KI auf dem Prüfstand

Aptean Artificial Intelligence Research 2026: Eine Befragung von 1.500 Führungskräften zur Wirkung von KI im Unternehmen

Kaum ein Thema hat die Unternehmensagenda der vergangenen zwei Jahre so geprägt wie künstliche Intelligenz (KI). Unternehmen haben investiert, Vorstände haben ambitionierte Ziele ausgegeben, und der Anspruch war überall derselbe: schneller vorankommen als der Wettbewerb.

Dieser Anspruch war nicht unbegründet. Der Aptean Intelligence Index 2026 hat untersucht, wie weit sich diese Investitionen bislang tatsächlich auszahlen. Für die Studie wurden mehr als 1.500 Entscheidungsträger in sechs Ländern zu ihren Erfahrungen mit KI befragt. Ein zentrales Ergebnis: 86 % der Unternehmen haben ihre operative Effizienz im vergangenen Jahr durch KI verbessert. KI liefert also messbare Ergebnisse, und kaum ein Unternehmen macht diesen Schritt rückgängig.

Wer jedoch mit den Verantwortlichen für operative KI-Projekte spricht, hört eine differenziertere Version dieser Entwicklung. Auch Unternehmen, die Fortschritte melden, räumen ein: KI hat ihr volles Potenzial noch nicht ausgeschöpft. Das deckt sich mit einer weltweiten McKinsey-Studie¹: Danach können nur 39 % der Unternehmen überhaupt einen Gewinnbeitrag auf KI zurückführen, und die meisten von ihnen beziffern ihn auf unter 5 %.

Tools, die im Pilotprojekt vielversprechend wirkten, zeigen im laufenden Betrieb ihre Grenzen. Manche der Unternehmen, die am schnellsten vorangingen, stehen nun vor unbequemen Fragen: Warum lässt sich das nicht skalieren? Wo bleibt der ROI? Und haben wir überhaupt die richtigen Tools gewählt?

Das ist die ernüchternde Bilanz nach zwei Jahren KI-Euphorie: KI hat nicht versagt, aber die Lücke zwischen Versprechen und Ergebnis lässt sich nicht länger ignorieren.

Was die Daten hinter den Schlagzeilen zeigen, ist jedoch ermutigend. Die Unternehmen, die am meisten aus KI herausholen, haben etwas gemeinsam: Sie haben KI nicht einfach nur eingeführt, sondern gezielt Tools gewählt, die zu ihrer Branche, ihren Daten und ihrer tatsächlichen Arbeitsweise passen.

Diese Bilanz ist deshalb kein Schlusspunkt, sondern ein klärender Moment. Sie zwingt zu einem ehrlichen Blick darauf, was KI-Transformation tatsächlich erfordert, und dazu, neu zu bestimmen, wie Erfolg eigentlich aussieht. Denn KI lohnt sich, wenn man sie gezielt angeht: mit klaren Zielen und Tools, die auch tatsächlich in der Lage sind, diese Ziele zu erreichen.

88 % sagen, speziell entwickelte KI sei sehr wichtig oder entscheidend.

Über diese Studie

KI auf dem Prüfstand stützt sich auf den Aptean Intelligence Index 2026, eine globale Studie darüber, wie Unternehmen KI heute einsetzen: wo sie sich auszahlt, wo nicht, und warum. Aptean beauftragte das Marktforschungsunternehmen Vanson Bourne, 1.535 Entscheidungsträger in Unternehmen mit mindestens 10 Millionen US-Dollar Jahresumsatz zu befragen, in sechs Märkten: den USA, Kanada, dem Vereinigten Königreich, den Niederlanden, Frankreich und Deutschland. Die befragten Unternehmen stammen aus fünf Branchen: Lebensmittel und Getränke, Bekleidung und Textilien, Transport und Logistik, diskrete und prozessorientierte Fertigung sowie Maschinenhandel.

Befragt wurden Fach- und IT-Führungskräfte von der Geschäftsleitung bis zum mittleren Management, mit Einblick in die KI-Strategie ihres Unternehmens und direkter Verantwortung für ERP- oder Supply-Chain-Systeme. Die Umfrage mit 25 Fragen untersuchte, wie diese Unternehmen KI heute einsetzen, wie sie sich bewährt, wo sie an Grenzen stößt und anhand welcher Kennzahlen der Erfolg gemessen wird. Ein Ziel der Studie war es, eine einfache These zu prüfen: dass KI, die für eine bestimmte Branche entwickelt wurde, universellen Tools überlegen ist. Die Ergebnisse, die folgen, beantworten genau diese Frage.

Um die Zahlen einzuordnen, führte Vanson Bourne außerdem zehn ausführliche Interviews mit Führungskräften aus denselben Branchen und Regionen. Ihre Einschätzungen finden sich im gesamten Bericht wieder. Die Umfrageergebnisse sind auf dem 5-%-Niveau signifikanzgetestet, die Interviewpartner werden anonymisiert zitiert. Die Studie wurde über drei Monate im ersten Halbjahr 2026 durchgeführt, in einer Phase, in der KI-Entwicklung und Unternehmenseinsatz rasant vorankamen und zugleich kritische Fragen aufwarfen. 

Kapitel 1: Wo Unternehmen bei KI wirklich stehen

Die Einführung von KI ist nahezu abgeschlossen. Die tatsächliche Integration in Kernprozesse bleibt jedoch deutlich dahinter zurück.

Lücken bei der KI-Einführung: Die wichtigsten Erkenntnisse

Die wichtigsten Erkenntnisse

Die wichtigsten Ergebnisse im Überblick:

• Die Einführung ist mit 98 % praktisch flächendeckend, doch nur 46 % haben KI fest in ihre Kernprozesse integriert oder als unverzichtbar dafür. Die Mehrheit nutzt KI nur in einzelnen Funktionen oder Anwendungsfällen, ohne feste Verankerung im Kerngeschäft.

• 82,5 % der Unternehmen, die KI aktiv nutzen, sagen selbst, der Wert sei klar, aber noch nicht vollständig realisiert.

• 83 % begründen die Einführung von KI mit dem Wunsch, wettbewerbsfähiger und schneller zu werden. Nur 17 % handelten aus Sorge, den Anschluss zu verlieren.

• Die Lücken lassen sich auf frühere Entscheidungen zurückführen und sind damit grundsätzlich behebbar.

98 % der Unternehmen setzen KI bereits ein oder befinden sich in der Einführung. Der Verzicht auf KI ist damit zur Ausnahme geworden.

Bei näherer Betrachtung zeigt sich jedoch ein anderes Bild. Nur 46 % der Unternehmen geben an, KI sei fest in ihre Kernprozesse integriert oder für diese unverzichtbar. Die übrigen Unternehmen setzen KI in einzelnen Funktionen ein oder testen sie in einzelnen Anwendungsfällen, ohne dass sie im Kerngeschäft verankert ist. Die Einführungsquote sagt damit aus, wie viele Unternehmen begonnen haben, nicht, wie weit sie tatsächlich gekommen sind.

Die Unternehmen selbst benennen diesen Unterschied klar. 82,5 % stimmen zu, dass der Wert von KI erkennbar ist, aber noch nicht vollständig realisiert wurde. Diese Einschätzung stammt nicht von externen Analysten, sondern von den Unternehmen, die KI bereits einsetzen, um ihr Geschäft zu führen.

Die Ambitionen bei der Einführung waren hoch. Auf die Frage nach den Gründen für den KI-Einsatz nannten 83 % die Chance, schneller zu handeln, effizienter zu arbeiten und den Wettbewerb zu übertreffen. Nur 17 % handelten aus Sorge, den Anschluss zu verlieren. Die Einführung war damit überwiegend chancengetrieben, nicht angstgetrieben. Die Schwierigkeiten entstehen erst bei der Umsetzung.

