Nach dem Hype: Der Weg von der KI-Ernüchterung zur echten Wertschöpfung

Tech-Sell-off und viele Fragen

Im August 2025 kam es zu einem bemerkenswerten Einschnitt an den Börsen: Nach Monaten des Hypes mussten gerade jene Unternehmen Federn lassen, die im KI-Boom zuvor am stärksten profitiert hatten. Palantir, Nvidia und Arm Holdings – allesamt 2024 noch gefeierte Top-Performer – verloren im August plötzlich zwischen 4 und 9 Prozent ihres Börsenwertes. Auch an der Nasdaq und im S&P 500 traf es nicht nur die „reinen“ KI-Unternehmen, sondern auch Konzerne aus klassischen Industrien, denen man durch KI-Einsatz signifikante Umsatzsteigerungen oder Kostensenkungen zugetraut hatte.

‍

Natürlich hat ein Tech-Sell-off viele Ursachen: Zinserwartungen, geopolitische Spannungen, Gewinnmitnahmen. Doch in diesem Fall fiel der Ausverkauf auffällig mit einer wachsenden Ernüchterung über den tatsächlichen Wertbeitrag von Generativer KI in Unternehmen zusammen – ohne jedoch das Narrativ eines langfristigen KI-Booms zu widerlegen. Die Frage, die sich in dieser Phase stellt: Wie sieht der Weg für eine echte, profitable Wertschöpfung der KI für Unternehmen aus? Wie gehen Unternehmen dabei vor und welche Bedeutung haben dabei die Anbieter von KI-Lösungen?

‍

In meiner Analyse stütze ich mich deshalb auf zwei aktuelle und zentrale Quellen: die aktuelle MIT-Studie The GenAI Divide und die BOND-Analyse The AI Report 2025. Während das MIT nüchtern aufzeigt, warum 95 % der Piloten scheitern, betont BOND die andere Seite: die massiven Investitionen, die Nutzer-Explosion und die ersten Erfolge von KI in der physischen Welt.

‍

Der MIT-Report wurde auch kritisiert: Er sei zu negativ, messe Piloten zu früh am ROI und blende Revenue-Cases oder Innovationen wie Physical AI aus. Tatsächlich setzt etwa die BOND-Studie einen Kontrapunkt: Sie betont das Umsatzpotenzial (Morgan Stanley) und die Expansion in die physische Welt. Das ist kein Widerspruch, sondern eine Ergänzung. MIT beschreibt die Gegenwart, BOND Capital die mögliche Zukunft.

‍

Zusammengenommen lassen sich damit sowohl die Ursachen der Ernüchterung erklären als auch die Perspektiven aufzeigen, die nach dem Hype liegen – bis hin zum „Agentic Web“, in dem vernetzte KI-Agenten ganze Ökosysteme prägen.

‍

Die MIT-Studie: Mehr Piloten als Profite

Die Forscher haben über 300 öffentliche Implementierungen von Generative AI (GenAI) untersucht – ein Mix aus Interviews, Umfragen und Fallanalysen. Das Ergebnis ist ernüchternd:

‍

95 % der untersuchten Unternehmen konnten keinen messbaren Mehrwert erzeugen.
Nur 5 % erzielten tatsächlich einen Beitrag zum Geschäftsergebnis – meist in Form kleinerer Millionenbeträge.

‍

Das MIT resümiert unmissverständlich:‍

„After $30–40B of enterprise spend, roughly 95% of organizations are seeing no measurable P&L impact. Adoption is high; transformation is rare.“

Das Fazit der Studie: Adoption ist hoch, aber Transformation bleibt aus. Unternehmen experimentieren viel, aber nur wenige schaffen den Sprung vom Piloten in die produktive Realität, die einen relevanten Top- oder Bottom-Line-Effekt hätte. Ein Gros der Investitionen wurden verbrannt.

‍

Die vier Muster des GenAI Divide – warum Piloten scheitern

1. Limited Disruption – die Umwälzung bleibt aus. Nur in zwei Branchen – Technologie und Medien – ist bislang eine echte strukturelle Veränderung sichtbar. Dort sind die Produkte selbst digital, sodass KI unmittelbar den Kern des Geschäfts beeinflusst: Code schreiben, Content generieren, Werbung personalisieren. In allen anderen Branchen bleibt KI ein Werkzeug für lokale, individuelle Effizienzsteigerungen, aber nicht für fundamentale Transformation.

