Warum 70 Prozent der Industrieunternehmen ihre KI-Investitionen verbrennen
Ich habe in den letzten zwei Jahren viele Gespräche geführt, die ungefähr so liefen. Der Geschäftsführer zeigt mir seine KI-Investitionen, also was schon läuft: ein Sprachmodell für alle, ein Kamerapilot in der Endprüfung, ein Prognosetool im Vertrieb. Dann frage ich, welche Zahl in der GuV sich dadurch bewegt hat. Meistens folgt eine Pause. Laut Bitkom und KfW nennen 70 Prozent der Industrieunternehmen einen unklaren Return als größtes Hindernis bei der Digitalisierung. Die Pause ist dieser Return.
Das Geld ist nicht weg, es ist nur woanders
Was in diesen Gesprächen auffällt, ist die Reihenfolge, in der Entscheidungen fallen. Ein Anbieter zeigt eine Demo, die überzeugt. Die IT prüft Datenschutz und Schnittstellen, das dauert ein Vierteljahr, ist aber sauber. Ein Budget wird freigegeben. Und erst dann, oft Monate später, stellt jemand die Frage, welches in der GuV messbare Problem die Lösung eigentlich lösen sollte.
Bis dahin hat sich das Werk an die Software gewöhnt, die Rechnung ist bezahlt, und das Problem, das am meisten Geld kostet, liegt vielleicht ganz woanders. In einem Werk war es der Angebotsprozess, der drei Wochen dauerte, während der Pilot in der Qualitätsprüfung lief. Ich sage nicht, dass die Kamera dort falsch war. Ich sage, dass niemand vorher sinnvoll verglichen hatte, wo die Stunden liegen. Diese Reihenfolge, Technologie zuerst, Problem später, ist der häufigste Grund, warum KI-Investitionen verbrennen. Häufiger als schlechte Modelle, häufiger als fehlende Daten.
Der zweite Grund ist unspektakulärer und teurer.
Der Dauerpilot. Ein Pilot startet, liefert nach drei Monaten ein Ergebnis, das alle „vielversprechend" nennen, und läuft dann weiter. Ein Jahr später läuft er noch. Niemand hat vor dem Start festgelegt, bei welcher Zahl skaliert und bei welcher gestoppt wird, also passiert beides nicht. Was so ein Pilot kostet, steht in keiner Rechnung, weil die Lizenz klein ist. Was er wirklich kostet, ist die Aufmerksamkeit von zwei bis drei Leuten, die man für den Rollout gebraucht hätte.
Was die Zahlen zeigen
Die DZ Bank hat im vierten Quartal 2025 gut tausend Unternehmen befragt. 65 Prozent sorgen sich um die Lohnkosten, 61 Prozent finden keine Fachkräfte, 80 Prozent ächzen unter Bürokratie. Auf jede dieser Belastungen ist Automatisierung mit KI eine gute Antwort, die sich skalieren lässt. Daneben die andere Zahl, die gern zitiert wird: Unternehmen in den USA investieren laut McKinsey rund 400 Milliarden Euro im Jahr in KI, deutsche etwa 10 Milliarden. Ich halte diese Zahl für weniger wichtig, als sie klingt. Kein Geschäftsführer, mit dem ich gesprochen habe, hat zu wenig Budget als sein erstes Hindernis genannt. Genannt werden unklarer Return, fehlende Kompetenz, fehlende Skalierbarkeit. Das sind keine Geldprobleme. Das sind Reihenfolgeprobleme.
Was in der Praxis verbrennt | Was in der Praxis trägt |
Demo gesehen, Lizenz gekauft, Problem gesucht | Erst die Stunden zählen, dann die Technologie wählen |
Pilot ohne Zielwert, läuft seit einem Jahr | Ausgangswert, Zielwert und Stopptermin vor dem Start |
Sonderbudget, das die Gesellschafter skeptisch macht | Finanzierung aus Überbestand und Überkapazität, bevor der erste Pilot Geld kostet |
Toolschulung für 300 Leute | Qualifikation auf den konkreten Anwendungsfall je Rolle |
Die IT soll den Nutzen liefern | Der Fachbereich verantwortet Problem und Zahl, die IT die Integration |
Zehn Piloten parallel | Drei Piloten in sechs bis zwölf Wochen, danach skalieren oder beenden |
Die dritte Ursache: die Finanzierung kommt aus dem falschen Topf
Wenn eine KI-Initiative als Sonderbudget vor den Gesellschafterkreis kommt, trifft sie dort auf genau die Skepsis, die 70 Prozent unklarer Return erzeugen. Verständlich. Dabei liegt das Geld in fast jedem Werk, das ich kenne, schon da. Es steht nur in der falschen Bilanzzeile, im Lager und in Personalkapazität, die für Spitzen bemessen wurde, die nicht mehr kommen.
