75% der KI-Projekte generieren keine Rendite. Wie man keins davon wird

Mehr als 500 Milliarden Dollar jährlich. Das ist, was die KI-Industrie in Infrastruktur investiert. Meta hat seine Capex-Prognose auf 115–135 Milliarden erhöht. Microsoft überschreitet 120 Milliarden annualisiert. Amazon nähert sich 200 Milliarden.

Nur 5%. Das ist, was tatsächlich echten Mehrwert in großem Maßstab mit KI generiert.

Diese Zahl, von BCG 2025 veröffentlicht, sollte die erste Folie in jedem Vorstandsgremium sein, das KI-Investitionen bewertet. Nicht weil KI nicht funktioniert — sie funktioniert —, sondern weil der Abstand zwischen “die Technologie funktioniert” und “die Investition hat Rendite” enorm ist, und die meisten Organisationen ihn schlecht überbrücken.

Die Zahlen, die die Industrie lieber nicht zusammenstellt

Was investiert wird

Die Kapitalkonzentration in KI ist beispiellos in der Geschichte der Technologie:

• 2023: 75 Milliarden Dollar in Risikokapital für KI (~30% des globalen VC)
• 2024: 131 Milliarden (45% des globalen VC)
• 2025: 258,7 Milliarden (61% des globalen VC, laut OECD)
• Q1 2026: Nur vier Mega-Runden (OpenAI, Anthropic, xAI, Waymo) vereinnahmten ~65% des gesamten Risikokapitals des Quartals

189 Milliarden Dollar in einem einzigen Monat. Im Februar 2026 konzentrierten sich 83% dieser globalen Finanzierung auf drei Unternehmen. Es ist die extremste Konzentration in der Geschichte des Technologiesektors.

Was erzielt wird

• Nur 5% der Unternehmen generieren substantiellen Mehrwert in großem Maßstab mit KI (BCG, 2025)
• 75% der KI-Projekte erreichen den erwarteten ROI nicht
• Schätzungsfehler: Die tatsächlichen Kosten von KI-Projekten übersteigen 500–1.000% des anfänglichen Budgets
• Versteckte Kosten: Datenvorbereitung, Wartung, Nachtraining, Governance — können 60–80% der Gesamtbetriebskosten ausmachen

Es wird mehr investiert als je zuvor. Es wird weniger als erwartet erzielt. Die Lücke zwischen Kapital und Rendite schließt sich nicht — sie weitet sich.

Drei Kurven mit verschiedenen Geschwindigkeiten

Was die aktuelle Situation definiert, ist, dass drei fundamentale Kurven sich mit sehr unterschiedlichen Geschwindigkeiten entwickeln:

1. Technische Verbesserung — Sie verlangsamt sich. Jeder Leistungssprung kostet mehr und ist inkrementeller. Der Schritt von GPT-4 zu GPT-5 kostete deutlich mehr als von GPT-3 zu GPT-4, mit proportional kleineren Verbesserungen.

2. Adoption — Sie ist schnell, aber oberflächlich. Viele Unternehmen nutzen KI, aber nur wenige integrieren sie in kritische Geschäftsprozesse. Die Adoptionslücke zwischen Großunternehmen und KMU verdoppelt sich im Vergleich zu anderen Technologien.

3. Nachhaltige Monetarisierung — Sie ist die langsamste. Die meisten Geschäftsmodelle auf Basis generativer KI demonstrieren noch keine gesunden Margen in großem Maßstab. Der Fall Sora (Gesamtumsatz von 2,1 Millionen Dollar gegenüber Kosten von 15 Millionen täglich vor der Schließung im März 2026) ist eine brutale Erinnerung daran, wie schwer es ist, technische Fähigkeit in ein tragfähiges Unternehmen umzuwandeln.

Wenn die Investition allen drei Kurven vorauseilt, gibt es ein Problem. Nicht unbedingt eine Blase — das Kapital der Hyperscaler stützt sich auf Bargeld, nicht auf Schulden —, aber ein Ungleichgewicht, das sich früher oder später korrigiert.

Warum 75% scheitern

Die Analyse der dokumentierten Scheitermuster zeigt, dass sich die Ursachen mit aufschlussreicher Konsistenz wiederholen.

1. Zerstreuung der Kräfte

Unternehmen, die scheitern, versuchen 6 oder mehr Anwendungsfälle gleichzeitig anzugehen. Die, die erfolgreich sind, konzentrieren sich auf 3–4 und bringen sie in die Produktion, bevor sie expandieren.

Die Versuchung, “in jeder Abteilung etwas mit KI zu machen”, ist der teuerste Weg, nichts zu erreichen.

2. Die Rendite nicht messen

Viele KI-Projekte werden ohne eine klare Erfolgsmetrik gestartet. “Produktivität verbessern” ist keine Metrik. “Bearbeitungszeit von Reklamationen von 4 Stunden auf 20 Minuten reduzieren” schon.

Ohne Messung gibt es keine mögliche Optimierung.

3. Versteckte Kosten unterschätzen

Der API-Preis ist der sichtbare Teil des Eisbergs. Darunter liegt alles andere:

• Datenvorbereitung: 100.000–380.000 Dollar für ein durchschnittliches Projekt
• Jährliche Wartung: 15–30% der Infrastrukturkosten
• Nachtraining: jedes Mal, wenn sich Daten oder Kontext ändern
• Governance: Einhaltung von Vorschriften, Bias, Datenschutz
• Technische Schulden: fragile Integrationen, die über die Zeit Kosten anhäufen

Die API-Rechnung kann 20% der tatsächlichen Kosten ausmachen. Die anderen 80% erscheinen in keinem Pitch Deck.

