State of AI 2026: 88 Prozent investieren, ein Bruchteil baut um — der Operating-Model-Gap

Ein Vorstand eines schwäbischen Maschinenbauers zeigt mir auf seinem iPad eine Folie: 42 AI-Piloten, grün, gelb, ein paar rot. Stolz. Ich frage, wie viele davon in einem Prozess laufen, der vorher anders organisiert war. Stille. Die Antwort ist null. Alle 42 sitzen obendrauf auf den bestehenden Abläufen, im selben SAP, mit denselben Freigabeketten, denselben Rollen. So sieht es in den meisten Unternehmen aus, quer durch die Branchen.

Über die Sommer-Wochen habe ich zwölf Reports zur AI-Lage durchgearbeitet, von McKinsey über Bain, BCG, Deloitte, Accenture, IBM, PwC bis Microsoft. Sie sind methodisch unterschiedlich, manche Survey, manche Buchauszug, manche Telemetrie. Sie sagen am Ende dasselbe. Die provokante Zahl, die die Runde macht, lautet: 88 Prozent der Führungskräfte investieren in AI, ein einstelliger Prozentsatz verändert das Operating Model. Die zwölf Reports liefern die Belege für genau diese Lücke, jeder mit eigenen Daten.

Die Lücke lässt sich beziffern

Man muss die Zahlen nebeneinanderlegen, dann wird der Gap konkret. Tool-Adoption ist überall hoch. Der eigentliche Maßstab ist der Anteil der Organisationen, die Arbeit, Daten und Entscheidungen wirklich umbauen.

Befund	Wert	Quelle
Organisationen noch im klassischen Industriemodell	89 %	McKinsey, Agentic Organization
GenAI-Initiativen mit erfüllter oder übertroffener ROI-Erwartung	74 %	Deloitte, State of GenAI
Agenten-Piloten, die mit messbarem Wert skaliert sind	< 10 %	McKinsey, Foundations at Scale
Unternehmen mit voll abgestimmter AI-, Plattform- und Geschäftsstrategie	18 %	Accenture, Platform Strategy
AI-Nutzer in einer “Frontier”-Konstellation (hohe Reife auf beiden Achsen)	19 %	Microsoft, Work Trend Index
”Transformers”, die zusätzlich neue Fähigkeiten bauen	17 %	IBM, Strategic Ascent

Vier verschiedene Häuser, vier verschiedene Methoden, und die Spitzengruppe liegt jedes Mal bei knapp einem Fünftel oder darunter. IBM nennt seine Spitzengruppe “Transformers”, 17 Prozent der Stichprobe, und sie schlägt den Rest über jeden einzelnen KPI: 40 gegen 27 Prozent erwartete Effizienz, 31 gegen 12 Prozent Produktivität. Accenture rechnet vor, dass abgestimmte Unternehmen im Schnitt 2,2-mal schneller wachsen und den operativen Gewinn um bis zu 37 Prozent steigern. Beim Durchschnittsunternehmen in der Stichprobe ist das rund eine Milliarde Dollar Vorsteuerergebnis.

Der Wert ist real, aber er sammelt sich oben

Die naheliegende Skepsis lautet: alles Beratungsprosa, der ROI kommt nie. Die Daten widersprechen. Bain beziffert die erste AI-Welle, also simples Information Retrieval und Single-Task-Anwendungen über Kernprozesse, mit 10 bis 25 Prozent EBITDA-Gewinn bei den Firmen, die sie wirklich skaliert haben. Deloitte meldet, dass 74 Prozent der am weitesten skalierten GenAI-Initiativen die ROI-Erwartung treffen oder übertreffen.

Der Haken steckt im Wort “skaliert”. Der Wert sammelt sich bei den Wenigen, die über den Piloten hinausgekommen sind. Und der größere Hebel ist Wachstum. Accenture modelliert in einem Fall mit 60 Milliarden Umsatz ein Potenzial von rund 6 Milliarden jährlichem Umsatzwachstum gegenüber 1,7 Milliarden Produktivitätsgewinn. Die freigesetzte Kapazität wird nur dann zu Wachstum, wenn die Führung sie aktiv umlenkt. Lässt man sie laufen, verpufft sie als diffuse Entlastung, die keiner in der GuV wiederfindet. Das deckt sich mit PwCs 80/20-Regel: rund 80 Prozent des Werts entstehen aus der Neugestaltung der Arbeit, etwa 20 Prozent aus der Technologie selbst.

Warum die meisten hängenbleiben: Daten und Legacy

Wer wissen will, warum 90 Prozent der Piloten Piloten bleiben, findet die Antwort bei McKinsey: Acht von zehn Unternehmen nennen Datenlimitierungen als zentrales Hindernis beim Skalieren. Fragmentierte Daten in Silos, inkonsistente Governance, keine Pipelines für unstrukturierte Inhalte wie Dokumente, Mails und Transkripte. Bain hält fest, dass genau diese unstrukturierten Daten das Futter für agentisches Reasoning sind, und dass die meisten Organisationen sie schlicht nicht zugänglich haben.

