KPMG stellt fest, dass die Einführung von KI in Unternehmen weiterhin schneller voranschreitet als messbare Wirkung

Die jüngsten Erkenntnisse von KPMG zur KI in Unternehmen erreichten Google News mit einem deutlichen Widerspruch: 95 Prozent der befragten Organisationen verfügen über eine KI-Strategie, doch nur 8 Prozent berichten von etablierten Erträgen.

Dieser Unterschied ist wichtiger als eine weitere Ankündigung zu schnelleren Modellen oder größeren Infrastrukturinvestitionen. Unternehmen haben KI-Tools beschafft, Pilotprojekte gestartet und Mitarbeitende zum Experimentieren ermutigt. Die meisten haben jedoch die Arbeitsabläufe, Verantwortlichkeitssysteme oder Messmethoden noch nicht neu gestaltet, die nötig sind, um diese Aktivitäten in Unternehmensleistung zu überführen.

Der Global AI Pulse von KPMG für das erste Quartal 2026 ordnet 54 Prozent der Organisationen den frühen Phasen von Forschung, Experimenten oder strategischer Planung zu. Weitere 39 Prozent skalieren KI oder treiben ihre Einführung voran. Nur eine kleine Gruppe hat den Übergang von breiter Aktivität zu messbaren, wiederholbaren Erträgen geschafft.

Die daraus entstehende Kluft verläuft nicht länger zwischen Organisationen, die KI nutzen, und solchen, die dies nicht tun. Sie trennt Unternehmen, die KI als zugängliche Software behandeln, von jenen, die sie als integrierte Geschäftsfähigkeit betreiben.

Das ist die eigentliche Geschichte hinter der jüngsten Google-News-Schlagzeile. Die Einführung breitet sich weiter aus, doch die Wirkung bleibt auf Organisationen konzentriert, die Arbeit rund um KI neu gestalten, statt KI neben der bestehenden Arbeit zu platzieren.

Google News hebt eine Lücke bei der KI-Einführung hervor, keine Zugangslücke

KI in Unternehmen ist inzwischen so verbreitet, dass die bloße Einführung keine Reife mehr beweist.

KPMG stützte seine Ergebnisse für das erste Quartal auf eine Befragung von 2.110 Führungskräften in 20 Ländern, Territorien und Rechtsräumen. Die Befragten repräsentierten acht Branchen und umfassten C-Suite-Führungskräfte sowie deren direkte Berichtslinien in großen Organisationen.

Die wichtigsten Zahlen wirken zunächst widersprüchlich. Laut dem Global AI Pulse verfügen 95 Prozent der Organisationen über eine KI-Strategie. 64 Prozent berichten von nennenswertem Geschäftswert, doch nur 8 Prozent sagen, sie hätten einen etablierten ROI.

Diese Antworten messen unterschiedliche Fortschrittsstufen. Ein Team kann bei der Dokumentenprüfung oder Softwareentwicklung Zeit sparen, ohne ein Ergebnis zu erzielen, das in der Unternehmensbilanz sichtbar wird. Es kann auch nützliche Ergebnisse melden, bevor es nachweist, dass diese Ergebnisse die Kosten für Bereitstellung, Integration, Aufsicht und Rechenleistung übersteigen.

Die Reifegradaufteilung von KPMG verdeutlicht diesen Unterschied. Elf Prozent der Organisationen konzentrieren sich weiterhin auf Forschung und Entwicklung. Zweiundzwanzig Prozent experimentieren mit Proofs of Concept oder Pilotprojekten, während 21 Prozent Strategien, Leistungsindikatoren und Dateninfrastruktur aufbauen.

Zusammen machen diese Gruppen die 54 Prozent aus, die weiterhin als Early-Stage-Adopter eingestuft werden. Sechsundzwanzig Prozent skalieren KI im gesamten Unternehmen, und 13 Prozent treiben eine breitere organisatorische Einführung voran. Die verbleibenden 8 Prozent berichten von etablierten Erträgen, die mit bedeutenden Geschäftsergebnissen verknüpft sind.

Dies ist kein Beleg dafür, dass 92 Prozent der KI-Programme gescheitert sind. Die Umfrage erhebt diesen Anspruch nicht. Sie zeigt, dass die meisten Organisationen noch nicht den Punkt erreicht haben, an dem Erträge sowohl etabliert als auch messbar sind.

