Es gibt viel Diskussionsbedarf beim Thema KI-Transformation im Mittelstand, zumindest wird viel darüber geschrieben. Über den fehlenden ROI, scheiternde Pilotprojekte und Mitarbeitende, die zwar KI-Tools zur Verfügung gestellt bekommen, diese aber nicht nutzen. Das Fazit ist, dass KI eine Führungsaufgabe sei. Das ist wahr. Denn die Probleme bei der KI-Einführung reichen weiter als zunächst angenommen: Sie sind Symptome einer umfassenderen Transformation, die nicht nur bessere Kennzahlen, sondern grundlegend andere Denkansätze erfordert.
Das bedeutet nicht, dass die Analysen falsch sind und die Probleme gar nicht existieren. Das Gegenteil ist wahr. Aber die eigentliche Herausforderung bei einer KI-Transformation besteht darin, dass die Einzelprobleme oft isoliert betrachtet werden. Da ist es besser, nicht nur einen Schritt, sondern gleich ein paar zurückzutreten, um das Gesamtbild besser einordnen zu können. KI-Transformation ist im Gegensatz zu einem klassischen IT-Projekt nie abgeschlossen, sondern ist ein System aus Führung, Strategie, Prozessen, Kultur, Governance und Kompetenzentwicklung. Und all das verändert sich ständig, weil das Unternehmen sich weiterentwickelt, genauso wie die Tools und die Geschäftsprozesse.
TL;DR:
KI-Transformation wird meist in Einzelteilen diskutiert: Prompts, Piloten, ROI, Metriken, Widerstand. Das eigentliche Problem ist, dass diese Fragmente nicht zusammengedacht werden. KI-Transformation umfasst mindestens sieben Handlungsfelder, von Führungsverständnis über Anwendungsfälle und Prozessdesign bis zu Governance, Kultur und Metriken, die einander bedingen. Die Datenlage ist deutlich: Über 80 Prozent der KI-Vorhaben scheitern (RAND), nur 39 Prozent berichten von einem EBIT-Effekt (McKinsey), und die Abbruchquoten steigen (S&P Global). Die Ursachen sind organisatorisch, nicht technologisch. Was fehlt, ist nicht bessere Technologie, sondern das Erfahrungswissen und das Gesamtverständnis dafür, was KI-Transformation tatsächlich ausmacht.
Viele Maßnahmen, wenig Wirkung
Verlässliche Daten zu KI-Implementierungen gibt es mittlerweile und deren Ergebnisse konvergieren. Einer Analyse der RAND Corporation zufolge scheitern mehr als 80 Prozent aller KI-Vorhaben, von der Konzeption bis zur Produktionsreife. Das ist eine Quote, die doppelt so hoch ist wie die von IT-Projekten ohne KI-Bezug. Die Gründe werden klar benannt. Diese sind häufig nicht technischer Natur, sondern haben ihren Ursprung in organisatorischen Rahmenbedingungen. Beispiele sind falsch verstandene Problemdefinitionen, eine unzureichende Datenbasis oder nachlassendes Management-Sponsoring [1].
McKinsey zeichnet in seiner jährlichen KI-Erhebung ein vergleichbares Bild. Demnach nutzen 88 Prozent der befragten Unternehmen KI regelmäßig in mindestens einer Geschäftsfunktion, aber nur 39 Prozent berichten von einem messbaren EBIT-Effekt auf Unternehmensebene [2]. S&P Global Market Intelligence dokumentiert, dass der Anteil der Unternehmen, die die meisten ihrer KI-Initiativen abbrechen, von 17 Prozent im Jahr 2024 auf 42 Prozent im Jahr 2025 gestiegen ist, wobei die absolute Zahl der gestarteten Initiativen im selben Zeitraum deutlich zugenommen hat [3]. Deloitte berichtet, dass nur ein Drittel der Unternehmen KI tatsächlich für tiefgreifende Transformation nutzt [6]. Das MIT-Projekt NANDA kommt in einer viel diskutierten Erhebung zu dem Ergebnis, dass rund 95 Prozent der Unternehmen keinen messbaren P&L-Effekt aus GenAI-Piloten erzielen, wobei diese Zahl aufgrund einer eng gefassten Erfolgsdefinition methodisch umstritten ist.