4. Automatisieren ohne menschlichen Plan

KI, die Aufgaben eliminiert, ohne den betroffenen Personen Alternativen anzubieten, erzeugt internen Widerstand, Verlust von institutionellem Wissen und Reputationsrisiken.

Erfolgreiche Unternehmen nutzen KI, um die Zeit ihrer Teams freizusetzen, nicht um auf sie zu verzichten.

5. Das falsche Modell verwenden

Es gibt eine Tendenz, das leistungsfähigste verfügbare Modell für jede Aufgabe zu nutzen. Aber GPT-5 zum Klassifizieren von E-Mails zu verwenden ist wie einen 40-Tonnen-Lkw zum Brötchenkaufen zu nehmen.

Der Unterschied beim Verbrauch — und bei den Kosten — zwischen einem Flash-Modell und einem Frontier-Modell kann x10 für das gleiche Ergebnis betragen.

Was die 5% anders machen

Unternehmen, die tatsächlich Mehrwert in großem Maßstab mit KI generieren, teilen ein konsistentes Muster. Es ist kein Glück — es ist Methode.

Sie konzentrieren sich. 3–4 gut definierte Anwendungsfälle, mit klaren Metriken, vollständig in die Produktion gebracht, bevor mehr hinzugefügt werden.

Sie messen obsessiv. Nicht nur die Modellleistung — sie messen den Geschäftsimpact. Eingesparte Zeit. Vermiedene Fehler. Inkrementelle Einnahmen. Gesamtbetriebskosten.

Sie investieren in Menschen. 70% ihrer Ressourcen fließen in Menschen und Prozesse, nicht in Technologie. KI ist das Werkzeug; das Team ist das, was es zum Laufen bringt.

Sie fangen klein an. Prototyp in Wochen, Pilot in Monaten, Skalierung in Quartalen. Sie versuchen nicht, die gesamte Organisation auf einmal zu transformieren.

Sie wählen das richtige Modell. Nicht das leistungsfähigste — das am besten geeignete für jede Aufgabe. Ein gut abgestimmtes Modell mit 3 Milliarden Parametern kann ein schlecht angewandtes mit 400 Milliarden übertreffen.

Das Erfolgsmuster ist nicht, mehr auszugeben. Es ist, sich zu konzentrieren, zu messen und nur das zu skalieren, was funktioniert.

Blase oder Transformation? Die Frage der halben Billion

Die Frage “Ist KI in einer Blase?” hat keine binäre Antwort. Die Realität ist differenzierter:

• Die Technologie funktioniert. Die Modelle sind leistungsfähig, die Anwendungsfälle sind real, der potenzielle Wert ist enorm.
• Die Einnahmen existieren. KI-Unternehmen generieren Milliarden in echten Umsätzen.
• Aber das Kapital eilt weit voraus. Die Investitionen in Infrastruktur übersteigen bei weitem die nachgewiesene Nachfrage. Die Lücke zwischen capex und Einnahmen im KI-Ökosystem beträgt fast 600 Milliarden Dollar jährlich.

Die nützlichste Analogie ist die Glasfaserblase von 1998–2000: Die Infrastruktur erwies sich langfristig als wertvoll, aber die ursprünglichen Investoren verloren Geld. KI wird wahrscheinlich einem ähnlichen Muster folgen — die Technologie bleibt, aber nicht das gesamte investierte Kapital wird eine Rendite haben.

Es ist nicht der Moment, nicht in KI zu investieren. Es ist der Moment, mit Kriterien zu investieren. Jeder Euro muss eine klare Rendite-Metrik, einen realistischen Zeitplan und einen Plan B haben.

Was kann ich tun?

• Wenn du ein Unternehmen leitest: Bevor du eine KI-Investition genehmigst, verlange Antworten auf drei Fragen: Welche Geschäftsmetrik verbessert sich? Was sind die Gesamtbetriebskosten (nicht nur die API)? Was passiert mit den Menschen, deren Aufgaben automatisiert werden? Wenn es keine klare Antwort auf alle drei gibt, ist das Projekt nicht bereit.

• Wenn du KI-Anbieter evaluierst: Frag nach Energieverbrauchsdaten pro Dienst. Im Rahmen des europäischen CSRD schließt dein CO₂-Fußabdruck die Dienste ein, die du beauftragst. Wenn ein Anbieter dir nicht sagen kann, wie viel sein Dienst verbraucht, frage dich warum.

• Wenn du CTO oder technischer Leiter bist: Beginne mit dem kleinsten Modell, das die Aufgabe löst. Skaliere nur, wenn die Daten es rechtfertigen. Miss die Gesamtkosten — nicht nur Latenz und Genauigkeit, sondern auch Energie und Wartung.

• Wenn du ein Fachmann bist, der sich um seinen Arbeitsplatz sorgt: KI ersetzt nicht alle Fachleute, aber sie transformiert die meisten Berufe. In das Verständnis der Werkzeuge zu investieren — was sie können, was sie nicht können, was sie wirklich kosten — ist die beste berufliche Investition, die du jetzt machen kannst.

• Für alle: Mach unseren Test zur nachhaltigen KI-Reife, um zu beurteilen, wo deine Organisation steht und welche Schritte zu unternehmen sind.