Eine separate McKinsey-Umfrage weist in dieselbe Richtung. Sie ergab, dass 88 Prozent der Befragten im Jahr 2025 von regelmäßiger KI-Nutzung in mindestens einer Geschäftsfunktion berichteten. Allerdings sagten nur etwa ein Drittel, dass ihre Organisationen begonnen hätten, KI-Programme zu skalieren.

Die Lücke besteht, weil die Nutzung von KI in einer Funktion eine niedrige Schwelle darstellt. Ein genehmigter Chatbot, ein Coding-Assistent oder ein automatisiertes Zusammenfassungstool können diese Definition erfüllen. Unternehmensweite Wirkung erfordert vernetzte Veränderungen bei Prozessen, Daten, Anreizen, Kontrollen und Entscheidungen.

Dieser Unterschied erklärt auch, warum scheinbar widersprüchliche Umfragen alle zutreffend sein können. Eine Studie kann messen, ob Mitarbeitende Zugang zu KI haben. Eine andere kann fragen, ob ein Unternehmen Agenten eingesetzt hat. Eine dritte kann verifizierte finanzielle Erträge verlangen.

Leser von Google News sollten daher den Nenner und die Reifedefinition hinter jeder Schlagzeile prüfen. „KI nutzen“, „KI skalieren“ und „mit KI ROI erzielen“ beschreiben unterschiedliche Zustände, selbst wenn die Berichterstattung sie als austauschbar behandelt.

Die Umfrage von KPMG ist nützlich, weil sie diese Zustände in einer Entwicklung einordnet. Diese beginnt mit Forschung und Pilotprojekten, setzt sich mit unternehmensweiter Skalierung fort und endet bei etablierten Erträgen. Die meisten Organisationen befinden sich weiterhin irgendwo in der Mitte.

Die Ausgaben steigen schneller als die messbaren Erträge

Unternehmen erhöhen ihre KI-Verpflichtungen, bevor sie geklärt haben, wie Wert gemessen werden soll.

KPMG zufolge planten die befragten Organisationen in den folgenden 12 Monaten durchschnittlich Investitionen von 186 Millionen US-Dollar in KI. Der Durchschnitt wurde nach Unternehmensgröße und regionaler Repräsentation gewichtet und sollte daher nicht als universelles Unternehmensbudget gelesen werden.

Auch die regionalen Pläne unterschieden sich. Organisationen im asiatisch-pazifischen Raum meldeten mit 245 Millionen US-Dollar die höchsten durchschnittlich geplanten Investitionen. Es folgten die Amerikas mit 178 Millionen US-Dollar, während Europa, der Nahe Osten und Afrika im Durchschnitt 157 Millionen US-Dollar erreichten.

Diese Zahlen zeigen Engagement, doch Ausgaben sind ein Input. Sie sagen wenig darüber aus, ob ein Unternehmen wertvolle Arbeitsabläufe ausgewählt, eine konsistente Einführung erreicht oder genügend Nutzen erzielt hat, um die Betriebskosten zu decken.

KI-Ausgaben verhalten sich zudem anders als viele traditionelle Softwareausgaben. Die Modellnutzung kann mit Tokens, Anfragen, automatisierten Schritten und der Zahl beteiligter Agenten wachsen. Ein erfolgreiches Pilotprojekt kann daher teurer werden, wenn es mehr Mitarbeitende erreicht oder längere Prozesse abwickelt.

Das Update von KPMG für das zweite Quartal machte dieses Problem sichtbarer. Die Umfrage ergab, dass 42 Prozent der Führungskräfte nur teilweise Transparenz über KI-Ausgaben hatten. Dreiunddreißig Prozent nannten ein begrenztes Verständnis der Kostenstrukturen, einschließlich Tokens, als Herausforderung bei der Bereitstellung von Agenten.

Dieses Thema setzt Finanzvorstände, Technologieführungskräfte und Verantwortliche für Geschäftsbereiche gleichzeitig unter Druck. Finanzteams wollen belastbare Erträge. Technologieteams benötigen verlässliche Infrastruktur und Sicherheit. Operative Führungskräfte müssen zeigen, dass eine Bereitstellung einen realen Prozess verbessert, statt lediglich mehr Aktivität zu erzeugen.

