Der Pilot läuft, die Demo hat überzeugt, und trotzdem stellt im Lenkungskreis niemand den Antrag auf Ausrollen. Genau an dieser Stelle enden die meisten KI-Vorhaben. Laut einer MIT-Untersuchung aus dem Projekt NANDA erzeugen 95 Prozent der Generative-AI-Piloten in Unternehmen keinen messbaren Effekt auf das Ergebnis. Der Grund liegt nicht an den Modellen. Er liegt daran, wie die Einführung organisiert ist.
KI im Unternehmen einführen heißt: einen Anwendungsfall so in die bestehende System- und Prozesslandschaft einbetten, dass er ohne Sonderbetreuung läuft. Ergebnisse müssen nachvollziehbar sein, und der Nutzen muss sich in Zahlen ausdrücken lassen. Ein Pilot beweist Machbarkeit. Der Produktivbetrieb beweist Wirtschaftlichkeit. Das sind zwei verschiedene Aufgaben, und die zweite wird fast immer unterschätzt.
Wie weit sind deutsche Unternehmen bei KI tatsächlich?
Die Adoption hat sich innerhalb eines Jahres verdoppelt. Nach der Bitkom-Studie 2026 setzen 41 Prozent der Unternehmen ab 20 Beschäftigten KI aktiv ein, zwölf Monate früher waren es 17 Prozent. Weitere 48 Prozent planen oder diskutieren den Einsatz, nur 11 Prozent lehnen ihn ab. Die Studie basiert auf einer Befragung von 604 Unternehmen.
Interessanter ist die zweite Zahl aus derselben Erhebung: Ein Drittel der Unternehmen mit KI-Einsatz findet die Technologie teurer als erwartet. Fast jedes fünfte hat deswegen Stellen abgebaut. Das passt zum MIT-Befund. Es wird viel eingeführt, aber wenig gesteuert.
Für dich als Controller oder CFO bedeutet das zwei Dinge. Erstens: Der Unterschied liegt nicht mehr darin, KI überhaupt zu nutzen. Er liegt darin, sie in den Regelbetrieb zu bringen. Zweitens: Wer die Kosten eines KI-Anwendungsfalls nicht kennt, kann seinen Nutzen nicht bewerten. Das ist keine IT-Frage, das ist eine Controlling-Frage.
Warum scheitern KI-Projekte zwischen Pilot und Produktivbetrieb?
In Projekten sehen wir immer dieselben fünf Bruchstellen. Sie treten meist gemeinsam auf, und keine davon lässt sich durch ein besseres Modell lösen.
1. Der Pilot lief auf einem Datenexport, nicht auf dem System
Für die Demo hat jemand eine Excel-Datei aus dem ERP gezogen, aufgeräumt und dem Modell vorgelegt. Im Betrieb muss die KI an die Quelle, mit Berechtigungen, Historie und täglicher Aktualisierung. Die Aufräumarbeit, die vor dem Piloten eine Person zwei Tage gekostet hat, wird zur Dauerpflicht. Wenn die Anbindung im Piloten nicht mitgedacht ist, beginnt das Projekt nach der Genehmigung von vorn.
2. Es gibt keinen Prozessverantwortlichen, nur einen Projektverantwortlichen
Ein Pilot hat einen Projektleiter. Ein produktiver Anwendungsfall braucht jemanden aus dem Fachbereich, der die Ergebnisse verantwortet und entscheidet, was passiert, wenn die KI etwas Unplausibles ausgibt. Fehlt diese Rolle, landet jede Rückfrage bei der IT, und die IT kann fachlich nicht entscheiden.
3. Der Nutzen wurde nie gegen eine Basislinie gemessen
„Das geht jetzt schneller“ ist kein Nachweis. Ohne den Vorher-Wert lässt sich der Nachher-Wert nicht bewerten. Wer nicht festgehalten hat, wie viele Stunden der Monatsabschlusskommentar vorher gekostet hat, wird die Einsparung im Nachhinein nicht belegen können. Und ohne Belege gibt es kein Budget für den Rollout.
