Die Kernidee
Der NANDA-Bericht des MIT brachte es auf den Punkt: „Adoption ohne Transformation“.
Generische KI-Assistenten steigern tatsächlich die individuelle Produktivität – dieser Teil funktioniert. Was ins Stocken gerät, sind die Lösungen auf Unternehmensebene: die großen, offiziell genehmigten Implementierungen, die Vorzeige-Initiativen, die Transformationsprogramme.
Die eigentliche Ursache ist nicht die Technologie. Es ist die Lernlücke. Organisationen führen Tools ein, die kein Feedback speichern, sich nicht an den Kontext anpassen und mit der Zeit nicht besser werden – und zwar in Workflows, die nie so umgestaltet wurden, dass sie diese Tools überhaupt sinnvoll nutzen können.
Statisches Tool. Statische Organisation. Kein Zinseszinseffekt. Das ist die Geschichte des 95%-Scheiterns in einem einzigen Satz.
Zahlen, auf die es ankommt
- 95% der GenAI-Unternehmenspiloten brachten trotz 30–40 Mrd. $ Investitionen keine messbaren GuV-Ergebnisse (MIT NANDA, 2025)
- ~10% der Unternehmen erzielen signifikante finanzielle Vorteile durch KI (MIT SMR × BCG)
- 47% der Organisationen geben an, keine KI-Strategie zu haben (MIT SMR × BCG, 2025 (n=2.102))
- ~67 % vs. ~33 % Erfolgsquote bei der Bereitstellung: externe Anbieter-Partnerschaften vs. interne Eigenentwicklungen (MIT NANDA)
- ~90% der Beschäftigten nutzen regelmäßig persönliche KI-Tools, während nur ~40 % der Firmen Enterprise-Abonnements haben (MIT NANDA – die Schatten-KI-Wirtschaft)
Deep Dive
Die vier strukturellen Erkenntnisse, die du dir merken solltest
Vier Erkenntnisse aus der Forschung, die du vor jedem Kundengespräch im Kopf haben solltest.
**1. Kaufen schlägt Selberbauen, etwa 2:1.** Externe Partnerschaften mit spezialisierten Anbietern erreichten in rund 67 % der Fälle den produktiven Einsatz. Interne Eigenentwicklungen: in rund 33 %. „Wir haben eigene Entwickler“ ist für sich genommen noch kein Business Case für den Eigenbau.
**2. Budgets und ROI wohnen in verschiedenen Abteilungen.** KI-Ausgaben konzentrieren sich auf Vertrieb und Marketing – die sichtbaren, glamourösen Use Cases. Messbare Erträge konzentrieren sich dagegen auf Back-Office-Prozesse: Dokumentenverarbeitung, Compliance, Finanzen. Das Geld folgt der Sichtbarkeit; der Wert folgt der Reibung. Diese Diskrepanz ist deine größte Chance beim Scoping.
**3. Die Schatten-KI-Wirtschaft ist real.** Rund 90 % der Beschäftigten nutzen regelmäßig private KI-Tools. Rund 40 % der Unternehmen haben Enterprise-Abonnements. Mitarbeitende schöpfen den Wert Bottom-up ab, während das offizielle Pilotprojekt im Einkauf festhängt. Das ist kein Compliance-Problem, das man einfach abriegeln sollte – es ist ein Beweis für echte Nachfrage, die an einem schwerfälligen offiziellen Kanal vorbeiläuft.
**4. Eigenverantwortliche Teamleitungen schlagen zentrale KI-Labs.** Unternehmen, die erfolgreich waren, übertrugen die Auswahl und Weiterentwicklung der Use Cases denjenigen, die den Prozess tatsächlich verantworten – statt einem zentralen KI-Team, das Vorgaben von oben herab macht.
Der Beratungsschachzug
Eröffne jedes Discovery-Gespräch mit diesen vier Erkenntnissen – Kaufen vs. Selberbauen, Front- vs. Back-Office, Schatten-KI und Dezentralisierung.
Das bewirkt etwas Entscheidendes: Es verändert den Rahmen des gesamten Gesprächs. Statt „Welche KI sollten wir kaufen?“ (eine Einkaufsfrage) fragst du nun: „Welches dieser vier Fehlermuster läuft in dieser Organisation gerade ab?“ (eine diagnostische Frage).
Genau das macht den Unterschied zwischen einem reinen Softwareanbieter und einer echten Beratung aus.
Ausführung & Setup
- Zitiere die Schlagzeilen-Zahl mit der nötigen Einschränkung. Die Zahl von 95 % ohne messbaren Ertrag basiert auf einer kleinen Anzahl von Interviews mit Führungskräften, die der Bericht selbst als richtungsweisend einstuft – zitiere sie auch so und nicht als exakte Statistik.
- Prüfe zuerst das Missverhältnis zwischen Budget und Wert. Wo konzentrieren sich die KI-Ausgaben (Vertrieb/Marketing) im Vergleich dazu, wo tatsächlich messbare Erträge entstehen (Back-Office-Abläufe)? Benenne diese Lücke ganz konkret.
- Achte auf Signale von Schatten-KI. Rund 90 % private KI-Nutzung gegenüber etwa 40 % Unternehmenslizenzen zeigt echte Nachfrage, kein reines Compliance-Problem – prüfe das, bevor du von mangelndem Interesse ausgehst.
- Hinterfrage die Make-or-Buy-Begründung. Dient „Wir haben doch Entwickler“ als einzige Begründung für einen Eigenbau? Das allein ist ein Warnsignal – angesichts des 2:1-Erfolgsverhältnisses zugunsten von Anbieterpartnerschaften.