Der Druck wird größer, wenn ein Unternehmen mehrstufige Arbeit automatisiert. Ein KI-Agent ist ein System, das mehrere Aktionen planen und zur Erreichung eines Ziels ausführen kann. Anders als eine einzelne Chatbot-Antwort kann ein Agent Tools aufrufen, Unternehmensdaten abrufen, seine Ausgabe überarbeiten und Arbeit an ein anderes System übergeben.

Jeder zusätzliche Schritt kann Kosten, Latenz und eine weitere Fehlerquelle schaffen. Ein Prozess, der in einer kontrollierten Demonstration beeindruckend wirkt, kann schwer zu überwachen sein, wenn Tausende Mitarbeitende ihn mit Live-Daten nutzen.

Deshalb bleibt ein etablierter ROI selten, obwohl berichteter Geschäftswert deutlich häufiger ist. Geschäftswert kann eine schnellere Fertigstellung, eine bessere Mitarbeitererfahrung oder einen besseren Informationszugang umfassen. ROI erfordert einen definierten finanziellen Vergleich zwischen Nutzen und den vollständigen Kosten seiner Erzeugung.

Die Berechnung sollte mehr umfassen als Modellabonnements. Integrationsarbeit, Datenaufbereitung, Mitarbeiterschulungen, Evaluierung, Sicherheitsprüfungen, Incident Response und menschliche Aufsicht verbrauchen allesamt Ressourcen.

Manche Vorteile lassen sich auch nicht unmittelbar finanziell messen. Ein Assistent kann einer Analystin helfen, relevanten Kontext schneller zu finden, doch das Unternehmen muss diese Zeitersparnis weiterhin mit Kapazität, Umsatz, Qualität oder vermiedenem Risiko verbinden.

Organisationen bleiben oft bei der ersten Kennzahl stehen. Sie zählen Lizenzen, aktive Nutzer, Prompts oder generierte Dokumente. Diese Messgrößen zeigen Aktivität, nicht Geschäftswirkung.

Eine stärkere Messkette beginnt mit einem konkreten Arbeitsablauf. Anschließend wird verfolgt, ob KI Durchlaufzeit, Fehlerquoten, Konversion, Servicequalität oder ein anderes operatives Ergebnis verändert. Erst wenn diese Verbindung hergestellt ist, können Führungskräfte eine glaubwürdige finanzielle Aussage treffen.

Die späteren Ergebnisse für das zweite Quartal von KPMG stützen diesen Ansatz. Organisationen mit hoher Kostentransparenz berichteten fünfmal häufiger von etabliertem ROI: 15 Prozent gegenüber 3 Prozent.

Dieser Zusammenhang beweist nicht, dass Dashboards Erträge schaffen. Leistungsfähigere Organisationen könnten sowohl Kostenkontrolle als auch KI-Bereitstellung besser beherrschen. Dennoch unterstreicht das Muster einen praktischen Punkt: Teams können eine Investition nicht steuern, die sie nicht sehen.

Die eigentliche Kluft verläuft zwischen Orchestrierung und Tool-Bereitstellung

Die vorausziehenden Organisationen koordinieren KI über Arbeitsabläufe, Daten, Governance und menschliche Entscheidungen hinweg.

KPMG identifiziert rund 11 Prozent der Befragten als KI-Führungskräfte. Ihr Vorteil entsteht nicht allein durch höhere Ausgaben oder den Einsatz von mehr Tools. Er beruht darauf, KI als Teil eines Betriebsmodells zu behandeln.

Der Bericht bezeichnet dies als Orchestrierung. In diesem Kontext bedeutet Orchestrierung, Modelle, Agenten, Daten, Kontrollen, Mitarbeitende und Geschäftsprozesse als ein gesteuertes System zu koordinieren.

Das ist ein höherer Standard als Mitarbeitenden einen Chatbot anzubieten. Ein allgemeiner Assistent kann beim Entwurf, bei Zusammenfassungen oder bei der Recherche helfen, während der umgebende Arbeitsablauf unverändert bleibt. Orchestrierte KI verändert, wie Arbeit in einen Prozess gelangt, wie Kontext ihr folgt, wer Entscheidungen prüft und wie Ergebnisse als Feedback zurückfließen.