Das zeigen auch einzelne Unternehmensbeispiele aus der Studie. Eine mittelständische britische Mode- und Bekleidungsmarke setzte KI zunächst nicht als Teil einer Strategie ein, sondern um eine akute Personallücke zu schließen.

„Wir mussten uns leider von einem unserer Accessoire-Designer trennen“, berichtet eine leitende Managerin. „Also haben wir KI im Grunde als ersten Entwurfsschritt genutzt.“

Die Tools wurden nie offiziell eingeführt, eine Schulung fand nicht statt.

„Ich habe mir das im Grunde selbst erarbeitet“, sagt sie. „Ich musste es allein herausfinden.“ Der Mehrwert in diesem Fall ist real, beruht aber auf Zufall und der Eigeninitiative einer einzelnen Person, nicht auf einer strukturierten Einführung.

Auch innerhalb eines einzelnen Unternehmens können die Ergebnisse stark auseinandergehen. Bei einem großen US-amerikanischen Bekleidungshersteller berichtet eine leitende Managerin, ein speziell entwickeltes Prognosetool habe das Unternehmen bei der Nachfrageplanung auf SKU-Ebene, über Tausende Produkte hinweg, deutlich besser aufgestellt. Der parallel eingesetzte allgemeine Vertriebsassistent liefert dagegen ein anderes Ergebnis.

„Die Umsetzung im Vertrieb hat, würde ich sagen, gemischte Ergebnisse gebracht“, so die Managerin. Nützlich sei das Tool für neue Mitarbeitende mit einfachen Fragen, deutlich weniger jedoch für alle, die sich in der Materie bereits auskennen.

Gleiches Unternehmen, gleiches Jahr, zwei unterschiedliche Ergebnisse. Der Unterschied lag nicht am Einsatz der Mitarbeitenden, sondern an der Passgenauigkeit des jeweiligen Tools.

Das heißt nicht, dass KI im Vertrieb und Marketing nichts bewirken kann. Der Geschäftsführer eines kleinen britischen Maschinenherstellers steigerte den Umsatz innerhalb eines Jahres um 23 %, während die Leads nur um 9 % zunahmen, und führt diese Differenz auf KI-gestützte Inhalte und eine bessere Conversion zurück.

Derselbe Geschäftsführer räumt jedoch offen ein, dass frühe Versuche danebengingen: Ein erster Chatbot auf der Website „war wahrscheinlich ein Paradebeispiel dafür, wie man Bots wirklich schlecht umsetzt“, gibt er zu, und habe „vermutlich Kunden verschreckt“. Rückblickend wünscht er sich, sein Unternehmen hätte früher angefangen, Optionen gründlicher geprüft und die eigene Skepsis schneller überwunden.

Zusammengefasst zeigt sich folgendes Bild: Die Einführung ist nahezu flächendeckend, und es gibt belegbaren Nutzen. Die Integration bleibt jedoch oberflächlich, der Nutzen stellt sich langsam ein, und ein großer Teil der bisherigen Erfolge entstand zufällig statt durch gezielte Planung.

Die befragten Unternehmen benennen ihre Lücken klar. Die im weiteren Verlauf dieses Berichts untersuchten Themen lassen sich auf konkrete frühere Entscheidungen zurückführen, die sich revidieren lassen.

82.5 % sagen, der Wert von KI sei klar, aber noch nicht vollständig realisiert.

KI-Integrationstiefe nach Branche

Welche der folgenden Aussagen beschreibt den Status Ihres Unternehmens in Bezug auf KI am besten?

Werte sind gerundet und ergeben je Branche nicht zwangsläufig 100 %.

Empfohlene Maßnahmen

Für Unternehmen, deren KI-Integration noch nicht über einzelne Anwendungsfälle hinausgeht, empfehlen sich folgende Schritte:

1. Erstellen Sie eine vollständige Übersicht aller aktuellen KI-Anwendungsfälle, geordnet nach Integrationsgrad, von Testphase bis geschäftskritisch.

2. Trennen Sie Einführung von Wert. Benennen Sie für jeden Anwendungsfall das konkrete Geschäftsergebnis, das er verändert hat, nicht nur die Aufgabe, die er ausführt.

3. Vergleichen Sie innerhalb Ihres Unternehmens, wo speziell entwickelte Tools bessere Ergebnisse liefern als allgemeine, und leiten Sie daraus Rückschlüsse für die Tool-Auswahl ab.

4. Dokumentieren Sie erfolgreiche Ad-hoc-Lösungen und die Mitarbeitenden, die sie eigenständig entwickelt haben, bevor dieses Wissen verloren geht.

5. Wählen Sie gezielt einzelne Anwendungsfälle aus, die Sie stärker integrieren wollen, und stellen Sie dafür ausreichend Ressourcen bereit, statt sie über viele Anwendungsfälle zu verteilen.

So entsteht aus einer Vielzahl von Experimenten eine kleine Zahl priorisierter Anwendungsfälle mit belegbarem Geschäftswert.

Kernbegriffe: Was ist vertikale KI?

Vertikale KI wird gezielt für eine einzelne Branche oder Funktion entwickelt und mit den Daten, Fachbegriffen und Compliance-Regeln trainiert, die für diesen Bereich gelten. Im Gegensatz zu allgemeinen, sogenannten „horizontalen“, Modellen, die ein bisschen von allem können sollen, konzentriert sich vertikale KI darauf, die Arbeit einer Branche wirklich gut zu erledigen. Genau dieser Fokus macht sie präziser, weniger anfällig für Halluzinationen und einfacher in die bestehende Softwarelandschaft eines Unternehmens einzubinden. Gebräuchliche Alternativbegriffe sind „branchenspezifische KI“, „speziell entwickelte KI“ und „spezialisierte KI“.

Kapitel 2: Das Problem des falschen Tools (Vertikale KI vs. allgemeine KI)

Die KI, für die sich die meisten Unternehmen zuerst entschieden, war nicht unbedingt die am besten geeignete, sondern die am leichtesten verfügbare.

Vertikale KI vs. allgemeine KI: Die wichtigsten Erkenntnisse

Die wichtigsten Ergebnisse im Überblick:

• Die meisten griffen zum am leichtesten verfügbaren Tool statt zum passenden. Heute sagen 77 %, allgemeine KI könne große, komplexe Betriebe nicht bewältigen.

• Die Nachfrage nach der Alternative ist nahezu einhellig: 88 % halten speziell entwickelte, branchenspezifische KI für entscheidend oder sehr wichtig, 99 % sagen, sie spiele zumindest eine gewisse Rolle.

• 40 % nutzen KI, die ihr Unternehmen nie offiziell genehmigt hat. Ein Hinweis darauf, dass die freigegebenen Tools ihren Zweck nicht erfüllen.

Die Lücke zwischen dem Versprechen und der tatsächlichen Leistung von KI lässt sich auf mehrere zusammenhängenden Ursachen zurückführen. Eine Entscheidung ist dabei besonders wichtig: welche Art von KI ein Unternehmen einführt. Sie bestimmt direkt, wie groß die übrigen Herausforderungen ausfallen.

In den vergangenen zwei Jahren griffen die meisten Unternehmen bei der Auswahl von KI zu den breit vermarkteten, leicht zugänglichen allgemeinen Plattformen, die ohnehin bereits im Einsatz waren. Diese Entscheidung fiel schnell, lange bevor die heutige Datenlage existierte.

Es zeigt sich: Nicht alles, was „verfügbar“ ist, ist auch „passend“.

