Warum KI-Investitionen ohne die richtigen Kompetenzen keine Rendite bringen

Ein Unternehmen kann in der Regel genau sagen, was seine KI-Lizenzen kosten. Deutlich weniger können sagen, welche Aufgaben schneller geworden sind, ob die Qualität gestiegen ist oder wie oft Mitarbeitende die Fehler des Modells korrigieren müssen. Die Diskussion über den Ertrag von KI beruht deshalb oft auf Eindrücken statt auf Belegen.

Das fehlende Glied ist nicht ein weiteres Werkzeug. Es ist das Wissen darüber, wie Mitarbeitende tatsächlich mit den Werkzeugen arbeiten, für die das Unternehmen bereits bezahlt.

95 %

der untersuchten Organisationen erzielen mit generativer KI keinen Ertrag, der in der Gewinn- und Verlustrechnung sichtbar wird.

Wie groß die Lücke zwischen Investition und Ertrag ist, zeigt eine Untersuchung der MIT-Initiative NANDA¹ aus dem Sommer 2025. Die Autoren führen das Ergebnis nicht auf die Modelle zurück, sondern darauf, wie Unternehmen die Werkzeuge einführen und im Alltag nutzen. Wie sich das in die übrige Datenlage einfügt, zeigen die KI-Kompetenz-Statistiken.

Warum bringen KI-Investitionen nicht automatisch Rendite?

Ein Teil der Erklärung liegt in der Reihenfolge der Entscheidungen. In der weltweiten CEO-Studie von IBM² räumt eine Mehrheit der Befragten ein, in neue Technologien zu investieren, bevor deren Nutzen klar ist, aus Sorge, den Anschluss zu verlieren. Nur ein kleiner Teil dieser Initiativen hat den erwarteten Ertrag gebracht.

Der zweite Teil liegt bei den Menschen, die die Werkzeuge täglich benutzen. Im Bitkom-Studienbericht 2026³ nennt gut die Hälfte der deutschen Unternehmen fehlendes Know-how als Hemmnis für den KI-Einsatz, und viele bieten keine Schulung an. In den meisten Business Cases fehlt trotzdem eine Zeile für die Frage, ob die Werkzeuge gut benutzt werden. Eine Lizenz schafft Zugang. Ob daraus Ertrag wird, entscheidet sich in der täglichen Arbeit.

Wie beeinflusst die KI-Kompetenz der Mitarbeitenden den ROI?

Zwei Feldstudien zeigen, wie stark die Anwendung über den Ertrag entscheidet. Beide untersuchten dieselbe Frage und kamen zu gegensätzlichen Ergebnissen. Der Unterschied lag nicht im Modell, sondern in der Aufgabe und in der Art, wie die Menschen damit arbeiteten.

+14 %

Produktivität im Durchschnitt, als Kundensupport-Mitarbeitende einen KI-Assistenten erhielten. Unerfahrene profitierten deutlich, erfahrene Kräfte kaum.

Die Autoren der zweiten Studie sprechen von einer zerklüfteten Grenze: Das Modell ist bei manchen Aufgaben stark und bei ähnlich wirkenden unzuverlässig, ohne dass man es dem Ergebnis ansieht. Diese Grenze zu erkennen ist KI-Kompetenz im praktischen Sinn: zu wissen, welche Angabe man nachprüft, welchen Text man nicht ungelesen übernimmt und wann man das Werkzeug besser weglässt. Ein Wissensquiz misst das nicht. Sichtbar wird es erst, wenn Mitarbeitende eine echte Aufgabe mit KI bearbeiten und man betrachtet, wie sie vorgehen.

Der Ertrag hängt weniger vom Modell ab als davon, ob Mitarbeitende erkennen, wann sie dem Werkzeug vertrauen können.

Wie misst man die Wirkung von KI?

Von der Investition zum Ergebnis

Die meisten Unternehmen kennen das linke und das rechte Ende dieser Kette. Die Kosten stehen in der Buchhaltung, die Kennzahlen im Controlling. Was fehlt, ist das Zwischenglied: die Anwendung. Ohne sie lässt sich eine Veränderung im Ergebnis nicht der Investition zuordnen, weder im Erfolg noch im Misserfolg.

Welche Daten muss das Unternehmen verfolgen?

Eine Kompetenzmessung allein belegt keinen finanziellen Ertrag. Sie liefert die eine Hälfte des Bildes. Die andere Hälfte hat jedes Unternehmen bereits, meist verteilt auf Controlling, Fachbereich und Systeme.