4. Freigabe und Nachvollziehbarkeit sind nicht geregelt
Sobald KI nicht nur liest, sondern Werte oder Texte in ein Planungssystem zurückschreibt, brauchst du dieselben Kontrollen wie bei einem menschlichen Eingriff. Wer hat freigegeben? Auf welcher Datenbasis entstand der Wert? Lässt sich der Stand vor der Änderung wiederherstellen? Diese Fragen kommen spätestens von der internen Revision, und sie kommen immer zum ungünstigsten Zeitpunkt.
5. Die laufenden Kosten sind nicht kalkuliert
Token- oder Lizenzkosten skalieren mit der Nutzung. Ein Pilot mit fünf Anwendern kostet wenig. Derselbe Fall mit 200 Anwendern und täglichen Läufen sieht anders aus. Dazu kommen Betrieb, Modellpflege und Schulung. Genau hier entsteht das Bitkom-Ergebnis, dass ein Drittel der Unternehmen KI teurer als erwartet findet.
Wie viele der fünf Bruchstellen betreffen euren Piloten?
In einem kurzen Gespräch schauen wir gemeinsam drauf – bevor der Antrag auf Ausrollen im Lenkungskreis hängen bleibt.
Wie viele der fünf Bruchstellen betreffen euren Piloten?
In einem kurzen Gespräch schauen wir gemeinsam drauf – bevor der Antrag auf Ausrollen im Lenkungskreis hängen bleibt.
Was unterscheidet einen Piloten vom Produktivbetrieb?
Die Tabelle erklärt, warum ein erfolgreicher Pilot kein Vorhersagewert für den Betrieb ist. Er testet die linke Spalte. Bezahlt wird die rechte.
Welche Schritte machen die KI-Einführung belastbar?
Diese Reihenfolge hat sich in unseren Projekten bewährt. Sie kostet vor dem Piloten etwas mehr Zeit und spart danach Monate.
- Anwendungsfall am Prozess wählen, nicht an der Technologie. Starte bei einer Aufgabe, die heute Zeit kostet und wiederkehrt. Monatsabschlusskommentierung, Belegprüfung, Forecast-Erstellung, Beantwortung wiederkehrender Fachfragen.
- Basislinie messen, bevor du anfängst. Halte fest: Wie viele Stunden, wie viele Durchläufe, wie viele Fehler pro Monat? Ohne diese Zahlen gibt es später keinen Business Case.
- Datenzugriff im Piloten so bauen, wie er im Betrieb aussehen soll. Auch wenn es zwei Tage länger dauert. Ein Pilot auf einer Excel-Kopie beweist nichts über die Betriebsfähigkeit.
- Prozessverantwortliche Person benennen, aus dem Fachbereich. Sie entscheidet über Plausibilität und Freigabe, nicht die IT.
- Freigabe- und Protokollierungslogik von Anfang an mitdenken. Bei jedem Schreibzugriff: Wer gibt frei, was wird protokolliert, wie wird zurückgesetzt?
- Vollkosten für 12 Monate rechnen, hochskaliert auf den Zielnutzerkreis. Lizenzen, Nutzungskosten, Betrieb, Schulung, Modellpflege.
- Abbruchkriterium vorher definieren. Wenn der Fall nach drei Monaten Betrieb den Zielwert nicht erreicht, wird er abgeschaltet. Das schützt vor Anwendungsfällen, die aus Gewohnheit weiterlaufen.
Warum wir das Thema von der Datenseite angehen
Wir bauen seit Jahren Planungs- und Reportingsysteme auf IBM Planning Analytics. Deshalb wissen wir, wo im Finance-Umfeld die Daten liegen und wie sie definiert sind. Genau das ist der Teil, an dem KI-Einführungen hängen bleiben. Unsere KI-Anwendungsfälle setzen auf dieser Datenschicht auf, statt daneben eine zweite Wahrheit aufzubauen.
