Was KI in deutschen Unternehmen wirklich bringt - ein Report des Data & AI Leadership Circle von appliedAI & Odgers

Neue Foundation Models erscheinen im Wochentakt. Benchmarks werden gebrochen, Demos beeindrucken. Und trotzdem: Wenn man Entscheider in deutschen Unternehmen fragt, welcher Prozess durch KI messbar schneller, billiger oder besser geworden ist, wird die Antwort häufig ausweichend.

Nicht weil KI nicht funktioniert. Sondern weil die meisten Organisationen das Falsche optimieren.

Zusammen mit Odgers bringen wir seit mehreren Jahren AI Leaders aus deutschen Unternehmen im „Data & AI Leadership Circle" zusammen. Was diese Gruppe Anfang 2026 beschäftigt, ist eine klare Diagnose: Die Technologie ist bereit. Die Frage ist, ob die Organisationen es sind.

Die Geschwindigkeit der KI-Entwicklung seit 2024 erzeugt vor allem eines: Rauschen. Neue Modelle, neue Tools, neue Benchmarks im Wochentakt. Für Entscheider in Unternehmen ist die schwierige Frage längst nicht mehr, ob Modelle leistungsfähig sind. Sie lautet, welche der versprochenen Produktivitätsgewinne tatsächlich eintreten und wo die echten Engpässe in der eigenen Organisation liegen.

Leistungsfähigkeit, Geschwindigkeit und Zugänglichkeit von Modellen haben sich seit 2024 dramatisch erhöht. Die Produktivitätsgewinne in vielen Unternehmen bleiben dagegen punktuell, schwer messbar und operativ fragil. Der Engpass liegt nicht in der Modellqualität, sondern in Governance, Prozessintegration, Security und Veränderungsmanagement.

appliedAI und Odgers Berndtson bringen seit mehreren Jahren eine Gruppe von AI Leaders aus deutschen Unternehmen zusammen (den „Data & AI Leadership Circle"), um die jeweils aktuellen Herausforderungen der KI-Anwendung zu diskutieren. Um diesen praktischen Blick sichtbar zu machen, veröffentlichen wir hier den aktuellen Stand des Expertenpanels.

Diese Veröffentlichung fasst acht Kernbeobachtungen aus diesem Austausch zusammen. Sie richtet sich an CxOs, Vorstände und Heads of AI, die aus KI belastbare, regulierungskonforme und skalierbare Wettbewerbsvorteile bauen wollen.

Die Leistungszuwächse moderner Foundation Models seit GPT-4o sind substanziell. Coding, Text, Analyse und multimodale Aufgaben nähern sich in Benchmarks menschlichem Expertenniveau an oder übertreffen es. An dem Punkt, an dem KI-Ergebnisse die manuelle Bearbeitung dauerhaft übertreffen, wird das Festhalten an alten Arbeitsweisen selbst zum Risiko. Entscheidend ist nicht mehr, ob Modelle leistungsfähig sind, sondern wie schnell Organisationen sie sicher integrieren.

Kernthese: Unternehmen, die ihr Betriebs- und Entscheidungsmodell nicht bis 2026 an die Modellgeschwindigkeit anpassen, fallen strukturell zurück, unabhängig von der gewählten Plattform.

Implikation für das Management:

1. Modellwahl ist taktisch. Operating Model, Governance und Integration sind strategisch.
2. Geschwindigkeit ohne Kontrolle erhöht das Risiko überproportional, in Security, Reputation und Compliance.

Tools wie GitHub Copilot steigern den Code-Output spürbar, vor allem bei erfahrenen Engineers. Die Engpässe verschieben sich dadurch:

1. QA, Integration, Tests und Compliance bestimmen weiterhin die Durchlaufzeit.
2. Auto-generierter Code erhöht den Review- und Absicherungsaufwand.
3. Produktivitätsangaben von 10 bis 30 Prozent sind nicht belastbar, solange sie auf Lines of Code oder subjektiven Einschätzungen beruhen.

Kernthese: KI erhöht die lokale Effizienz, etwa beim Coding. Der Hauptaufwand liegt jedoch in der Integration in die bestehende oder anzupassende Prozessumgebung. Die Experten schätzen diesen Anteil am Gesamtaufwand auf bis zu 70 Prozent. Die spürbaren Produktivitätsgewinne beziehen sich damit nur auf einen kleineren Teil des Gesamtaufwands.

Weitere Beobachtungen:

1. KI wirkt in Greenfield-Umgebungen stärker als in Legacy-Umgebungen.
2. Teams mit bestehenden Struktur- oder Qualitätsproblemen profitieren unterdurchschnittlich.
3. Test und Qualitätssicherung werden wichtiger, nicht weniger wichtig.
4. Langfristiges Risiko: Kompetenzerosion durch übermäßiges Delegieren an KI.

Sehr viele Unternehmen experimentieren mit KI. Nur wenige erzielen einen substanziellen Geschäftsnutzen. Zwischen technischer Capability und operativem Wertbeitrag klafft eine systematische Lücke. Dort, wo der Sprung gelingt, kann der Ergebnisbeitrag erheblich sein, in einzelnen Fällen im dreistelligen Millionenbereich pro Jahr.

