KI-Investitionen: Japan viermal häufiger mit messbarem Ertrag
Christian Reckel
Was die Lücke erklärt — und woran sie im eigenen Unternehmen erkennbar wird.
In Deutschland wird KI-Budget genehmigt. Effizienzberichte aus den Abteilungen sind positiv. Die GuV bleibt unverändert. Drei unabhängige Studien messen für das erste Quartal 2026 dasselbe Bild — und keines davon ist eine Ausnahme.
Im Überblick
- Das Signal
- Das Muster
- Die Wirkung
- Die Frage
Das Signal
Die Datenlage ist für dieses Quartal ungewöhnlich konsistent.
Roland Berger befragte 203 Führungskräfte in fünf Ländern, davon 35 Prozent aus dem DACH-Raum. Ergebnis: 90 Prozent berichten, dass finanzielle Erträge aus KI-Projekten hinter den Investitionen zurückbleiben. Gleichzeitig ist der Anteil japanischer Unternehmen, die wirtschaftlichen Nutzen aus KI ziehen, viermal höher als im DACH-Raum.
Horváth misst auf der Budgetseite: 86 Prozent der deutschen Unternehmen erhöhen ihr Digitalisierungsbudget — der globale Durchschnitt liegt bei 67 Prozent. Rund 30 Prozent des Budgets fließen in KI-Projekte. Ergebnis: 77 Prozent der deutschen Befragten stellen fest, dass die eingekauften KI-Anwendungen bei näherer Betrachtung keine Funktionen enthalten, die über Standard-Software hinausgehen.
Deloitte erfasste 249 deutsche Unternehmen separat: 41 Prozent der deutschen Führungskräfte geben an, dass mehr als 60 Prozent der Belegschaft KI aktiv nutzt. Grundlegende Prozessveränderungen berichten davon nur 5 Prozent.
Drei Studien, eine Beobachtung: Deutschland investiert mehr — und erntet weniger als Japan.
Mehr Budget produziert keine bessere Wirkung.
Das Muster
Das verbindende Muster liegt nicht in der Technologie oder in der Qualität der Implementierung. Es liegt darin, wo im Unternehmen die Entscheidung getroffen wird — und was danach gemessen wird.
Roland Berger zeigt den Messbruch: 63 Prozent der befragten DACH-Unternehmen messen KI-Nutzen ausschließlich durch Einmalanalysen oder Bauchgefühl — nicht kontinuierlich am finanziellen Output. Nur 25 Prozent messen automatisch und fortlaufend. Wer am falschen Punkt misst, bemerkt nicht, dass die Investition am falschen Punkt sitzt.
Was passiert, wenn KI in Bereichen eingesetzt wird, die nicht die eigentliche Engstelle der Auftragsabwicklung sind: Die lokale Effizienz steigt. Abteilungen berichten Fortschritte. Die freigesetzte Kapazität fließt in bestehende Aufgaben zurück — Abstimmungsrunden, Qualitätsprüfungen, Dokumentation. Lieferzeit und Marge bleiben identisch. Die Investition erscheint im Jahresabschluss nicht — weil sie auf den Output keinen Einfluss hatte.
Japan steht für das Gegenbild: Unternehmen die viermal häufiger wirtschaftlichen Nutzen erzielen, messen nicht in Abteilungen. Diese Unternehmen messen am Ergebnis — und richten die Investition rückwärts davon ab. Das verändert nicht nur die Auswahl der KI-Tools, sondern den Startpunkt der Entscheidung.
Wer den Engpass nicht kennt, investiert am falschen Punkt.
Die Wirkung
Was das konkret bedeutet, zeigen zwei Beobachtungen aus der Praxis.
Ein Maschinenbauer mit rund 400 Mitarbeitern investierte 2023 in KI-gestützte Konstruktionssimulation. Die Berechnungszeit pro Bauteilgeneration sank um 60 Prozent — intern dokumentiert, breit kommuniziert. Die Auftragsvorlaufzeiten beim Kunden blieben unverändert bei zwölf Wochen. Der Engpass lag nicht in der Berechnungsgeschwindigkeit. Er lag in der Freigabeschleife zwischen Konstruktion und Arbeitsvorbereitung: Jede Änderungsanfrage durchlief im Durchschnitt drei Abstimmungsrunden mit einer Laufzeit von sechs Wochen pro Schleife. Diese Stelle bestimmte, wann ein Auftrag tatsächlich in die Fertigung gehen konnte. Als der Freigabeprozess adressiert wurde, sanken die Vorlaufzeiten von zwölf auf sieben Wochen. Die KI-Simulation lief weiter — für die GuV-Wirkung war sie nicht der Hebel.
Ein zweites Unternehmen — Elektrotechnikfertigung, 600 Mitarbeiter — startete mit demselben Ausgangspunkt: KI-Budget, breite Abteilungsabdeckung geplant. Bevor der Rollout begann, wurden die eigenen ERP-Daten ausgewertet: Wo entstehen Verzögerungen tatsächlich, und wie lange? Ergebnis: 80 Prozent der Auftragsüberschreitungen entstanden an einem einzigen Übergabepunkt zwischen Entwicklung und Serienbetreuung — nicht aus Kapazitätsmangel, sondern weil kein Priorisierungsprotokoll existierte. KI wurde zuerst genau dort eingesetzt. Zwölf Monate später: Auftragsvorlaufzeit minus vier Wochen, EBITDA-Marge plus 2,3 Prozentpunkte.
Das Erkennungsmuster ist in beiden Fällen identisch: Wo sich Aufträge, Freigaben oder Änderungsanfragen stauen — nicht weil Kapazität fehlt, sondern weil eine einzelne Stelle nicht durchlässig genug ist — liegt der Punkt, der Lieferzeit und Marge tatsächlich bestimmt. In der Fertigung ist das oft sichtbar. Im Übergang zwischen Abteilungen ist es meistens unsichtbar — weil niemand die Übergabepunkte systematisch auswertet. Die Daten dafür liegen in fast jedem Unternehmen bereits im ERP. Die Frage ist, ob jemand sie stellt.
Wer gerade KI-Budget auf Abteilungen verteilt ohne vorher diesen Punkt identifiziert zu haben, ist das erste Unternehmen. Das zweite hat Vorsprung aufgebaut, während das erste Effizienzberichte geschrieben hat.
Der Unterschied liegt nicht in der Investitionshöhe. Es ist der Zeitpunkt, an dem die richtige Frage gestellt wurde.
Die Frage
Welcher Engpass in der eigenen Auftragsabwicklung bestimmt die Lieferzeit am stärksten — und ist das der Punkt, an dem gerade KI-Budget eingesetzt wird?
Quellen: Roland Berger AI Value Gap 2026 · Roland Berger Pressemitteilung März 2026 · Horváth Digital Value 2026 via CIO.de · Deloitte ROI von KI via REFA
Praxisbeispiele anonymisiert. Zahlen aus realen Implementierungen.