Für den DACH-Mittelstand ist das die unbequeme Stelle. Die Systemlandschaft ist gewachsen, oft über zwanzig Jahre customizt, das Kernsystem heißt häufig SAP und steht mitten in der ohnehin fälligen Migration (siehe S/4HANA-Deadline 2027). Accenture zitiert einen ERP-Anbieter mit dem Satz, brittle Legacy-Systeme machten AI zur Belastung statt zum Vorteil. Bain nennt die Modernisierung der Kernplattformen, also den Umbau von Batch-Systemen zu API-fähigen, ereignisgesteuerten Bausteinen, als größten einzelnen Hebel. Das ist unsexy, teuer und genau der Grund, warum Firmen wie Celonis ihr Geld damit verdienen, überhaupt erst sichtbar zu machen, wie die Prozesse real laufen.

Die nüchterne Konsequenz: Ohne Datenfundament kein skalierbarer Agent. McKinsey empfiehlt, die Architektur Schicht für Schicht zu ertüchtigen statt sie abzulösen, plus eine semantische Schicht aus Ontologien und Knowledge Graphs, damit Agenten verteilte Daten konsistent interpretieren. Wer das überspringt und direkt Agenten kauft, baut auf Sand.

Das Operating Model ist die eigentliche Arbeit

Hier liegt der Kern, und alle zwölf Reports zeigen in dieselbe Richtung. IBM bringt es auf eine Zahl: 78 Prozent sagen, der maximale Nutzen von Agentic AI verlange ein neues Betriebsmodell, und ebenfalls 78 Prozent der bisherigen Investitionen flossen in die Verbesserung bestehender Prozesse. Genau das ist der Gap, in einem Satz.

Was “neues Operating Model” konkret heißt, beschreibt McKinsey mit dem Bild der “work charts”, die Organigramme ablösen: flache Netzwerke kleiner, ergebnis-verantwortlicher Teams, in denen Menschen “above the loop” arbeiten und Agenten die Ausführung übernehmen. Deloitte legt eine Reifegrad-Leiter darunter, an der man ehrlich ablesen kann, wo man steht, und an der die Verbreitung mit jeder Stufe steil abfällt.

Stufe (Deloitte Autonomy Ladder)	Menschliche Rolle	Verbreitung 2025
Assist	Operator	70–80 % +
Suggest	Guide	50–60 %
Execute	Monitor	25–30 %
Orchestrate	Supervisor	8–10 %
Optimize	Strategist	2–3 %
Self-evolve	Orchestrator	< 1 %

Die Autonomie kommt schneller, als der Mittelstand plant. IBM erwartet, dass der Anteil der Organisationen mit eigenständig handelnden Agenten von 24 auf 67 Prozent bis 2027 steigt. BCG misst, dass die erwartete Entscheidungsbefugnis von AI-Systemen über drei Jahre um 250 Prozent wächst, und dass agentische AI schon 35 Prozent Verbreitung in zwei Jahren erreicht hat, schneller als jede frühere Welle. Der Treiber ist banal: Die Anbieter bauen Agenten in bestehende Plattformen ein, also nutzen Firmen sie, bevor sie einen Management-Rahmen dafür haben. Die Governance hinkt der Adoption hinterher.

Der eigentliche Engpass: menschliche Aufsicht

Die wichtigste Korrektur an der reinen Tech-Erzählung liefert Microsoft. Organisatorische Faktoren wie Kultur, Manager-Verhalten und Talent-Praktiken erklären 67 Prozent des berichteten AI-Effekts, individuelles Verhalten nur 32 Prozent. Der stärkste Hebel ist die Führung: Wenn Manager AI sichtbar selbst nutzen, steigt der berichtete Wert um 17 Punkte und das Vertrauen in agentische AI um 30 Punkte. Das Tool-Budget ohne Kulturarbeit ist rausgeworfenes Geld.

Zugleich steigt mit jeder ausgeführten Agenten-Aufgabe die Prämie auf menschliches Urteil. 86 Prozent der Microsoft-Befragten behandeln AI-Output als Ausgangspunkt, Qualitätskontrolle und kritisches Denken stehen oben auf der Skill-Liste. McKinsey nennt die menschliche Aufsichtskapazität sogar den eigentlichen Flaschenhals: Wie viele Agenten man laufen lassen kann, ist gedeckelt durch die Oversight, die Menschen liefern können. Wer Aufsicht ernst nimmt, kennt das schon aus dem Playbook (siehe AI-Agenten brauchen Aufsicht und Agent statt Anwender).