Unsere Einordnung: Diese Datenpunkte stehen stellvertretend für eine beständig wachsende Studienlage, deren Ergebnisse in eine ähnliche Richtung weisen. Das Problem liegt nicht in der Technologie. Die Technologie ist noch zu neu und zu disruptiv. Deshalb fehlt das Erfahrungswissen, das bei anderen etablierten Technologien ein zentraler Erfolgsfaktor ist. Die SAP-Einführung zu begleiten, ist ohne Frage herausfordernd, jedoch ist dabei bereits klar, welche Aufgaben das Tool später erfüllen soll, und dank der bereits gemachten Erfahrungen ist auch der Weg zum Ziel deutlich klarer vorgegeben. Was bleibt, ist die Erkenntnis, dass KI-Tools funktionieren und mit jeder Generation leistungsfähiger werden. Herausforderungen gibt es hingegen in der Art und Weise, wie Unternehmen die Implementierung, die Governance und das Leadership gestalten. Zusammengefasst: Die Lücke zwischen Adoption und Wirkung ist nicht technischer Natur. Sie entsteht vielmehr, weil das Gesamtverständnis und das Erfahrungswissen dafür fehlt, was eine gelungene KI-Transformation im Kern ausmacht.
Was KI-Transformation tatsächlich bedeutet
Leider wird KI-Transformation viel zu häufig auf eine Abfolge von Tool-Auswahl, Schulungsprogrammen, Governance-Richtlinien und der dazugehörenden Compliance reduziert. Das klingt im ersten Moment logisch, trägt aber auch Konfliktpotenzial in sich. Ein Budget für die Beschaffung der KI-Tools freigeben, ohne zu wissen, was diese eigentlich leisten sollen? Schulungen buchen, ohne die Anwendungsfälle und Schulungsbedarfe genau zu kennen? Governance-Strukturen entwickeln, wenn noch gar nicht klar ist, ob eine einheitliche KI-Richtlinie ausreicht, oder ob einzelne Abteilungen individuelle Vorgaben benötigen? Also besser zwei bis drei Schritte zurücktreten, um das Gesamtbild besser erfassen zu können.
KI-Transformation besteht in der Realität aus mindestens sieben einander beeinflussenden Handlungsfeldern. Diese sind:
Führungsverständnis: Die Geschäftsführung und die Führungskräfte müssen verstehen, was KI kann, wo die Grenzen liegen oder wo Grenzen gesetzt werden müssen und welche strategischen Optionen sich daraus ergeben. Ohne dieses Verständnis fehlt die Grundlage für jede weitere Entscheidung. Laut der zweiten Auflage der Deloitte-Studie „Governance of AI“ gaben zwei Drittel der befragten Board-Mitglieder und C-Suite-Führungskräfte an, dass ihre Aufsichtsgremien über wenig bis keine KI-Erfahrung verfügen. Bei 31 Prozent steht KI nicht einmal auf der Agenda [4]. Wenn die Führungsebene nicht einordnen kann, was KI für das eigene Geschäftsmodell bedeutet, fehlt allen nachfolgenden Maßnahmen der strategische Unterbau.
