Enterprise-KI-Adoption

01 · Das Problem mit den Belegen

Vier Zahlen, ein Wort

Wer in Europa in einem Aufsichtsrat sitzt, hat in den letzten sechs Monaten mindestens zwei dieser Zahlen gezeigt bekommen — meist auf derselben Folie, meist ohne ihre Nenner.

Jede dieser Zahlen ist für sich genommen vertretbar. Stellt man sie auf dieselbe Achse, werden sie unstimmig. Adoption kann nicht gleichzeitig 88% und 20% betragen. Scheitern kann nicht bei 95% liegen, während die Hälfte aller amerikanischen Unternehmen freiwillig jeden Monat dafür bezahlt und verlängert.

Der Reflex ist anzunehmen, jemand lüge, oder die Kluft sei Europa gegen Amerika. Beides stimmt nicht. Die vier Zahlen widersprechen sich, weil sie vier unterschiedliche Populationen erfassen, die vier unterschiedliche Dinge tun. Die eine fragt, ob KI irgendwo eingesetzt wird; die andere, ob ein Pilot strukturelle Produktion erreicht hat; die dritte erfasst, ob eine Rechnung bezahlt wurde; die vierte erhebt die tatsächliche Population europäischer Firmen. Jede verwendet ein anderes Verb, und das schwierigste davon — Produktion — wird nie so definiert, dass eine andere Studie es übernehmen könnte.

02 · Das Definitionsproblem

Niemand definiert „Produktion"

Hier sind dieselben vier Zahlen mit ihrer tatsächlichen Messgrundlage. Diese Tabelle ist das mit Abstand Nützlichste an diesem Artikel.

Tabelle scrollt seitwärts →

Liest man die Spalte „Was tatsächlich gezählt wurde" von oben nach unten, löst sich der Widerspruch größtenteils auf — hier folgt also die Rechnung statt der Behauptung. McKinseys 88% und Eurostats 20% sind keine konkurrierenden Schätzungen derselben Größe. McKinsey befragt ein selbstselektiertes Panel überwiegend großer, überwiegend digitalisierter Organisationen und fragt, ob KI irgendwo eingesetzt wird. Eurostat erhebt die gesamte Population europäischer Firmen mit zehn oder mehr Beschäftigten, die überwiegend aus kleinen Unternehmen besteht.

Stellt man sie auf dieselbe Grundlage, schrumpft die Lücke auf etwas Erklärbares. Beschränkt man Eurostat auf Unternehmen mit 250 oder mehr Beschäftigten — ungefähr die Population, aus der McKinsey seine Stichprobe zieht —, liegt die europäische Adoption bei 55,0%, nicht bei 20%. Die verbleibende Distanz zu 88% ist die Kombination aus einem globalen statt europäischen Rahmen, einem selbstselektierten Befragtenpanel und einem Europa, das bei diesem Maßstab tatsächlich hinterherhinkt. Das ist ein Gradunterschied zwischen vergleichbaren Dingen, kein Widerspruch. Die Version 20-gegen-88 des Arguments ist ein Artefakt des Vergleichs einer Populationsstatistik mit einer Panelstatistik.

Das tiefere Problem ist die fehlende Definition. Von den für diesen Beitrag herangezogenen Quellen — vollständig am Ende aufgeführt — definiert keine einzige Produktion so, dass eine andere Quelle sie übernehmen könnte. Gilt eine Arbeitslast als in Produktion, wenn sie externe Kunden bedient? Wenn sie eine Bereitschaftsrotation hat? Wenn sie eine Budgetlinie hat? Wenn Finance ihr Kosten zuordnen kann? Jede Studie trifft eine implizite Wahl, keine spricht sie aus, und die resultierenden Raten werden anschließend verglichen, als wären sie kommensurabel.

03 · Die meistzitierte Zahl

Die 95%-Zahl unter der Lupe

Eine Statistik dominiert dieses Thema. Sie taucht in Aufsichtsratsunterlagen, Anbieter-Decks und den 2026er-Kommentaren von Firmen auf, die ihre eigenen widersprüchlichen Zahlen zu verkaufen haben — wir haben diese in den großen Beratungs-KI-Frameworks im Vergleich nebeneinandergestellt.

