Die Wirtschaftlichkeit
Warum man in KI-nativ werden investieren sollte – und was man dabei erwarten kann.
Das Kernargument
Die meisten Organisationen nutzen KI. Wenige schöpfen daraus Wert.
78 % der Unternehmen berichten von KI-Einführung. Aber nur 5,5 % verzeichnen mehr als 5 % EBIT-Auswirkung (McKinsey, 2025). PwCs globale CEO-Umfrage ist noch deutlicher: 56 % der CEOs berichten von null Kosten- oder Umsatznutzen durch KI (PwC, 2026).
Der Grund liegt nicht in der Technologie. Er liegt im Ansatz.
BCGs Forschung zeigt, dass etwa 70 % des KI-Werts aus organisationalen und Belegschaftsfaktoren stammt – nicht aus Algorithmen oder Infrastruktur (BCG AI Radar 2026). Organisationen, die nur KI-Tools einführen, ohne die Art, wie Arbeit erledigt wird, neu zu gestalten, schöpfen nur einen Bruchteil des Potenzials. Diejenigen, die umstrukturieren – sodass Menschen Spezifikationen definieren und Systeme ausführen – verzeichnen 2,5-faches Umsatzwachstum und 3,3-fach höheren Skalierungserfolg (Accenture, 2024).
Das ist der Business Case für KI-native Transformation. Nicht Tools kaufen. Die Organisation neu gestalten.
Für die philosophischen Grundlagen – warum KI die Natur der Arbeit verändert – siehe die Vision. Diese Seite handelt von den Zahlen, der Investition und dem Vorgehen.
Die wirtschaftlichen Signale
Nur ~10 % des KI-Werts kommt von Algorithmen. ~20 % von Technologie und Daten. Die verbleibenden ~70 % kommen von Menschen- und Prozessveränderungen (BCG AI Radar 2026). Wenn Sie nur in Tools investieren, konkurrieren Sie um 30 % des Werts.
Unternehmen mit starken KI-Fundamenten – verantwortungsvolle KI-Rahmenwerke, unternehmensweite Integration, Workflow-Neugestaltung – erzielen 3-fach höhere Wahrscheinlichkeit, nennenswerte finanzielle Renditen zu erzielen. Diejenigen, die KI weit anwenden, erzielten fast 4 Prozentpunkte höhere Gewinnmargen (PwC, 2026).
88 % der Organisationen nutzen KI irgendwo. Nur 21 % haben Workflows darum herum neu gestaltet. Diese 21 % machen den Großteil der EBIT-Auswirkung aus (McKinsey, 2025). Workflow-Neugestaltung – nicht Tool-Adoption – ist der #1-Prädiktor für finanzielle Ergebnisse.
Die ehrliche Gegenperspektive
Goldman Sachs berichtete, dass KI „grundsätzlich null" zum US-BIP-Wachstum 2025 beigetragen hat. Das ist kein Widerspruch – es ist die Lücke zwischen Mikro und Makro. Teams, die KI-getriebene Produktivität bei spezifischen Aufgaben messen, sehen einen medianen Gewinn von ~30 %. Aber die meisten Organisationen haben nicht genug umstrukturiert, damit sich diese Gewinne zu Unternehmensebenen-Auswirkungen kumulieren.
Die Organisationen, die jetzt transformieren, erfassen die Mikro-Gewinne, bevor der Makro-Wettbewerb aufholt.
Das Wettbewerbsrisiko
Das Risiko, nicht zu transformieren, ist kein Stillstand. Es ist das Zurückfallen hinter Wettbewerber, die mit einer strukturell anderen Kostenbasis operieren.
Die Top-10 KI-nativen Unternehmen erzielen durchschnittlich 3,48 Mio. $ Umsatz pro Mitarbeiter. Traditionelle Technologieunternehmen erzielen ~200.000 $ (Web Strategist, 2025; Inovia, 2025). Das sind kleine Unternehmen – durchschnittlich 24 Mitarbeiter. Die Lücke verringert sich im Maßstab, aber das Richtungssignal ist konsistent: KI-native Betriebsmodelle produzieren asymmetrischen Output pro Person.
KI-native Technologieunternehmen werden zu einem medianen 25,8-fachen Umsatz bewertet, gegenüber 5–6-fachem für traditionelle Softwareunternehmen (Eqvista, 2025; Aventis Advisors, 2025). KI-Startups sammeln zu 40 % höheren Bewertungen bei Series A. Kapital fließt zu KI-nativen Unternehmen, was bedeutet, dass traditionelle Wettbewerber sowohl einen operativen als auch einen Finanzierungsnachteil haben.
