Trotz Milliardeninvestitionen erzielen generative KI-Anwendungen selten messbare Gewinne. Welche Faktoren bestimmen, ob KI im Unternehmen zum Vorteil wird - und wo die größten Risiken liegen
Der Einsatz generativer KI in Unternehmen bleibt trotz erheblicher Investitionen häufig hinter den wirtschaftlichen Erwartungen zurück. Nach aktuellen Analysen des Massachusetts Institute of Technology (MIT) zeigen 95 Prozent der untersuchten KI-Programme keine nachweisbaren Auswirkungen auf Gewinn oder Verlust. Im Jahr 2025 gaben 42 Prozent der befragten Unternehmen an, den Großteil ihrer KI-Initiativen eingestellt zu haben - ein deutlicher Anstieg gegenüber 17 Prozent im Vorjahr. Als Hauptgründe werden unklare Nutzenbeiträge und unzureichende Risikokontrollen genannt. Damit verschiebt sich der Fokus von der bloßen Einführung hin zur nachhaltigen Integration und Steuerung von KI-Systemen im Produktivbetrieb.
Wirtschaftliche Bewertung und Kostenstruktur
Die Kostenstruktur von KI-Projekten wird zunehmend durch den Verbrauch sogenannter Tokens bestimmt, die für die Nutzung großer Sprachmodelle anfallen. Prognosen von Goldman Sachs zufolge könnte sich der Token-Verbrauch bis 2030 um das 24-Fache erhöhen. Unternehmen stehen damit vor der Herausforderung, die Wirtschaftlichkeit nicht mehr allein anhand der Kosten pro Token zu bewerten. Stattdessen rückt die Kennzahl "Kosten pro abgeschlossene Aufgabe" in den Mittelpunkt, die Produktivität, Kontrolle, Leistung und Betriebsaufwand kombiniert. Wer diese Kennzahl präzise beziffern kann, kann Budgets besser rechtfertigen und den Einsatz von KI gezielter steuern. Die Wahl der Infrastruktur - etwa Public Cloud für schnelle Experimente oder private, souveräne Systeme für regulierte Workloads - beeinflusst dabei maßgeblich die Kosten und Kontrolle. Laut MIT sind KI-Lösungen, die von spezialisierten Anbietern bereitgestellt und über Partner betrieben werden, in zwei Dritteln der Fälle erfolgreicher als intern entwickelte Systeme.
Governance und Kontrolle im KI-Betrieb
Ein zentrales Risiko im produktiven KI-Einsatz entsteht, wenn Unternehmen nicht nachvollziehen können, wie Entscheidungen zustande kommen. Der Data Readiness Index von Cloudera zeigt, dass 61 Prozent der deutschen Unternehmen mangelnde Datentransparenz oder komplexe Prozesse als Hindernis für eine effektive Datenverwaltung sehen. Ohne klare Prüfprotokolle und Nachvollziehbarkeit lassen sich autonome KI-Agenten nicht zuverlässig steuern. Die zunehmende Integration agentenbasierter KI - Gartner erwartet bis 2028 einen Einfluss auf mindestens 15 Prozent der täglichen Arbeitsentscheidungen - erhöht die Anforderungen an Governance und Standardisierung. Fehlen gemeinsame Richtlinien, vervielfachen sich Risiken und Fehlerpotenziale. Effektive Governance beginnt daher mit klaren Zugriffsrechten, einheitlichen Richtlinien und einer Orchestrierung, die Aufgaben nach Kosten, Wert und Risiko verteilt. Besonders sensible oder folgenreiche Entscheidungen müssen weiterhin durch menschliche Kontrolle abgesichert werden.
Absicherung und nachhaltige Integration
Die Absicherung von KI-Systemen umfasst technische, organisatorische und regulatorische Maßnahmen, um auch bei Fehlern oder unklaren Ergebnissen handlungsfähig zu bleiben. Dazu zählen abgestufte Autonomiestufen, vollständige Nachverfolgbarkeit von Eingaben und Ergebnissen sowie Notfallmechanismen, die eine menschliche Übersteuerung ermöglichen. Unternehmen müssen bewusst entscheiden, welche Prozesse automatisiert werden und wo menschliche Kontrolle zwingend bleibt. Ein ausgereiftes Absicherungsmodell automatisiert risikoarme Aufgaben, während unklare oder kritische Fälle an Menschen delegiert werden. Die deutsche Bundesinitiative MISSION KI arbeitet gemeinsam mit Unternehmen und Institutionen wie dem TÜV AI.Lab an prüfbaren Qualitätsstandards für den produktiven KI-Einsatz. Diese Entwicklung steht im Kontext einer wachsenden regulatorischen Aufmerksamkeit: Behörden fordern zunehmend Nachweise darüber, wie KI-Systeme funktionieren und wie Nachhaltigkeit, Governance und Absicherung gewährleistet werden.
Die Frage nach der Wirtschaftlichkeit von KI verschiebt sich damit grundlegend: Nicht mehr der Zugang zu Modellen, sondern deren nachhaltiger und kontrollierter Betrieb entscheidet über den tatsächlichen Mehrwert. Unternehmen, die KI über die Demophase hinaus in den regulären Betrieb überführen, müssen Produktivität, Governance und Absicherung gleichermaßen berücksichtigen. Wie sich Investitionen in KI-Plattformen auf den europäischen Markt auswirken können, zeigt etwa die Entwicklung von BLP Digital, die in einem aktuellen Bericht analysiert wurde.
Foundation Models bilden die technische Grundlage vieler generativer KI-Anwendungen. Sie sind große, vortrainierte Modelle, die auf umfangreichen Datenmengen basieren und für unterschiedliche Aufgaben angepasst werden können. Im Produktivbetrieb entscheidet nicht allein die Modellqualität, sondern vor allem die Integration in bestehende Prozesse, die Kontrolle über Datenflüsse und die Fähigkeit, Risiken zu steuern. Die Entwicklung hin zu standardisierten Prüfprotokollen und abgestuften Kontrollmechanismen ist daher zentral für die nachhaltige Nutzung von KI in Unternehmen.