Die Behauptung — dass rund 95% der Enterprise-GenAI-Piloten keinen messbaren G+V-Rückfluss erzielen — stammt aus The GenAI Divide: State of AI in Business 2025, veröffentlicht von MITs Project NANDA im Juli–August 2025. Ihre Beleggrundlage sind 52 strukturierte Interviews, eine Umfrage unter 153 Führungskräften und die Durchsicht von rund 300 öffentlichen Deployments.

• Die Stichprobe trägt die Schlagzeile nicht. Zweiundfünfzig Interviews über ein sechsmonatiges Fenster sind eine qualitative Studie. Sie stützt eine Hypothese über einen Mechanismus. Sie stützt keinen auf zwei signifikante Stellen zitierten Populationsprozentsatz.
• „Scheitern" wird weit gefasst. Der Report zählt alles, was hinter einem strukturellen Produktions-Deployment zurückbleibt, als ohne Rückfluss — darunter fallen auch Piloten, die korrekt zu einem Schluss kamen. Ein gut geführter Pilot, der zur Antwort „nein, nicht skalierungswürdig" kommt, ist ein Erfolg der Governance, kein Scheitern der KI.
• Es ist nicht peer-reviewed, und der Herausgeber hat eine kommerzielle Position. NANDA betreibt kostenpflichtige Unternehmensmitgliedschaften. Das macht den Befund nicht falsch. Es bedeutet aber, dass die Rahmung nicht von einer unbeteiligten Partei stammt — genau der Maßstab, den der Report an Anbieter anlegt.
• Die Primärquelle ist inzwischen schwer erreichbar. Zum Stichtag dieses Artikels liefert die offizielle MIT-NANDA-URL den Report nicht mehr direkt aus. Das Dokument kursiert als gespiegeltes PDF. Eine derart einflussreiche Statistik sollte leichter zu prüfen sein, als sie es ist.

Und doch ist der zentrale Mechanismus des Reports das Interessanteste, was 2025 irgendjemand veröffentlicht hat, und niemand zitiert ihn. NANDAs Argument betrifft eher den Workflow als die Modellqualität: Treiber des Scheiterns sind Tools, die kein Feedback behalten oder sich nicht anpassen — und, damit zusammenhängend, dass Schatten-KI-Nutzung in über 90% der Firmen läuft, während offizielle LLM-Abonnements bei nahe 40% liegen. Mitarbeitende ziehen aus KI Wert, den das Programm ihres Arbeitgebers nicht erfasst.

Dieselbe Disziplin gilt für zwei weit verbreitete Gartner-Zahlen. Dass über 40% der agentischen KI-Projekte bis Ende 2027 gestrichen werden, und dass mindestens 30% der GenAI-Projekte nach dem Proof-of-Concept bis Ende 2025 aufgegeben würden, sind beides Vorhersagen — veröffentlicht im Juni 2025 beziehungsweise Juli 2024. Sie werden routinemäßig zitiert, als handle es sich um beobachtete Ergebnisse.

Die Ende-2025-Vorhersage hat inzwischen ihr eigenes Testdatum überschritten, also haben wir nach der Auswertung gesucht. Wir konnten keine finden. Gartner scheint keine öffentliche Bewertung veröffentlicht zu haben, ob die 30%-Vorhersage eingetreten ist, und die Zahl, die am häufigsten als Bestätigung angeführt wird — S&P Global Market Intelligences „42% der Unternehmen haben die meisten ihrer KI-Initiativen 2025 aufgegeben" — konnten wir nur über sekundäre Zusammenfassungen erreichen; die Primärseite ließ sich zu unserem Stichtag nicht aufrufen, weshalb wir sie ebenfalls nicht als Fakt zitieren.

04 · Die Belege, die standhalten

Was einer Prüfung standhält

Entfernt man das Selbstberichtete, das Vorhergesagte und das nicht Verifizierbare, bleibt ein kleineres, aber tragfähigeres Bild übrig.

