Statistischen Bundesamtes (Unternehmen ab 10 Beschäftigten). Sie zeigt eine klare Beschleunigung: 12 % der Unternehmen nutzten 2023 Künstliche Intelligenz, 20 % im Jahr 2024 und 26 % im Jahr 2025 – mehr als eine Verdoppelung in zwei Jahren. Das ifo Institut misst auf Basis seines eigenen Konjunkturpanels noch höhere Werte und eine steilere Kurve: von 27,0 % im Sommer 2024 über 40,9 % im Juni 2025 auf 54,5 % im Mai 2026. Weitere 16 % planen den Einsatz, 21,6 % diskutieren ihn.

Hinter den Durchschnittswerten verbirgt sich allerdings eine deutliche Schieflage nach Unternehmensgröße. Laut Destatis nutzten 2025 zwar 57 % der Großunternehmen (ab 250 Beschäftigten) KI, aber nur 36 % der mittleren (50–249 Beschäftigte) und 23 % der kleinen Unternehmen (10–49 Beschäftigte). Das ifo Institut bestätigt das Muster im Mai 2026 auf höherem Niveau: 67,2 % der Großunternehmen stehen 47,2 % im klassischen Mittelstand gegenüber – eine Mittelstandslücke von rund 20 Prozentpunkten. Der Branchenverband Bitkom meldet für Sommer 2025 36 % KI-Nutzung (nach 20 % im Vorjahr); KfW Research, die einzige Quelle inklusive Kleinstunternehmen, zählt für 2022–2024 rund 20 % KI-Nutzer im Mittelstand – etwa 780 000 Unternehmen und eine Verfünffachung gegenüber 2016–2018.

Wichtig für die Einordnung: Alle Werte sind korrekt, sie messen nur Unterschiedliches – amtliche Erhebung, Verbandsbefragung, Konjunkturpanel, Gesamtmittelstand. Aussagekräftig ist der Trend innerhalb jeder Zeitreihe, nicht der Vergleich der Niveaus. Und dieser Trend zeigt in allen vier Quellen steil nach oben.

Was Nicht-Nutzer bremst – und was auf dem Spiel steht

Die Antworten der deutschen Unternehmen, die einen KI-Einsatz erwogen und verworfen haben, zeigen laut Destatis-Erhebung 2025 ein bemerkenswertes Muster: Die Kosten stehen an letzter Stelle.

  • Fehlendes Wissen im Unternehmen: 72 %
  • Rechtliche Unsicherheiten: 62 %
  • Datenschutzbedenken: 60 %
  • Inkompatibilität mit bestehenden Systemen: 45 %
  • Probleme mit Datenverfügbarkeit oder -qualität: 44 %
  • Zu hohe Kosten: 32 %

Die wahren Bremsen sind also fehlendes Wissen, Rechtsunsicherheit und Datenprobleme – nicht das Budget. International ist die Nutzung längst Standard: Global geben laut McKinsey 88 % der Unternehmen an, KI in mindestens einer Funktion einzusetzen. Und der Einsatz lohnt: Einer von KfW Research zitierten IAB-Schätzung zufolge könnte das deutsche BIP bis 2037 um bis zu 12,8 % höher liegen, wenn sich KI breit durchsetzt.

Die RAND-Befunde: Scheitern als Normalfall

Die RAND Corporation hat 2024 in einer Interviewstudie mit 65 erfahrenen Data Scientists und Engineers die Wurzelursachen gescheiterter KI-Projekte untersucht. Der Ausgangsbefund: Nach gängigen Schätzungen scheitern mehr als 80 % der KI-Projekte – doppelt so oft wie IT-Projekte ohne KI. Wichtig für die Einordnung: Die 80 % sind ausdrücklich eine Größenordnung, keine amtliche Statistik. Belastbarer als die Quote sind die fünf Hauptursachen, die RAND aus den Interviews destilliert hat – hier nach Häufigkeit geordnet:

