Warum KI-Studien zum Erfolg von Projekten so unterschiedlich ausfallen

Die erste Zahl stammt aus dem Bericht „The GenAI Divide. State of AI in Business 2025“ der Initiative NANDA am MIT, veröffentlicht im Juli 2025 und ausdrücklich als vorläufig bezeichnet. Dort heißt es, 95 Prozent der Organisationen erzielten mit generativer KI keinen Ertrag, und nur 5 Prozent der integrierten Pilotprojekte erzeugten Werte in Millionenhöhe. Grundlage sind eine Auswertung von über 300 öffentlich bekannten KI-Vorhaben, Interviews mit Vertretern von 52 Organisationen und Antworten von 153 Führungskräften, gesammelt auf vier Branchenkonferenzen.

Die zweite Zahl stammt aus dem Bericht „Accountable Acceleration“ von Wharton Human-AI Research und GBK Collective vom Oktober 2025. Dort sehen knapp drei Viertel der Befragten bereits einen positiven Ertrag aus generativer KI. Grundlage ist eine Online-Befragung von rund 800 Entscheidern in großen US-Unternehmen mit mindestens 1.000 Beschäftigten, durchgeführt zwischen dem 26. Juni und dem 11. Juli 2025.

Die Stichprobe entscheidet, für wen eine Zahl gilt. Der MIT-Bericht nennt selbst die Grenzen: Die Zahlen beruhen auf Interviews statt auf offiziellen Firmenzahlen, und Unternehmen, die über ihre Schwierigkeiten sprechen, können sich von denen unterscheiden, die nicht teilnehmen. Der Wharton-Bericht befragt nur große US-Unternehmen. Für einen Betrieb mit zwanzig Leuten in Deutschland sagt keine der beiden Zahlen direkt etwas.

Ein drittes Beispiel zeigt, wie Zahlen wandern. Der viel zitierte Satz, mehr als 80 Prozent der KI-Projekte scheiterten, steht in einem Bericht der RAND Corporation vom August 2024. RAND hat diese Quote aber nicht selbst gemessen, sondern schreibt „nach einigen Schätzungen“. Die eigene Untersuchung von RAND beruht auf Interviews mit 65 erfahrenen Datenwissenschaftlern und Ingenieuren und fragt nach Ursachen, nicht nach Quoten.

„KI“ kann ein Chatprogramm sein, das jemand für Mails nutzt, oder ein eigens gebautes System, das Rechnungen prüft. Der MIT-Bericht trennt das ausdrücklich: Allgemeine Chatprogramme werden breit genutzt und steigern vor allem die Produktivität Einzelner. Spezialisierte Systeme, die in Abläufe eingebaut werden, schaffen selten den Weg in den Betrieb. Die 95 Prozent beziehen sich auf den Ertrag der Unternehmen, nicht darauf, ob jemand mit einem Chatprogramm schneller schreibt.

Dasselbe Problem zeigt sich bei Zahlen zur KI-Nutzung in Deutschland. Das Statistische Bundesamt meldete im November 2024, dass 20 Prozent der Unternehmen mit mindestens zehn Beschäftigten KI-Technologien nutzen, für das Jahr 2024. Der Digitalverband Bitkom meldete im September 2025 36 Prozent, aus einer telefonischen Befragung von 604 Unternehmen ab 20 Beschäftigten. Das ifo Institut meldete im Juni 2025 40,9 Prozent. Drei Zahlen mit verschiedenen Größengrenzen, Fragen und Zeitpunkten. Ein Widerspruch ist das nicht.

So verschieden die Zahlen sind, bei den Ursachen sind sich die Berichte erstaunlich einig. RAND nennt als häufigsten Grund für das Scheitern, dass nicht klar ist, welches Problem gelöst werden soll. Dazu kommen fehlende Daten, mehr Begeisterung für neue Technik als für das echte Problem der Nutzer, fehlende Infrastruktur und Aufgaben, die für KI schlicht zu schwer sind. Der MIT-Bericht schreibt, die Kluft hänge weniger an der Qualität der Modelle als an der Herangehensweise.

Für dich heißt das: Keine Studie sagt dir, ob KI in deinem Betrieb wirkt. Das sagt nur deine eigene Messung, vorher und nachher. Wie das geht, steht im Ratgeber Nutzen einer Automatisierung messen. Wo du anfängst, zeigt der AI-Ready-Check, wie du die erste Aufgabe einführst, der Ratgeber KI einführen. Und genau deshalb verkaufe ich keine KI, sondern Veränderung: Die Technik ist in allen diesen Studien selten der Engpass.