KI, die wirklich funktioniert: Warum die aktuelle Enttäuschung ein gutes Zeichen ist

Deutsche Unternehmen investieren so viel in KI wie nie zuvor und sind gleichzeitig frustrierter denn je. Laut der aktuellen Horváth-Studie „Digital Value 2026″ erhöhen 86 % der befragten deutschen Betriebe ihre Digitalisierungsbudgets, rund 30 % davon fließen in KI-Projekte. Aber die Ernüchterung folgt auf dem Fuß: 79 % der IT-Verantwortlichen berichten, dass die angebotenen KI-Lösungen hinter den Erwartungen zurückbleiben – in puncto Reife, Funktionsumfang und vor allem messbarem Geschäftswert. Die Reaktion vieler: Skepsis, Zurückhaltung, manchmal Resignation. Doch was, wenn diese Enttäuschung nicht das Ende der KI-Transformation markiert, sondern erst ihren Anfang?

Kai Lichtenberg, VP Consulting bei der codecentric AG, ordnet diese Entwicklung im Folgenden ein. Gerne können Sie den Kommentar redaktionell nutzen. 

KI, die wirklich funktioniert – Warum die aktuelle Enttäuschung ein gutes Zeichen ist

Die aktuelle Horváth-Studie „Digital Value 2026“ bestätigt, was viele in der Branche spüren: Deutsche Unternehmen investieren massiv in KI, sehen aber nicht die erhofften Ergebnisse. Die Reaktion vieler: Skepsis, Zurückhaltung, manchmal Resignation. Aber die Enttäuschung ist kein Beweis dafür, dass KI nicht funktioniert. Sie ist ein Beweis dafür, dass Layering nicht funktioniert – also das bloße Draufsetzen von KI-Tools auf bestehende Prozesse.

Die Daten sind eindeutig – und kontraintuitiv

Eine randomisierte kontrollierte Studie von METR (Juli 2025) hat hier beispielhaft gemessen, was passiert, wenn erfahrene Entwickler KI-Coding-Tools in ihren bestehenden Workflow integrieren: Die Arbeit wurde 19 % langsamer, nicht schneller. Vor der Studie schätzten die Teilnehmenden, 24 % schneller zu sein. Nach der Studie, mit Kenntnis der Ergebnisse, glaubten sie immer noch an +20 %. Die subjektive Wahrnehmung und die gemessene Realität laufen in entgegengesetzte Richtungen. Das ist kein Einzelfall. McKinsey misst einen 15-Prozentpunkte-Leistungsunterschied zwischen den effektivsten und am wenigsten effektiven Software-Organisationen beim KI-Einsatz. Der Unterschied ist nicht das Tool – es ist das Workflow-Redesign.

Die J-Kurve erklärt den Mechanismus

Der Ökonom Erik Brynjolfsson beschreibt das Muster als J-Kurve: General Purpose Technologies – und KI ist eine – erfordern komplementäre Investitionen, bevor Produktivitätsgewinne eintreten. Neue Prozesse, neue Skills, organisatorische Umstrukturierung. Während dieser Investitionsphase sinkt die gemessene Produktivität erst einmal. Was die Horváth-Studie als Enttäuschung misst, ist in Wahrheit der Abstieg in die J-Kurve. Unternehmen haben KI-Tools gekauft und auf bestehende Abläufe gelegt. Das bringt bestenfalls marginale Verbesserungen von ca. 14 %. Echte Produktivitätsgewinne von 25 % und mehr entstehen erst durch Deep Integration – also durch fundamentales Redesign von Workflows, Rollen und Prozessen.

Der Fehler, sich am Plateau zu fühlen

Wer KI als intelligentere Autovervollständigung nutzt, erlebt ein lokales Maximum. Es fühlt sich produktiv an, ist aber ein Plateau. Die eigentliche Transformation beginnt erst, wenn Unternehmen bereit sind, durch den unbequemen Boden der J-Kurve zu gehen: Prozesse neu denken, Rollen anpassen, Validierung automatisieren, Spezifikationen so schreiben, dass Agenten damit arbeiten können.

Was das für deutsche Unternehmen heißt

Die Frage ist nicht „Funktioniert KI?“, sondern „Sind wir bereit, den Weg durch die J-Kurve zu gehen?“. Das erfordert mehr als ein größeres Budget. Es erfordert den Mut, bestehende Arbeitsweisen in Frage zu stellen. Die gute Nachricht: Die Enttäuschung über bloßes Layering ist der erste Schritt zur Erkenntnis, dass es einen besseren Weg gibt. Wer jetzt in echte Integration investiert, wird auf der anderen Seite der J-Kurve ankommen. Wer stattdessen KI als gescheiterten Hype abschreibt, wird den Anschluss verlieren.

Die KI-Disruption passiert nicht trotz der Enttäuschung. Sie passiert durch sie hindurch.

Über den Autor: 

Kai Lichtenberg ist VP Consulting bei codecentric und beschäftigt sich mit der Frage, wie KI die Softwareentwicklung grundlegend verändert — und was das für Unternehmen, Teams und Arbeitsweisen konkret bedeutet.

Autorenporträt hier herunterladen (© codecentric AG).