KI-Investitionen: 87% der Unternehmen sehen keinen Geschäftswert
Eine Gartner-Umfrage zeigt: Nur 13 Prozent der Unternehmen ziehen echten Geschäftswert aus ihren KI-Investitionen. Ein Warnsignal für die Effizienz von Milliardensummen.
Nur 13 Prozent der Unternehmen weltweit erzielen laut einer Gartner-Umfrage unter 2.002 CIOs echten Geschäftswert aus ihren KI-Investitionen. Die restlichen 87 Prozent stehen damit vor einem erheblichen Effizienzproblem. Parallel zeigt sich ein paradoxes Phänomen: 51 Prozent der befragten Unternehmen rechnen damit, dass ihre Betriebskosten durch KI sogar steigen werden, wie The Decoder meldet. Diese Diskrepanz zwischen Investitionsvolumen und messbarem Nutzen deutet auf ein grundsätzliches Implementierungs- und Strategieproblem hin — nicht auf die KI-Technologie selbst, sondern auf deren praktische Integration in Geschäftsprozesse.
Die Gartner-Erhebung widerlegt damit das Narrativ von KI als Universallösung für Produktivität und Kosteneffizienz. Unternehmen haben in den vergangenen 18 Monaten massiv in KI-Infrastruktur, Cloud-Umgebungen und spezialisierte Tools investiert. Doch die Fähigkeit, diese Investitionen in nachweisbare finanzielle Gewinne oder Effizienzsteigerungen zu übersetzen, bleibt für die überwiegende Mehrheit ungelöst. Citadel-Gründer Ken Griffin warnt in diesem Kontext vor einer Spekulationsblase: Die Angst, "fast sicher" in einem KI-Bubble stecken zu bleiben, ist berechtigt — zumal die Preise für spezialisierte Chips und GPUs wie "Flugzeugsitze" crashen könnten, sollte sich ein Überangebot manifestieren.
Neben den unmittelbaren Betriebskostenrisiken zeichnet sich auch ein verstecktes Kostenmodell ab, das viele Verantwortliche noch nicht vollständig in ihre Budgetplanungen aufgenommen haben. Die MIT Technology Review hebt hervor, dass Datenspeicherung — ein oft übersehener Posten bei KI-Infrastruktur — erhebliche laufende Kosten verursacht. Inference-Prozesse, die täglich Millionen Male laufen, erzeugen Logs, Metriken und Tracing-Daten in Größenordnungen, die traditionelle Speicherbudgets sprengen. Diese "verborgene Speicherrechnung" wird von vielen CIOs erst nach Monaten voll erfasst, wenn die Abrechnungen der Cloud-Anbieter ankommen.
Warum für DACH relevant
Im deutschsprachigen Raum verschärft sich die Situation durch zusätzliche regulatorische und organisatorische Faktoren. Die DSGVO schreibt vor, dass Unternehmen nachweisen müssen, auf welche Weise personenbezogene Daten in KI-Trainingsprozessen und Inferenz-Szenarien verarbeitet werden. Dies bedeutet, dass die 13 Prozent mit messbarem ROI oft deutlich höhere Audit- und Compliance-Kosten tragen als Unternehmen außerhalb Europas. Mittelständische Firmen — ein Rückgrat der deutschen und österreichischen Wirtschaft — sind besonders betroffen: Sie haben oft weder die finanziellen Puffer noch die spezialisierten Teams für umfassende KI-Pilotprojekte mit anschließender vollständiger Integration.
Hinzu kommt ein kulturelles Element: Während US-amerikanische Konzerne schneller experimentieren und Fehlschläge als Teil des Lernprozesses akzeptieren, folgt die DACH-Region einem gründlicheren, dokumentationslastigeren Ansatz. Das kann Innovation bremsen, führt aber auch dazu, dass Budgets oft in theoretischen Konzepten landen, anstatt in bewährten Use Cases. Die Gartner-Zahlen zeigen, dass dieser konservativere Kurs nicht zu besseren Ergebnissen führt — sondern vielmehr zur Verschwendung von Mitteln ohne Gegenleistung.
Ein weiterer kritischer Punkt: KI-Agenten entlasten Geschäftsprozesse — aber Sicherheit bleibt kritisch unterstreicht, dass selbst dort, wo KI eingesetzt wird, Sicherheit und Kontrollmechanismen zusätzliche Investitionen erfordern. Diese versteckte zweite Finanzierungswelle wird in ROI-Kalkulationen häufig unterschätzt, was den Gap zwischen erwarteten und tatsächlichen Gewinnen vergrößert.
Was du jetzt tun/wissen solltest
Der zentrale Take-Away der Gartner-Umfrage lautet nicht, dass KI sinnlos ist, sondern dass die gegenwärtige Implementierungspraxis fundamental fehlerhaft läuft. Unternehmen investieren top-down in Infrastruktur, bevor sie bottom-up definiert haben, welche konkreten Geschäftsprobleme gelöst werden sollen. Statt "Wir brauchen KI"-Entscheidungen sollte es heißen: "Welche acht Prozesse kosten uns monatlich 50.000 Euro Manpower, sind wiederholbar und könnten durch KI ersetzt oder augmentiert werden?"
Für DACH-Unternehmen bedeutet dies: Vor dem nächsten GPU-Cluster-Investment eine ehrliche Bestandsaufnahme durchführen. Welche der 87 Prozent ohne Geschäftswert sind wir? Wo lag die Fehlentscheidung — bei der Technologiewahl, der Prozessaufbereitung, den Dateneingaben oder dem Skill-Defizit im Team? Die kommenden 12 Monate werden zeigen, welche Unternehmen diese Kalibrierung bewältigen und welche zu den weiteren Opfern einer Spekulationswelle werden, die Bilanzbelastung hinterlässt, ohne operative Verbesserungen gebracht zu haben.
Mehr zum Thema im Ressort Kategorie Business mit KI.
Quellen
- The Decoder: Gartner-Umfrage: Nur 13 Prozent der Unternehmen ziehen echten Geschäftswert aus KI-Investitionen
- MIT Technology Review: AI's hidden storage bill: What inference leaves behind
- Decrypt: Ken Griffin Says AI Is 'Almost Certainly' in a Bubble
- TechCrunch AI: Blackstone's Jas Khaira on AI buildout and debt concerns
Häufige Fragen
Wie viele Unternehmen profitieren wirklich von KI-Investitionen?
Laut einer Gartner-Umfrage unter 2.002 CIOs ziehen nur 13 Prozent der Unternehmen echten Geschäftswert aus ihren KI-Investitionen. Die restlichen 87 Prozent erzielen keinen messbaren ROI, während 51 Prozent sogar mit steigenden Betriebskosten rechnen.
Welche versteckten Kosten entstehen bei KI-Implementierung?
Neben Hardware und Entwicklung verursacht die Datenspeicherung erhebliche Kosten, die viele Unternehmen unterschätzen. Inference-Prozesse erzeugen täglich Millionen Logs und Metriken, die in der Cloud kostenpflichtig gespeichert werden müssen.
Warum ist KI-ROI im DACH-Raum besonders schwierig?
Im deutschsprachigen Raum kommen zusätzlich DSGVO-Compliance-Anforderungen hinzu, die Audit- und Dokumentationskosten erhöhen. Mittelständische Unternehmen haben zudem oft weder die finanziellen Mittel noch spezialisierten Teams für umfassende KI-Projekte.