95 Prozent aller generativen KI-Pilotprojekte in Unternehmen liefern keinen messbaren Beitrag zum Geschäftsergebnis. Das ist das Ergebnis einer vielzitierten MIT-Studie aus dem Jahr 2025, die Hunderte KI-Implementierungen untersucht hat. Gleichzeitig zahlen Konzerne und Mittelständler jeden Monat 30 US-Dollar pro Nutzer für Microsoft 365 Copilot, buchen ChatGPT-Enterprise-Kontingente und verkünden in Ad-hoc-Meldungen, man sei jetzt „KI-first“. Beide Zahlen sind wahr. Genau darin liegt das Problem.
Der Fehler sitzt nicht in der Technologie. Er sitzt im Organigramm, in den Freigabeprozessen, in den Jobprofilen von Menschen, die ein Werkzeug bekommen haben, für das ihre Arbeit gar nicht gebaut ist. Wer einer Redakteurin eine Copilot-Lizenz in die Hand drückt, aber weiterhin verlangt, dass jeder Produkttext durch vier Abstimmungsschleifen läuft, hat nichts modernisiert. Er hat nur die IT-Kosten erhöht.
Christian Maaß, Managing Director beim Musikinstrumenten-Händler Thomann und Mitglied des etailment-Expertenrats, formuliert es in Expertenkreisen seit Monaten: Die Branche wiederholt gerade einen Fehler, den sie aus den Achtzigern hätte lernen können. Damals hieß das Wunderwerkzeug Personal Computer. Die Investitionen stiegen über Jahre, die Produktivitätsstatistiken blieben flach.
Warum bleibt der versprochene Produktivitätsschub aus?
Weil eine Lizenz keine Prozessänderung ist. Diese Antwort klingt banal, beschreibt aber den Kern des Scheiterns präziser als jede technische Erklärung über Halluzinationen oder Datenqualität.
Der Ökonom Robert Solow brachte das Phänomen 1987 auf einen Satz, der bis heute in keinem Management-Seminar fehlt:
„Man kann das Computerzeitalter überall sehen, nur nicht in den Produktivitätsstatistiken.“
Solows Paradoxon löste sich erst in den Neunzigern auf, und zwar nicht, weil die Rechner schneller wurden. Es löste sich auf, weil Unternehmen wie Wal-Mart ihre gesamte Warenwirtschaft um den Computer herum neu bauten: Filialen meldeten Verkäufe in Echtzeit an Lieferanten, Regalbestände steuerten sich selbst nach, der Einkauf verschwand als manuelle Tätigkeit. Die Maschine war dieselbe geblieben. Die Organisation war eine andere.
Genau dieser zweite Schritt fehlt in den meisten KI-Rollouts von heute. Eine Bitkom-Umfrage unter deutschen Unternehmen zeigt das Muster deutlich: Die Mehrheit nutzt KI bereits irgendwo, aber nur eine Minderheit hat dafür Stellenprofile, Verantwortlichkeiten oder Kernprozesse angefasst. Man hat das Werkzeug ausgegeben und den Ablauf gelassen. Das Ergebnis ist vorhersehbar: einzelne Mitarbeiter schreiben E-Mails schneller, der Laden als Ganzes wird kein bisschen produktiver.
Das Produktivitätsparadoxon der PC-Ära kehrt zurück
Wer die Debatte der letzten drei Jahre verfolgt, erkennt die Parallelen mit fast peinlicher Genauigkeit. Auch damals gab es eine Phase der Technik-Euphorie mit Pressekonferenzen und Pilotprojekten. Auch damals meldeten Firmen stolz die Zahl der installierten Geräte, als wäre die Verbreitung des Werkzeugs selbst schon der Erfolg. Und auch damals dauerte es Jahre, bis jemand die unbequeme Frage stellte, was denn konkret billiger, schneller oder besser geworden sei.
Der Unterschied: Die Geschwindigkeit hat sich erhöht. Der PC brauchte zehn Jahre vom Arbeitsplatz-Exoten zum Standard. Generative KI schaffte das in unter drei. Das Zeitfenster, in dem Unternehmen ihre Organisation nachziehen müssen, bevor der Wettbewerber es tut, schrumpft entsprechend. Wal-Mart konnte sich den Organisationsumbau in den Neunzigern leisten, weil Kmart gerade damit beschäftigt war, zu scheitern. Dieser Komfort existiert heute nicht mehr.
Hinzu kommt ein psychologischer Faktor, den die PC-Ära kaum kannte. KI erzeugt ein Gefühl von Produktivität, das messbar falsch sein kann. Studien mit Entwicklern zeigten, dass sie sich mit KI-Assistenten subjektiv deutlich schneller fühlten, während die gemessene Bearbeitungszeit teils sogar stieg, weil das Prüfen und Korrigieren der generierten Ergebnisse Zeit fraß, die niemand eingeplant hatte. Gefühlte Effizienz ist der gefährlichste Betriebszustand überhaupt: Sie fühlt sich wie Fortschritt an und ist keiner.
