Wie können Unternehmen mit KI Wert schaffen?

💡 Kernaussagen

• Modellfähigkeit, Aufgabenergebnis, betriebliche Fähigkeit und Geschäftswert sind nicht dasselbe. Erfolg auf einer Ebene beweist nicht, dass das Unternehmen die nächste erreicht hat.
• Unternehmensspezifischer Wert entsteht häufig um das Modell herum. Daten, Prozesse, Befugnisse, Systemintegrationen, Fachwissen und Messung machen aus einem allgemein verfügbaren Modell eine betriebliche Fähigkeit.
• KI kann Wert schaffen, ohne Stellen abzubauen. In dem Unternehmen, in dem ich arbeite, hat sie Geschwindigkeit, Effizienz, Qualität und Managementfähigkeit verbessert. Manche Fähigkeiten wurden dadurch wirtschaftlich möglich, obwohl wir sie allein mit menschlicher Arbeit nicht hätten finanzieren können.

Ein Unternehmen kann leicht zählen, wie viele KI-Lizenzen es gekauft, wie viele Pilotprojekte es begonnen und wie viele KI-Agenten es gebaut hat. Die schwierigeren Fragen lauten anders. Welche Systeme halfen Kunden, ihre Arbeit schneller abzuschließen? Mit welchen konnte dasselbe Team mehr Arbeit bei gleicher Qualität bewältigen? Welche bewirkten eine sichtbare Veränderung bei Kosten, Umsatz, Kapazität, Qualität oder Risiko?

Eine 2026 veröffentlichte repräsentative Unternehmensumfrage erfasste rund 6.000 Führungskräfte in den USA, Großbritannien, Deutschland und Australien. Etwa 70 Prozent ihrer Unternehmen gaben an, KI zu nutzen. Mehr als 80 Prozent berichteten jedoch, in den vorangegangenen drei Jahren keine Auswirkung auf Produktivität oder Beschäftigung gesehen zu haben. Für die nächsten drei Jahre erwarteten dieselben Führungskräfte Produktivitätsgewinne durch KI.

Dieses Gesamtbild entspricht nicht dem, was ich in dem Unternehmen beobachte, in dem ich arbeite. Jedes unserer KI-Projekte hat Geschwindigkeit, Effizienz, Qualität und Managementfähigkeit verbessert. KI hat keine Stellen abgebaut. Um dieselbe Qualität und dieselben Fähigkeiten allein mit menschlicher Arbeit zu erreichen, wären jedoch größere Teams und Investitionen nötig gewesen, die wir uns nicht hätten leisten können.

VaniBot, über den ich ausführlich geschrieben habe, ist eines der einfachsten öffentlich erklärbaren Beispiele. Das System unterstützt die Kommunikation vor der Beratung und die strukturierte Informationsaufnahme. Bei Bedarf übergibt es das Gespräch an das Team. Es hat niemanden ersetzt. Es reduziert wiederkehrende Kommunikationsarbeit und schafft mehr Raum für Aufgaben, die Kontext und Urteil erfordern. Andere Projekte haben erheblich größere Verbesserungen bei Geschwindigkeit, Effizienz und Managementfähigkeit gebracht; Einzelheiten, die nicht bereits öffentlich sind, teile ich jedoch nicht.

Die Erfahrung eines Unternehmens widerlegt keine repräsentative Umfrage. Sie zeigt aber, weshalb es unzureichend ist, Beschäftigungseffekte nur als Stellenabbau zu lesen. Wert kann auch bedeuten, innerhalb des vorhandenen Budgets ein Qualitätsniveau oder eine Managementfähigkeit zu ermöglichen, die vorher wirtschaftlich nicht erreichbar waren.

Die Umfrage beschreibt das Gesamtbild; meine Erfahrung beschreibt produktiv betriebene Systeme. Zusammen zeigen sie, dass KI-Einsatz, Produktivität, Beschäftigtenzahl und neue Unternehmensfähigkeiten nicht dieselbe Messgröße sind. Genau dort beginnt der Abstand zwischen KI-Nutzung und Geschäftswert.

George Westermans Rahmen mit sechs Fragen zur KI-Strategie, den MIT Sloan am 3. August 2026 veröffentlichte, verbindet gemeinsame Zielsetzung, Governance, Skalierung, technische Grundlage, Kultur und Fähigkeiten der Mitarbeitenden. Der Punkt ist nicht nur, ein leistungsfähiges Modell zu wählen, sondern festzulegen, wie das Unternehmen anders arbeiten und diese Veränderung dauerhaft tragen soll.

