Künstliche Intelligenz ist in den Unternehmen angekommen – zumindest dem Anspruch nach. Kaum ein Vorstand, kaum eine Strategiepräsentation kommt ohne Verweise auf KI, GenAI oder agentische Systeme aus. Gleichzeitig wächst das Unbehagen: Pilotprojekte gibt es viele, messbare Produktivitätsgewinne hingegen selten. Genau hier setzt die Studie „The GenAI Divide – State of AI in Business 2025“ des MIT an[1].

1. Hohe Investitionen, ernüchternde Ergebnisse

Die Studie wertet über 300 öffentlich bekannte KI- und GenAI-Initiativen aus, ergänzt durch Interviews und Befragungen von Führungskräften. Der zentrale Befund ist deutlich: Rund 95 % der untersuchten GenAI-Projekte erzeugen bislang keinen messbaren wirtschaftlichen Mehrwert. Gleichzeitig existiert eine kleine Gruppe von etwa fünf Prozent der Projekte, die bereits signifikante Effekte auf Kosten, Erlöse oder Prozesse erzielen.

Diese extreme Spreizung bezeichnen die Autoren als „GenAI Divide“. Sie beschreibt keine technologische Grenze, sondern eine ökonomische und organisatorische Kluft zwischen Experimentieren und produktiver Wertschöpfung.

2. Adoption ist nicht Transformation

Ein zentrales Missverständnis liegt in der Gleichsetzung von Nutzung und Nutzen. Zwar testen oder nutzen über 80 % der Unternehmen generative KI-Tools – meist Textassistenten, Chatbots oder Copilot-Lösungen. Doch diese Anwendungen erhöhen primär individuelle Effizienz, nicht die Produktivität ganzer Organisationen.

Der Schritt von der persönlichen Arbeitserleichterung zur strukturellen Veränderung bleibt oft aus. KI wird „on top“ eingeführt, während Prozesse, Entscheidungswege und Verantwortlichkeiten unverändert bleiben. Genau hier verpufft der ökonomische Effekt.

3. Der Pilot-to-Production-Abgrund

Besonders aufschlussreich ist der Blick auf den Weg von der Idee zur Umsetzung. Viele Initiativen werden evaluiert, deutlich weniger pilotiert – und nur ein Bruchteil erreicht eine stabile Produktionsreife. Dieser Pilot-to-Production-Abgrund ist kein Zufall.

Die Gründe liegen selten in fehlender Rechenleistung oder Modellqualität. Entscheidend sind organisatorische Faktoren: unklare Zuständigkeiten, fehlendes Change-Management, mangelnde Integration in bestehende Abläufe. KI wird ausprobiert, aber nicht verankert.

4. Branchenunterschiede: Wo KI wirkt – und wo nicht

Die Studie differenziert klar nach Branchen. Deutliche strukturelle Effekte zeigen bislang vor allem Technologie-, Medien- und Telekommunikationsunternehmen. Dort verändern sich Geschäftsmodelle, Marktanteile und Wertschöpfungsketten sichtbar.

In klassischen Sektoren wie Industrie, Energie, Finanzdienstleistungen oder Gesundheitswesen fällt das Bild deutlich verhaltener aus. Trotz zahlreicher Pilotprojekte bleibt der grundlegende Wandel begrenzt. Das liegt weniger an fehlendem Potenzial als an regulatorischer Dichte, Haftungsfragen und komplexen Organisationsstrukturen.

5. Das eigentliche Nadelöhr: Lernen, nicht Rechnen

Ein zentraler Befund der Studie ist der sogenannte Learning Gap. Viele KI-Systeme sind statisch: Sie liefern Antworten, lernen aber nicht aus dem organisatorischen Kontext. Feedback wird nicht systematisch genutzt, Prozesswissen bleibt außerhalb des Modells, Anpassungen erfolgen punktuell.

Gerade bei komplexen oder haftungsrelevanten Aufgaben bevorzugen Mitarbeiter daher weiterhin menschliche Entscheidungen. KI wird akzeptiert für schnelle, klar umrissene Tätigkeiten – nicht aber für langfristige, verantwortungsintensive Aufgaben. Entscheidend fehlen Gedächtnis, Kontext und institutionalisierte Verantwortung.

6. Shadow AI: Die stille Realität

Während offizielle Programme oft stocken, nutzen viele Mitarbeiter informell oder privat generative KI-Tools im Arbeitsalltag. Diese Shadow AI ist weit verbreitet und häufig produktiv. Sie zeigt, wo echter Nutzen entsteht – aber auch, wie groß die Lücke zwischen formaler Strategie und gelebter Praxis ist.

Für Unternehmen ist das ambivalent: Einerseits entstehen Effizienzgewinne, andererseits unterlaufen sie Governance-Strukturen. Vor allem aber setzt Shadow AI einen neuen Maßstab: Wer privat leistungsfähige, flexible Werkzeuge kennt, akzeptiert starre, schlecht integrierte Unternehmenslösungen immer weniger.