Im DACH-Kontext hat das eine Dimension, die in den US-lastigen Reports nur durchschimmert: Mitbestimmung. BCG beziffert bei intensiven Anwendern 45 Prozent weniger mittlere Managementebenen und 43 Prozent mehr Generalisten statt Spezialisten. Solche Verschiebungen gibt es in Deutschland weder über Nacht noch ohne Betriebsrat. Deloitte liefert die passende Warnung: Die Bereitschaft der Belegschaft, organisatorischen Wandel mitzutragen, ist von 74 Prozent (2016) auf 44 Prozent (2024) gefallen. Wer den Umbau gegen die Belegschaft fährt, verliert ihn.

DACH-spezifisch: Regulatorik als Startbedingung

Deloitte meldet, dass regulatorische Compliance binnen eines Jahres zur größten Hürde aufgestiegen ist (38 Prozent). Für DACH ist das keine abstrakte Sorge, der EU AI Act greift ab August 2026. Die gute Nachricht: Mehrere Reports drehen das ins Positive. Deloitte rät, Auditierbarkeit und Reporting früh einzubauen, dann beschleunigt Compliance den Markteintritt. IBM nennt Decision-Logging mit Confidence Scores und geprüften Alternativen, was sich direkt mit den Dokumentationspflichten des AI Act deckt. Wer Governance als Architektur-Prinzip begreift, hat im regulierten europäischen Markt einen Vorsprung.

Und die Kostenseite gehört dazu, bevor das CFO-Gespräch unschön wird. Bain schätzt, dass kurzfristig 5 bis 10 Prozent des Tech-Budgets in agentische Grundlagen fließen, langfristig bis zur Hälfte. Wer Token-Verbrauch und Agenten-Kosten nicht auf Prozess- und Kundenebene allokiert, steuert blind (mehr dazu in AI FinOps).

Meine Perspektive 🎯

• Der Beweis ist der umgebaute Prozess. Wer 42 grüne Kacheln zeigt, aber keinen einzigen umgebauten Prozess, hat AI gekauft und das Geschäft nicht angefasst. Die einzige ehrliche Frage lautet: Welcher Prozess läuft heute anders als vor zwölf Monaten?
• Erst Daten, dann Agenten. Acht von zehn scheitern an den Daten, lange bevor das Modell zum Thema wird. Im DACH-Mittelstand heißt das: Legacy- und SAP-Fundament ertüchtigen, unstrukturierte Daten erschließen, bevor man Agenten-Lizenzen unterschreibt. Ohne dieses Fundament bleibt jeder Agent ein Pilot.
• Wachstum schlägt Effizienz, aber nur mit Führung. Freigesetzte Kapazität wird nicht von allein zu Umsatz. Wenn die Geschäftsführung nicht aktiv umlenkt, landet der ganze AI-Aufwand als diffuse Entlastung, die keiner in der GuV findet.
• Die EU-Regulierung lässt sich zum Vorsprung machen. Auditierbarkeit von Anfang an einbauen. Wer das kann, verkauft sie im regulierten Markt als Feature, während andere noch nachrüsten.
• Der Engpass ist menschliche Aufsicht und Mitbestimmung. Manager müssen vorangehen, der Betriebsrat muss früh am Tisch sitzen. In Deutschland entscheidet die Belegschaft mit, ob der Umbau gelingt, und ihre Wandelbereitschaft ist auf 44 Prozent gefallen.

Fazit: ein ehrlicher Selbsttest

Die zwölf Reports lassen sich auf fünf Fragen eindampfen, mit denen jeder Vorstand seine eigene Position prüfen kann:

1. Prozess: Nenne einen Kernprozess, der heute anders organisiert ist als vor einem Jahr. Wenn keiner kommt, gehörst du zu den 88 Prozent.
2. Daten: Haben deine Agenten Zugriff auf die unstrukturierten Daten, die sie zum Schlussfolgern brauchen, oder hängen sie an Silos?
3. Operating Model: Wer verantwortet Ergebnisse end-to-end, Menschen oder Org-Kästchen? Arbeitest du schon “above the loop”?
4. Aufsicht: Skaliert deine menschliche Oversight mit der Zahl der Agenten, oder ist sie der heimliche Deckel?
5. Governance: Ist Auditierbarkeit ins Fundament eingebaut oder als AI-Act-Häkchen nachgereicht?

Wer drei dieser fünf Fragen nicht überzeugend beantwortet, steht vor einem Operating-Model-Problem. Und das löst keine weitere Lizenz.

Quellen

1. McKinsey — The Agentic Organization
2. Deloitte — State of Generative AI in the Enterprise (Q4)
3. Bain & Company — Technology Report 2025: The Foundation for Agentic AI
4. Accenture — The New Rules of Platform Strategy in the Age of Agentic AI
5. MIT SMR & BCG — The Emerging Agentic Enterprise
6. IBM Institute for Business Value — Agentic AI’s Strategic Ascent
7. McKinsey — Building the Foundations for Agentic AI at Scale
8. Deloitte — Agentic AI Enterprise 2028
9. PwC — AI Predictions 2026
10. Microsoft — Work Trend Index 2026: Agents and Human Agency
11. Accenture — The Age of Co-Intelligence