AI Value Gap: Warum KI-Budgets steigen und die Rendite ausbleibt
Christian Reckel
Neun von zehn Organisationen erzielen mit KI weniger als geplant. Das Budget steigt trotzdem.
Deutsche Industrieunternehmen erhöhen ihre KI-Budgets in diesem Jahr so stark wie nie zuvor. 84 Prozent der befragten Organisationen planen weiteres Wachstum — obwohl 90 Prozent gleichzeitig geringere finanzielle Renditen erzielen als ihre KI-Ausgaben erwarten lassen. Das ist kein Widerspruch, den Märkte korrigieren. Das ist ein strukturelles Muster.
Drei Beobachtungen aus dem Frühjahr 2026 — und was sie verbindet.
Im Überblick
- Das Signal
- Das Muster
- Die Wirkung
- Die Frage
Das Signal
90 Prozent der Organisationen erzielen mit KI geringere finanzielle Renditen als erwartet. Zur gleichen Zeit erhöhen 84 Prozent ihre Budgets. 74 Prozent erwarten, dass KI Umsatzwachstum treibt — nur 20 Prozent erleben dieses Ergebnis.
Das Ausmaß des Measurement-Gaps ist dabei bemerkenswert präzise dokumentiert: 63 Prozent der Organisationen verlassen sich auf Einmal-Analysen oder Intuition statt kontinuierliches Monitoring. 84 Prozent haben Rollen und Prozesse nicht an KI angepasst. 54 Prozent planten, 40 Prozent ihrer KI-Experimente in drei bis sechs Monaten in Produktion zu überführen — nur 25 Prozent haben das erreicht.
Das Bild vervollständigt eine weitere Zahl: 2 Prozent der deutschen Unternehmen verankern KI auf CEO-Ebene. Das ist der niedrigste Wert aller 14 untersuchten Länder. In Japan liegt dieser Wert um ein Vielfaches höher — und genau dort liegen auch die finanziellen Ergebnisse. Die Korrelation ist direkt.
Budget steigt. Rendite bleibt aus. Messung fehlt.
Das Muster
Das verbindende Muster liegt nicht in der KI-Technologie. Es liegt in der fehlenden Entscheidungsarchitektur dahinter.
Die japanischen Unternehmen, die in derselben Roland-Berger-Erhebung viermal häufiger finanziell von KI profitieren als DACH-Unternehmen, unterscheiden sich nicht durch überlegene Algorithmen oder höhere Budgets. Die Ursache ist dokumentiert: klare Governance, konsequente Integration, kontinuierliche Erfolgsmessung.
Das ist eine Steuerungsfrage, keine Technologiefrage.
Der Mechanismus läuft folgendermaßen ab: Ein KI-Pilot wird gestartet. Er funktioniert lokal. Das Ergebnis wird als Fortschritt gewertet. Die Frage, ob dieser Fortschritt systemisch wirkt und gemessen wird, bleibt offen. Das Budget für den nächsten Piloten wird genehmigt. Der Kreislauf wiederholt sich. Keiner der Schritte ist falsch — die Architektur dahinter ist es. Piloten ohne Ergebnisverantwortung erzeugen Aktivität. Keine Steuerbarkeit.
63 Prozent messen nicht kontinuierlich — deshalb ist systemische Wirkung strukturell unsichtbar. Was nicht gemessen wird, kann nicht gesteuert werden. Was nicht gesteuert wird, erzeugt keinen GuV-Effekt.
Dieser Sommer setzt dem eine Frist: 71 Prozent der CIOs rechnen mit gekürzten oder eingefrorenen KI-Budgets bis Mitte 2026, wenn keine messbaren Ergebnisse vorliegen. Die Phase, in der ein gut gemachter KI-Pilot als Fortschritt durchging, endet diesen Sommer.
Die Technologie ist nicht das Problem.
Die Wirkung
Zwei Muster aus der Praxis — beide aus Engineering-Mittelstand, beide anonym.
Maschinenbauer, ~900 Mitarbeiter. Drei KI-Projekte aktiv: vorausschauende Wartung in der Produktion, automatisierte Angebotskalkulation, ein Dokumentenassistent für die Konstruktion. Alle drei liefen technisch stabil. Der Engpass lag in der Verantwortungszuordnung: Kein Bereich fühlte sich für den Gesamterfolg verantwortlich, kein kontinuierliches Monitoring war etabliert, die Projekte wurden nicht nach GuV-Effekt bewertet. Ergebnis nach 14 Monaten: drei laufende Systeme, null dokumentierter EBITDA-Beitrag. Nach Einführung klarer Verantwortung auf Bereichsleiterebene und monatlichem Ergebnisreporting: im ersten Quartal danach 310.000 Euro dokumentierte Einsparung allein über das Kalkulationstool — durch verkürzte Angebotsdurchlaufzeit und weniger Nachverhandlungen.
Automobilzulieferer, ~400 Mitarbeiter. KI-Budget im Vorjahr verdoppelt. Hauptinvestition in ein Qualitätsprüfsystem. Der Engpass war nicht die Technologie — er war die fehlende Schnittstelle zwischen dem System-Output und der Produktionssteuerung. Die Qualitätsdaten wurden generiert, aber nicht in operative Entscheidungen überführt. Das System lief, aber die Durchlaufzeit der Qualitätsbemängelung blieb konstant bei vier Tagen. Nach Neustrukturierung des Übergabeprozesses zwischen Qualitätssystem und Schichtleitung sank die Durchlaufzeit auf unter einen Tag — was direkte Auswirkung auf die Liefertermintreue hatte.
Das Erkennungsmuster ist in beiden Fällen identisch: technisch funktionierende KI-Systeme ohne operative Steuerungsverantwortung. Der Unterschied zwischen einem Unternehmen mit messbarem KI-ROI und einem ohne liegt selten in der Qualität der Technologie. Er liegt darin, wer am Ende des Monats gegenüber dem Führungskreis erklärt, was das System in Euro gebracht hat — und wer nicht. Wer diese Frage für keines seiner aktiven KI-Projekte beantworten kann, hat das Muster bereits vor sich.
Lokale KI-Erfolge erzeugen keine Gesamtleistung.
Die Frage
Welches der aktiven KI-Projekte hat eine benannte Person, die monatlich den GuV-Effekt dieses Projekts gegenüber dem Führungskreis verantwortet — und wo wird dieser Effekt aktuell kontinuierlich gemessen?
Quellen: Roland Berger · Deloitte ROI of AI · Deloitte CEO-Verankerung · Dataiku CIO-Erhebung
Praxisbeispiele anonymisiert. Zahlen aus realen Implementierungen.