Anwendungsfälle und Prozessdesign: Bevor über Tools, Schulungen oder Governance gesprochen wird, muss eine viel grundlegendere Frage beantwortet werden. Welche Aufgaben soll KI überhaupt übernehmen? Welche Prozesse wurden noch gar nicht mit KI gedacht? Was Forscher als „Imagination Gap“ bezeichnen, ist die weitverbreitete Schwierigkeit von Organisationen, sich konkret vorzustellen, was KI für ihre spezifischen Abläufe leisten könnte [Die Imagination Gap]. Jede Abteilung hat eigene Herausforderungen, die sie mit KI lösen möchte. Das Marketing benötigt möglicherweise Unterstützung bei der Videoproduktion und bei kreativem Content. Business Intelligence benötigt ein Tool, das große Datenmengen durchleuchten und Zusammenhänge finden kann. HR hat ganz spezielle Anforderungen an Datenschutz und Fairness. Daraus ergeben sich unterschiedliche Anforderungsprofile an Tools, Daten und Governance.
Strategie und Prozesse: Die Frage ist nicht, welche bestehenden Prozesse mit KI schneller gemacht werden können. Die eigentliche Frage lautet: Welche Prozesse müssten wir heute anders gestalten, wenn wir sie mit dem Wissen um KI von Grund auf neu entwerfen würden? McKinsey identifiziert die Workflow-Neugestaltung als das stärkste Differenzierungsmerkmal. Nur 21 Prozent der Unternehmen, die KI nutzen, haben zumindest einige Workflows grundlegend neu gestaltet. Bei den erfolgreichsten Unternehmen ist dies nahezu dreimal häufiger der Fall als beim Durchschnitt [2]. Die Harvard Business Review nennt die Fixierung auf bestehende Abläufe die „Micro-Productivity Trap“: Unternehmen optimieren einzelne Aufgaben, ohne Workflows oder Wertversprechen neu zu denken [5].
Governance und Compliance: Wer KI einsetzt, benötigt klare Regeln: Wer darf welche Tools nutzen? Wer prüft die Ergebnisse? Wer verantwortet sie? Und wie wird sichergestellt, dass die Anforderungen des EU AI Act, einschließlich der Kompetenzpflicht nach Artikel 4, erfüllt werden? Diese Fragen lassen sich nicht mit einem einmal erstellten Governance-Dokument beantworten. Sie erfordern lebendige Strukturen, die mit der Nutzung und der Evolution der KI-Tools wachsen. Deloitte berichtet, dass nur jedes fünfte Unternehmen ein ausgereiftes Modell zur Governance autonomer KI-Agenten hat, während nahezu drei Viertel planen, agentische KI innerhalb der nächsten zwei Jahre im Unternehmen einzusetzen [6].
Unternehmenskultur und Mitarbeitende: KI verändert nicht nur Prozesse, sondern auch die Art, wie Menschen ihre Arbeit und ihre Rolle wahrnehmen. Forschungsergebnisse zeigen, dass Mitarbeitende, deren Vorgesetzte KI-Einführung aktiv unterstützen, der Technologie deutlich offener gegenüberstehen. BCG beziffert den Unterschied so: Der Anteil der Beschäftigten mit positiver Einstellung zu generativer KI steigt von 15 Prozent auf 55 Prozent, wenn starke Führungsunterstützung gegeben ist [7]. Gleichzeitig zeigen Studien, dass KI-Nutzung zu einer reduzierten psychologischen Sicherheit beitragen kann, wobei eine ethische Führung als wesentlicher Moderator wirkt [8].
Daten und Datenstrategie: Die Frage, welche Daten verfügbar sind, welche Daten für KI verfügbar gemacht und wie diese aufbereitet werden können, ist kein reines IT-Thema. Es geht um die grundlegende Frage, welche Informationen das Unternehmen überhaupt als Entscheidungsgrundlage zur Verfügung stellen will und kann und wie sich der Blick auf diese Daten verändert, wenn sie nicht nur für Berichte, sondern auch als Input für KI-Systeme dienen sollen. Die Data Governance schützt die Qualität und Vertraulichkeit der Eingangsdaten. Die AI Governance schützt die Qualität und Verantwortbarkeit der Ergebnisse, die daraus entstehen. Beides muss zwingend zusammenwirken.
