300 Milliarden Dollar für generative KI ausgegeben, aber 95 % der Unternehmen erzielen ‚null Gewinn‘

• Laut einem MIT-Bericht erzielen 95 % der Unternehmen weltweit trotz der Einführung generativer KI keinen realen Ertrag
• Unternehmen haben Large Language Models wie ChatGPT und Copilot im großen Stil erprobt, doch die meisten Einsätze bleiben auf Produktivitätssteigerungen beschränkt
• Erfolg wurde nur bei 5 % der integrierten KI-Pilotprojekte festgestellt; die meisten hatten keinen Einfluss auf Umsatz oder Gewinn
• Hauptursachen sind, dass generative KI nicht gut zu realen Arbeitsabläufen passt und weder Feedback speichern noch sich an Kontexte anpassen kann
• Der Bericht weist Sorgen über einen großflächigen Arbeitsplatzabbau zurück und analysiert, dass eine Senkung externer Kosten zwar möglich ist, interne Umstrukturierungen oder Massenentlassungen jedoch vorerst wenig realistisch sind
• Fazit: KI hat ihre Stärken eher bei spezifischen Aufgaben als als Strategie, und Unternehmen sollten sich statt auf unternehmensweite Innovation auf begrenzte Bereiche mit sofort messbaren Ergebnissen konzentrieren

---

Investitionen von Unternehmen in generative KI und deren Rendite

• In den vergangenen drei Jahren haben Unternehmen 30 bis 40 Milliarden US-Dollar in Projekte rund um generative KI investiert
• Doch nur eine sehr kleine Zahl von Unternehmen hat tatsächliche geschäftliche Erträge erzielt
• Neue Forschungsergebnisse des MIT zeigen, dass 95 % der Unternehmen trotz KI-Einführung angaben, keinen messbaren Nutzen zu sehen
• Nur 5 % der KI-Pilotprojekte schaffen Werte in Millionenhöhe

Stand der Einführung von Large Language Models und ihre Grenzen

• Mehr als 80 % der Großunternehmen testen führende LLMs wie ChatGPT und Copilot oder betreiben sie als Pilotprojekte
• Rund 40 % der Unternehmen haben diese Systeme in gewissem Umfang eingeführt, doch meist bleibt der Einsatz auf die Steigerung der individuellen Produktivität der Mitarbeitenden beschränkt
• Auf den gesamten Umsatz oder Gewinn der Unternehmen hat das fast keinen Einfluss

Technische Grenzen generativer KI

• Generative-KI-Tools passen oft nicht gut zu realen Geschäftsprozessen
  • Genannt werden vor allem instabile Workflows, fehlendes Kontextlernen und ineffiziente Einbindung in Arbeitsabläufe
• Die meisten generativen KI-Modelle können früheres Feedback nicht bewahren und Lehren nur schwer zwischen Kontexten und Aufgaben übertragen
• Dem Bericht zufolge sind die meisten GenAI-Systeme nicht in der Lage, Feedback zu behalten, sich an Kontexte anzupassen oder sich langfristig zu verbessern
• Dadurch steigen vor allem die Kosten einer langfristigen Integration im Unternehmen, während die tatsächliche Effizienzsteigerung begrenzt bleibt

Unterschied zwischen geschäftlichen Erwartungen und Realität

• Die Erwartungen an generative KI und das Investitionsvolumen waren groß, doch das führte weder zu Kostensenkungen noch zu realen Erträgen
• In der Praxis wird sie vor allem für begrenzte Aufgaben wie Kundenservice, Marketing und Dokumentenerstellung genutzt; das spart Zeit, hat aber nur geringe direkte Auswirkungen auf steigende Umsätze