KI steigert bei bestimmten Aufgaben die Produktivität

Für die Vorteile, die ich in der Praxis sehe, gibt es auch gemessene Entsprechungen in anderen Arbeitsabläufen.

Für Generative AI at Work untersuchten Forscher mehr als 5.000 Beschäftigte im Kundendienst, die einen KI-Assistenten nutzten. Im Durchschnitt stieg die Zahl der pro Stunde gelösten Anliegen um ungefähr 14 Prozent. Bei weniger erfahrenen Beschäftigten fiel der Gewinn größer aus, bei erfahrenen deutlich kleiner.

Das ist ein gemessener Produktivitätsgewinn bei realen Beschäftigten in einem klar abgegrenzten Arbeitsablauf. Es handelt sich zugleich um einen Kundendienstbetrieb in einem Unternehmen. Die 14 Prozent sind keine allgemeine KI-Rendite. Die Studie zeigt auch nicht, welcher Anteil der schnelleren Arbeit zu Gewinn oder einem dauerhaften Wettbewerbsvorteil wurde.

Eine Aufgabe schneller abzuschließen ist dennoch wertvoll. Damit daraus Kapazität, geringere Kosten oder ein besseres Kundenergebnis entstehen, müssen weitere Übergänge gelingen.

Vier Übergänge von Modellfähigkeit zu Geschäftswert

Eine KI-Investition lässt sich sinnvoller auf vier getrennten Ebenen bewerten als mit einer einzigen Erfolgsquote:

Erfolg auf einer Ebene kann für die nächste nötig sein, reicht dafür aber nicht aus. Gute Ergebnisse des Modells in einem Test beweisen nicht, dass das Unternehmen dasselbe Ergebnis zuverlässig in einem produktiven System erzeugen kann.

Ein Modell kann eine Rückgabeanfrage in einer Kundennachricht korrekt erkennen. Ein KI-gestützter Mitarbeiter kann diese Anfrage schneller bearbeiten. Für eine betriebliche Fähigkeit muss das Unternehmen zusätzlich die richtige Bestellung finden, die aktuelle Richtlinie anwenden, die Befugnis prüfen, die Erstattung sicher ausführen und nach einem Fehler weiterarbeiten können. Geschäftswert entsteht erst, wenn diese Anordnung Kundenbindung, Bearbeitungskosten, Lösungsdauer oder ein anderes beabsichtigtes Ergebnis verändert.

Im Artikel darüber, wie Sie prüfen, ob ein KI-System tatsächlich funktioniert, habe ich erklärt, warum Modellausgabe, Weg durch das System, abgeschlossene Arbeit und Geschäftswirkung getrennte Nachweise brauchen. Dieselbe Unterscheidung gilt hier: Die am einfachsten zu messende Ebene darf das eigentliche Unternehmensziel nicht ersetzen.

Zugang zum selben Modell ist nicht dieselbe Fähigkeit

Viele Unternehmen können heute leistungsfähige Modelle für den Unternehmenseinsatz kaufen oder mit eigenen Systemen verbinden. Dieser Zugang ist wichtig. Ein Modell, das auch Wettbewerber kaufen können, schafft allein jedoch keinen unternehmensspezifischen Vorteil.

Ich habe bereits erläutert, warum ein KI-Projekt nicht mit der Modellauswahl beginnen sollte. Der Unterschied zwischen Modell und betrieblicher Fähigkeit entsteht durch vertrauenswürdige Unternehmensdaten, Geschäftsregeln, bestehende Systeme, Nutzerberechtigungen, Fachurteil und Rückmeldemechanismen.

Eine OECD-Studie über KI-Anwender wandte eine einheitliche Methode auf amtliche Unternehmensumfragen in elf Ländern an. Unternehmen, die KI einsetzten, verfügten häufiger auch über ergänzende Grundlagen wie digitale Infrastruktur, weitere digitale Technologien sowie Informations- und Kommunikationskompetenzen.

Dieser Zusammenhang beweist nicht, dass KI eine höhere Produktivität verursacht hat. Bereits produktivere Unternehmen könnten eher in KI und diese ergänzenden Fähigkeiten investiert haben. Er macht aber deutlich, warum man die Technologie nicht getrennt von dem Unternehmen betrachten sollte, das sie betreiben muss.

Im Artikel darüber, was ein KI-System für ein Unternehmen spezifisch macht, erkläre ich, dass nicht jede unternehmensspezifische Anforderung in das Modell gehört. Aktuelle Informationen können im führenden System liegen, explizite Regeln in Software und Transaktionsbefugnisse in einer Zugriffsschicht. Diese Bestandteile sollten beim Unternehmen bleiben, selbst wenn das Modell wechselt.