Betrachten wir einen Kundensupport-Workflow. Eine einfache Bereitstellung ermöglicht es einem Agenten, eine Antwort zu entwerfen. Ein reiferes System ruft die korrekte Kontohistorie ab, wendet Richtlinien an, markiert Unsicherheit, leitet sensible Fälle an eine Person weiter, dokumentiert die Lösung und misst, ob sich der Service verbessert hat.

Das zweite System erfordert weit mehr als ein leistungsfähiges Modell. Es benötigt vertrauenswürdige Daten, Systemberechtigungen, klare Eskalationsregeln, Monitoring und einen verantwortlichen Prozesseigner.

Dasselbe Muster gilt für die Produktentwicklung. Ein isolierter Assistent kann Interviews zusammenfassen oder Anforderungen generieren. Ein integrierter Workflow verbindet Forschungsergebnisse, Kundenfeedback, Produktentscheidungen, technische Einschränkungen und spätere Ergebnisse.

Diese Verbindung erklärt, warum eine durchsuchbare KI-Wissensdatenbank wichtiger sein kann als eine weitere generische Oberfläche. Das Modell benötigt relevanten organisatorischen Kontext, während Mitarbeitende eine Möglichkeit brauchen, das Material hinter seiner Ausgabe zu prüfen und wiederzuverwenden.

Frühere Forschung von McKinsey ergab, dass die Neugestaltung von Arbeitsabläufen zu den Faktoren mit den stärksten Zusammenhängen mit berichteten Ergebniseffekten durch generative KI gehörte. Dennoch sagten weniger als ein Drittel der Befragten, dass ihre Organisationen die meisten der abgefragten Praktiken zur Einführung und Skalierung befolgten.

Weniger als einer von fünf Befragten berichtete, klar definierte Leistungsindikatoren für Lösungen mit generativer KI zu verfolgen. Diese Erkenntnis legt die Schwäche vieler Behauptungen zur Einführung offen. Ein Unternehmen kann nicht lernen, welche Bereitstellungen funktionieren, wenn es nicht definiert hat, was Erfolg bedeutet.

Die Neugestaltung von Arbeitsabläufen schafft zudem politische und organisatorische Schwierigkeiten. Sie verändert Zuständigkeiten, Genehmigungswege, Personalannahmen und manchmal die Grenzen zwischen Abteilungen. Ein Tool zu installieren ist oft einfacher, als diese Veränderungen auszuhandeln.

Mitarbeitende können einen Assistenten häufig nutzen und ihn dennoch bei folgenreichen Entscheidungen meiden. Manager können Experimente fördern, ohne die Erwartungen an die Ergebnisse zu verändern. Sicherheitsteams können eine Oberfläche genehmigen, aber die Datenverbindungen blockieren, die für eine tiefere Integration erforderlich sind.

Diese Bedingungen führen zu sichtbarer Nutzung, ohne strukturelle Auswirkungen zu haben. Mitarbeitende erstellen mehr Entwürfe und Zusammenfassungen, doch Entscheidungen durchlaufen weiterhin dieselben Engpässe. Die Organisation wird geschäftiger, aber nicht wesentlich schneller.

KPMGs Gruppe der Vorreiter weist auf einen anderen Weg hin. Diese Organisationen richten KI auf Wachstum aus, statt sich ausschließlich auf Kostensenkungen zu konzentrieren. Sie berichten außerdem von einer stärkeren Bereitschaft der Belegschaft und größerem Vertrauen darin, die geschäftlichen Auswirkungen zu messen.

Das ist wichtig, weil Kostensenkungen zu einer engen Umsetzungsfrage verleiten: Welche bestehenden Aufgaben kann ein Modell übernehmen? Eine wachstumsorientierte Frage lautet, wie KI das Produkt, das Kundenerlebnis oder die Lerngeschwindigkeit verändert.

Der erste Ansatz kann nützliche Effizienzgewinne liefern. Der zweite erfordert mehr Koordination, schafft jedoch auch Ergebnisse, die für Wettbewerber schwerer zu kopieren sein könnten.

Microsoft beschreibt mit seinem Konzept der „Frontier Firm“ ein ähnliches Zielbild. Sein Work Trend Index analysierte 31.000 Beschäftigte in 31 Ländern, LinkedIn-Arbeitsmarktdaten und Aktivitäten in Microsoft 365.