Die Daten bestätigen das. Mehr als drei Viertel der Unternehmen (77 %) sagen, allgemeine KI-Tools reichten für die Anforderungen großer, komplexer Betriebe nicht aus. Die Präferenz für die Alternative ist nahezu einhellig: 88 % halten speziell entwickelte, branchenspezifische KI für entscheidend oder sehr wichtig, 99 % sagen, sie spiele zumindest eine gewisse Rolle. Das ist mehr als eine leichte Präferenz, sondern ein klarer Hinweis auf veränderte Kaufkriterien.

77 % sagen, allgemeine KI reiche für große, komplexe Betriebe nicht aus.

Die Gründe, warum Unternehmen speziell entwickelte Tools schätzen, bestätigen das. Der wichtigste Grund ist kein leistungsfähigerer Algorithmus, sondern die einfachere Integration in bereits bestehende Systeme wie ERP und Supply-Chain-Plattformen (genannt von 47 % derjenigen, für die branchenspezifische KI entscheidend oder sehr wichtig ist). Danach folgen relevantere und genauere Ergebnisse für die eigene Branche (42 %) sowie bessere strategische Beratung durch Anbieter, die die Branche verstehen (40 %). Mehr als ein Drittel (38 %) nennt direkt einen stärkeren ROI als bei allgemeinen Tools.²

Das Muster ist eindeutig: Passgenauigkeit schlägt reine Leistungsstärke.

Das Problem des falschen Tools zeigt sich am deutlichsten dort, wo ein allgemeiner Assistent an eine Grenze stößt, für die er nie gebaut wurde. Bei einem großen US-amerikanischen Sportbekleidungshersteller ist diese Grenze das eigene Kernsystem des Unternehmens.

„Wir arbeiten weiterhin daran, Echtzeitdaten aus unserem ERP in unsere ChatGPT-Instanz einzuspeisen, damit der Agent Fragen beantworten kann, für die man sich normalerweise ins System einloggen müsste“, erklärt die dortige leitende Managerin. Solange diese Verbindung fehlt, kann das Tool immer nur die halbe Frage beantworten.

Manche Unternehmen steuern bereits gegen. Ein mittelständischer US-Hersteller nutzt ChatGPT und Copilot für generative Aufgaben, in denen diese Tools stark sind, etwa das Verfassen von E-Mails oder das Zusammenfassen von Verträgen. Für die Arbeit, die das Kerngeschäft ausmacht, ist das Unternehmen jedoch einen anderen Weg gegangen.

Der Supply-Chain-Leiter des Unternehmens berichtet, man habe einen Spezialanbieter hinzugezogen, mit dem das Team „von rund 50 oder 60 Agenten“ Schritt für Schritt auf die passende Lösung eingegrenzt habe. Am Ende stand ein maßgeschneiderter Agent für die Bedarfsplanung, weil die Standardassistenten mit der Komplexität nicht zurechtkamen.

Manchmal zeigt sich dieser Unterschied innerhalb eines einzelnen Unternehmens. Ein US-amerikanisches Fertigungsunternehmen nutzt KI erfolgreich im Kundenbeziehungsmanagement, wo sie Feedback zusammenfasst und Stimmungen über verschiedene Märkte hinweg analysiert. In der Bedarfsplanung gelingt das demselben Unternehmen jedoch nicht.

„Wir schaffen es nicht, KI in komplexen Umgebungen mit vielen Variablen und vielen Produktlinien einzusetzen“, so das Unternehmen. „Dort erhalten wir keine verlässlichen Ergebnisse.“

Einfache, sich wiederholende Aufgaben erledigen allgemeine Tools gut. Komplexe, branchenspezifische Aufgaben nicht.

Rund 40 % der Befragten geben an, KI-Tools eigenständig zu nutzen, ohne formelle Freigabe ihres Unternehmens, bekannt als „Schatten-KI“. Dieser Wert bleibt über alle Hierarchieebenen hinweg fast konstant: Führungskräfte auf C-Level tun dies genauso oft wie das mittlere und untere Management.

Das ist auch ein Governance-Thema, dazu mehr in Kapitel 5. Für die Tool-Wahl zeigt es vor allem eines: Wenn die freigegebenen Tools ihren Zweck nicht erfüllen, nutzen Mitarbeitende eigenständig andere. Schatten-KI ist damit nicht nur ein Compliance-Thema, sondern ein Indikator dafür, dass die offiziellen Tools die Bedürfnisse der Mitarbeitenden nicht erfüllen.

Um ein neues KI-Tool offiziell einzuführen und zu genehmigen, müssen Unternehmen die nötige Investition rechtfertigen können. Auf die Frage, welche Faktoren am stärksten darüber entscheiden, ob Budget für KI-Initiativen gesichert wird, nannten die Befragten einen klaren Business Case mit quantifiziertem ROI (57 %), die Übereinstimmung mit strategischen Zielen (52 %) und eine einfache, schnelle Umsetzung (49 %). Schatten-KI verbreitet sich so schnell, weil sie genau diese Kriterien umgeht.

Das „Problem des falschen Tools“ ist damit kein Beleg für schlechte Technologie. Allgemeine Tools funktionieren oft gut, für die Aufgaben, für die sie gebaut wurden. Schwierig wird es, sobald man von ihnen verlangt, innerhalb der Systeme, Daten und Komplexität einer bestimmten Branche zu arbeiten.

Warum Unternehmen speziell entwickelte KI schätzen

Was sind die Hauptgründe, warum Ihr Unternehmen KI-Lösungen schätzt, die speziell für Ihre Branche entwickelt wurden?

Anteil der Befragten, die den jeweiligen Grund gewählt haben. Mehrfachnennungen waren möglich, die Werte ergeben nicht 100 %.

Die einflussreichsten Faktoren zur Sicherung eines KI-Budgets

Anteil der Befragten, die den Faktor priorisieren. Mehrfachnennungen waren möglich, die Werte ergeben nicht 100 %.

Schatten-KI-Nutzung nach Land

Anteil der Befragten, die KI-Tools ohne formelle Genehmigung ihres Unternehmens nutzen.

Kernbegriffe: Was ist Schatten-KI?

Schatten-KI bezeichnet KI-Tools, die Mitarbeitende eigenständig einführen und nutzen, ohne Freigabe, Sicherheitsprüfung oder Wissen ihres Unternehmens. Die meisten greifen darauf zurück, wenn freigegebene Optionen fehlen oder zu langsam oder zu eingeschränkt sind. Weil diese Tools außerhalb jeder Governance-Struktur laufen, entziehen sich die eingespeisten Daten und die erzeugten Ergebnisse jeder Kontrolle. Die Risiken reichen von der Preisgabe geistigen Eigentums über Compliance-Verstöße bis hin zu strategischen Entscheidungen auf Basis ungeprüfter KI-Ergebnisse. Gebräuchliche Alternativbegriffe sind „nicht genehmigte KI“, „unautorisierte KI“ und „Rogue AI“.

Empfohlene Maßnahmen

Checkliste für die Tool-Auswahl nach Passgenauigkeit:

1. Definieren Sie das zu lösende Problem, bevor Sie eine Demo vereinbaren.

2. Klären Sie zuerst die Integrationsfrage. Erreicht das Tool Ihr ERP und Ihre operativen Systeme, oder beantwortet es immer nur die halbe Frage?

3. Gewichten Sie Passgenauigkeit stärker als reine Leistungsstärke. Ein Modell, das Ihre Domäne versteht, schlägt ein leistungsstärkeres Modell, das das nicht tut.

4. Werten Sie die Nutzung von Schatten-KI als Signal für einen ungedeckten Bedarf, der eine offizielle Lösung verdient.

5. Prüfen Sie die Branchenkompetenz des Anbieters. Bringt er von Tag eins an relevanten Kontext mit, oder muss er Ihr Geschäft erst noch kennenlernen?

Passgenauigkeit ist zu Beginn am günstigsten sicherzustellen und im Nachhinein am teuersten nachzurüsten. 