„Only 2 of 8 major sectors show meaningful structural change.“ (MIT)

2. Enterprise Paradox – das Paradox der Großen. Ausgerechnet Konzerne, die eigentlich über die Ressourcen verfügen, sind beim Skalieren am schwächsten. Sie sammeln Piloten, aber keine Resultate. Entscheidungswege sind zu lang, Compliance-Hürden zu hoch, interne Politik zu komplex. Proof of Concepts enden im Labor, statt ins Geschäft überzugehen. Mittelständische Unternehmen dagegen sind oft pragmatischer, rollen schneller aus und erzielen produktive Ergebnisse. Größe wird hier zum Handicap.

„Big firms lead in pilot volume but lag in scale-up.“ (MIT)

3. Investment Bias – Geld an der falschen Stelle. Die Investitionen fließen überwiegend in Frontoffice-Bereiche wie Marketing und Sales. Dort sind die Effekte leichter sichtbar und kommunizierbar („mehr Leads, bessere Kampagnen“). Doch die großen, stabilen ROI-Potenziale liegen – so die MIT-Studie – im Backoffice: Finanzen, Einkauf, Operations. Hier lassen sich Millionen sparen. Weil diese Felder aber weniger attraktiv erscheinen und tiefere Prozesskenntnis und -integration erfordern, werden sie vernachlässigt. Das führt dazu, dass viele Unternehmen in Leuchtturmprojekte mit Außenwirkung investieren, während die eigentlichen „low hanging fruits“ ungenutzt bleiben.

„Budgets favor visible, top-line functions over high-ROI back office.“ (MIT)

4. Implementation Advantage – die Kraft der Partnerschaften, Unternehmen, die externe Partner einbinden, sind doppelt so erfolgreich wie jene, die alles intern bauen wollen. Startups und spezialisierte Anbieter bringen Know-how, Erfahrung und marktreife Lösungen mit. Interne Teams dagegen stoßen schnell an Grenzen – sei es durch Talentmangel oder interne Reibereien. Der alte Gegensatz „Build vs. Buy“ kippt klar in Richtung „Buy“. Geschwindigkeit und Praxistauglichkeit schlagen Eigenbau.

„External partnerships see twice the success rate of internal builds.“ (MIT)

Fehlende Adaption und Lernen als Kernproblem

Ein zentrales Muster, das sich durch die MIT-Studie zieht, ist die fehlende Lernfähigkeit heutiger GenAI-Anwendungen im Kontext von Unternehmensanwendungen bzw. der Integration einer lerndenden KI in Prozesse und Workflows.

„Most tools don’t remember, don’t adapt, and don’t improve with feedback.“ (MIT)

‍

◾ Erinnerung Die meisten GenAI-Tools haben keine echteMemory-Funktion. Jede Session ist isoliert, es fehlt der langfristige Kontextdes Nutzers und des Unternehmens. Für kleine Aufgaben (Texte, E-Mails, Ideen)sind sie nützlich, für durchgehende und fachübergreifende Prozesse (B2BJourney, Procurement, Compliance) untauglich.

‍

◾ Adaption – kein Lernen aus Feedback LLMs geben Antworten,aber sie lernen nicht aus Fehlern oder Korrekturen. Beispiel: Ein Mitarbeiterkorrigiert einen KI-generierten Vertrag – beim nächsten Mal „weiß“ das Modelldavon nichts. Unternehmen trauen den Tools deshalb keine sensiblen odersicherheitskritischen Prozesse an. Das ist einer der Hauptgründe, warum Pilotenim „Lab“ bleiben und nicht in die Produktion wandern.

‍

◾ Fehlende Integration ins Workflow-Lernen LLMs sind nicht inorganisatorische Feedback-Schleifen eingebunden: - Kein KPI-basiertes Lernen(z. B. Kostenersparnis, Umsatzsteigerung) - Kein Alignment mit Compliance oderRisikomanagement. Die Folge: inkonsistente Qualität, kein systematischerVerbesserungsprozess.