Beobachtungen aus der Praxis:

1. Rein technische oder rein strategische Exzellenz reicht nicht aus.
2. Bei Unternehmen, die KI nicht nur für Assistenzaufgaben, sondern zur Prozessautomatisierung einsetzen, ist der Engpass selten die KI- oder Technikressource. Er liegt im Fachbereich. Nach Erfahrung der Experten braucht es pro investierter KI-Ressource etwa zwei Prozess- oder Fachexperten, um einen Prozessverbesserungseffekt zu erzielen.
3. Die End-to-End-Verantwortung für ein Automatisierungsprojekt (Idee, Betrieb, Audit) ist selten klar verankert.

Kernthese: KI-Adoption ist primär ein Transformations-, kein Technologieprojekt.

Agenten erweitern die klassische Business Process Automation deutlich. Gleichzeitig begrenzen Regulierung und Haftung den Autonomiegrad. Führende Unternehmen arbeiten daher auf ein Zielbild hin, in dem Mensch und Agenten über standardisierte Handover-Punkte einen durchgängigen Prozess abbilden.

1. Bot-zu-Bot-Kommunikation
2. Generatives Prozessdesign (etwa Pega, Regrello)

Kernthese: Die Prozessarchitektur wird gerade neu gestaltet, mit explizitem Human Oversight als Bedingung, nicht als Option.

Unkoordinierte KI-Initiativen nehmen stark zu.

1. Die Nachfrage nach dem jeweils neuesten Tool ist in technologieaffinen Teilen der Belegschaft hoch. Unternehmen geben den Zugang aus strategischen und Sicherheitsgründen zunächst oft nur einem kleinen Kreis in einer Sandbox frei.
2. Mitarbeitende installieren daraufhin eigenständig Tools, Plugins und lokale Modelle.
3. Diese parallelen Entwicklungen führen zu Doppelarbeit, Sicherheitslücken und Markenrisiken.
4. Zunehmende Autonomie durch Agenten, Plugins und komplexe Workflows verschärft das Risiko.

Kernthese: Keines der Panel-Unternehmen stellt neue Technologie ungesteuert zum Experimentieren bereit. Ohne zentrales Register, klare Freigabeprozesse und Verantwortlichkeiten wird KI vom Effizienzhebel zum Governance-Problem.

Notwendig sind:

1. ein zentrales AI-Portfolio bzw. PMO
2. klare Ownership je AI-Anwendung und Agent
3. verbindliche Regeln für Plugins, lokale Installationen und externe Tools

Interne KI-Plattformen sind anfällig für subtile Manipulation.

1. Änderungen an Systemprompts können das Verhalten dauerhaft verschieben.
2. Fehlende Audit-Trails machen die Ursachenanalyse nahezu unmöglich.

Kernthese: Prompt-Security ist Cybersecurity, kein UX-Detail.

Best Practices:

1. geschützte Systemprompts
2. Rollen- und Rechtemanagement
3. Monitoring, Versionierung und Audit-Trails

Die Debatte um Cloud- und Datensouveränität ist stark politisiert. In der Praxis zeigt sich ein differenzierteres Bild.

1. Streng regulierte Branchen brauchen regionale Speicherung oder On-Prem-Ansätze.
2. Während die Aufmerksamkeit beim Thema KI hoch ist, werden geopolitische Abhängigkeiten bei Kollaborations- und Kommunikationssoftware weitgehend akzeptiert.

Kernthese: Souveränität lässt sich nicht am KI-Stack allein festmachen. Sie muss über die gesamte Applikationslandschaft betrachtet werden.

Nach Einschätzung der Experten verstärkt KI bestehende Leistungsunterschiede. Daraus ergeben sich konkrete Aufgaben:

1. Erwartungen und Zielvorgaben müssen neu und fair definiert werden.
2. Metriken müssen so gewählt sein, dass sie keine falschen Anreize setzen, etwa durch reine Output-Messung.
3. Einstiegspositionen müssen Entwicklungspfade bieten, damit Urteilsfähigkeit im Unternehmen erhalten bleibt.

In Deutschland ist die frühzeitige Einbindung des Betriebsrats dabei ein kritischer Erfolgsfaktor.

Kernthese: KI-Produktivität ohne Qualifizierungs- und Performance-Strategie ist nicht nachhaltig.

Viele Unternehmen stehen Anfang 2026 an einem Wendepunkt. Die Technologie ist bereit. Die offene Frage ist, ob die Organisationen bereit sind, ihre Entscheidungs-, Prozess- und Governance-Logik konsequent mitzutransformieren.

KI beschleunigt die Umsetzung von Ideen, etwa im Prototyping. Mittelfristig stellt sie bestehende Geschäftsmodelle infrage. Prozessverbesserung und Automatisierung mit KI sind dafür notwendig, aber nicht hinreichend. Die Experten sind sich einig, dass dieser Schritt gemacht werden muss. Entscheidend ist die Reihenfolge: zuerst den Prozess überarbeiten, dann über das passende KI-Tool entscheiden.

Der Wettbewerbsvorteil entsteht nicht durch das beste Modell, sondern durch dessen kontrollierte Integration in Prozesse und Verantwortlichkeiten.

Bereit, Ihre KI-Transformation zu beschleunigen?

Erfahren Sie mehr über das appliedAI Companion Partnership Program - und wie ein strukturiertes KI-Reifegrad-Assessment Ihrer Transformation die nötige Klarheit, Richtung und Dynamik gibt.