Kapitel 3: Die Infrastrukturlücke (Herausforderungen bei der KI-Implementierung)

Selbst das richtige Tool scheitert an einem schwachen Fundament. Bei vielen Unternehmen bremsen auch die Daten und Systeme darunter den Wert von KI.

Herausforderungen bei der KI-Implementierung: Die wichtigsten Erkenntnisse

Die wichtigsten Ergebnisse im Überblick:

• Daten sind die erste Hürde. 81 % nennen die Datenqualität oder den Datenzugriff als größtes Hindernis für erfolgreiche KI, noch vor Talent, Budget oder Skepsis.

• Die Systeme sind die zweite Hürde. 82 % sagen, KI in ihre Kernplattformen zu integrieren, sei eine größere Herausforderung als die KI selbst.

• Und beides verstärkt sich gegenseitig: 86 % stimmen zu, dass KI ohne eine Modernisierung dieser Systeme keinen vollen Mehrwert liefert.

Das richtige Tool ist eine notwendige, aber keine hinreichende Bedingung für den Erfolg von KI-Projekten. Auch ein speziell entwickeltes System kann nur mit den Daten arbeiten, die es erreicht, und den Systemen, mit denen es verbunden ist. Für viele Unternehmen liegt genau hier die Schwachstelle: Etwas mehr als 80 % der Befragten nennen die Datenqualität oder den Datenzugriff als größtes Hindernis für eine erfolgreiche KI-Einführung.

Das Prinzip ist nicht neu, gilt aber weiterhin: Schlechte Eingaben erzeugen schlechte Ergebnisse, unabhängig davon, wie ausgefeilt das Modell ist. Was KI verändert, ist die Geschwindigkeit. Ein System, das auf fehlerhaften Nachfragedaten läuft, produziert nicht eine falsche Prognose, sondern automatisch Hunderte, bevor jemand eingreifen kann. Die Folgen: überhöhte Bestellungen, verpasste Liefertermine und freigegebene Ausgaben, die es nie hätte geben dürfen. Das ist der operative Preis einer wackeligen Datengrundlage.

Auch die Systeme, in denen diese Daten liegen, sind Teil des Problems. 82 % sagen, KI in ihre Kernsysteme zu integrieren, sei eine größere Herausforderung als die KI selbst. Und die Schlussfolgerung daraus ist nahezu einhellig: 86 % stimmen zu, dass KI ohne eine Modernisierung der umliegenden Systeme wahrscheinlich nicht ihren vollen Wert entfaltet. Das ist inzwischen eine breit geteilte Einschätzung im Markt, kein Randthema einer vorsichtigen Minderheit.

82 % sagen, KI in Kernsysteme zu integrieren, sei eine größere Herausforderung als die KI selbst.

Eine lange aufgeschobene Schwachstelle wird zum größten Hindernis zwischen einem Unternehmen und dem versprochenen Mehrwert

Wie das konkret aussieht, zeigt ein gescheitertes Pilotprojekt bei einem großen US-amerikanischen Lebensmittel- und Getränkehersteller. Das Team wollte einen KI-gestützten Promotion-Planer entwickeln: ein Modell, das jahrelange Daten zu Aktionen, Preisen und Händlerbeständen auswertet und daraus ableitet, welche Promotion wann und zu welchem Preis laufen soll.

Am eigenen Datenbestand scheiterte das Vorhaben.

„Wir haben zu viel auf die Daten gesetzt, die wir hatten“, räumt eine leitende Managerin ein. Die historischen Daten lagen in einem Alt-ERP mit „sehr individuellen, komplexen Tabellen“, verteilten sich zugleich fragmentiert über mehrere Systeme im Hintergrund und ließen sich dadurch nie vollständig verlässlich zusammenführen.

„Es ist sofort gescheitert.“

Ihre Lehre daraus war unmissverständlich: erst die Daten harmonisieren, dann mit KI experimentieren.

Ein gegenteiliger Fall belegt denselben Punkt aus der anderen Richtung. Ein US-amerikanisches Lebensmittel- und Getränkeunternehmen hat einen Anomalie-Erkenner für Bestellungen entwickelt, der erkennt, wenn die Bestellung eines Restaurants nicht stimmt, bevor der Lkw das Lager verlässt. Das Tool funktioniert, und eine Führungskraft dort weiß auch genau, warum

„Der Prozess ist sehr klar definiert“, sagt sie. „Alle Daten sind sehr gut definiert. Unsere Produktdaten sind verlässlich.“

Später bringt sie es auf einen Nenner: „KI braucht zwei Dinge, einen sehr klar definierten Prozess und gute Daten.“

Was diese Hürde so hartnäckig macht: Selbst Unternehmen, die mit KI erfolgreich sind, stoßen immer wieder darauf. Die leitende Managerin des großen US-Bekleidungsherstellers, deren speziell entwickeltes Prognosetool bereits gut funktioniert, nennt Integration weiterhin als das eine, was sie ändern würde.

„Ein klarerer Blick auf die Anforderungen an die Systemintegration“, überlegt sie, „und gezieltere Bemühungen, diese Verbindungen früher herzustellen, hätten uns schneller vorangebracht.“

Die unbequeme Wahrheit über die Infrastrukturlücke: Sie belohnt Arbeit, die niemand spannend findet. Daten bereinigen, Systeme verbinden und Prozesse klar definieren macht keine Schlagzeilen. Genau das trennt aber die Pilotprojekte, die skalieren, von jenen, die wieder verschwinden.

Die Unternehmen, die verlässlich Nutzen aus KI ziehen, haben nicht nur die besseren Tools gewählt. Sie haben auch in die Grundlagen investiert, auf denen diese Werkzeuge erst funktionieren können.

Was bremst den Wert von KI?

Anteil der Befragten, die der jeweiligen Aussage zustimmen. Mehrfachnennungen waren möglich.

Empfohlene Maßnahmen

Prüfen Sie folgende Punkte, bevor Sie die Ursache bei der KI selbst suchen:

1. Prüfen Sie Ihre Daten, bevor Sie den Anwendungsfall festlegen. Sind die Eingaben fragmentiert oder unzuverlässig, erspart Ihnen kein Modell die Bereinigungsarbeit.

2. Klären Sie den Integrationspfad frühzeitig. Wissen Sie, welche Systeme die KI erreichen muss und was es braucht, um sie anzubinden, bevor Sie sich festlegen.

3. Wählen Sie Anwendungsfälle mit bereits klar definiertem Prozess. KI liefert bessere Ergebnisse, wenn der Ablauf eindeutig ist, und schwächere, wenn er es nicht ist.

4. Schaffen Sie zuerst das Fundament, dann skalieren Sie. Erfolgreiche Unternehmen haben zuerst ihre Daten und Systeme in Ordnung gebracht und erst danach ausgerollt, nicht umgekehrt.

5. Betrachten Sie speziell entwickelte Tools als Vorsprung bei diesen Hürden. Sie sind bereits auf die Systeme Ihrer Branche zugeschnitten, weshalb Integration ihr größter Vorteil ist.

Diese Grundlagenarbeit unterscheidet Pilotprojekte, die skalieren, von jenen, die wieder verschwinden.

Kapitel 4: Die Messlücke (Messung des KI-ROI)

Unternehmen glauben, dass KI einen Mehrwert bietet. Das zu beweisen, ist eine andere Sache.

Messung des KI-ROI: Die wichtigsten Erkenntnisse

Die wichtigsten Ergebnisse im Überblick:

• 82.5 % sagen, der Wert von KI sei klar, aber noch nicht vollständig realisiert. Die Erwartungen liegen also weiterhin vor den Ergebnissen.

• Die derzeit am meisten priorisierten Kennzahlen bleiben eher allgemein: an erster Stelle die operative Effizienz (43 %), gefolgt von Kosteneinsparungen (36 %) und Entscheidungsqualität (34 %).