‍

◾ Die „Shadow AI Economy“ als Symptom Rund 90 % derMitarbeiter nutzen laut der Studie GenAI-Anwendungen wie ChatGPT privat oderinoffiziell, aber nur ein Bruchteil über offizielle Systeme. Der Grund: Dieoffiziellen Tools gelten als zu unflexibel, zu vergesslich, zu wenigeingebunden. Mitarbeiter schaffen sich eigene Inseln – Notion mit KI, eigeneGPTs, kleine Automatisierungen. So entsteht eine Schatten-Ökonomie derKI-Nutzung.

‍

Gewinner und Verlierer – wer profitiert wirklich?

Die MIT-Studie macht deutlich, dass es einen klaren Unterschied zwischen Gewinnern und Verlierern gibt.

‍

Gewinner sind vor allem jene Unternehmen, die pragmatisch und ergebnisorientiert vorgehen. Sie setzen nicht auf groß angekündigte Frontoffice-Projekte, die sich gut verkaufen lassen, sondern konzentrieren sich auf das, was im Kern sofort messbaren ROI erzeugt: Backoffice-Automatisierung. Dort lassen sich zweistellige Kostensenkungen erzielen, wenn Prozesse wie Rechnungsprüfung, Procurement oder Dokumentenmanagement mit GenAI unterstützt werden. Gewinner holen sich zudem spezialisierte Partner ins Boot, die über Erfahrung und marktreife Lösungen verfügen. Branchen wie Technologie und Medien sind hier im Vorteil, weil ihre Produkte digital sind und KI ihren Geschäftskern unmittelbar verändert.

‍

Verlierer sind dagegen häufig Großkonzerne, die in unzähligen Proof of Concepts verharren und es nicht schaffen, Projekte aus den Laboren in den operativen Alltag zu bringen. Sie verlieren Zeit, während agilere Wettbewerber bereits produktive Anwendungen etablieren. Ebenso zählen zu den Verlierern Unternehmen, die sich von bunten Frontoffice-Demos blenden lassen, deren Effekte aber kaum in der Gewinn- und Verlustrechnung ankommen. Besonders betroffen sind Branchen, deren Kernprozesse noch nicht ausreichend digitalisiert sind. Diese Unternehmen können KI nur oberflächlich einsetzen – und laufen Gefahr, von agileren Wettbewerbern überholt zu werden. Gleichzeitig liegt hier aber auch ein erhebliches Nachholpotenzial: Wer jetzt beginnt, Prozesse tiefgehend zu digitalisieren und KI in die Organisation einzubetten, kann mittelfristig ganze Branchenkonstellationen verschieben.

‍

Der Hype Cycle – Hohe Erwartungen, Ernüchterung und der Pfad zur Produktivität

Aber wie geht es weiter? Die Bond-Analyse und die MIT-Studie liefern zwar unterschiedliche Perspektiven, doch zusammengenommen entsteht ein klares Bild: Wir befinden uns an einem Wendepunkt. Um diesen zu erklären, nutze ich den Hype Cycle – nicht als abstraktes Modell, sondern als Storyline.

‍

Denn der Hype Cycle eignet sich gut, um zu verstehen, wie überzogene Erwartungen entstehen, warum sie enttäuscht werden und wo die nächsten realistischen Schritte liegen. Er zeigt, wie es zur aktuellen Ernüchterung rund um Generative AI gekommen ist – und gleichzeitig, wie Unternehmen den Weg aus dieser Phase finden können.

Technological Trigger (ab 2023)

Der Startschuss für den Hype kam mit GPT-4 und den darauf folgenden Integrationen in Microsoft Office (Copilot) und Google Bard. Plötzlich war KI massentauglich. Innerhalb weniger Monate erreichte ChatGPT über 100 Millionen Nutzer, bis 2025 stieg die Zahl auf 800 Millionen wöchentliche Anwender – schneller als jede Technologie zuvor, schneller als das Internet oder Smartphones in ihren frühen Jahren.

‍

Parallel fielen die Inferenzkosten dramatisch: Seit 2022 sind die Kosten pro Anfrage (Prompt → Antwort) um rund 99 % gesunken. Damit wurde es für Unternehmen erstmals denkbar, KI massenhaft in ihre Produkte und Prozesse einzubauen.