- Finde heraus, wer die Use Cases auswählt. Ein zentrales KI-Labor, das Use Cases top-down vorgibt, schneidet schlechter ab als befähigte Führungskräfte und Prozessverantwortliche – prüfe, wer diese Entscheidung aktuell trifft.
Aus der Praxis
Das Vorzeige-Projekt einer regionalen Bank zur „KI-Transformation“ war ein Chatbot für Vermögenskunden – glamourös, budgetiert, öffentlichkeitswirksam. Nach zwölf Monaten: keinerlei messbare Auswirkung auf die GuV. Währenddessen hatte eine Compliance-Managerin ChatGPT über ihr privates Abonnement in ihren Prüfprozess für Entwürfe eingebunden und die Durchlaufzeit um ~40 % verkürzt. Das 5%-vs.-95%-Bild in einer einzigen Organisation: Das Budget folgte der Sichtbarkeit; der Wert folgte der Reibung – und der offizielle Kanal übersah die Nachfrage, die ihn einfach umging.
Wann du es nicht nutzen solltest
Zitiere die 95%-Zahl mit Bedacht: Das Ergebnis „kein ROI“ basiert auf einer kleinen Stichprobe von Interviews mit Führungskräften, die der Bericht selbst als richtungsweisend beschreibt, und die Methodik zur Erfassung der 300 Implementierungen wurde durchaus kritisiert. Die Kernaussage deckt sich zwar mit anderen Studien, aber die genaue Zahl ist nur ein Signal unter vielen. Wenn du sie mit dieser Einschränkung zitierst, wirkst du professionell und fundiert statt leichtgläubig.
Stolperfallen und Learnings
- Glänzenden Front-Office-Use-Cases hinterherjagen, während der messbare ROI eigentlich bei lästigen Back-Office-Workflows liegt.
- Selbst entwickeln, obwohl die Daten für Kaufen sprechen – Eigenentwicklungen scheitern etwa doppelt so häufig wie Partnerschaften mit Drittanbietern.
- Schatten-KI blockieren, statt die offensichtliche Nachfrage gezielt in geregelte Bahnen zu lenken.
- Ein zentrales KI-Labor wählt Use Cases aus, nach denen Prozessverantwortliche nie gefragt haben; befähigte Führungskräfte an der Basis schneiden deutlich besser ab.
- Eine Misserfolgsquote von 95 % hat strukturelle Gründe, keine Modellursachen.
- Die Gewinner etablieren eine Lernschleife; die Verlierer liefern statische Tools aus.
- Budgets fließen dorthin, wo Sichtbarkeit ist; der eigentliche Wert versteckt sich im Sand im Getriebe des Back-Office.
- Zitiere Studien immer mit Kontext und Einschränkungen – deine Glaubwürdigkeit hängt davon ab.
Mach dich an die Arbeit
Ziel: Diagnostiziere eine reale oder hypothetische Organisation anhand der vier MIT-NANDA-Fehlermuster und erstelle ein Discovery-Briefing, das anhand konkreter Belege aufzeigt, welches Muster zutrifft. (60 Min.)
- Wähle eine reale oder realistische Zielorganisation. Wähle ein Unternehmen, das du gut genug kennst, um dessen aktuelle KI-Initiativen, Budgetverteilung und die inoffizielle Tool-Nutzung durch Mitarbeitende einschätzen zu können.
- Erfasse die aktuellen KI-Ausgaben nach Abteilungen. Halte fest, wo das KI-Budget derzeit gebunden ist (Vertrieb/Marketing vs. Back-Office), und prüfe, ob dies dem im Bericht beschriebenen „Glamour Bias“-Muster entspricht.
- Finde Hinweise auf eine Schatten-KI-Wirtschaft. Ermittle oder leite ab, wo Beschäftigte bereits inoffiziell private KI-Tools nutzen, um Probleme zu lösen, die der offizielle Pilot nicht abdeckt.
- Prüfe die Haltung zu „Build vs. Buy“. Finde heraus, ob die Organisation intern entwickelt oder von einem spezialisierten Anbieter kauft, und ob diese Entscheidung angesichts der 2:1-Erfolgsquote für „Kaufen“ gerechtfertigt ist.
- Bewerte die Verantwortlichkeit: zentrales KI-Lab vs. operative Prozesseigner. Finde heraus, wer die KI-Use-Cases auswählt – ein zentrales Projektteam oder die Personen, die den eigentlichen Workflow tagtäglich leiten.
- Verfasse das einseitige Discovery-Briefing. Benenne, welches der vier Fehlermuster (Glamour Bias, Build-over-Buy, Unterdrückung von Schatten-KI, zentrale Lab-Steuerung) am stärksten ausgeprägt ist, zitiere die passende MIT-NANDA-Statistik und formuliere die erste diagnostische Frage für das Kundengespräch.
Ergebnis: Ein einseitiges Discovery-Briefing, das benennt, welches der vier MIT-NANDA-Fehlermuster in der Zielorganisation am stärksten zutrifft – inklusive belegender Hinweise und einer vorgeschlagenen Einstiegsfrage für das Discovery-Gespräch.
Quellen
- MIT NANDA, 'The GenAI Divide: State of AI in Business 2025'
- MIT Sloan Management Review × BCG, ninth annual global executive study (2025)
- Duke Fuqua / Federal Reserve CFO Survey