Die meisten Unternehmen, die bei der KI-Transformation scheitern, scheitern wegen Menschen, Prozessen und Politik – nicht wegen Technologie. Angst vor Ersatz, starre Workflows und eingefahrene Machtstrukturen sabotieren Initiativen still. Nur 24 % der Unternehmen fühlen sich sicher in den KI-Fähigkeiten ihrer Belegschaft (HBR, 2025). Das Wettbewerbsrisiko ist nicht „sie haben KI und wir nicht." Es ist, dass organisationale Trägheit die Reaktion verhindert, auch wenn die Technologie für alle verfügbar ist.
Eine Fallstudie in Ehrlichkeit: Klarna
Klarna reduzierte seinen Personalbestand von 5.527 auf ~2.907 (47 % Reduzierung), während der Umsatz pro Mitarbeiter um 73 % stieg. Ihr KI-Chatbot bearbeitete 2,3 Millionen Gespräche pro Monat – das Äquivalent von 700 Agenten. Ihr Marketing-Team halbierte sich, während es mehr Kampagnen durchführte.
Dann kehrten sie teilweise um bei KI-only-Kundenservice und stellten menschliche Agenten für komplexe Interaktionen wieder ein.
Das ist das ehrliche Bild: Die Produktivitätsgewinne sind real und dramatisch. Vollständiger Ersatz ohne menschliches Urteilsvermögen in der Schleife hat Grenzen. KI-nativ bedeutet nicht menschenfrei – es bedeutet, dass Menschen die Spezifikationen definieren, den Qualitätsmaßstab setzen und das handhaben, was das System nicht kann. Die fünf unersetzlichen Funktionen gelten weiterhin.
Wie die Investition aussieht
KI-Transformation ist primär eine Belegschaftsinvestition, kein Technologiekauf.
Budgetallokation
Der praktischste Benchmark stammt aus branchenübergreifender Analyse (Axis Intelligence, 2025):
| Kategorie | Anteil | Was es abdeckt |
|---|---|---|
| Technologieinfrastruktur | 35 % | Tooling, Plattformen, Integrationen |
| Organisatorischer Wandel & Training | 40 % | Workflow-Neugestaltung, Upskilling, Change Management |
| Talententwicklung | 15 % | Einstellung, Umschulung, Rollenneuentwurf |
| Governance & Risikomanagement | 10 % | Richtlinien, Qualitätsstandards, Compliance |
Die kritische Erkenntnis: 40 % der Investition sind organisatorischer Wandel und Training. Organisationen, die das als Technologieprojekt behandeln, unterinvestieren systematisch in den Teil, der 70 % des Werts generiert.
Investitionsmaßstab
Unternehmen geben 2025 0,8 % der Umsätze für KI aus, verdoppeln sich auf 1,7 % im Jahr 2026 (BCG AI Radar 2026). Tech- und Finanzdienstleistungsunternehmen planen ~2 %. Unternehmen, die weniger als 5 % des Gesamtbudgets ausgeben, erreichen selten nennenswerte unternehmensweite Wirkung.
Wie der Ertrag aussieht
Unter den 26 % der Organisationen, die Wert aus KI gezogen haben, sind die Ergebnisse klar: durchschnittliche Kosteneinsparungen von 45 % und 60 % höheres Umsatzwachstum (BCG, 2025). IBM berichtet von 4,5 Mrd. $ kumulierten Einsparungen seit Januar 2023, mit 3,9 Millionen Stunden eliminierter repetitiver Aufgaben allein im Jahr 2024 (IBM, 2025).
Die Lücke zwischen Organisationen, die Wert erzielt haben, und denen, die das nicht getan haben, weitet sich (BCG, 2025). Die Kosten des Wartens häufen sich an.
KI-Ökonomie bei Reife
Das oben verwendete Mess-Vokabular („KI-Investition", „erfasster Wert", „eingesparte Zeit") passt zu Level 1 und Level 2 – wenn KI ein Werkzeug ist, das von einer bestehenden Belegschaft genutzt wird. Auf Level 3 – wenn KI die Ausführungsschicht ist – verschieben sich die Metriken.
Auf Level 3 sind Gesamt-KI-Ausgaben ohne Nenner bedeutungslos. Kosten pro gemergtem PR, pro gelöstem Ticket, pro verarbeiteter Transaktion – das ist die bindende Metrik.
KI auf Anwendungsebene läuft strukturell unter SaaS (70–90 %), weil Inferenz eine variable Kostenart ist. Um den Boden herum planen.
Pro-Token-Kosten fallen 10–40-fach pro Jahr. Pro-Aufgaben-Kosten steigen oft, weil Reasoning-Modelle und Agentenschleifen 10–100-fach mehr Tokens verbrauchen.