„Inference costs down 99% since 2022 — enabling mass adoption.“ (BOND)

Gleichzeitig investierten die großen Tech-Konzerne in nie dagewesenem Ausmaß in ihre Infrastruktur. Allein 2024 gaben Apple, Microsoft, Alphabet, Amazon, Meta und Nvidia zusammen 212 Milliarden US-Dollar für Rechenzentren, GPUs und Chips aus – ein Anstieg von 63 % im Vergleich zum Vorjahr. Das war der „CapEx-Superzyklus“, der den technischen Boden für die KI-Welle bereitete.

Damit waren die Voraussetzungen geschaffen für die explosionsartige Welle an Corporate Pilots, die 2023 und 2024 in hunderten Unternehmen gestartet wurden.

Peak of Inflated Expectations (2024–2025)

Die Euphorie erreichte ihren Höhepunkt. Analysten sprachen von 30 bis 50 % Produktivitätssteigerung, die KI in Unternehmen erzeugen könne. Die Börsenkurse der „KI-Stars“ explodierten: Palantir, Nvidia und Arm Holdings stiegen zeitweise um mehr als 300 %.

‍

Unternehmen starteten massenhaft Projekte – allein im S&P 500 wurden über 300 Piloten gezählt, die meisten davon mit Fokus auf Frontoffice und Kundenschnittstellen.

‍

Zugleich zeigte sich, dass KI nicht nur digitale Prozesse betrifft. Erste „Physical AI“-Signale tauchten auf: Waymo-Robotaxis erreichen in San Francisco in bestimmten Zonen einen Marktanteil von über 25 %. In China begann die massive Einführung von KI-gestützter Robotik in der Industrie – nicht mehr nur für den Autobau, sondern auch für Logistik, Konsumgüter und sogar Gastronomie.

‍

Damit wurde KI nicht nur als digitales Phänomen gesehen, sondern als Kraft, die ganze Märkte – auch in der physischen Welt – verschieben kann.

Trough of Disillusionment (ab August 2025)

Dann die Ernüchterung. Die MIT-Studie zeigt, dass 95 % der Piloten keinen messbaren ROI erzeugen. Nur 5 % generieren überhaupt einen finanziellen Mehrwert – und der lag meist nur im unteren Millionenbereich.

‍

Es wurde deutlich, dass die Unit Economics der KI-Anbieter nicht aufgehen: Das Training bleibt extrem teuer (Milliardenkosten pro Modell), die Einnahmen reichen nicht, Verluste häufen sich. Ein Beispiel: Ein führender LLM-Anbieter erzielte 2024 rund 3,7 Mrd. USD Umsatz – gleichzeitig lag der Verlust bei rund 5 Mrd. USD.

‍

Hinzu kommt der Energie- bzw. Ressourcen-Faktor. KI-Systeme verbrauchen enorme Mengen Strom und Wasser. Ohne effizientere Chips oder neue Energiequellen droht eine Verlangsamung des Wachstums.

‍

Die Börsen reagierten prompt: Palantir verlor 9 %, Nvidia 4 %, Arm 5 %.

Slope of Enlightenment (ab jetzt) - Expansion in physische Welt

Doch Ernüchterung bedeutet nicht Stillstand. Im Gegenteil: Sie schafft Raum für den nächsten Schritt. Unternehmen richten ihren Fokus neu aus – weg vom glänzenden Frontoffice, hin zur Backoffice-Automatisierung. Erste erfolgreiche Projekte zeigen zweistellige Kostensenkungen bei Prozessen wie Rechnungsprüfung, Procurement oder Kundenservice.

‍

Parallel entstehen die ersten „Agentic Workflows“: Systeme, die nicht nur Antworten geben, sondern sich erinnern, anpassen und Feedback nutzen. Damit lösen sie das Hauptproblem bisheriger Tools – die fehlende Lernfähigkeit.

‍

Auch in der physischen Welt geht es weiter: Robotaxis expandieren über San Francisco hinaus. In China übernehmen KI-gesteuerte Roboter zunehmend Produktionsaufgaben. Laut der International Federation of Robotics (IFR) stammen inzwischen mehr als die Hälfte aller neu installierten Industrieroboter weltweit aus China.