7. Fehlallokation von Budgets

Die Studie identifiziert ein klares Muster bei der Mittelverwendung. Ein großer Teil der GenAI-Budgets fließt in sichtbare, marketingnahe Bereiche wie Vertrieb, Content oder Kundenkommunikation. Dort lassen sich Effekte schnell präsentieren.

Back-Office-Prozesse, Compliance, Risikomanagement oder operative Abläufe – oft mit hohem langfristigem Nutzen – bleiben unterfinanziert. Diese Schieflage verstärkt den GenAI Divide: Projekte mit realem Effizienzpotenzial werden nicht konsequent verfolgt, während gut vermarktbare, aber ökonomisch begrenzte Anwendungen dominieren.

8. Was erfolgreiche Projekte gemeinsam haben

Die wenigen erfolgreichen Initiativen folgen klaren Mustern: Sie konzentrieren sich auf eng definierte, hochrelevante Use-Cases, integrieren KI tief in bestehende Workflows und messen Erfolg an konkreten Business-Kennzahlen statt an Modellbenchmarks.

Auffällig ist auch, dass externe Partnerschaften häufiger zum Erfolg führen als reine Eigenentwicklungen. Nicht wegen fehlender interner Kompetenz, sondern wegen Prozesswissen, Implementierungserfahrung und Fokus auf Time-to-Value. KI wird hier nicht als Software, sondern als organisationaler Veränderungsbaustein verstanden.

9. Wo realer wirtschaftlicher Nutzen entsteht

Entgegen vieler öffentlicher Debatten liegt der größte kurzfristige ROI nicht im massenhaften Personalabbau, sondern in der Substitution externer Kosten: ausgelagerte Dienstleistungen, Agenturen, standardisierte Prüf- und Dokumentationsprozesse. Hier berichten Unternehmen von signifikanten Einsparungen und Qualitätsgewinnen.

Front-Office-Anwendungen können ebenfalls wirken, etwa durch schnellere Lead-Qualifikation oder bessere Kundenbindung. Doch auch hier gilt: Ohne Prozessintegration bleibt der Effekt begrenzt.

10. Ausblick: Agentische Systeme statt Einzelfunktionen

Die Autoren sehen die nächste Entwicklungsstufe in agentischen KI-Systemen: Lösungen mit persistentem Gedächtnis, Lernfähigkeit und autonomer Workflow-Orchestrierung. Erst wenn KI nicht nur antwortet, sondern Prozesse koordiniert und aus Erfahrungen lernt, könnte sich die Kluft weiter schließen.

Gleichzeitig warnen sie vor Zeitdruck: In den kommenden 12 bis 18 Monaten treffen viele Unternehmen langfristige Anbieter- und Architekturentscheidungen. Wer den GenAI Divide bis dahin nicht überwindet, riskiert dauerhafte Lock-ins in ineffektive Strukturen.

11. Wie sich der GenAI Divide überwinden lässt – konstruktive Ansatzpunkte

Aus den Befunden der Studie lassen sich klare Handlungslinien ableiten.

Erstens: Vom Tool- zum Prozess-Denken.
KI sollte nicht als Zusatzwerkzeug verstanden werden, sondern als Bestandteil veränderter Abläufe. Entscheidend ist nicht, was ein Modell kann, sondern welche Entscheidung oder welcher Engpass dadurch anders organisiert wird.

Zweitens: Lernen institutionalisieren.
KI-Systeme benötigen klare Verantwortlichkeiten, Feedbackschleifen und regelmäßige Qualitätsreviews. Ohne organisatorisch verankertes Lernen bleiben sie statisch – unabhängig von ihrer technischen Leistungsfähigkeit.

Drittens: Narrow wins statt Big Bang.
Erfolgreich sind fokussierte Anwendungen mit klaren Zielen. Kleine, robuste Effizienzgewinne sind ökonomisch wertvoller als ambitionierte, aber fragile Plattformansätze.

Viertens: Governance ermöglichen statt blockieren.
Shadow AI ist ein Symptom, kein Fehlverhalten. Die Antwort liegt in klaren Leitplanken, sicheren Standardlösungen und Transparenz – nicht in Totalverboten.

Fünftens: Erfolg realistisch messen.
KI-Nutzen entsteht oft inkrementell. Statt sofortigem ROI sollten auch Kostensubstitution, Qualitätsgewinne und Prozessstabilität als Erfolgskriterien gelten.

Fazit

Die MIT-Studie entzaubert den KI-Hype, ohne die Technologie zu diskreditieren. Sie zeigt klar: Der GenAI Divide ist kein Technologieproblem, sondern ein Organisationsproblem. KI scheitert dort, wo sie als schneller Ersatz für strukturelle Arbeit missverstanden wird – und wirkt dort, wo Prozesse, Verantwortung und Lernen mitgedacht werden.

Vielleicht liegt genau darin die eigentliche Reifephase der KI: weniger Heilsversprechen, weniger Übertreibung – und dafür mehr Handwerk, mehr institutionelles Lernen und mehr ökonomische Ehrlichkeit.

[1] https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf