Künstliche Intelligenz in der Wirtschaft: Realität vs. Hype

Kaum ein Begriff hat in den vergangenen drei Jahren so viel Kapital und so viel Aufmerksamkeit gebunden wie Künstliche Intelligenz. Und kaum ein Begriff ist gleichzeitig so schlecht messbar. Wer wissen will, wie weit KI in der deutschen Wirtschaft tatsächlich angekommen ist, stößt auf drei seriöse Erhebungen mit drei völlig unterschiedlichen Ergebnissen. Die Spanne zwischen ihnen ist größer als der Effekt, um den gestritten wird.

Das ist kein Problem für Statistiker, sondern eines für deine Planung. Zwischen „jedes vierte Unternehmen“ und „mehr als jedes zweite“ liegt der Unterschied zwischen einem Nischenwerkzeug und einer Basistechnologie. Je nachdem, welcher Zahl du glaubst, triffst du eine völlig andere Investitionsentscheidung.

Die ehrliche Antwort liegt nicht in der Mitte. Sie lautet: Die Verbreitung ist real und sie geht schnell. Der nachweisbare Ertrag geht deutlich langsamer. Beides gleichzeitig, und genau diese Lücke ist der Hype.

Auf einen Blick

• Laut der Bitkom-Studie vom 11. März 2026, für die 604 Unternehmen ab 20 Beschäftigten befragt wurden, nutzen 41 Prozent der Unternehmen in Deutschland KI – ein Jahr zuvor waren es 17 Prozent.
• Das ifo Institut meldete am 5. Juni 2026 einen Anteil von 54,4 Prozent, bei Großunternehmen 67,2 Prozent und in der Industrie 58,7 Prozent.
• Das Statistische Bundesamt kommt für das Jahr 2025 auf nur 26 Prozent aller Unternehmen – bei 10 bis 49 Beschäftigten sind es 23 Prozent, ab 250 Beschäftigten 57 Prozent.
• Die viel zitierte Untersuchung der MIT-Initiative NANDA kam zu dem Ergebnis, dass 95 Prozent der Pilotprojekte mit generativer KI in Unternehmen keinen messbaren Return liefern.
• Ab dem 2. August 2026 greifen die Transparenzpflichten des EU AI Act; die Hochrisiko-Pflichten nach Anhang III wurden per Digital Omnibus auf den 2. Dezember 2027 verschoben.

Drei Zahlen, ein Widerspruch – und was er verrät

26, 41, 54,4. Diese drei Werte stammen alle aus dem Jahr 2026 und beschreiben angeblich dasselbe. Der Unterschied liegt in der Frage und in der Stichprobe. Das Statistische Bundesamt erhebt für 2025 den Einsatz definierter KI-Technologien in Unternehmen ab zehn Beschäftigten und kommt auf 26 Prozent. Bitkom befragt Unternehmen ab 20 Beschäftigten telefonisch und kommt auf 41 Prozent. Das ifo Institut fragt in seiner Konjunkturumfrage nach der Nutzung von KI-Software und kommt auf 54,4 Prozent.

Wer ein ChatGPT-Abo für die Marketingabteilung bezahlt, sagt bei ifo Ja. In der amtlichen Statistik taucht dasselbe Unternehmen unter Umständen gar nicht auf. Der Sprung von 17 auf 41 Prozent, den Bitkom innerhalb eines Jahres misst, ist deshalb weniger eine industrielle Revolution als eine Lizenzrevolution: Software wurde gekauft, Konten wurden angelegt. Ob damit ein Prozess verändert wurde, misst keine dieser Zahlen.

Bemerkenswert ist die Größenverteilung, die alle drei Quellen bestätigen. Beim Statistischen Bundesamt liegen Unternehmen ab 250 Beschäftigten mit 57 Prozent mehr als doppelt so hoch wie kleine mit 23 Prozent. Beim ifo Institut kommen Großunternehmen auf 67,2 Prozent. Das ist die eigentliche Nachricht für den Mittelstand, der diese stille Verschiebung in der deutschen Unternehmenslandschaft gerade erst nachvollzieht: Der Abstand wächst nicht bei den Werkzeugen, sondern bei der Fähigkeit, sie einzubauen. Dasselbe Muster zeigt sich eine Ebene tiefer bei der Infrastruktur: Deutschland ist beim Ausbau vorn – und bei der Nutzung der Digitalisierung weit hinten.

Wo KI messbar Geld verdient

Die Anwendungen, die tatsächlich tragen, sind unspektakulär. Das ifo Institut nennt als häufigste Einsatzfelder Verwaltungstätigkeiten, Datenanalyse, Programmierung, schriftliche Kommunikation und Informationsbeschaffung. Kein einziger dieser Punkte ist ein neues Geschäftsmodell. Alle sind Kostenpositionen, die kleiner werden.

Das ist keine Enttäuschung, sondern das übliche Muster. Basistechnologien setzen sich zuerst dort durch, wo die Aufgabe klar umrissen ist, das Ergebnis überprüfbar und der Fehler billig. Textentwürfe, Recherche, Codegerüste, Klassifikation von Support-Tickets, Übersetzung. Für ein kleines Team ist genau das der Punkt, an dem sich der Aufwand rechnet – ein Gründer, der mit vier gut gewählten Werkzeugen arbeitet statt mit vierzig, holt fast den gesamten realisierbaren Effizienzgewinn ab.

In der Praxis heißt das: Der Ertrag entsteht nicht durch das Modell, sondern durch den Zuschnitt der Aufgabe. Wer KI in einen sauber definierten Arbeitsschritt setzt, gewinnt Zeit. Wer sie in einen unklaren Prozess setzt, gewinnt eine zusätzliche Fehlerquelle. Wie eng diese Grenze zwischen Effizienztreiber und Ablenkung im Startup-Alltag verläuft, merken die meisten Teams erst nach ein paar Monaten.

Wo der Hype an der Bilanz vorbeigeht

Die härteste Gegenzahl kommt aus den USA. Die Untersuchung der MIT-Initiative NANDA fand, dass 95 Prozent der Pilotprojekte mit generativer KI in Unternehmen keinen messbaren Return abwerfen. Die Zahl wird viel zitiert und auch viel kritisiert, weil Pilotprojekte naturgemäß scheitern dürfen. Aber sie beschreibt eine Realität, die jeder kennt, der in einem größeren Unternehmen gearbeitet hat: Zwischen einem funktionierenden Prototyp und einer Zahl in der Gewinn- und Verlustrechnung liegen Integration, Datenqualität, Rechtefragen und Menschen, die ihre Arbeitsweise ändern müssen.

Die Lücke ist erklärbar. Ein Sprachmodell ersetzt keine Aufgabe, es ersetzt einen Teilschritt. Solange die restlichen Schritte gleich lange dauern, sinkt die Durchlaufzeit kaum. Erst wenn ein Prozess neu geschnitten wird, wird aus Zeitersparnis Geld – und das ist Organisationsarbeit, keine Technologiefrage. Das Muster kennt man von früheren Technologiewellen: Wo Blockchain jenseits des Hypes echte Anwendungen gefunden hat, war dieselbe Ernüchterung vorgeschaltet.

Für dich als Gründer ist das eher eine gute Nachricht. Große Unternehmen scheitern an genau der Stelle, an der du strukturell im Vorteil bist: Du kannst einen Prozess in einer Woche umbauen, weil du ihn selbst gebaut hast. Das ist der Grund, warum die These von der KI als eine Art Co-Gründer im Team in kleinen Firmen realistischer klingt als in Konzernen.