• Ein Rahmen für eine belastbarere ROI-Betrachtung fehlt vielerorts. 92 % sagen, externe Expertise oder Unterstützung würde ihnen helfen mehr aus KI herauszuholen. Das zeigt: Die Disziplin, Wert nachzuweisen, fehlt intern.

• Bleibt es der Improvisation überlassen, orientiert sich die Messung am Einfachsten, was sich zählen lässt, und das ist selten das, was wirklich zählt.

Die Wahl des falschen Tools verstärkt zudem ein Problem, das in einem der auffälligsten Ergebnisse dieser Studie sichtbar wird: Mehr als vier von fünf Unternehmen sagen, der Wert von KI sei klar erkennbar, aber noch nicht vollständig realisiert. Mit anderen Worten: Sie glauben daran, können es aber noch nicht belegen.

Diese Lücke zwischen Überzeugung und Beweis ist die „Messlücke“. Eine Mischung aus allgemeinen Systemen und spezialisierten Betriebsabläufen vergrößert sie noch, und genau deshalb fühlen sich so viele KI-Programme erfolgreich an, lassen sich zahlenmäßig aber kaum verteidigen.

Es ist nicht so, dass Unternehmen gar keine Verbesserungen messen könnten. Fast alle verfolgen irgendeine Kennzahl, und welche das ist, verrät viel darüber, was ihnen wichtig ist. An erster Stelle steht die operative Effizienz (von 43 % unter den Top drei genannt), gefolgt von Kosteneinsparungen (36 %) und der Qualität von Entscheidungen (34 %) als entscheidend für Erfolg oder Misserfolg ihrer KI-Initiativen. Die Absicht ist klar, und die Dashboards existieren. Was fehlt, ist ein Rahmen, der diese verstreuten Kennzahlen zu einem stichhaltigen Business Case verdichtet, mit der Genauigkeit, die es einer Führungskraft erlaubt, zu sagen: Die Investition hat sich gelohnt, und zwar in dieser Höhe.

Eine weitere aufschlussreiche Zahl: 92 % sagen, externe Expertise oder Unterstützung würde ihnen helfen, mehr aus KI herauszuholen. Das deutet darauf hin, dass die Fähigkeit, ein Messsystem aufzubauen und zu interpretieren, in den meisten Unternehmen schlicht fehlt. Budget wurde gesichert, Projekte wurden ausgerollt, doch die Disziplin, den Return tatsächlich nachzuweisen, bekam nie dieselbe Ernsthaftigkeit wie der ursprüngliche Business Case.

92 % sagen, externe Expertise oder Unterstützung würde ihnen helfen, mehr aus KI herauszuholen.

Bleibt es der Improvisation überlassen, orientiert sich die Messung am einfachsten, was sich zählen lässt. Für die leitende Managerin des großen US-Sportbekleidungsherstellers ist das die Mitarbeiterzahl. Investitionen werden genehmigt, wenn sie eine Neueinstellung vermeiden, und stocken, wenn das nicht der Fall ist, selbst wenn der eigentliche Prozesswert real ist.

Entsteht ein Vorteil dadurch, „Prozesse zu straffen, aber ohne damit verbundenen Stellenabbau“, so ihre Erklärung, kann das Finanzteam „die Investition nur schwer mit Einsparungen oder Umsatzwachstum in Verbindung bringen“, und der Vorschlag tut sich schwer. Die einfache Kennzahl verdrängt die eigentlich aussagekräftige.

Manchmal ist der Wert real, zeigt sich aber nicht dort, wo klassische ROI-Betrachtungen danach suchen. Bei einem großen US-Hersteller verdrängte KI teure externe Berater, doch die Einsparungen erreichten nie die Bilanz.

„Im Moment würde ich nicht sagen, dass wir unbedingt viel Geld sparen. Es war eher eine Umverteilung“, so eine dortige Führungskraft. Die freigewordenen Mittel flossen direkt wieder in GPUs und Infrastruktur.

„Wir geben vermutlich denselben Betrag aus, bekommen aber deutlich mehr dafür.“

In einer klassischen Amortisationsrechnung zeigt dieses Programm keinen Vorteil. In der Praxis leistet es das Fünf- bis Zehnfache der Arbeit, aber weil es keinen Rahmen gibt, um das sichtbar zu machen, fehlt der harte Beweis dafür.

Anders bei einem mittelständischen US-Distributor, der Messung von Anfang an mitgedacht hat. Ein bereichsübergreifendes Gremium aus Innovation, IT, Betrieb, Finanzen und der Geschäftsführung prüft dort jede KI-Investition, und das Unternehmen hält sich an eine einzige, klare, branchenspezifische Zahl: Sendungen pro Mitarbeiter.

So bleibt das Ergebnis eindeutig. Das Tool des Unternehmens für die Erfassung von Frachtbriefen und Zollformularen erreicht eine Genauigkeit von über 98 %, und die Sendungen pro Mitarbeiter haben sich annähernd verdoppelt. Diese Zahlen funktionieren in einer Amortisationsrechnung, weil sie einen großen Teil dessen ausmachen, was Erfolg in der Logistikbranche bedeutet. Sendungen pro Kopf ist eine der wichtigsten Kennzahlen dieser Branche, und weil das Tool Frachtdokumente und Zollprozesse von vornherein versteht, kann es tatsächlich dazu beitragen, diese Zahl zu verbessern.

Der Vorteil speziell entwickelter KI reicht also über die reine Leistung hinaus. Sie macht diese Leistung leichter nachweisbar, weil sie um genau die Kennzahlen herum gebaut ist, die das Geschäft definieren.

Die Messlücke verstärkt die zuvor beschriebenen Hürden noch. Fragmentierte Daten erschweren saubere Messungen, und ein allgemeines Tool liefert wenig, das sich auf die Kennzahlen der eigenen Branche übertragen lässt.

Unternehmen, die aus dieser Falle herausfinden, gehen meist ähnlich vor wie der Distributor aus dem Beispiel: Sie legen vorab fest, welches einzelne Ergebnis den Erfolg belegen soll, und wählen Tools, die nah genug am Betrieb sind, um dieses Ergebnis auch tatsächlich zu bewegen. Am Ende geht es beim Nachweis weniger darum, härter zu messen, als darum, bewusst zu entscheiden, was und womit gemessen wird.

Die wichtigsten Erfolgskennzahlen für KI-Initiativen

Anteil der Befragten, für die die jeweilige Kennzahl über Erfolg oder Misserfolg von KI-Projekten entscheidet. Bis zu drei Nennungen waren möglich, die Werte ergeben nicht 100 %.

Empfohlene Maßnahmen

Machen Sie den Wert von KI nachweisbar, indem Sie die Messmethodik von Anfang an mitdenken:

1. Legen Sie vor dem Bau fest, wie Erfolg gemessen wird. Benennen Sie das eine Ergebnis, das die Investition rechtfertigen würde, wenn Sie es erreichen.

2. Wählen Sie Kennzahlen, die für Ihr Geschäft wirklich zählen, nicht nur die, die sich leicht zusammenzählen lassen. Eingesparte Arbeitszeit bildet selten den vollständigen Nutzen ab.

3. Legen Sie einen Zeitpunkt für den ROI fest. Die erfolgreichsten Programme setzen von vornherein ein Amortisationsfenster und messen den Projekterfolg dagegen.

4. Achten Sie auf Wert, der sich versteckt. Ersparnisse, die andernorts reinvestiert werden, oder frei gewordene Kapazität für Wachstum tauchen in keiner einfachen Kostenzeile auf.

5. Bevorzugen Sie Tools, die die KPIs Ihrer Branche nativ abbilden. Wenn die entscheidende Kennzahl bereits im Tool eingebaut ist, wird der Nachweis deutlich einfacher.