Die Ramp-Zahl verdient mehr Aufmerksamkeit, als sie bekommt. Sie stammt aus Firmenkarten- und Ausgaben-Ledgerdaten, nicht aus der Frage, was Führungskräfte denken. Jemand im Unternehmen hat eine Kaufentscheidung getroffen, und Finance hat die Rechnung beglichen. Sie überschritt im März 2026 erstmals 50%, gegenüber rund 35% ein Jahr zuvor. Sie ist eng gefasst — nur USA, Ramps eigener Kundenstamm, und ein bezahltes Abonnement belegt einen Kauf, keinen Wert — aber niemand hat sie selbst berichtet, was sie hier einzigartig macht.

Von der Scheiterns-Literatur ist RANDs Studie aus 2024 methodisch am ehrlichsten. Aufgebaut aus 65 halbstrukturierten Interviews mit Data Scientists und Ingenieuren aus Staat und Wirtschaft, beziffert sie das Scheitern von KI-Projekten auf über 80% — etwa doppelt so hoch wie bei Nicht-KI-IT-Projekten. Entscheidend: 84% der Interviewten aus der Industrie führten die Hauptursache auf führungsbedingte Probleme statt auf Technologie zurück — ein Strategie- und Führungsproblem im Kostüm eines Technologieproblems. Es bleibt eine qualitative Studie und sollte auch so gelesen werden, aber sie benennt ihre Stichprobe, legt ihre Methode offen, und ihre Schlussfolgerung zeigt auf das, was Führungskräfte kontrollieren.

Dann gibt es die Zahl, bei der ein Aufsichtsrat mitten im Satz innehalten sollte. Aus BCGs Umfrage unter 1.803 C-Level-Führungskräften in 19 Märkten: 60% der Unternehmen definieren und überwachen überhaupt keinen finanziellen KPI für den KI-Wert. Dieses Instrument aufzubauen, ist eine eigene Disziplin — genau die, die wir als KPI-Setup betreiben. Bevor überhaupt diskutiert wird, ob KI sich rechnet, haben die meisten Organisationen das Instrument, das es ihnen sagen würde, noch nicht gebaut.

Jede Zahl in diesem Artikel, bewertet

Größe ist die falsche Achse. Was eine Zahl hervorgebracht hat, entscheidet, was sie stützen kann. Offizielle Statistiken und Transaktionsdatensätze sind Belege. Führungskräfteumfragen sind Wahrnehmung. Vorhersagen sind keines von beidem.

Tabelle scrollt seitwärts →

Ausgedruckt und neben das nächste KI-Deck gehalten, das Ihnen gezeigt wird, ist diese Tabelle der größte Teil des Werts dieses Artikels.

05 · Das europäische Bild

Was Europas eigene Zahlen sagen

Fast jede Statistik in der globalen KI-Adoptionsdebatte stammt aus einer US-zentrierten Anbieter- oder Beratungsumfrage. Europa hat etwas Besseres, und es wird kaum zitiert: ein offizielles Statistikamt, das die tatsächliche Population misst statt eines Panels.

Eurostats Zahlen für 2025, veröffentlicht am 11. Dezember 2025, erfassen Unternehmen mit zehn oder mehr Beschäftigten in allen 27 Mitgliedstaaten. Und sie enthalten die Größenaufschlüsselung, die fast jedes Zitat von ihnen weglässt.

Bleiben Sie bei dieser einen Zahl, denn genau vor diesem Fehler soll dieser Artikel warnen, und Europas eigene Daten machen es leicht, ihn zu begehen. Wer ein Unternehmen mit mehr als 250 Beschäftigten führt, dessen Peer-Adoptionsrate liegt bei 55%, nicht bei 20%. Rund die Hälfte der Wettbewerber setzt bereits irgendwo im Unternehmen KI ein. Die vielzitierte europäische Zahl beschreibt eine von kleinen Firmen dominierte Volkswirtschaft, und wer sie als Benchmark liest, erfährt, er sei voraus, obwohl er zurückliegt.

Zwei weitere Dinge, die die Eurostat-Daten aussagen — beide widersprechen dem Anbieter-Narrativ.