Microsoft zufolge organisieren diese Unternehmen ihre Arbeit rund um Teams aus Menschen und Agenten sowie bedarfsgerecht verfügbare Intelligenz. Diese Einordnung spiegelt die Perspektive eines Anbieters wider, weshalb die Leistungsbehauptungen sorgfältig geprüft werden sollten. Dennoch erfasst sie die von KPMG hervorgehobene organisatorische Richtung.

Die wettbewerbliche Trennlinie verläuft daher nicht zwischen Microsoft und Google oder zwischen einem Basismodell und einem anderen. Sie verläuft zwischen Tool-Bereitstellung und operativer Orchestrierung.

Organisationen auf dem ersten Weg sammeln Lizenzen und Pilotprojekte. Organisationen auf dem zweiten Weg wählen Workflows aus, verknüpfen vertrauenswürdigen Kontext, weisen Verantwortung zu, messen Ergebnisse und überarbeiten den Prozess.

Die Wahl des Modells bleibt für Qualität, Kosten, Sicherheit und Latenz wichtig. Ein Modellwechsel kann jedoch fehlende Verantwortlichkeit oder ein undefiniertes Geschäftsziel nicht beheben.

Was KI-Adoptionszahlen weiterhin nicht beweisen

Die Dynamik in Umfragen ist real, doch selbstberichtete Reife und Wertschöpfung bleiben unvollkommene Maße für die operative Leistung.

KPMGs Forschung erfasst die Einschätzungen von Führungskräften großer Organisationen. Diese Führungskräfte können Strategie, Investitionen und die organisatorische Richtung beschreiben, sehen aber möglicherweise nicht die alltägliche Nutzung in jedem Team.

Die Umfrage umfasst außerdem Organisationen, die sich nach Region, Branche, Regulierung und technischer Kapazität unterscheiden. Eine Bank, die KI in kontrollierte Prüfprozesse integriert, steht vor anderen Einschränkungen als ein Softwareunternehmen, das seinen Entwicklungstools einen Assistenten hinzufügt.

Aggregierte Prozentwerte können diese Unterschiede verdecken. Sie können auch verschleiern, ob Befragte dieselbe Definition von „bedeutendem Geschäftswert“ verwenden.

Eine Führungskraft könnte Wert als schnellere Arbeitsleistung von Mitarbeitenden interpretieren. Eine andere könnte höhere Umsätze oder geringere Ausgaben verlangen. Eine dritte könnte Risikovermeidung anrechnen, selbst wenn der vermiedene Verlust nicht direkt beobachtbar ist.

Ein nachgewiesener ROI klingt präziser, doch Umfrageteilnehmende können weiterhin unterschiedliche Methoden anwenden. Manche beziehen Umsetzungs- und Überwachungskosten ein, während andere den Nutzen nur den Softwaregebühren gegenüberstellen.

KPMGs Zahlen sollten daher als richtungsweisende Evidenz für Reife behandelt werden, nicht als geprüfter Nachweis wirtschaftlicher Erträge.

Dieselbe Vorsicht gilt für Vergleiche zwischen Berichten. Stanfords 2026 AI Index berichtet, dass die KI-Adoption in Organisationen 2025 88 Prozent erreichte. Er weist zudem darauf hin, dass der Einsatz von Agenten in fast allen Geschäftsfunktionen im einstelligen Prozentbereich blieb.

Diese Fakten sind vereinbar, weil breiter Zugang vor einer tiefen operativen Nutzung entstand. Sie zeigen auch, warum ein einzelner Adoptionsprozentsatz nicht beantworten kann, ob KI die Organisation verändert hat.

Der AI Index verweist auf stärkere Produktivitätsgewinne bei strukturierten, messbaren Aufgaben. Er zitiert Studien mit Fortschritten im Kundensupport, in der Softwareentwicklung und beim Marketing-Output, weist jedoch auf schwächere Ergebnisse bei Aufgaben hin, die tiefergehendes Denken erfordern.

Dieses Muster setzt eine wichtige Grenze. KI funktioniert am besten dort, wo Teams Eingaben definieren, Ausgaben prüfen und Ergebnisse messen können. Offene strategische Arbeit verfügt über weniger verlässliche Rückmeldesignale.