Metriken und Erfolgsmessung: Welche Informationen zur Erfolgsmessung herangezogen werden, kann entscheidend dafür sein, wie ehrlich und belastbar die Angaben am Ende tatsächlich sind. Wird die KI-Adoption daran gemessen, wie viele Lizenzen bereitgestellt werden, oder wird sie daran gemessen, wie viele Mitarbeitende KI tatsächlich produktiv im Arbeitsalltag einsetzen? Oder wird sogar noch ein Schritt weiter gegangen und gefragt, ob KI einen messbaren Wertschöpfungsbeitrag geleistet hat und wie hoch dieser war? McKinsey identifiziert das Verfolgen klar definierter KPIs für KI-Lösungen als den stärksten Treiber für einen messbaren Geschäftseffekt unter allen untersuchten Faktoren [2]. BCG ergänzt dazu, dass 42 Prozent der Frontline-Mitarbeitenden, also derjenigen, die KI in ihrer täglichen operativen Arbeit einsetzen und die durch KI mindestens einen Arbeitstag pro Woche einsparen, wenig oder keine Anleitung erhalten, wie sie die gewonnene Zeit nutzen sollen [9].
Wechselwirkungen, oder warum die Konzentration auf Einzelmaßnahmen scheitert
Die Handlungsfelder sind keine wirkliche Überraschung. Was häufig fehlt, ist ein durchgängiges Verständnis dafür, welche Wechselwirkungen sich ergeben und weshalb das Scheitern in einem Bereich die erzielten Fortschritte in anderen infrage stellt.
Governance ohne Führungsverständnis wird zum Papiertiger: Wenn eine KI-Richtlinie verabschiedet wird, aber niemand durchdrungen hat, welches Risiko- und Chancenprofil sich aus dem KI-Einsatz im Unternehmen ergibt, dann ist dieses Dokument eine formale Pflichtübung, aber leider auch nicht mehr. Ebenso problematisch sind Fälle, in denen KI-Richtlinien als Empfehlungen verstanden werden. Das Ergebnis ist dann Compliance auf dem Papier, aber Wildwuchs, Ausnahmen und damit vermeidbare Risiken in der Praxis. [KI-Governance]
Schulungen ohne Kulturwandel verpuffen: Unternehmen investieren in KI-Trainings, aber die Organisationskultur signalisiert gleichzeitig, dass KI-Nutzung mit einem Kompetenzverlust assoziiert wird. Forschungsergebnisse der King’s Business School London zeigen, dass Mitarbeitende, die als KI-Nutzende bekannt sind, im Durchschnitt schlechtere Kompetenzbewertungen erhalten, obwohl die Arbeitsergebnisse identisch sind [10]. In einem solchen Umfeld nutzen Mitarbeitende KI entweder heimlich oder gar nicht. BCG schätzt, dass 54 Prozent der Beschäftigten bereit wären, nicht autorisierte KI-Tools zu verwenden [7]. Schulung allein löst dieses Problem nicht. Es braucht eine Kultur, in der KI-Nutzung nicht stigmatisiert, sondern unterstützt und normalisiert wird.