Was macht Thomann anders als der Rest der Branche?
Thomann ist mit über einer Milliarde Euro Umsatz der größte Musikequipment-Händler Europas, und gehört zu den wenigen Handelsunternehmen, die KI nicht als Lizenzprojekt, sondern als Organisationsfrage behandeln. Der Unterschied zeigt sich an einer Stelle, die unglamourös ist und deshalb so aufschlussreich: der Produktdaten-Pflege.
Ein Sortiment von Thomanns Größe lebt von Attributen, Übersetzungen, technischen Beschreibungen in vielen Sprachen. Klassisch ist das ein Massengeschäft aus Copy-Paste und manueller Pflege, in dem Fehler teuer sind, weil falsche Daten Retouren erzeugen. Statt nun einfach Redakteuren Textgeneratoren zu geben, wurde die Frage neu gestellt: Welche Teile dieser Wertschöpfungskette muss ein Mensch überhaupt noch anfassen, und welche Prüf-Schleifen braucht es, damit Maschinen-Output direkt in den Shop fließen darf?
Aus dieser Frage entsteht etwas, das man in den meisten KI-Strategiepapieren vergeblich sucht: ein neuer Prozess mit neuen Rollen. Der Mensch wird vom Texter zum Prüfer und Ausnahme-Entscheider. Die Qualitätssicherung wandert vom Ende der Kette in die Mitte. Und erst wenn dieser Umbau steht, macht die Lizenz Sinn, nicht vorher.
Diese Reihenfolge ist das eigentliche Geheimnis. Sie ist auch der Grund, warum die vielzitierten 95 Prozent scheitern: Sie kaufen zuerst und denken dann nach. Maaß‘ Punkt aus dem Expertenrat ist im Kern ein banaler: Die Investitionsfrage ist die letzte Frage, nicht die erste.
Wie gelingt der Umbau der Organisation konkret?
Zuerst: mit einer ehrlichen Prozessinventur, bevor irgendein Vertrag unterschrieben wird. Nicht „Wo könnten wir KI einsetzen?“, sondern „Wo verlieren wir heute messbar Zeit, Geld oder Qualität?“ Erst wenn dieser Schmerz benannt und beziffert ist, lässt sich prüfen, ob KI das richtige Mittel ist, oder ob ein simpleres Werkzeug, ein anderes Schnittstellen-Design oder schlicht ein gestrichener Freigabeschritt denselben Effekt billiger liefern würde. Wer diese Frage nicht stellt, kauft sich eine Lösung und sucht danach das Problem dazu.
Zweitens gehört die Verantwortung an eine Stelle mit Durchsetzungsmacht. KI-Projekte, die im Innovations-Team oder bei der IT geparkt werden, scheitern an genau der Stelle, an der es ernst wird: dem Umschreiben von Stellenprofilen und KPIs. Das ist Linienarbeit, keine Projektgruppen-Aufgabe. Die erfolgreichen Implementierungen, die das MIT in seiner Untersuchung fand, hatten eines gemeinsam, ein klar benannter Owner aus der Führungsebene und ein Erfolgskriterium, das in der Gewinn- und Verlustrechnung landet, nicht in einer Folienpräsentation.
Drittens: kleine, geschlossene Prozesse zuerst. Produktdaten, Übersetzungen, Ticket-Klassifizierung im Kundenservice, Retourengründe-Analyse. Alles Bereiche mit klarem Input, klarem Output, messbarem Ergebnis. Wer stattdessen mit „KI für die Unternehmensstrategie“ beginnt, hat ein Diskussionsthema gewählt, kein Projekt.
Die Lizenz ist der leichte Teil
In zwei bis drei Jahren wird sich die Branche in zwei Gruppen teilen. Die eine hat zehntausende KI-Sitze lizenziert und fragt sich in der Budgetrunde, warum die Personalkosten nicht gesunken sind. Die andere hat eine Handvoll Prozesse vollständig neu gebaut und holt aus denselben Teams zwanzig, dreißig Prozent mehr Output, bei gleicher oder besserer Qualität.
Die Geschichte wiederholt sich nicht exakt, aber sie reimt sich erstaunlich sauber. Wal-Mart hat den PC nicht gekauft, um PCs zu besitzen, sondern um die Warenwirtschaft neu zu erfinden. Händler, die KI heute ernst nehmen, werden nicht an der Lizenz erkennbar sein, die hat ohnehin jeder. Man erkennt sie daran, dass ihre Stellenanzeigen, ihre Prozessdokumentationen und ihre Produktivitätszahlen anders aussehen als noch vor zwei Jahren. Wer jetzt investiert, ohne die Organisation anzufassen, finanziert teure Studien über das eigene Scheitern. Die Datenlage dazu ist bereits vorhanden, 95 Prozent sind ein überzeugendes Sample.