Auswirkungen auf Beschäftigung und Organisationsstruktur

• Die Sorge, dass generative KI kurzfristig zu einem massiven Abbau von Arbeitsplätzen führen wird, ist nur schwach begründet
• Die Wirkung von KI dürfte sich eher auf die Optimierung externer Kosten wie geringere Outsourcing-Ausgaben als auf Veränderungen der internen Personalstruktur beschränken
• Statt sofort in großem Maßstab Personal zu ersetzen, wird sie voraussichtlich eher die Kosten für Outsourcing senken

Technische Missverständnisse und Grenzen der Weiterentwicklung

• Viele Fehlschläge entstehen, weil Unternehmen die tatsächlichen Möglichkeiten und Grenzen von KI nicht genau verstehen
• Generative KI kann zwar schnell Texte oder Code erzeugen, ihr fehlt jedoch kontinuierliches Lernen und Flexibilität wie bei Menschen
• Mitarbeitende können sich etwa an frühere Fehler oder neue Anforderungen flexibel anpassen, KI hingegen kann eine solche kontinuierliche Gedächtnisübertragung nicht leisten

Investitionen und künftige Ausrichtung

• Investoren und Führungskräfte erwarten zwar eine kontinuierliche Weiterentwicklung der KI-Technologie, kurzfristig verläuft sie jedoch langsamer als erwartet
• Der Bericht deutet an, dass es noch zu früh ist, KI sofort in allen Branchen und Workflows einzuführen
• Organisationen sollten ihre Einführung auf enge Bereiche mit sofortigen und messbaren Effekten konzentrieren
  • Beispiele: Automatisierung im Kundensupport, Entwicklungswerkzeuge, Erstellung von Dokumentenentwürfen
• Eine unternehmensweite KI-Integration ist derzeit noch mit hohen Risiken und einer hohen Ausfallwahrscheinlichkeit verbunden

Fazit und Implikationen

• Die Realisierung von Unternehmenswert durch generative KI beschränkt sich auf einige wenige Erfolgsfälle
• Die meisten Unternehmen erhalten nur geringfügige Unterstützung bei alltäglichen Aufgaben
• Der Bericht betont, dass Unternehmen generative KI nicht als umfassenden Wachstumsmotor, sondern als begrenztes Werkzeug verstehen sollten
• Die Erwartungen sind hoch, doch solange heutige Systeme sich nicht wie Menschen anpassen können, werden Unternehmen mit KI kaum große Gewinne erzielen

[GN⁺]