Von „eingesparter Zeit" zu „Kosten pro Output-Einheit"
Auf Level 1–2 ist die dominante Frage Hat KI geholfen? Die Metrik ist eingesparte Menschenzeit. Auf Level 3 ist die dominante Frage Was kostet jede Output-Einheit? Die Einheit variiert je nach Domäne:
| Domäne | Einheit |
|---|---|
| Engineering | Kosten pro gemergtem PR; Kosten pro ausgelieferter Story |
| Kundendienst | Kosten pro gelöstem Ticket; Kosten pro Kunde |
| Finanzoperationen | Kosten pro verarbeiteter Transaktion; Kosten pro Periodenabschluss |
| Wissensrecherche | Kosten pro Synthese-Brief; Kosten pro beantworteter Anfrage |
Vantages empirische Daten zu KI-Coding-Ausgaben (Vantage, 2025) ergaben, dass die Teams mit den höchsten Ausgaben auch die niedrigsten Kosten pro PR und den höchsten Durchsatz hatten – Gesamt-KI-Ausgaben sind isoliert die falsche Metrik. Der Nenner (PRs, Tickets, Transaktionen) ist das, was zählt.
KI-Bruttomarge liegt strukturell unter SaaS
Ein kontra-intuitives, aber gut triangulierte Erkenntnis: KI-Unternehmen auf Anwendungsebene laufen mit 40–55 % Bruttomarge, gegenüber 70–90 % für traditionelles SaaS. Der Grund ist strukturell – Inferenz ist eine variable Kostenart, die mit der Nutzung skaliert, im Gegensatz zur nahezu null marginalen Kostenart von Software (SaaStr, 2025; Drivetrain, 2025; Tunguz zu Gross Profit per Token, 2025).
Die Entwicklung ist umstritten. Manche Analysten projizieren allmähliche Schließung mit SaaS-Margen; andere argumentieren für einen strukturellen Boden bei 60–65 %. Was nicht umstritten ist: Der Boden ist real, und KI-native Unternehmen müssen darum herum planen. Die KI-Bruttomarge als erstklassigen Posten behandeln, nicht in die Gesamt-Bruttomarge aggregieren.
Pro-Token-Kosten fallen; Pro-Aufgaben-Kosten steigen oft
Die kontra-intuitivste Erkenntnis in der KI-Ökonomie-Literatur (Willison, 2025; SaaStr, 2025; Introl, 2025): Pro-Token-Preise fallen mit 10–40-fach pro Jahr. Aber Reasoning-Modelle, Agentenschleifen und längere Kontexte verbrauchen das 10–100-fache der Tokens von Einmal-Vervollständigungen. Nettoeffekt: Kosten pro Aufgabe steigen oft, sogar wenn Kosten pro Token fallen. Das ist das Jevons-Paradoxon, angewendet auf Inferenz.
Implikation: Nehmen Sie nicht an, dass Inferenzkosten gegen null gehen. Das tun sie nicht. KI-native Organisationen brauchen eine FinOps-Disziplin – auf dieselbe Weise, wie cloud-native Organisationen Cloud-Kostenmanagement brauchten.
Was sich operativ ändert
- Das Mess-Vokabular entwickelt sich mit der Reife. Level 1–2: eingesparte Zeit, % KI-berührter Workflow, Output-Qualität. Level 3: Kosten pro Output-Einheit, KI-Bruttomarge, Agentendurchsatz pro Dollar, mittlere Zeit zwischen menschlichen Eingriffen.
- Das Optimierungs-Toolkit ist konkret und gut bekannt. Modell-Routing (einfache Aufgaben an kleine Modelle), Prompt-Caching, Prompt-Komprimierung, Batch-Inferenz, semantisches Caching, kleinere spezialisierte Modelle, Quantisierung bei ausreichender Skalierung. Das sind operative Disziplinen, keine strategischen Entscheidungen.
- Observability + Evals + Kosten konvergieren in eine einzige operative Schicht. Dieselbe Instrumentierung, die Ihnen sagt, ob die KI funktioniert hat, sagt Ihnen, was sie gekostet hat. FinOps und AgentOps werden zur selben Disziplin.
Zeitrahmen-Erwartungen
Transformations-Zeitrahmen hängen von der Organisationsreife ab. MITs CISR-Forschung über 721 Unternehmen (MIT CISR, 2024) identifiziert ein klares Muster:
- Phasen 1–2 (Experimentieren, Pilot): Finanzleistung ist unter dem Branchendurchschnitt
- Phasen 3–4 (skalierte Integration, KI-native Arbeitsweisen): Finanzleistung ist über dem Branchendurchschnitt
Der größte Wert-Unlock geschieht beim Phase-2→3-Übergang – Wechsel von Pilots zu neu gestalteten Workflows in der gesamten Organisation. Das entspricht direkt dem Level-1-zu-Level-2-Übergang in diesem Rahmenwerk.