Ein Unternehmen kann KI weiterhin für komplexe Arbeit einsetzen, benötigt dann aber stärkere menschliche Prüfung und einen klareren Weg, Fehler zu erkennen. Ohne diese Schutzmaßnahmen könnte eine schnellere Ausgabe lediglich schwache Entscheidungen beschleunigen.

Sicherheit und Datenschutz schaffen eine weitere Reibungsquelle. KPMG stellte fest, dass 75 Prozent der Befragten Bedenken hinsichtlich KI-bezogener Risiken und Sicherheit äußerten. Nur 20 Prozent der Organisationen in der Frühphase berichteten Vertrauen in ihre Fähigkeit, KI-Risiken zu managen, verglichen mit 47 Prozent der KI-Vorreiter.

Diese Bedenken sind kein Argument dafür, den Einsatz zu stoppen. Sie zeigen, warum Zugang allein keine Reife erzeugen kann. Eine Organisation benötigt Richtlinien, technische Kontrollen, Evaluierungsroutinen und klare Zuständigkeit für Vorfälle, bevor sie sensible Anwendungsfälle ausweiten kann.

Die Bereitschaft der Belegschaft schafft eine ähnliche Einschränkung. KPMG zufolge äußerten 68 Prozent der Organisationen zumindest etwas Vertrauen in ihre Talentpipeline, doch nur 22 Prozent berichteten von hohem Vertrauen.

Mitarbeitende darin zu schulen, Prompts zu schreiben, wird diese Lücke allein nicht schließen. Beschäftigte müssen wissen, wann KI angemessen ist, welche Belege ein Ergebnis erfordert, welche Daten verwendet werden dürfen und wann eine Person die Kontrolle übernehmen muss.

Führungskräfte müssen außerdem entscheiden, wie eingesparte Zeit in Wert umgewandelt wird. Erledigt ein Mitarbeitender eine Aufgabe schneller, erhält aber mehr geringwertige Arbeit, hat die Organisation die lokale Effizienz verbessert, ohne ihre Leistung zu verändern.

Hier lösen sich Adoptionsprogramme häufig vom Geschäftsbetriebsdesign. Technologieteams verwalten Tools, Lernteams verwalten Schulungen, Finanzteams fordern Erträge ein und operative Teams behalten ihre bestehenden Ziele. Kein einzelner Verantwortlicher steuert das Gesamtergebnis.

Die skeptische Lesart der KPMG-Umfrage lautet daher nicht, dass KI keinen Wert geschaffen hat. Sie lautet, dass der Abstand zwischen berichteter Wertschöpfung und nachgewiesenem ROI für einfache Schlussfolgerungen weiterhin zu groß ist.

Die optimistische Lesart ist konkreter. Eine kleine Gruppe hat begonnen, Bereitstellung mit messbaren Ergebnissen auf Unternehmensebene zu verknüpfen. Das legt nahe, dass Wert möglich ist, wenn die organisatorischen Bedingungen ihn unterstützen.

Beide Interpretationen verwerfen denselben Fehler: Zugang, Nutzung und Wirkung als Synonyme zu behandeln.

Drei Signale werden zeigen, ob sich die Lücke schließt

Die nächste Phase wird durch die alltägliche Workflow-Adoption, Kostenverantwortung und gemessene Betriebsergebnisse entschieden.

Das erste Signal ist die Bewegung entlang von KPMGs Reifekurve. Die Umfrage für das zweite Quartal zeigte bereits, dass der Anteil der Organisationen, in denen KI Teil der täglichen Arbeit ist, von 13 Prozent im ersten Quartal auf 22 Prozent stieg.

Das ist ein bedeutender Fortschritt, weil routinemäßige Nutzung mehr als ein vorübergehendes Pilotprojekt erfordert. Die stärkste Bestätigung wäre jedoch ein entsprechender Anstieg beim nachgewiesenen ROI, nicht nur ein Übergang von Experimenten zur Adoption.

KPMGs Umfrage für das zweite Quartal ergab, dass sich nachgewiesener ROI weiterhin bei 7 Prozent konzentrierte. Die Stichprobe und der quartalsbezogene Rahmen erfordern einen sorgfältigen Vergleich, doch die Botschaft bleibt konsistent. Die alltägliche Nutzung wächst schneller als verifizierte Erträge.