Was der EU AI Act ab August 2026 verlangt

Hier ist die Rechtslage im Sommer 2026 klarer, als die Diskussion vermuten lässt. Die Verbote bestimmter KI-Praktiken nach Artikel 5 und die Pflicht zur KI-Kompetenz nach Artikel 4 gelten seit dem 2. Februar 2025. Die Pflichten für Anbieter von Allzweck-KI gelten seit dem 2. August 2025. Ab dem 2. August 2026 greifen die Transparenzpflichten nach Artikel 50: Wenn Menschen mit einer KI interagieren, müssen sie das erkennen können. Warum diese Kennzeichnung mehr ist als Bürokratie, zeigt die Debatte um KI und Demokratie: Es geht darum, wer entscheidet, was wir zu sehen bekommen.

Entscheidend ist, was nicht gilt. Über den sogenannten Digital Omnibus, dem das EU-Parlament am 16. Juni 2026 und der Rat am 29. Juni 2026 zugestimmt haben, wurden die umfangreichen Pflichten für Hochrisiko-Systeme nach Anhang III auf den 2. Dezember 2027 verschoben, für KI in regulierten Produkten nach Anhang I auf den 2. August 2028. Betroffen sind damit unter anderem KI-Systeme, die über Bewerbungen, Kreditvergabe oder Leistungsbewertung entscheiden.

Praktisch bedeutet das für ein junges Unternehmen: Kennzeichnungspflicht ja, Dokumentation und Schulung ja, Konformitätsbewertung in aller Regel nein. Wer allerdings ein Produkt baut, das Entscheidungen über Menschen trifft, hat bis Dezember 2027 Zeit – und sollte diese Zeit nicht als Freibrief lesen, sondern als Frist.

Die Kosten, über die selten gesprochen wird

Lizenzen sind der billigste Teil. Teurer sind vier Dinge, die in keinem Angebot stehen. Erstens die Datenaufbereitung: Ein Modell, das auf unsortierten Ordnern arbeitet, produziert unsortierte Antworten. Zweitens die Prüfung: Jede Ausgabe, die ein Kunde sieht, braucht jemanden, der sie verantwortet. Drittens die Abhängigkeit: Wer seinen Kernprozess auf eine API legt, übernimmt fremde Preis- und Verfügbarkeitsrisiken. Viertens die Einarbeitung, die als Zeit im Team anfällt und nie als Rechnung.

Rechne deshalb nicht mit dem Preisschild, sondern mit den Gesamtkosten pro erledigter Aufgabe – vorher und nachher. Wenn du diesen Vergleich nicht aufstellen kannst, hast du kein KI-Projekt, sondern ein Abo. Dass die Börse diese Unterscheidung nicht macht und Bewertungen längst weit vor den Erträgen laufen, ist ein anderes Kapitel, aber eines, das erklärt, warum der Abstand zwischen Kursrekorden und realer Wirtschaftsleistung derzeit so groß ist.

Was du konkret damit machst

Nimm die drei Prozesse, die in deinem Unternehmen am meisten Stunden fressen, und miss sie eine Woche lang ehrlich. Setze KI nur in den einen ein, dessen Ergebnis du in unter fünf Minuten prüfen kannst. Miss die Stunden erneut. Wenn nach vier Wochen keine Stunde weniger anfällt, schalte das Werkzeug ab und nimm den nächsten Prozess.

Das klingt unspektakulär, und genau das ist der Punkt. Es ist dieselbe Disziplin, die bootstrapped Startups aus dem DACH-Raum groß gemacht hat: jede Ausgabe gegen einen messbaren Effekt stellen, bevor sie zur Gewohnheit wird.

Die 41 Prozent bei Bitkom und die 95 Prozent bei NANDA beschreiben dieselbe Wirtschaft: viele, die KI benutzen, wenige, die sie messen. Dein Vorsprung entsteht nicht dadurch, dass du früher anfängst. Er entsteht dadurch, dass du als Einziger im Raum die Zahl kennst.