• Die Länderstreuung ist enorm. Dänemark 42,0%, Finnland 37,8% und Schweden 35,0% an der Spitze; Rumänien 5,2%, Polen 8,4% und Bulgarien 8,5% am unteren Ende. Ein achtfaches Gefälle zwischen den Mitgliedstaaten bedeutet, dass „europäische KI-Adoption" als einzelne Zahl für die Planung fast bedeutungslos ist. Wir arbeiten von Warschau aus, daher ist Polens Platz auf dem zweitletzten Rang eine Tatsache, mit der wir planen, statt sie zu diskutieren; den weiteren Kontext liefert unser 2026er-Briefing zur polnischen Wirtschaft.
• Die Hürden sind nicht die, die die Anbieter-Literatur betont. Siehe die Grafik unten.

Diese letzte Zeile zählt für jeden, der in Europa KI-Leistungen einkauft. Die dominante Hürde ist keine Skepsis gegenüber dem Wert — nur jede fünfte Firma sagte, KI sei nicht nützlich. Es fehlen die Leute, die wüssten, wie man es macht — mit fast zwanzig Punkten Abstand zum nächsten Grund. Kompetenzlücken schließt man nicht durch den Kauf einer Plattform, und genau das ist das ganze Argument für erfahrene Interim-Unterstützung statt einer Lizenz und eines Schulungsbudgets.

06 · Ursachen, nicht Symptome

Warum die Adoption stockt

Hier läuft die Literatur stärker zusammen als irgendwo sonst.

McKinseys Hürdendaten von November 2025 setzen regulatorische und rechtliche Bedenken bei 44–48%, KI-Risiken einschließlich Bias und geistigem Eigentum bei 44–47%, Change Management und organisatorische Silos bei 39–40%, Legacy-Technologie bei 30–33% und Strategielücken bei 28–32% an. Separat berichteten 51% der Befragten mindestens ein negatives KI-Ergebnis, wobei Ungenauigkeit mit 30% am häufigsten war.

RANDs Interviews landen bei Führung. Eurostats Populationsdaten landen bei Expertise. BCGs Befund landet beim Fehlen eines finanziellen KPI. Zusammen gelesen ist das Bild stimmig und wenig schmeichelhaft: Die Beschränkung ist organisatorische Fähigkeit und Führungsaufmerksamkeit, nicht Modellqualität.

An dieser Stelle produziert die meiste Beratungsliteratur ein Reifegradmodell und lädt dazu ein, sich selbst darauf zu verorten. Das werden wir nicht tun, und der Grund ist unverblümt: Ein Reifegradmodell zeigt Ihnen, wo Sie relativ zu einer Kurve stehen, die jemand anderes gezeichnet hat, und erzeugt eher Angst als eine Entscheidung. Die drei Dinge, die die Belege tatsächlich stützen, sind enger gefasst und unspektakulärer.

07 · Was wirklich neu ist

Was sich 2026 tatsächlich geändert hat

Drei Dinge haben sich so verändert, dass ein 2025 geschriebener Plan angepasst werden sollte. Mehrere andere werden als Veränderung vermarktet und sind es nicht.

Inferenzkosten sind eingebrochen, und das ist dokumentiert

Der Stanford HAI AI Index, veröffentlicht am 13. April 2026, berichtet, dass LLM-Inferenzpreise mit einer medianen Rate von rund dem 50-Fachen pro Jahr über die Fähigkeitsstufen hinweg gefallen sind, mit einer Beschleunigung auf rund das 200-Fache pro Jahr bei einigen Stufen seit Januar 2024. Das ist die am besten belegte Kostenaussage in diesem Feld. Das bedeutet nicht, dass die Rechnungen sinken — der Verbrauch ist schneller gewachsen, als der Stückpreis gefallen ist, weshalb die Kostenmessung eher wichtiger als unwichtiger wird.

Agenten haben den Sprung von der Demo zum Deployment geschafft, ungleichmäßig

McKinseys Novemberumfrage 2025 zeigt, dass 62% der Organisationen mit KI-Agenten experimentieren und 23% sie in mindestens einer Funktion skalieren. Das ist eine echte Verschiebung gegenüber 2024. Es ist auch der Bereich, in dem das Marketing den Belegen am stärksten davonläuft — die weit verbreitete Behauptung, „88% der Agenten-Piloten schaffen den Sprung in die Produktion nicht", lässt sich nur bis zu SEO-Aggregator-Seiten ohne zugrunde liegende Studie zurückverfolgen, und wir zitieren sie nicht. Die Build-versus-Buy-Entscheidung hinter Agentenplattformen behandeln wir ausführlich in unserem Agentenplattform-Playbook.