Ohne einen solchen Rahmen bleiben selbst echte Erfolge unsichtbar, und unsichtbare Erfolge werden kein zweites Mal finanziert.

Kapitel 5: Die Grenze der Autonomie (Governance bei agentischer KI)

Bis hierhin hat das falsche Tool vor allem Geld gekostet. Jetzt beginnt es, Kontrolle zu kosten.

Governance bei agentischer KI: Die wichtigsten Erkenntnisse

Die wichtigsten Ergebnisse im Überblick:

• 88 % lassen KI bereits zumindest einige Entscheidungen ohne menschliche Freigabe treffen, von der Prognose bis zu kundenorientierten Entscheidungen.

• Die Leitplanken hinken hinterher: 96 % halten einen formalen Governance-Rahmen für notwendig, doch 36 % haben noch keinen aufgebaut, und 75 % nennen dessen Fehlen eine wesentliche Hürde.

• Sobald der Mensch aussteigt, ändert sich der Einsatz. Fehler eines allgemeinen Tools wurden früher bei der Prüfung abgefangen. Läuft es unbeaufsichtigt in regulierten Branchen, können Fehler Bußgelder oder Sanktionen bedeuten.

Während Unternehmen noch darüber diskutierten, ob sich KI überhaupt lohnt, begannen viele bereits, ihr eigenständige Entscheidungen anzuvertrauen. Über alle Unternehmen dieser Studie hinweg erlauben 88 % KI bereits, in mindestens einem Bereich autonom zu entscheiden, ganz ohne Menschen in der Schleife. Prognose und Planung ist der Bereich, in dem KI am häufigsten automatisiert entscheidet: 49 % der Unternehmen räumen KI hier Autonomie ein. Kundenorientierte Entscheidungen automatisieren 48 % der Befragten, und selbst strategische Entscheidungen wie Lieferantenauswahl oder Kapazitätsplanung überlassen 42 % der KI.

Diese Entwicklung liegt nicht in der Zukunft. Die meisten Unternehmen haben diesen Punkt längst erreicht.

Und was passiert, wenn ein Tool von der Stange gewählt wird und sich dann mit komplexen, branchenspezifischen Zahlen und Prozessen auseinandersetzen muss? Schlecht passende Tools haben bereits schwächere Ergebnisse, unsicherere Daten und nicht belegbare Renditen geliefert. Nimmt man den menschlichen Prüfer aus dem Prozess, werden die Folgen deutlich gravierender.

Denn meistens ist jemand da, der die Fehler eines allgemeinen Tools erkennt und korrigiert. Kann dieses Tool aber eigenständig handeln, und tut es das ohne vollständigen Kontext oder Fachwissen, reicht die Bandbreite möglicher Folgen vom kleinen Ausrutscher bis zur unternehmensweiten Krise.

Was ein Fehler kostet, hängt natürlich von der Entscheidung ab. Der mittelständische US-Distributor nutzt KI, um Zoll- und Behördenformulare auszufüllen, und die dortige Führungskraft benennt die Risiken klar. Ein Fehler dort könne „durchaus empfindliche Strafen“ nach sich ziehen, so ihre Einschätzung, und im schlimmsten Fall dazu führen, dass „verbotene oder in einem Land nicht zugelassene Waren durchgehen, oder eine Lieferung in ein sanktioniertes Land geht“.

Die Kosten eines solchen Fehlers werden in Bußgeldern, beschlagnahmter Ware und regulatorischen Konsequenzen gemessen, nicht nur in unterdurchschnittlichen KPIs auf einem Dashboard.

Und wenn tatsächlich etwas schiefgeht: Wer trägt dann die Verantwortung? Die meisten Unternehmen haben das noch nicht geklärt. Auf die Frage, wer zur Verantwortung gezogen würde, wenn ein autonomer Agent die falsche Bestellung auslöst, antwortete der Supply-Chain-Leiter eines mittelständischen US-Herstellers ehrlich und zugleich beunruhigend: „In meiner Vorstellung wäre das die KI, weil dort einfach kein Mensch war.“

36 % haben das KI-Governance-Framework, das sie selbst für unverzichtbar halten, noch nicht aufgebaut.

Sein Unternehmen hatte die Kriterien für den autonomen KI-Einsatz bis hinauf zum CFO abgesegnet und akzeptiert, dass Fehler passieren würden, aber nie geklärt, wo die Verantwortung dafür tatsächlich liegt. Diese Frage bleibt an den meisten Stellen offen.

Genau hier sollte Governance ansetzen, und die Daten zeigen: Meistens tut sie das nicht. Drei Viertel der Unternehmen nennen das Fehlen von Governance eine wesentliche Hürde für erfolgreiche KI, und trotzdem hat mehr als ein Drittel (36 %) keinen formalen Rahmen dafür aufgebaut.

Gleichzeitig erkennen 96 % an, dass Governance notwendig ist. Es fehlt also nicht am Wissen, sondern an der Umsetzung.

Die Ursache ist hier wichtig zu benennen: Diese Lücke ist ein Disziplinproblem. Das falsche Tool erzeugt sie nicht, erhöht aber ihren Preis. Unkontrollierte Autonomie ist bei jedem Tool riskant, doch bei einem Tool, das die eigene Domäne und die eigenen Prozesse nicht wirklich versteht, steigt das Risiko erheblich.

Wie schaffen es also die Unternehmen, die Autonomie verantwortungsvoll ausweiten? Sie bauen dieses Vertrauen erst nach einer nachgewiesenen Phase nahezu fehlerfreier Leistung auf. Führungskräfte zweier unabhängiger Logistikunternehmen kamen, ohne sich abzustimmen, fast auf dieselbe Regel: nahezu fehlerfreie Leistung über einen längeren Zeitraum, bevor sie mehr Unabhängigkeit gewähren. Eine Führungskraft eines großen US-amerikanischen Transport- und Logistikunternehmens will eine Genauigkeit von „99 Prozent plus“ sehen, gehalten „über einen gewissen Zeitraum“, irgendwo zwischen sechs Monaten und einem Jahr, bevor sie mehr Automatisierung zulässt. Der mittelständische Distributor lässt sein Dokumententool nur mit minimaler Aufsicht laufen, weil es bei den relevanten Formularen 98 % Genauigkeit erreicht.

Bemerkenswert, was dieser Maßstab verlangt: 98 oder 99 % Genauigkeit bei der Arbeit einer komplexen, regulierten Branche ist genau das, woran allgemeine Tools scheitern. Es ist dasselbe Problem des falschen Tools, das dieser Bericht bereits beschrieben hat. Ein Tool muss zur Domäne passen und den geschäftlichen Kontext verstehen, bevor man ihm zutrauen kann, eigenständig zu handeln.

Die am weitesten fortgeschrittenen Unternehmen bauen dieses Vertrauen ganz bewusst auf. Der große US-Hersteller lässt kein Modell seine eigene Arbeit kontrollieren, „man lässt nicht dieselbe KI ihre eigene Arbeit prüfen, das ist keine gute Idee“, so eine Führungskraft dort, weshalb jedes autonome Ergebnis durch eine separate Prüf-KI läuft.

Die leitende Managerin der mittelständischen britischen Mode- und Bekleidungsmarke zieht die Grenze bei Marken- und Kreativentscheidungen, denn „dabei geht es nicht nur um Zahlen, sondern um Emotionen, die das Produkt am Ende verkaufen“.

Unterschiedliche Branchen, aber dieselbe Faustregel: Autonomie nur dort gewähren, wo das Tool die Arbeit wirklich versteht und dafür gut geeignet ist.