‍

Warum erwähne ich hier China ganz besonders? China verfolgt eine klare Strategie: KI-Robotik soll den demografischen Wandel – alternde Gesellschaft, steigende Löhne – abfedern und zugleich die industrielle Wettbewerbsfähigkeit sichern. Während die USA und Europa an technologischen Durchbrüchen arbeiten, baut China die industrielle Skalierung auf – und gewinnt so Marktrelevanz.

Plateau of Productivity (ab 2027) – Aufstieg des Agentic Webs

In dieser Phase wird KI nicht mehr als Pilot oder Demo laufen, sondern tief in Prozesse integriert sein. Bloomberg Intelligence prognostiziert ein globales Marktvolumen von über einer Billion US-Dollar bis 2032. Für den gesamten KI-Markt gibt McKinsey eine Summe von 4-5 Billionen US-Dollar an. Die Inferenzkosten bleiben niedrig, neue Chips und energieeffiziente Hardware reduzieren Ressourcenverbräuche.

‍

Und: Der entscheidende Schritt ist das, was das MIT als „Agentic Web“ beschreibt – ein Geflecht vernetzter KI-Agenten, die nicht mehr isoliert arbeiten, sondern über Systeme, Unternehmen und Branchen hinweg Prozesse orchestrieren. Damit verschwindet die heutige Logik von Piloten und Insel-Lösungen. KI wird nicht länger Tool, sondern Teil des Unternehmens-Ökosystems.

„The long-term picture is the ‘Agentic Web’: interoperable agents coordinating across vendors and systems, replacing today’s brittle apps with protocol-driven workflows.“ (MIT)

‍

Meine Quintessenz

Die MIT-Studie macht deutlich: Prompting auf ChatGPT-Niveau reicht nicht. Wer Wert schaffen will, muss KI-Agenten tief in Prozesse integrieren – und sicherstellen, dass sie lernen, sich erinnern und Feedback verarbeiten.

‍

Die Forscher schreiben unmissverständlich:

„The most successful buyers treat GenAI vendors less like SaaS providers and more like BPO partners – demanding customization, measuring outcomes, and holding line managers accountable.“ (MIT)

Das bedeutet: Anbieter sind nicht mehr nur Software-Lieferanten. Sie müssen Beratungs- und Orientierungsfunktionen übernehmen, ähnlich wie klassische BPO-Consultants. Kunden messen Leistung nicht an Features, sondern an Prozessen, Anpassung und Geschäftsergebnissen.

‍

Die BOND-Analyse ergänzt diesen Blickwinkel:

„Revenue focus dominates enterprise AI strategies – Morgan Stanley projects trillions in additional top-line growth driven by AI adoption.“ (BOND)

Während MIT die aktuelle Realität nüchtern beschreibt – Backoffice-Effizienz, Prozessintegration und Lernfähigkeit – zeigt BOND die andere Seite: die Umsatzpotenziale und den Schritt in die physische Welt (Robotaxis, Industrie-Roboter, Physical AI).

‍

Ich sehe die aktuelle Phase als einen notwendigen Übergang. Unternehmen stehen heute zwischen vielen KI-Piloten und einer Zukunft, in der Agenten-Ökosysteme Prozesse wirklich tragen können. Was in dieser Zwischenzeit am meisten fehlt, ist Orientierung. Genau hier liegt die Rolle von Beratern und Lösungsanbietern: nicht nur Technologie zu liefern, sondern Wege aufzuzeigen, wie KI klug in Strukturen, Prozesse und Ökosysteme eingebettet wird. Es geht darum, den Sinn von Technologien im Kontext der Organisation zu verstehen – und daraus tragfähige Entscheidungsstrukturen zu bauen.

‍

Quellen:

The GenAI Divide: State of AI in Business 2025, Herausgeber: MIT NANDA Initiative (MIT Initiative on the Digital Economy, New AI Dynamics & Adoption), 2025

‍

The AI Report 2025, Herausgeber: BOND Capital (Mary Meeker & Team)

‍

Generative AI races toward $1.3 trillion in revenue by 2032, Bloomberg, 2024

‍