In einem Rechenbeispiel aus unserem Whitepaper senkt ein Unternehmen mit 500 Mitarbeitern zuerst seinen Überbestand im Lager um 25 Prozent, bei besserer Liefertreue, und setzt damit 5,4 Millionen Euro frei. Der Abbau von Überkapazität in Verwaltung und Fertigung bringt weitere 1,0 Millionen im Jahr, überwiegend mit klassischer Optimierung. Beides dauert 12 bis 20 Wochen. Erst danach beginnt die eigentliche KI-Phase, und sie ist zu diesem Zeitpunkt bereits bezahlt. Die Einmalinvestition von 4,0 Millionen über 24 Monate steht gegen 11,2 Millionen Nutzen, netto 7,2 Millionen. Das ist ein typisiertes Modell, kein Kundenfall, und die Zahlen verschieben sich mit Personalkostenquote und Bestandshöhe. Was sich nicht verschiebt, ist die Reihenfolge.
Wie ein Bestandsprogramm in dieser Größenordnung die Kapitalbindung senkt, haben wir auf einer eigenen Seite für Finanzverantwortliche beschrieben.
Bei BMZ Group, einem Hersteller von Batteriesystemen, hat ein neunmonatiges Effizienzprogramm 38 Millionen Euro Liquidität freigesetzt. Sven Bauer, Group CEO, hat es so formuliert: „Wir konnten um 27 Prozent wachsen, ohne neues Personal einzustellen." Das war kein KI-Projekt. Es zeigt die Größenordnung dessen, was vor der KI-Phase in einem Mittelständler liegt, und warum ich Sonderbudgets für den falschen Weg halte.
Warum die IT das nicht richten kann
Ich habe großen Respekt vor den IT-Abteilungen im Mittelstand. Fünf Leute halten ERP, MES, Netzwerk und Datenschutz am Laufen und sollen jetzt auch noch die KI-Transformation stemmen. Aber die Frage, welche Arbeit in der Fertigung wegfallen soll und was mit der frei werdenden Kapazität passiert, kann die IT nicht beantworten. Das ist eine Führungsentscheidung. Wo sie trotzdem an die IT delegiert wird, entstehen Lösungen, die technisch sauber und wirtschaftlich unsichtbar sind.
Sieben Fragen, bevor Sie die nächste Lizenz freigeben
Welche drei wirtschaftlichen Probleme soll KI in den nächsten 24 Monaten lösen, in Euro? Das ist die erste. Die anderen sechs ergeben sich daraus: Wo im Werk entstehen heute die meisten manuellen Stunden und Qualitätskosten. Welche Lizenzen laufen schon, und was liefern sie messbar. Wer im Führungskreis verantwortet den Nutzen, nicht die Technik. Nach welchen Kriterien wird ein Pilot gestartet und beendet. Welche Rollen fehlen. Und mit welchen Kennzahlen berichten Sie den Gesellschaftern. Wenn zwei davon offen sind, ist die nächste Lizenz eine Wette. Kann man machen. Man sollte es dann aber auch so nennen.
Wie aus den Antworten ein Programm mit Framework und fünf Phasen wird, steht im Beitrag zur KI-Transformation in der Industrie. Warum das Zeitfenster dafür 2026 bis 2028 ist und nicht irgendwann, im Beitrag zur KI-Strategie für den Mittelstand.
Ein Vorschlag
Zählen Sie Ihre laufenden KI-Piloten. Für jeden die drei Fragen: Gibt es einen Ausgangswert in Stunden oder Euro, gibt es einen Termin, an dem entschieden wird, gibt es einen Verantwortlichen aus dem Fachbereich. Wo eines fehlt, verbrennt Geld, unabhängig davon, wie gut die Technologie ist. Wenn Sie das Ergebnis mit jemandem durchgehen wollen, der diese Liste schon oft gesehen hat: Ein Fit-Check dauert 20 Minuten und kostet nichts.
Whitepaper: ROI-getriebene KI-Transformation in der Industrie
Im Whitepaper erfahren Sie:
- welche sieben Technologiefamilien für Industrieunternehmen relevant sind
- wie sich Tätigkeits- und Effizienzpotenziale strukturiert untersuchen lassen
- wie eine KI-Transformation finanziell bewertet wird
- welche Organisation, Governance und Qualifikation benötigt werden
- wie das Leanovative-Transformationsframework und die fünf Umsetzungsphasen aufgebaut sind
Laden Sie das Whitepaper herunter und erhalten Sie eine vollständige Orientierung für die wirtschaftliche Einführung von KI in Ihrem Unternehmen.
Über den Autor
Kenneth Hytrek ist Gründer und Geschäftsführer der LEANOVATIVE Consulting GmbH. Seit mehr als 16 Jahren arbeitet er mit Geschäftsführern und Führungsteams produzierender Unternehmen an Produktivität, Kosten, Working Capital und Wettbewerbsfähigkeit. Seine Erfahrung aus mehr als 150 Projekten verbindet er mit einem ROI-orientierten Ansatz zur Einführung von Künstlicher Intelligenz und Automation.
Kommentare