Die bisherige Untersuchung dieser Grenze führt zu einer wichtigen Erkenntnis: Autonomie steht ganz oben in einer Rangfolge und ruht auf jeder darunterliegenden Ebene, dem richtigen Tool, verlässlichen Daten und ehrlicher Messung. Stimmen diese Grundlagen, kann ein Unternehmen KI schrittweise mehr Verantwortung übertragen, so wie es die Ergebnisse rechtfertigen. Stimmen sie nicht, sind Rückschläge wahrscheinlich.

Wo KI autonom handeln darf

Anteil der Befragten, deren Unternehmen KI im jeweiligen Bereich autonom handeln lässt. Mehrfachnennungen waren möglich, die Werte ergeben nicht 100 %.

Empfohlene Maßnahmen 

Behandeln Sie Autonomie als etwas, das sich ein Tool verdienen muss, nicht als Standard. Ein gestufter Ansatz:

1. Klären Sie, wer verantwortlich ist, bevor Sie die Entscheidung übergeben, nicht erst, wenn etwas schiefgelaufen ist. Lautet die ehrliche Antwort „die KI“, sind Sie noch nicht so weit.

2. Legen Sie eine Genauigkeitsschwelle fest, die über einen bestimmten Zeitraum gehalten werden muss. Unternehmen, denen das gut gelingt, verlangen monatelange, nahezu fehlerfreie Leistung, bevor sie mehr Vertrauen gewähren.

3. Lassen Sie kein System seine eigene Arbeit prüfen. Leiten Sie autonome Ergebnisse durch eine unabhängige Prüfung, ob durch einen Menschen oder ein separates Modell.

4. Passen Sie den Spielraum an das Risiko an. Reservieren Sie die größte Autonomie für risikoarme, wiederkehrende Entscheidungen, und behalten Sie folgenschwere Entscheidungen in menschlicher Hand.

5. Ziehen Sie klare Grenzen dort, wo der Mensch entscheiden muss. Marke, Ethik und jede Entscheidung, bei der ein Fehler verheerend wäre, gehören nicht auf Autopilot.

Und zuletzt: Passgenauigkeit bleibt Voraussetzung. Wirksame Autonomie bedeutet, ein Tool einzusetzen, das die Arbeit, die es übernimmt, wirklich versteht.

Kapitel 6: Der Vorteil vertikaler KI 

Jede Hürde in diesem Bericht führt auf eine einzige Entscheidung zurück. Hier zeigt sich, was es wert war, sie richtig zu treffen.

Der Vorteil vertikaler KI:Die wichtigsten Erkenntnisse 

Die wichtigsten Ergebnisse im Überblick:

• Sie haben sich dafür entschieden, branchenspezifische KI mit den bereits vorhandenen allgemeinen Tools zu kombinieren, und das zeigt sich in den Zahlen. Über acht operative KPIs hinweg liegen Unternehmen, die beide Formen einsetzen, in allen acht Bereichen vor jenen, die ausschließlich allgemeine Tools nutzen.

• Die klarsten, statistisch signifikanten Unterschiede zeigen sich bei einem besseren Net Promoter Score (70,6 % gegenüber 56,8 %), einer stärkeren Kundenbindung (78,4 % gegenüber 71,2 %) und genaueren Prognosen (84,4 % gegenüber 76,5 %).

• Passgenauigkeit ist die vorgelagerte Entscheidung. Das richtige Tool macht Integration kürzer, Messung klarer und Autonomie sicherer. Mit anderen Worten: Es macht alle übrigen Hürden leichter zu überwinden.

• Der Druck ist real: 87 % befürchten ohne erfolgreiche KI-Einführung ins Hintertreffen zu geraten. Die Antwort darauf ist aber nicht mehr KI, sondern die richtige KI.

Bis hierhin hat dieser Bericht zahlreiche Hindernisse für eine erfolgreiche KI-Einführung im Unternehmen untersucht: oberflächliche Integration, das falsche Tool, eine schwache Datengrundlage, nicht belegbare Renditen und Autonomie, die ihren eigenen Leitplanken davonläuft. Ihnen allen lag eine einzige, meist früh getroffene Entscheidung zugrunde: welche Art von KI ein Unternehmen einführt.

Die Unternehmen, die diese Hürden gemeistert haben, haben diese Entscheidung meist auf dieselbe Weise getroffen. Sie haben sich dafür entschieden, KI, die für ihre Branche entwickelt wurde, mit den bereits vorhandenen allgemeinen Tools zu kombinieren. Die Zahlen zeigen, wie deutlich sich das auszahlt.

Unternehmen, die branchenspezifische und allgemeine KI gemeinsam einsetzen, liegen in allen acht von der Studie gemessenen operativen Kennzahlen vor Unternehmen, die ausschließlich allgemeine KI nutzen.

Die Studie hat die Leistung in acht operativen Bereichen über das vergangene Jahr gemessen, anhand der Standardkennzahlen, die die Unternehmen der Befragten ohnehin bereits erfassen, statt Ergebnisse direkt der KI zuzuschreiben, und verglich anschließend Unternehmen, die branchenspezifische und allgemeine KI gemeinsam einsetzen, mit jenen, die sich ausschließlich auf allgemeine Tools verlassen.

Die Gruppe, die beides kombiniert, lag in allen acht Bereichen vorn. Die Abstände fielen unterschiedlich aus, mehrere davon waren jedoch deutlich.

Unternehmen, die branchenspezifische und allgemeine KI gemeinsam einsetzen, berichteten deutlich häufiger von einem steigenden Net Promoter Score (NPS): 70,6 % gegenüber 56,8 % bei Unternehmen mit ausschließlich allgemeinen Tools. Auch bei der Kundenbindung (78,4 % gegenüber 71,2 %) und der Prognosegenauigkeit (84,4 % gegenüber 76,5 %) schnitten die Unternehmen mit beiden Toolarten besser ab.

Das ist kein Rauschen in den Daten, das sind klare Signale. Und es überrascht kaum, dass die Lücke gerade bei diesen Kennzahlen am größten ist. Ein allgemeines Tool kann in jeder Branche eine E-Mail entwerfen oder einen Vertrag zusammenfassen. Um den NPS zu steigern, Kunden zu binden und präzise Prognosen zu erstellen, muss man die eigene Branche verstehen: die Produkte, die Zyklen, die typischen Fehlerquellen und deren Ursachen. Genau dieses Verständnis bringt ein speziell entwickeltes Tool mit, und genau daran wird ein allgemeines Tool auch langfristig scheitern.

Den deutlichsten Beleg liefert ein Unternehmen, das beide Varianten parallel betrieben hat. Der große US-Bekleidungshersteller aus Kapitel 1 setzte zwei KI-Lösungen nebeneinander ein: einen allgemeinen Vertriebsassistenten, der laut der leitenden Managerin „gemischte“ Ergebnisse lieferte, und eine speziell entwickelte Supply-Chain-Plattform, die das Unternehmen „deutlich besser aufgestellt“ hat.

Diese Plattform prognostiziert Kundennachfrage und Einkaufsbedarf bis auf SKU-Ebene, über Tausende Produkte hinweg, und teilt diese Prognosen anschließend mit vorgelagerten Lieferanten. Eine Aufgabe, die ein allgemeines Tool schlicht nicht leisten könnte. Die Passgenauigkeit war es, die hier über Erfolg oder Stillstand entschied.

Das heißt nicht, dass allgemeine Tools nutzlos sind. Sie haben Grenzen, und genau die Unternehmen, die speziell entwickelte KI dort ergänzt haben, wo diese Grenzen am meisten ins Gewicht fallen, setzen sich jetzt an die Spitze.

Manchmal lernen Unternehmen das schon in der Explorationsphase ihrer KI-Projekte. Der Supply-Chain-Leiter des mittelständischen US-Herstellers suchte ein Tool für die Beschaffung seines Unternehmens, das Gewirr aus Artikeln, Lieferanten, Preisstaffeln und Bestellmengen in einer einzigen Anfrage, und fand am Markt nichts, das diese Komplexität verstand. Also baut das Team die Lösung nun selbst.