Metriken ohne Prozess-Redesign messen das Falsche: Wenn ein Unternehmen lediglich den Prozentsatz der Mitarbeitenden erhebt, die eine KI-Lizenz erhalten haben, aber nicht erfasst, ob diese Mitarbeitenden KI auch tatsächlich nutzen, dann misst es die potenzielle Verfügbarkeit eines Werkzeugs, aber nicht die Wirkung einer Transformation. Ebenso kann die Verfügbarkeit von KI-Tools hoch sein, aber ein tatsächlicher Effekt ausbleiben, weil die alten Prozesse beibehalten und lediglich neue Tools eingesetzt werden, um diese schneller und effizienter umzusetzen. McKinsey beschreibt dieses Muster so: Unternehmen, die Workflows fundamental neu gestalten, erzielen nahezu dreimal häufiger einen messbaren Geschäftseffekt als Unternehmen, die KI lediglich auf bereits bestehende Abläufe anwenden. Die Elektrifizierungs-Analogie ist hier ein guter Vergleich. Als Fabriken Anfang des 20. Jahrhunderts Dampfmaschinen durch Elektromotoren ersetzten, brachte das zunächst nur marginale Verbesserungen. Der eigentliche Produktivitätssprung kam erst, als die Fabriklayouts grundlegend neu gestaltet wurden und damit das tatsächliche Potenzial des Elektromotors genutzt werden konnte [5]. [Warum KI für die meisten Branchen ein „Hammer ohne Nagel“ bleibt]
Tools ohne Anwendungsfälle erzeugen Enttäuschung statt Wertschöpfung: Wenn ein Unternehmen KI-Lizenzen ausrollt, aber nicht geklärt hat, welche konkreten Aufgaben damit gelöst werden sollen, entsteht ein vorhersehbares Muster: Mitarbeitende experimentieren kurzfristig, finden keine Anbindung an ihre tatsächlichen Arbeitsprozesse und stellen die Nutzung wieder ein. Die Imagination Gap schließt sich nicht von selbst. Ohne eine bewusste Auseinandersetzung damit, welche Prozesse mit KI anders gedacht werden könnten, bleiben Tools ungenutzt oder werden auf niedrigschwellige Aufgaben beschränkt, die keinen messbaren Auswirkungen erzeugen. [Die Imagination Gap]
BCG hat diese Zusammenhänge in einer viel zitierten Faustregel verdichtet: 10 Prozent des KI-Erfolgs entfallen auf Algorithmen, 20 Prozent auf Technologie und Daten und 70 Prozent auf Menschen und Prozesse [11]. Diese Verteilung macht deutlich, warum ein rein technologischer Ansatz, der 100 Prozent des Budgets auf die ersten 30 Prozent des Erfolgspotenzials konzentriert, systematisch zu kurz greift.
Die unbequeme Wahrheit: Komplexität lässt sich nicht wegverhandeln
KI-Transformation ist komplex. Wer Transformation als eine Reihe isolierter Projekte plant, den nächsten Piloten, das nächste Tool-Abo, das nächste Schulungsprogramm, wird nicht nur wiederholt enttäuscht sein, sondern auf dem besten Weg sein, das Vertrauen der eigenen Organisation in die Sinnhaftigkeit von KI zu verspielen. Denn jeder gescheiterte Pilot, jedes Tool, das nach sechs Monaten nicht mehr genutzt wird, jede Schulung, die folgenlos bleibt, sendet eine Botschaft: „KI funktioniert bei uns nicht und kostet nur Geld, das an anderer Stelle besser investiert wäre.“
Die Alternative ist, das Gesamtbild zu verstehen, bevor einzelne Maßnahmen umgesetzt werden. Also vor der Freigabe des nächsten Budgets die Fragen klären, die über Erfolg und Misserfolg entscheiden. Wo möchten wir KI einsetzen und wo bewusst nicht? Wer versteht in der Führungsebene, worüber entschieden wird? Wie müssten sich unsere Prozesse verändern, damit KI tatsächlich Wertschöpfung erzeugt? Wer ist dafür verantwortlich, dass das passiert, und welches Budget wird zur Verfügung gestellt?
Die Studien und Erfahrungen legen nahe, dass genau diese ganzheitliche Herangehensweise den Unterschied macht. BCG hat in einer Analyse von 1.250 Unternehmen den KI-Reifegrad über 41 Dimensionen bewertet. Das Ergebnis: Nur fünf Prozent der untersuchten Unternehmen gelten als „future-built“, was bedeutet, dass sie KI über alle relevanten Dimensionen hinweg systematisch integriert haben. Diese fünf Prozent erzielen im Vergleich zu den übrigen Unternehmen ein 1,7-fach höheres Umsatzwachstum und ein 3,6-fach höheres Total Shareholder Return über drei Jahre [12].