  1. Das falsche Problem: Führungskräfte und Fachbereiche missverstehen oder kommunizieren falsch, welches Geschäftsproblem die KI eigentlich lösen soll – die mit Abstand häufigste Ursache.
  2. Fehlende Daten: Die Organisation verfügt nicht über die Daten, die für Training oder Betrieb der Lösung nötig wären.
  3. Technologie- statt Problemfokus: Das Projekt startet, weil die Technologie fasziniert – nicht, weil ein Problem drückt.
  4. Unzureichende Infrastruktur: Es fehlen die Grundlagen für Datenmanagement und produktiven Betrieb.
  5. Zu schwierige Probleme: KI wird auf Aufgaben angesetzt, die auch moderne Modelle (noch) überfordern.

Vier dieser fünf Ursachen sind keine Technikprobleme, sondern Auswahl-, Kommunikations- und Vorbereitungsprobleme – also Führungsversagen im weitesten Sinne.

Vom Hype zur Abbruchwelle: die Zahlen 2024–2025

Dass die Warnungen keine Theorie sind, zeigt die Empirie der GenAI-Welle. Gartner prognostizierte im Juli 2024, dass mindestens 30 % der Generative-AI-Projekte bis Ende 2025 nach dem Proof of Concept abgebrochen werden – wegen schlechter Datenqualität, unzureichender Risikokontrollen, eskalierender Kosten oder unklaren Geschäftswerts. Die Messungen fielen härter aus: Laut S&P Global 451 Research (Befragung von 1 006 Unternehmen in Nordamerika und Europa, Oktober/November 2024) brachen 42 % der Unternehmen die Mehrheit ihrer KI-Initiativen ab – ein Jahr zuvor waren es erst 17 %. Im Durchschnitt wurden 46 % aller Proofs of Concept vor der Produktivsetzung gestoppt.

Auch bei Projekten, die weiterlaufen, kommt der Wert selten in der Gewinn-und-Verlust-Rechnung an. Die BCG-Befragung von 1 000 CxOs in 59 Ländern (Oktober 2024) zeigt die Trichterform des Problems: 74 % der Unternehmen schaffen es nicht, aus KI skalierbaren Wert zu ziehen. Nur 26 % kommen über das Pilot-Stadium hinaus – und nur 4 % erreichen ein Niveau mit systematischer Wertschöpfung.

Was erfolgreiche Unternehmen anders machen

Aufschlussreich ist der BCG-Befund zur Fokussierung: Die Erfolgreichen fahren nur halb so viele KI-Initiativen wie der Rest – und skalieren diese dafür konsequent. Die 10/20/70-Regel der BCG bringt es auf den Punkt: Erfolgreiche KI-Anwender investieren ihre Energie zu 10 % in Algorithmen, zu 20 % in Technologie und Daten – und zu 70 % in Menschen, Prozesse und Transformation. Wer KI-Projekte als IT-Beschaffung behandelt, landet mit hoher Wahrscheinlichkeit auf dem Pilot-Friedhof. Wer sie als Geschäftsprojekte mit klarem Eigentümer, definierter Kennzahl und diszipliniertem Stopp-Kriterium führt, hat die wichtigsten Scheiterursachen bereits neutralisiert.

Daraus folgt eine ermutigende Lesart der unbequemen Zahlen: Die Ursachen des Scheiterns sind konstant und bekannt – und sie lassen sich durch bessere Auswahl und Führung beheben, nicht durch mehr Technologie. Ein gestoppter Pilot mit sauberer Messung ist dabei kein Misserfolg, sondern eine günstige Erkenntnis; zum Problem wird ein Abbruch erst, wenn vorher niemand definiert hat, was Erfolg heißt.

Die vollständige Rechnung – inklusive Scorecard, Kostenblöcken und 90-Tage-Plan – finden Sie im Whitepaper „Der KI-Business-Case“.