Was Proveo misst	Womit das Unternehmen es zusammenführt
Wie KI-Werkzeuge angewendet werden	Zeitaufwand
Qualitätssicherung der Ergebnisse	Fehler und Nacharbeit
Strategische Wahl des Werkzeugs	Produktions- oder Antwortzeit
Kompetenzentwicklung über die Zeit	Kosten und Output
Wiederkehrende Arbeitsmuster	Mögliche Automatisierungen

Kompetenzdaten erklären, warum sich Ergebnisse verändern. Geschäftsdaten zeigen, was die Veränderung wert ist.

Die linke Spalte macht Proveo messbar, mit realistischen Fallaufgaben aus dem eigenen Arbeitsbereich, bei denen der Arbeitsprozess und das Ergebnis bewertet werden. Die rechte Spalte gehört dem Unternehmen. Der ROI entsteht dort, wo beide Spalten nebeneinanderliegen.

Das Werkzeug ist nur ein Teil der Investition. Der größte Aufwand liegt darin, die Art zu verändern, wie die Arbeit gemacht wird. Eine Befragung von BCG⁶ zeigt, dass Unternehmen, die mit KI bereits Wert schaffen, rund 70 % ihres Aufwands in Menschen und Prozesse stecken. Für die Budgetplanung folgt daraus keine Kürzung, sondern eine andere Gewichtung.

Wie legt man einen Nullpunkt fest?

Fazit

Dass die meisten KI-Investitionen bisher keinen belegbaren Ertrag bringen, spricht nicht gegen die Technologie. Es zeigt, dass zwischen Kosten und Kennzahlen ein Glied fehlt, das kaum ein Unternehmen misst: die Anwendung. Wer weiß, wie das Team heute mit den Werkzeugen arbeitet, kann die nächste Investition begründen und ihre Wirkung später belegen. Wer es nicht weiß, diskutiert weiter über Eindrücke.

Quellen

Methode, Stichprobe und weitere Zahlen lassen sich je Quelle aufklappen.

1. MIT NANDA (MIT Media Lab), „The GenAI Divide: State of AI in Business 2025“, Challapally, Pease, Raskar, Chari, Juli 2025. Vorläufige Ergebnisse. ↩
   Methode und Zahlen

   95 % der Organisationen ohne messbaren Ertrag in der Gewinn- und Verlustrechnung sechs Monate nach dem Pilotprojekt, bei Investitionen von 30 bis 40 Milliarden US-Dollar. Basis: 52 Interviews, 153 Befragungen von Führungskräften, über 300 öffentlich dokumentierte Vorhaben, Januar bis Juni 2025. Der Bericht trägt den Status vorläufiger Ergebnisse.

2. IBM Institute for Business Value, CEO Study 2025. ↩
   Methode und Zahlen

   2.000 CEOs in 33 Ländern befragt. 64 % räumen ein, aus Sorge vor dem Zurückfallen in Technologien zu investieren, bevor deren Nutzen klar ist; nur 25 % der KI-Initiativen der vergangenen Jahre brachten den erwarteten ROI.

3. Bitkom, Studienbericht „Künstliche Intelligenz in Deutschland“ 2026 (PDF). ↩
   Methode und Zahlen

   604 Unternehmen ab 20 Beschäftigten. 53 % nennen fehlendes technisches Know-how als Hemmnis, ebenso viele rechtliche Unklarheiten; 43 % bieten keine KI-Schulung an, 8 % schulen alle Mitarbeitenden.

4. Brynjolfsson, Li, Raymond, „Generative AI at Work“, NBER Working Paper 31161, 2023. ↩
   Methode und Zahlen

   Feldstudie mit 5.179 Kundensupport-Mitarbeitenden eines Softwareanbieters. Produktivität +14 % im Durchschnitt, +34 % bei unerfahrenen Kräften, bei erfahrenen kaum messbar.

5. Dell'Acqua et al., „Navigating the Jagged Technological Frontier“, Harvard Business School / BCG, 2023. ↩
   Methode und Zahlen

   Experiment mit 758 Beratern. Bei Aufgaben innerhalb der Fähigkeiten von GPT-4 rund 40 % bessere Qualität, bei Aufgaben knapp außerhalb 23 % schlechter als die Kontrollgruppe ohne KI.

6. BCG, „Where's the Value in AI?“, Oktober 2024. ↩
   Methode und Zahlen

   Befragung von 1.000 Führungskräften. 74 % der Unternehmen ohne greifbaren Wert aus KI; bei den erfolgreichen gilt die 70-20-10-Regel: 70 % des Aufwands für Menschen und Prozesse, 20 % Technologie, 10 % Algorithmen.