Zeigen künftige Umfragen eine breitere Adoption bei gleichzeitig steigendem ROI, wird sich das Argument für Lernen auf Unternehmensebene verstärken. Steigt die Adoption, während der ROI nahe dem heutigen Niveau bleibt, wird es schwieriger, die Wertlücke als vorübergehende Verzögerung abzutun.

Das zweite Signal ist Kostentransparenz. Führungskräfte sollten beobachten, ob Organisationen Ausgaben für Modelle, Agenten, Infrastruktur, Integration und menschliche Prüfung einzelnen Workflows zuordnen können.

Kosten-Dashboards allein belegen keinen Wert. Sie werden nützlich, wenn sie mit operativen Kennzahlen und verantwortlichen Eigentümern verbunden sind.

KPMG berichtete, dass 53 Prozent der Organisationen im zweiten Quartal Dashboards zur Überwachung von KI-Kosten hatten. 54 Prozent bezogen Kostenprüfungen in KI-Genehmigungsprozesse ein.

Der stärkere Test ist, ob diese Kontrollen Entscheidungen verändern. Teams sollten schwache Anwendungsfälle einstellen, teure neu gestalten und Bereitstellungen ausweiten, die belastbare Ergebnisse liefern.

Wenn Unternehmen weiter skalieren, ohne nutzungsbasierte Kosten zu verstehen, könnte agentische KI die Lücke vergrößern. Multi-Agenten-Systeme können Aufrufe, Tokens, Tools und Fehlerquellen innerhalb einer einzelnen Aufgabe vervielfachen.

Das dritte Signal sind Nachweise auf Workflow-Ebene. Breite Mitarbeitendenumfragen bleiben nützlich, doch Entscheidungsträger benötigen Kennzahlen, die an konkrete Prozesse gebunden sind.

Ein Support-Einsatz sollte Lösungsqualität, Durchlaufzeit, Eskalationsraten und Kundenergebnisse verfolgen. Ein Entwicklungseinsatz sollte Lieferzeit, Fehler, Prüfaufwand und Wartbarkeit verfolgen. Ein Rechercheeinsatz sollte Genauigkeit, Quellenqualität und Entscheidungsgeschwindigkeit messen.

Diese Messungen sollten über kurze Demonstrationen hinausgehen. Ein Workflow, der vier Wochen lang erfolgreich ist, kann schwächer werden, wenn sich Daten ändern, Mitarbeitende anpassen oder die Nutzung ausgeweitet wird.

Organisationen sollten außerdem klarer zwischen Brutto-Produktivität und realisierter Wertschöpfung unterscheiden. Zehn Minuten einzusparen schafft nicht automatisch einen finanziellen Ertrag. Die Organisation muss diese Kapazität umleiten oder ein Ergebnis verbessern, das Kundinnen und Kunden wertschätzen.

Google News wird weiterhin große Adoptionsprozentsätze hervorheben, weil sie einfache Schlagzeilen liefern. Die wichtigeren Nachweise werden in weniger spektakulären operativen Kennzahlen erscheinen.

Beobachten Sie den Anteil der Organisationen, die einen nachgewiesenen ROI berichten. Beobachten Sie, ob Kostentransparenz die Bereitstellungsentscheidungen verändert. Beobachten Sie dann, ob einzelne Workflows nachhaltige Gewinne erzielen, nachdem Überwachungs-, Integrations- und Risikokosten einbezogen wurden.

Für Unternehmenskäufer und Wissensarbeitende lautet die praktische Frage nicht mehr, ob KI Experimente verdient. Die Evidenz zeigt, dass Experimente bereits weit verbreitet sind.

Die Frage ist, ob Ihre Organisation einen wichtigen Workflow benennen, seinen Ausgangswert definieren, den richtigen Kontext verknüpfen, einen verantwortlichen Eigentümer bestimmen und das Ergebnis über die Zeit messen kann.

Kann sie das nicht, wird ein weiteres Modell oder ein weiterer Agent die Lücke nicht schließen. Kann sie es, hat die KI-Adoption einen Weg zu einer Wirkung, die über die nächste Google-News-Schlagzeile hinaus Bestand hat.