Das führt gelegentlich dazu, dass wir von einem Anwendungsfall abraten. Wenn die Kennzahlendefinitionen zwischen Bereichen auseinanderlaufen oder Daten nur manuell entstehen, bringt KI nichts außer schnelleren falschen Zahlen. Dann ist die Datenarbeit der erste Schritt, nicht das Modell.
- 41 Prozent der deutschen Unternehmen ab 20 Beschäftigten setzen KI aktiv ein, zwölf Monate früher 17 Prozent. Weitere 48 Prozent planen oder diskutieren, 11 Prozent lehnen ab. Basis: 604 befragte Unternehmen. Quelle: Bitkom-Studie 2026.
- Ein Drittel der Unternehmen mit KI-Einsatz bewertet die Technologie als teurer als erwartet. Fast jedes fünfte hat deswegen Stellen abgebaut. Quelle: Bitkom-Studie 2026.
- 95 Prozent der Generative-AI-Piloten in Unternehmen erzeugen keinen messbaren Ergebniseffekt. Basis: 52 Interviews mit Führungskräften, Befragung von 153 Verantwortlichen, Auswertung von 300 öffentlich dokumentierten Einführungen. Quelle: MIT, Projekt NANDA, 2025.
- Die MIT-Autoren führen das Scheitern nicht auf Modellqualität zurück, sondern auf fehlende Integration und eine Lernlücke in den Organisationen.
- Die höchsten dokumentierten Erträge entstehen laut derselben Untersuchung in Backoffice-Funktionen, etwa bei Dokumentenprüfung und Support.
Glossar
Häufige Fragen zur KI-Einführung
Wie lange sollte ein KI-Pilot dauern?
Vier bis acht Wochen reichen für die meisten Anwendungsfälle im Controlling. Wird es länger, fehlt meist die Datenanbindung oder eine Entscheidung. Wichtiger als die Dauer ist, dass der Pilot mit derselben Datenquelle arbeitet, die später im Betrieb genutzt wird.
Welcher Anwendungsfall eignet sich für den Einstieg?
Wiederkehrende Aufgaben mit klarem Ergebnis und vorhandener Datenbasis. Im Finance-Umfeld funktionieren Kommentierung von Abweichungen, Beleg- und Rechnungsprüfung, Forecast-Vorschläge sowie das Beantworten von Fachfragen auf internen Dokumenten gut. Ungeeignet sind Fälle, bei denen die Datengrundlage erst geschaffen werden muss.
Warum reicht ein gutes Sprachmodell nicht aus?
Weil das Modell nur so gut antwortet, wie der Kontext ist, den es bekommt. Ohne saubere Kennzahlendefinitionen, ohne Berechtigungslogik und ohne aktuelle Daten liefert auch ein starkes Modell Zahlen, denen im Controlling niemand traut. Die Arbeit liegt in der Datenschicht, nicht im Modell.
Wer sollte die KI-Einführung im Unternehmen verantworten?
Fachlich der Bereich, der den Nutzen hat, technisch die IT, koordinierend eine benannte Person mit Mandat. Eine reine IT-Verantwortung führt dazu, dass fachliche Plausibilitätsfragen niemand entscheidet. Eine reine Fachverantwortung ohne IT-Einbindung scheitert an der Datenanbindung.
Wie messen wir den Nutzen eines KI-Anwendungsfalls?
Über den Vergleich mit der dokumentierten Basislinie: eingesparte Bearbeitungszeit, reduzierte Fehlerquote, verkürzte Durchlaufzeit oder vermiedener externer Aufwand. Alle laufenden Kosten gegenrechnen, hochskaliert auf den Zielnutzerkreis. Nur so entsteht eine Zahl, die im Lenkungskreis Bestand hat.
Was tun, wenn der Pilot erfolgreich war, das Budget aber fehlt?
Meist fehlt nicht das Budget, sondern die belastbare Zahl. Rechne den Fall auf zwölf Monate durch, mit Vollkosten und messbarem Nutzen gegen die Basislinie. Ein Anwendungsfall, der sich innerhalb eines Jahres trägt, findet in der Regel Budget.