Realistische Zeitrahmen
| Phase | Dauer | Was passiert |
|---|---|---|
| Kapazitätsaufbau | 3–6 Monate | KI-Kompetenz, Tool-Zugang, initiales Workflow-Mapping |
| Systematische Pilots | 6–12 Monate | Neu gestaltete Workflows in 2–3 Teams, messbare Ergebnisse |
| Skalierte Integration | 12–24 Monate | Workflow-Neugestaltung in der gesamten Organisation, Rollenentwicklung |
Organisationen mit reifer Dateninfrastruktur beschleunigen um 6–9 Monate. Diejenigen, die grundlegende Arbeit benötigen, brauchen zusätzliche Vorbereitungszeit. Die KI-Revolution geschieht nicht über Nacht – aber Organisationen, die jetzt beginnen, sind 12–24 Monate voraus gegenüber denen, die warten.
70–85 % der GenAI-Deployments scheitern derzeit daran, über Pilots hinaus zu skalieren (NTT DATA, 2024). Der Unterschied zwischen Organisationen, die skalieren, und denen, die das nicht tun, liegt nicht in der Technologie – sondern darin, ob sie die Arbeit neu gestaltet haben, nicht nur die Tools.
Wie man das intern präsentiert
Der Business Case braucht für verschiedene Zielgruppen unterschiedliches Framing.
Für den Vorstand
Vorstände erwarten dieses Gespräch bereits. KI-Oversight-Offenlegungen haben sich seit 2022 um 150 % erhöht (Harvard Law Forum, 2025). Organisationen mit digital und KI-versierten Vorständen übertreffen Mitbewerber um 10,9 Prozentpunkte bei der Eigenkapitalrendite.
KI-Transformation als Governance-Verantwortung rahmen, nicht nur als Chance:
- Risiko-Framing: Wettbewerber, die das 17-fache unseres Umsatzes pro Mitarbeiter erzielen, sind eine strukturelle Bedrohung, kein Technologietrend.
- Investitions-Framing: 70 % des Werts ist organisational. Wir kaufen keine Software – wir gestalten neu, wie Arbeit erledigt wird.
- Zeitrahmen-Framing: Finanzleistung liegt während der Experimentierphase unter dem Branchendurchschnitt. Der Wert erschließt sich, wenn wir von Pilots zu skalierter Integration wechseln.
An Führungskollegen
54 % der Führungskräfte bewerten technologischen Wandel als eine der fünf größten Bedrohungen für die Organisationsgesundheit in den nächsten 12–18 Monaten, aber nur 45 % fühlen sich in der Transformationsfähigkeit ihrer Organisation sicher (Harvard Law Forum, 2025). Das Vertrauens-Gap ist Ihre Einstiegsmöglichkeit.
Als Risikominimierung rahmen, nicht als Disruption:
- Mit einem Team beginnen. Messbare Ergebnisse zeigen. Dann skalieren.
- Der Umsetzungs-Fahrplan bietet die Sequenzierung.
- Die Bewertungsmethodik bietet die Diagnose.
An Ihr Team
Hier scheitern die meisten Präsentationen. Mitarbeiter hören „KI-Transformation" und denken „mein Job ist gefährdet." Die Forschung zeigt, dass das entgegengesetzte Framing funktioniert: Job Crafting – Mitarbeiter zu Mitgestaltern ihrer Zukunft zu machen – verwandelt Widerstand in Engagement.
Als Amplifikation rahmen, nicht als Ersatz:
- Arbeitnehmer in KI-exponierten Rollen verdienen bis zu 30 % Gehaltsprämien (PwC, 2025). KI-Fähigkeiten machen Menschen wertvoller, nicht weniger.
- Das Ziel ist es, die repetitive Arbeit zu eliminieren, nicht die Rolle. Siehe Ihre Rolle transformieren für die individuelle Perspektive.
- Die Beschäftigungszahlen wachsen in praktisch allen KI-exponierten Berufen (PwC, 2025). Die Angst vor Massenverdrängung wird von den Daten nicht unterstützt.
Nächste Schritte
- Bewerten Sie, wo Sie stehen. Verwenden Sie das Referenzrahmenwerk, um den aktuellen Reifegrad Ihrer Organisation zu identifizieren.
- Mit einem Team beginnen. Die Evidenz zeigt Kundendienst als natürlichen Erstbeweger – er generiert den größten Anteil des KI-Werts (BCG, 2025) und zeigt den klarsten Rollenentwicklungspfad.
- Die Transformation gestalten. Die Transformation führen bietet das operative Rahmenwerk für Manager.
- Ehrlich kommunizieren. Die Klarna-Geschichte ist überzeugender als der Hype, weil sie die Umkehr einschließt. Ihr Team wird einem Führenden vertrauen, der Komplexität anerkennt, statt einem, der nur Aufwärtspotenzial verspricht.
← Zurück zur Startseite · Vision · Das Referenzrahmenwerk · Die Transformation führen