Die europäische Regulierungsuhr hat sich verschoben

Der Digital Omnibus hat den Hochrisiko-Zeitplan zurückgesetzt, wie oben beschrieben. Der praktische Effekt ist eine Umverteilung, kein Aufschub: Klassifizierungs- und Konformitätsarbeit für Annex-III-Systeme hat rund zwei Jahre mehr Vorlauf, als die meisten 2025er-Pläne annahmen, während die GPAI-Pflichten seit August 2025 live sind und die nähere Exposition für jeden darstellen, der auf einem Foundation Model aufbaut. Programme, die 2025 geplant wurden, haben diese Reihenfolge häufig vertauscht.

08 · Praktisch

Wie Sie das als Käufer lesen sollten

Wer CEO, CIO, Aufsichtsratsmitglied oder PE Operating Partner ist, dem nützt aus alldem vor allem eine kurze Liste von Fragen, die einen Pitch schneller durchschauen lässt als jedes RFP.

Tabelle scrollt seitwärts →

Und zwei weitere Dinge zum Stand des Feldes, beides Lücken statt Befunde:

• Wir konnten keine geprüfte Studie finden. In den unten stehenden Quellen fanden wir keine per Hauptbuch verifizierte, branchenübergreifende EBITDA-Zurechnung von KI-Ausgaben. Sollte es eine geben, würden wir sie gerne sehen; bis dahin ist jede von uns gefundene „realisierter Wert"-Zahl Einschätzung von Führungskräften, wie groß die Stichprobe auch sei.
• Die Raten sind nicht vergleichbar. Weil keine dieser Quellen Produktion konsistent definiert, lassen sich ihre Adoptions- und Scheiternsquoten nicht auf eine gemeinsame Achse stellen — was niemanden davon abgehalten hat, genau das zu tun.

09 · Wir

Wo Consulting Huber passt

Wir sind zwei erfahrene Operatoren. Wir verkaufen keine KI-Plattform und haben keinen Lizenzumsatz, der von der Antwort abhängt — das ist der einzige Grund, auch nur einem Wort des Obigen zu vertrauen: Wir hatten nichts zu gewinnen, egal welche Zahl gewinnt.

Wir begrenzen zudem Mandate auf vier pro Quartal. Das ist eine Grundsatzentscheidung, kein Ergebnis, und Sie sollten es auch so lesen: So bleiben die Leute, die die Arbeit skopiert haben, dieselben, die sie ausführen. Jedes Mandat trägt eine benannte Dauer und ein schriftliches Exit-Kriterium — zugleich ein kommerzielles und ein methodisches Bekenntnis: Arbeit, die nicht sagen kann, wann sie endet, kann nicht sagen, wofür sie war. Was wir tatsächlich geliefert haben, mit den zugehörigen Zahlen und den vertraulichen Teilen als vertraulich gekennzeichnet, steht in vier Mandaten, echte Zahlen. Beurteilen Sie das, nicht diesen Absatz.

Wer bei einem bestimmten Teil davon tiefer einsteigen möchte:

• Die KI-Messkrise — was Enterprise-KI tatsächlich kostet und wie man Kosten-pro-Ergebnis instrumentiert.
• Das KI-Wertschöpfungs-Playbook — die vier Werthebel und das 90-Tage-Muster vom Piloten zur gemessenen Wirkung.
• Die Delivery-Ebene unter der KI — die organisatorischen Voraussetzungen, an Beispielen durchgerechnet.
• Enterprise-KI-Agenten: bauen, kaufen oder Open Source — die Plattformentscheidung, mit einem Exit-Kosten-Rechner.
• Der EU-KI-Gesetz-Operator-Leitfaden — Risikostufen, die überarbeiteten Fristen und ein 90-Tage-Plan.