Unsere Einschätzung: Es ist wichtig, diese Korrelation methodisch korrekt einzuordnen. Ob die systematische KI-Integration das Wachstum verursacht oder ob ohnehin wachstumsstarke Unternehmen eher in der Lage sind, KI systematisch einzuführen, lässt sich aus einer einzelnen Erhebung nicht abschließend klären. McKinsey weist selbst darauf hin, dass ein Befragungsjahr Ursache und Wirkung nicht trennen kann [2]. Die Konvergenz der Befunde über mehrere unabhängige Studien hinweg, von RAND über McKinsey bis zu BCG und S&P Global, unterstützt aber die zentrale Aussage, dass fragmentierte Ansätze systematisch zu schlechteren Ergebnissen zu führen scheinen. Hinzu kommt: Während ein Unternehmen den dritten oder vierten isolierten Piloten aufsetzt und sich über den ausbleibenden ROI wundert, hat ein Mitbewerber das Gesamtbild seiner KI-Landschaft möglicherweise bereits verstanden und macht sich an die systematische Umsetzung. Die fünf Prozent, die BCG als „future-built“ identifiziert, agieren in denselben Märkten und ihr Vorsprung wird nicht kleiner, während andere abwarten.
Der Blick nach Deutschland: Wo der Mittelstand steht
Die internationale Studienlage bildet überwiegend Großunternehmen und angelsächsische Märkte ab. Für den deutschen Mittelstand liegen ebenfalls belastbare Daten vor, die das Bild ergänzen.
Laut der Bitkom-Erhebung 2025 nutzen 36 Prozent der Unternehmen ab 20 Beschäftigten in Deutschland KI, eine Verdopplung gegenüber dem Vorjahr [13]. Gleichzeitig beschränkt sich ein Viertel der KI-nutzenden Unternehmen auf nur eine einzige Anwendung. Die größten Hemmnisse sind rechtliche Unklarheiten (53 Prozent), fehlendes technisches Know-how (53 Prozent) und fehlende personelle Ressourcen (51 Prozent) [13]. Der DMB/Salesforce KI-Index Mittelstand ergänzt dazu, dass 43 Prozent der Mittelständler keine konkreten KI-Pläne für das laufende Jahr haben. Das größte Hindernis ist fehlendes Hintergrundwissen zu konkreten Einsatzgebieten [14].
Unsere Einordnung: Die Ergebnisse bestätigen letztlich den Befund der internationalen Studien für den deutschen Kontext. Die Adoptionsrate steigt, aber sie bleibt weitgehend oberflächlich. Die Grundvoraussetzungen für eine echte Transformation, ein klares Führungsverständnis, auf KI angepasste Prozesse, eine definierte Strategie, fehlen bei der Mehrheit der Unternehmen. Genau hier liegt aber auch eine Chance: Wer jetzt die Grundlagen richtig legt, muss die Fehler derjenigen nicht wiederholen, die ohne Gesamtbild gestartet sind. [KI-Strategie 2026: Warum Transformation vor Tools kommt]
Fazit: Problembewusstsein als Startpunkt
Keine Sorge, dieser Artikel endet nicht mit einem einfach umsetzbaren Zehn-Punkte-Plan, der nach drei Monaten garantierte Ergebnisse liefert.
Der erste Schritt sollte kein neues Projekt sein, sondern die Antwort auf eine simple Frage: Wenn wir unsere wichtigste Dienstleistung heute auf der grünen Wiese neu bauen könnten, wie würde sich das Ergebnis auf Mensch und KI aufteilen?