Hacker-News-Kommentare

• Diese Woche gab es bereits eine doppelte Diskussion (162 Kommentare): https://news.ycombinator.com/item?id=44941118. Der eigentliche Quellreport, auf den der Artikel nicht verlinkt, ist https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• Der Report sagt etwas völlig anderes als der Artikel. Ein paar Infos dazu: 50 % des gescheiterten Budgets wurden für Marketing und Sales verwendet, KI könnte Arbeitswert in Höhe von 2,3 Billionen US-Dollar automatisieren und 39 Millionen Positionen beeinflussen, und als Hauptgründe für das Scheitern werden die Ablehnung neuer Tools sowie mangelnde Unterstützung durch das Management hervorgehoben. Ich finde, viele ziehen viel zu schnell den Schluss, dass KI nicht funktioniert. Das sagt der Report nicht.
  • Es heißt zwar, „KI automatisiert Arbeitswert von 2,3 Billionen US-Dollar und beeinflusst 39 Millionen Positionen“, aber derzeit liegt das Automatisierungspotenzial des Arbeitswerts in den USA bei 2,27 %. Das US-BIP liegt aktuell bei 27 Billionen US-Dollar, und die Aussage scheint zu sein, dass durch die Optimierung von 61 Milliarden US-Dollar an Arbeitswert etwa 15 % der US-Erwerbsbevölkerung ersetzt und dadurch ein Wert von 2,3 Billionen US-Dollar geschaffen würde. Ich bezweifle, dass diese Rechnung wirklich aufgeht. Ich frage mich auch, wer das alles kaufen soll, wenn nicht die Arbeitnehmer. Die KI-Investitionen im Jahr 2025 liegen bereits bei mehr als der Hälfte davon. In dieser Lage weiß ich nicht, wie man „Arbeitswert“ überhaupt messen sollte. Das BIP scheint dafür kein geeigneter Indikator zu sein.
  • Das deckt sich auch mit meinem Eindruck vom Report. Manche Nachrichten schieben nur für Klicks ein reißerisches Narrativ nach vorn und missverstehen den tatsächlichen Inhalt des Reports gravierend. Es geht nicht darum, dass KI scheitert, sondern eher darum, dass Mitarbeiter die Tools derzeit nicht gut übernehmen oder zumindest nicht die Tools, die das Unternehmen bereitstellt. Die erwähnte „Shadow-AI-Ökonomie“ ist ebenfalls ein reales Problem. Leute verwenden persönliche LLM-Abos statt der vom Unternehmen bereitgestellten Tools. Unsere Universität hat allen Studierenden und Mitarbeitenden ChatGPT Enterprise zur Verfügung gestellt, aber im Vergleich zu den neuesten Cloud-Versionen, etwa GPT-5, ist das deutlich schwächer. Deshalb sind Einführungsrate und Nutzerbindung niedrig. In den meisten Anwendungsfällen werden ohnehin keine Daten genutzt, bei denen Cloud-Nutzung verboten wäre, daher sind die Einschränkungen begrenzt.
  • Besonders eindrucksvoll fand ich diesen Teil des Reports: Ein Anwalt in einer mittelgroßen Kanzlei kaufte für 50.000 Dollar ein Tool zur Vertragsanalyse, nutzt in der Praxis aber trotzdem ChatGPT. Das von der Kanzlei gekaufte KI-Tool liefert zu starre Zusammenfassungen und ist schwer anzupassen, während man mit ChatGPT durch Gesprächsführung iterativ genau die gewünschten Ergebnisse bekommt. Das ist das Paradox: Ein 20-Dollar-Tool ist bei der tatsächlichen Nutzerzufriedenheit deutlich besser als eine Enterprise-Lösung für zigtausende Dollar. Damit wird erklärt, warum viele Unternehmen auf der falschen Seite der GenAI Divide landen.
  • Dass 39 Millionen Positionen betroffen sein sollen, ist wirklich eine erstaunliche Zahl. Bei 163 Millionen Erwerbstätigen in den USA hieße das, dass fast ein Viertel gefährdet wäre.
  • Zu dem Kommentar „Viele Leute kommen zu schnell zu dem Schluss, dass KI nichts taugt“ wurde das berühmte Zitat geteilt: „Es ist schwer, jemanden etwas verstehen zu lassen, wenn sein Gehalt davon abhängt, es nicht zu verstehen.“