Der Bericht Enterprise AI Playbook des Stanford Digital Economy Lab untersucht 51 produktive Umsetzungen in 41 Organisationen. In 77 Prozent dieser Fälle lagen die größten Herausforderungen bei unsichtbaren Kosten wie Veränderungsmanagement, Datenqualität und Prozessneugestaltung – nicht beim Modell selbst.

Das stützt die Unterscheidung zwischen Modellfähigkeit und betrieblicher Fähigkeit. Die Stichprobe enthält allerdings nur Umsetzungen, die messbaren Wert erreichten; sie ist deshalb nicht als allgemeine Erfolgsquote zu lesen.

Zwei Ziele müssen getrennt werden. Ein Unternehmen kann KI einsetzen, um bei Kosten oder Service mit Wettbewerbern Schritt zu halten. Auch das ist wirtschaftlicher Wert. Nicht jede Investition muss einen einzigartigen Wettbewerbsvorteil schaffen. Soll dagegen Differenzierung entstehen, reicht der Zugang zu einem allgemein verfügbaren Modell nicht. Der Unterschied liegt darin, wie das Modell mit unternehmensspezifischen Daten und Prozessen arbeitet und wie gut das Unternehmen das resultierende System betreibt.

Prototypen wurden günstiger. Produktivbetrieb wurde nicht kostenlos

Es ist heute einfach, einem Modell einige Dokumente zu geben und einen überzeugenden Prototyp zu bauen. Daraus kann der Eindruck entstehen, ein produktives System lasse sich ebenso schnell und günstig umsetzen.

Im Produktivbetrieb stellen sich andere Fragen. Hat das Modell die aktuelle Quelle verwendet? Durfte der Nutzer den Datensatz sehen? Wurde die Transaktion wirklich ausgeführt? Erzeugt eine Wiederholung denselben Vorgang doppelt? Stoppt das System nach einem Fehler, macht es die Handlung rückgängig oder übergibt es an einen Spezialisten? Wie wird Qualität verglichen, wenn Modell oder Anbieter wechseln?

Der MIT-CISR-Forschungsbrief vom August 2026, AI Value Creation: Five Provocative Propositions, argumentiert, dass Vertrauen in die Infrastruktur eingebaut werden muss. Er vertritt außerdem die These, dass die Zahl der von einem Unternehmen gebauten KI-Agenten mit der Zeit unwichtig wird. Dauerhafter Wert soll von der Fähigkeit abhängen, solche Systeme produktiv einzusetzen und zu skalieren.

Diese Aussagen beruhen weder auf einem repräsentativen Experiment noch auf einem Branchendurchschnitt. MIT CISR stellt sie als Diskussionsvorschläge aus Unternehmensinterviews, Fällen und laufender Forschung vor. Die dahinterliegenden betrieblichen Anforderungen sind trotzdem konkret: Bewertung, Überwachung, Prüfung im führenden System, Autorisierung, Widerspruchswege, Reversibilität und Wiederherstellung nach Fehlern.

Deshalb behandle ich die Befugnis von KI-Systemen und die Wahl zwischen einem Arbeitsablauf und einem KI-Agenten als Fragen der Geschäfts- und Systemgestaltung, nicht als technische Details. Die Zahl gebauter Agenten kann Aktivität messen. Wert misst sie nicht, wenn ein System weder zuverlässig arbeiten noch seine Ergebnisse belegen kann.

Wissen verteilen, ohne Fachkompetenz zu verlieren

In der Kundendienststudie waren die Verbesserungen bei weniger erfahrenen Beschäftigten am größten. KI kann Vorgehensweisen erfahrener Menschen im Team breiter verfügbar machen und den Zugriff auf vorhandenes Organisationswissen erleichtern.

Fachkompetenz besteht aber nicht nur darin, eine vorhandene Antwort abzurufen. Sie umfasst auch, eine falsche Antwort zu erkennen, Ausnahmen zu bestimmen, in einer neuen Situation eine Regel zu entwickeln und das Wissen zu erzeugen, das andere später nutzen.

An einem engen Programmierexperiment aus dem Jahr 2026 nahmen 52 Personen teil. Die KI-Gruppe erzielte nach der Aufgabe in einer konzeptionellen Prüfung ein um 17 Prozent niedrigeres Ergebnis. Bei der durchschnittlichen Bearbeitungszeit fand die Studie keinen statistisch signifikanten Rückgang.