KI-Transformation berührt Führung, Anwendungsfälle, Strategie, Prozesse, Governance, Kultur, Daten und Metriken zugleich. Die sich daraus ergebenden Wechselwirkungen bedingen einander. Wer einen Bereich isoliert angeht und die anderen vernachlässigt, wird feststellen, dass die Fortschritte auf lange Sicht nicht halten werden, weil das Fundament an anderer Stelle fehlt. Das ist der Zyklus, den die Studien der letzten Jahre konsistent beschreiben: hohe Adoption, aber wenig Wirkung und in der Folge wachsende Enttäuschung.
Wichtig ist, sich die Zeit für eine ehrliche Bestandsaufnahme zu nehmen. Wie sieht unsere KI-Landkarte aus? Welche Handlungsfelder haben wir adressiert, und welche haben wir bisher übersehen? Wo entstehen die Wechselwirkungen, die unsere bisherigen Maßnahmen untergraben haben?
Diese Fragen sind nicht bequem. Aber die Alternative, der nächste isolierte Pilot, das nächste Tool, die nächste Enttäuschung, verbrennt nicht nur Tokens und Geld, sondern auch das Vertrauen der Organisation in einen Transformationsprozess, der stockt.
Quellenverzeichnis
[1] RAND Corporation, „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI“, August 2024. https://www.rand.org/pubs/research_reports/RRA2680-1.html
[2] McKinsey & Company, „The State of AI in 2025: Agents, Innovation, and Transformation“, November 2025. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[3] S&P Global Market Intelligence, „Voice of the Enterprise: AI & Machine Learning“, Oktober 2025. https://www.spglobal.com/market-intelligence/en/news-insights/research/ai-experiences-rapid-adoption-but-with-mixed-outcomes-highlights-from-vote-ai-machine-learning
[4] Deloitte, „Governance of AI: A Critical Imperative for Today’s Boards“, 2. Auflage, Befragung Januar-Februar 2025. https://www.deloitte.com/ca/en/services/audit-assurance/research/governance-of-ai-2.html
[5] Harvard Business Review, „How to Move from AI Experimentation to AI Transformation“, April 2026; ergänzend: „Why New Technologies Don’t Transform Incumbents“, Februar 2026. https://hbr.org/2026/04/how-to-move-from-ai-experimentation-to-ai-transformation
[6] Deloitte, „The State of AI in the Enterprise“, 7. Ausgabe, 3.235 Führungskräfte in 24 Ländern, Befragung August-September 2025. https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html
[7] BCG, „AI at Work 2025: Momentum Builds, But Gaps Remain“, Juni 2025, 10.635 Beschäftigte in 11 Ländern. https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain
[8] Kim et al., „AI adoption, psychological safety, and depression risk“, Humanities and Social Sciences Communications (Nature), 2025, Artikel 704.
[9] BCG, „AI at Work 2026“, Juni 2026, 11.749 Beschäftigte in 14 Märkten.
[10] King’s Business School London / Peking University / Polytechnic University Hong Kong, Studie zu KI-Nutzung und Kompetenzbewertung, 2025.
[11] BCG, „Where’s the Value in AI?“, Oktober 2024, 1.000 CxOs/Senior Executives, 59 Länder; ergänzend: „Scaling AI Requires New Processes, Not Just New Tools“, 2026. https://www.bcg.com/publications/2024/wheres-value-in-ai
[12] BCG, „The Widening AI Value Gap: Build for the Future 2025“, September 2025, 1.250 Führungskräfte. https://www.bcg.com/press/30september2025-ai-leaders-outpace-laggards-revenue-growth-cost-savings
[13] Bitkom, „Künstliche Intelligenz in Deutschland“, 604 Unternehmen ab 20 Beschäftigten, September 2025.
[14] DMB/Salesforce, „KI-Index Mittelstand“, Februar 2025.
Sie möchten KI in Ihrem Unternehmen einsetzen und haben Fragen zur KI-Implementierung?
Gerne analysieren wir mit Ihnen in einem ersten unverbindlichen Strategiegespräch, wie der Einsatz von KI in Ihrem Unternehmen aussehen könnte und was dabei zu beachten ist.