Auch dieses Unternehmen kommt zum selben Ergebnis: Es hat gesucht, nichts Passendes gefunden und daraus geschlossen, dass sich das einzig geeignete Tool nur selbst bauen lässt. Bietet der Markt nichts Passendes, bauen ernsthafte Unternehmen es eben selbst.

Und das sind nicht nur einzelne Zufallserfolge für branchenspezifische KI. Sie ziehen sich durch den gesamten Bericht: der mittelständische Distributor, dessen Dokumententool die Sendungen pro Mitarbeitenden verdoppelt hat, weil es Zollformulare versteht. Der Lebensmittelhändler, dessen Anomalie-Erkenner eine fehlerhafte Restaurantbestellung erkennt, weil er weiß, wie Restaurants bestellen. In unterschiedlichen Branchen mit unterschiedlichen Herausforderungen schlägt KI, die für die jeweilige Arbeit entwickelt wurde, allgemeine Tools.

Wichtig dabei: Die Priorität auf vertikale Passgenauigkeit war nicht nur eine gute Einzelentscheidung. Sie war die Entscheidung, die Erfolg überhaupt erst möglich gemacht hat.

Ein Tool, das für die eigenen Systeme entwickelt wurde, verkürzt und vereinfacht genau die Integrationsarbeit, die die Infrastrukturlücke verlangt. Ein Tool, das auf den Kennzahlen der eigenen Branche aufbaut, macht Beweise nachvollziehbar, weil es von vornherein erfasst, was Erfolg im eigenen Unternehmen ausmacht. Und ein Tool, das die eigene Domäne versteht, kann die Messlatte für sichere Autonomie erreichen.

Das richtige Tool ersetzt keine guten Daten, keine ehrliche Messung und keine sorgfältige Governance. Es rückt jedes dieser drei Elemente in greifbare Nähe.

Deshalb zählt die richtige Entscheidung mehr als die Dringlichkeit. 87 % der Unternehmen glauben, ohne erfolgreiche KI-Einführung ins Hintertreffen zu geraten oder gar überflüssig zu werden. Der Druck, den sie spüren, ist berechtigt. Die Lösung ist aber nicht mehr KI, schnellere KI oder die KI, die sich am leichtesten einführen lässt.

Es ist die richtige KI: entwickelt für die eigene Branche, die eigenen Daten und die tatsächliche Arbeitsweise des Unternehmens. Das ist das Fazit dieser Studie. Unternehmen, die gut wählen, werden vorankommen. Die anderen werden sich fragen, warum KI nie ganz eingehalten hat, was sie versprach.

KPI-Verbesserungen: branchenspezifische und allgemeine KI im Vergleich zu ausschließlich allgemeiner KI 

Anteil der Befragten, die im vergangenen Jahr eine Verbesserung der jeweiligen Kennzahl melden, nach der Art der im Unternehmen genutzten KI. Kein Maß dafür, wie stark sich die Kennzahl verbessert hat, sondern nur, ob überhaupt eine Verbesserung eintrat. 

Signifikante Effizienzgewinne nach Land

Anteil der Befragten, die im vergangenen Jahr eine signifikante Verbesserung (über 10 %) der operativen Effizienz melden.

Empfohlene Maßnahmen 

Diese Erkenntnisse umzusetzen bedeutet, Passgenauigkeit zum Standard zu machen, nicht zur Notlösung:

1. Machen Sie „Ist das für unsere Branche entwickelt?“ zur ersten Frage jeder KI-Bewertung.

2. Priorisieren Sie die Anwendungsfälle, bei denen Passgenauigkeit am wichtigsten ist: alles, was kundenorientiert ist und bei dem Branchenverständnis über Gewinner und Verlierer entscheidet.

3. Orientieren Sie sich an Kennzahlen, die wirklich zählen, etwa Kundenbindung, NPS und Prognosegenauigkeit, statt an reinen Nutzungs- oder Aktivitätszahlen.

4. Gibt es kein passendes vertikales Tool, verstehen Sie das als Signal, nicht als Sackgasse. Mit den nötigen Ressourcen und dem nötigen Fachwissen können Sie eine eigene Lösung entwickeln oder mit externen KI-Experten zusammenarbeiten.

5. Richten Sie alles Weitere an dieser Entscheidung aus. Mit dem richtigen Tool wird die Arbeit an Daten, Messung und Governance deutlich einfacher zu planen.

Unterschiedliche Entscheidungen führen zu unterschiedlichen Ergebnissen. Die Wahl liegt weiterhin bei Ihnen. 

Fazit und Ausblick

Die Lücken, die dieser Bericht beschreibt, werden nicht von selbst verschwinden. Mit wachsender Autonomie und einem Vorsprung, den frühe Vorreiter weiter ausbauen, wird der Abstand zwischen den Unternehmen, die gut gewählt haben, und jenen, die ihre KI-Strategie nicht anpassen, größer. In den kommenden zwölf Monaten zählt Klarheit über die eigene KI-Strategie mehr als Geschwindigkeit.

Der nächste Schritt ist klar: Er beginnt mit einer schärferen Frage als „Setzen Sie KI ein?“ Die bessere Frage lautet: „Setzen Sie KI ein, die zu Ihrer tatsächlichen Arbeitsweise passt?“

Von dort aus folgt die eigentliche Sorgfaltspflicht: die Datengrundlage stärken, ein Messsystem aufbauen, das den Wert belegt, und Autonomie nur so weit ausweiten, wie Vertrauen tatsächlich verdient wurde. Perfektion verlangt das alles nicht, wohl aber eine bewusste Entscheidung, bei der Passgenauigkeit an erster Stelle steht und nicht als „nice to have“ irgendwo hinten einsortiert wird

Das Potenzial von KI stand nie infrage. Potenzial allein zahlt sich jedoch nicht aus. Wer daraus Ergebnisse erzielen will, sollte KI als eine Abfolge von Entscheidungen behandeln, angefangen bei der einen Entscheidung, auf die dieser Bericht immer wieder zurückkommt: der Wahl der richtigen KI für die eigene Branche. Diese Wahl steht weiterhin offen. Diese Bilanz macht es nur schwerer, sie weiter aufzuschieben.

Aptean Aptean ist ein globaler Anbieter branchenspezifischer Software, der Herstellern, Händlern und Distributoren hilft, ihr Geschäft erfolgreich zu führen und auszubauen. Die Lösungen und Services von Aptean unterstützen Unternehmen jeder Größe dabei, Ready for What's Next, Now® zu sein. Aptean hat seinen Hauptsitz in Alpharetta, Georgia, und Niederlassungen in Nordamerika, Europa und im asiatisch-pazifischen Raum. Mehr über Aptean und die von uns bedienten Märkte erfahren Sie unter www.aptean.com.

Vanson Bourne Vanson Bourne ist ein unabhängiges Marktforschungsunternehmen, spezialisiert auf den Technologiesektor. Der Ruf für fundierte, glaubwürdige, forschungsbasierte Analysen gründet auf strengen wissenschaftlichen Prinzipien und der Fähigkeit, die Einschätzungen leitender Entscheidungsträger aus technischen und geschäftlichen Funktionen über alle Branchen und wichtigen Märkte hinweg einzuholen. Weitere Informationen finden Sie unter www.vansonbourne.com.

^1. Singla, A., Sukharevsky, A., Hall, B., Yee, L., & Chui, M. (5. November 2025). The state of AI in 2025: Agents, innovation, and transformation. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

^2. Die Befragten konnten bis zu drei Antworten auswählen, die Prozentwerte ergeben daher nicht 100 %.