Die Arbeit hat das Begutachtungsverfahren noch nicht abgeschlossen. Sie untersucht eine Programmieraufgabe mit einer kleinen Stichprobe. Sie zeigt nicht, dass KI Fachkompetenz in allen Berufen verringert. Sie liefert eine begrenzte Warnung: Die Art der KI-Nutzung kann nicht nur die unmittelbare Ausgabe, sondern auch das Lernen beeinflussen.

Deshalb verdient die MIT-CISR-These über den Verlust vorhandener Expertise Aufmerksamkeit. Bringen Unternehmen ihren Beschäftigten nur die Nutzung von KI-Werkzeugen bei, ohne das Fachwissen zur Prüfung der KI-Ergebnisse zu bewahren, können sie kurzfristige Geschwindigkeit gegen spätere Prüffähigkeit eintauschen.

Kann das Unternehmen die eingesparte Zeit nutzen?

Wenn eine Aufgabe statt zwanzig nur noch zehn Minuten dauert, entsteht ein Zeitgewinn von zehn Minuten. Sein Geschäftswert hängt davon ab, was mit dieser Zeit geschieht.

Bearbeitet dasselbe Team mehr Anfragen bei gleicher Qualität? Sinken die Überstunden? Warten Kunden kürzer? Können Beschäftigte die frei gewordene Kapazität für wertvollere Aufgaben einsetzen? Oder verschwinden wenige Minuten über den Tag verteilt, ohne Arbeitslast oder Ziele des Teams zu verändern?

Entscheidend ist, ob der Vorteil ein Unternehmensergebnis erreicht. Nicht jede Erleichterung der Arbeit muss direkt als Gewinn erscheinen. Geringeres Fehlerrisiko, beständigere Servicequalität und geringere Belastung der Beschäftigten können ebenfalls bedeutende Ergebnisse sein. Ist der beabsichtigte Wert zu Beginn nicht definiert, kann jedoch jedes positive Signal nachträglich als Erfolgsbeleg dienen.

Wie neue Fähigkeiten zugleich eine Abhängigkeit im Betriebsmodell des Unternehmens erzeugen können, habe ich gesondert untersucht.

Die Wirkung einer KI-Investition kann außerdem verzögert eintreten. Prozesse neu zu gestalten, Daten zu korrigieren und eine neue Arbeitsweise zu verankern braucht Zeit. Diese Verzögerung macht Messung nicht überflüssig. Das Unternehmen sollte festlegen, welche Zwischenmessgröße sich wann verändern soll und unter welchen Bedingungen es die Investitionsentscheidung neu bewertet.

Das Arbeitsmodell der Enterprise Intelligence Architecture betrachtet ein KI-System über Geschäftsergebnis, Zerlegung der Arbeit, Verteilung von Verantwortlichkeiten, kontrollierten Zugriff und kontrollierte Handlung sowie Nachweise.

Die folgenden fünf Fragen sind kein eigenständiges Bewertungsmodell. Sie wenden dieses Arbeitsmodell auf eine Investitionsentscheidung an.

Fünf Fragen zur Bewertung einer KI-Investition

Halten Sie vor der Ausweitung eines KI-Systems fünf Punkte fest:

1. Wie sieht der Ausgangswert aus? Wie werden Zeit, Qualität, Kosten, Kapazität, Risiko oder Kundenergebnis heute gemessen?
2. Was beweist, dass die Arbeit abgeschlossen wurde? Welcher Datensatz verändert sich jenseits der Modellantwort in welchem führenden System?
3. Wo wird die Rendite sichtbar? Wie wird eingesparte Zeit zu Kapazität, geringeren Kosten, höherer Qualität, Umsatz oder geringerem Risiko?
4. Was fehlt vor dem Produktivbetrieb? Wie stellt das Unternehmen Daten, Integrationen, Autorisierung, Fachwissen, Bewertung und Wiederherstellung nach Fehlern bereit?
5. Welches Ergebnis führt zum Fortsetzen, Ändern oder Stoppen? Wie lauten Erfolgsschwelle, Beobachtungszeitraum und nicht akzeptable Fehlerkosten?

Diese Fragen machen das Modell nicht irrelevant. Es bestimmt direkt, was das System leisten kann, wie viel es kostet und wo seine Qualitätsgrenzen liegen. Geschäftswert entsteht, wenn diese Fähigkeit mit der tatsächlichen Arbeit des Unternehmens verbunden wird.

Der Einsatz von KI wird sich voraussichtlich weiter verbreiten. Unternehmen werden sich nicht allein durch die Zahl ihrer Lizenzen oder gebauten Agenten unterscheiden. Nützlicher ist die Frage: Welches Ergebnis haben sie in welchem System über welchen Zeitraum belegt – und was haben sie mit dem entstandenen Wert getan?