• Ich leite derzeit ein AI-Engineering-Team, daher passt die Annahme, dass KI Wert schafft, natürlich zu meinem Verständnis. In unserem Unternehmen hat die Einführung von KI Einsparungen in Millionenhöhe ermöglicht. Wir betreiben ein großes Callcenter, und früher haben Mitarbeitende nach jedem Anruf 3 bis 5 Minuten lang manuell Zusammenfassungen geschrieben. Vor Kurzem haben wir die Anrufzusammenfassung mit KI automatisiert. Die Qualität der Zusammenfassungen ist sogar besser geworden, und Menschen können sich auf wertvollere Aufgaben konzentrieren. Nicht revolutionär, aber ein realer und messbarer Effizienzgewinn.
  • Kleiner Tipp: Man könnte vorschlagen, die Zusammenfassung gar nicht standardmäßig zu schreiben, sondern nur dann zu erzeugen, wenn Material tatsächlich gebraucht wird. Call-Audio kann mit 24Kb/s Opus gespeichert werden, also 180 KB pro Minute, und mit einem Prozess zum Speichern für eine begrenzte Zeit und anschließenden Löschen lassen sich jährlich zusätzlich Millionen einsparen.
  • Unser Unternehmen erstellt mit Google Meet und Gemini Gesprächsprotokolle aus Meetings. In der Praxis ist der Inhalt aber sehr ungenau. Oft ist unklar, wer was gesagt hat, manchmal wird die Bedeutung sogar ins Gegenteil verdreht. Es fehlt an Kontext, und unsere internen Begriffe versteht das System auch nicht. Realistisch ist es so kaum nutzbar.
  • Ich frage mich, ob Callcenter-Mitarbeitende wirklich das Gefühl haben, dass KI-Zusammenfassungen besser sind als ihre eigenen. Für Besprechungszusammenfassungen halte ich das bei mir eher für schwierig. Es scheint vor allem bei einseitigen Anrufen gut zu funktionieren.
  • Wir haben KI ebenfalls für Meeting-Zusammenfassungen ausprobiert, aber die Ergebnisse waren zu schwach, sodass wieder Menschen direkt schreiben. Mich würde interessieren, ob es konkrete Beispiele gab, in denen es gut funktionierte, oder ob Schulung bzw. Anpassung im Spiel war.
  • Ich frage mich, warum Callcenter-Mitarbeitende überhaupt nach jedem einzelnen Anruf 3 bis 5 Minuten für eine Zusammenfassung aufwenden mussten. Unter den vielen KI-Anwendungsfällen sehe ich oft, dass eigentlich unnötige Arbeit automatisiert wird. Wenn ohnehin niemand den Bericht liest, ist die Qualität der Zusammenfassung egal, und dann spielt es auch keine Rolle, wenn die KI sie falsch schreibt. Für operative Effizienz ist es wichtiger, unnötige Prozesse zu streichen statt sie zu automatisieren. Am Ende deckt KI oft einfach nur verschwendete Arbeit in Organisationen zu. Wenn solche Optimierungen nicht möglich sind, mag selbst das noch nötig sein.
• Wir treten jetzt in die „Trough of disillusionment“ ein. Solche Hype-Zyklen sind vorhersehbar. Da GPT-5 nach enormen Erwartungen als Enttäuschung wahrgenommen wird, könnte das für GenAI der Moment von „jetzt ist es vorbei“ sein. Sobald nach dem ROI gefragt wird, zeigt sich die Realität. Die Klugen bereiten schon die nächste Umwälzung vor, und andere werden noch bis auf den Talboden hinabsteigen. Immer verzweifeltere PR wird darauf drängen, dass es „wirklich Wert schafft“.
  • Es würde mich nicht wundern, wenn die meisten Unternehmen investiert haben, obwohl sie wussten, dass es Geldverschwendung ist, einfach weil der Aktienkurs sie dazu gezwungen hat.
  • Gemini macht mit jedem Update einen ziemlich ordentlichen Eindruck, aber bei der jüngsten Verbesserungsgeschwindigkeit und der inhaltlichen Qualität hat es stark nachgelassen. Das sieht für mich nach einem Zeichen aus, dass wir an eine Wand stoßen. In einem Muster aus Stagnation und anschließendem neuen Sprung scheinen LLMs aber eine bessere Zukunft zu haben als Computer Vision.
  • Sam Altman hat die Leistung von GPT-5 übermäßig beworben. Aus Nutzersicht fühlt es sich gegenüber GPT-4 nicht wie ein großer Sprung an. Dass der trainierbare Dynamic Router die Inferenzkosten deutlich gesenkt hat, ist aber sehr bedeutsam. Das ist eher eine Innovation zugunsten von OpenAI und dem Stromnetz als für Nutzer.
  • Als OpenAI von GPT-3.5-Turbo auf GPT-4 umstieg, war das revolutionär, und es gab auch keine anderen Modelle. Aber noch bevor GPT-5 kam, waren bereits unzählige Modelle da: die o-Reihe, Llama, DeepSeek, Gemini und andere. Künftig wird es keinen Sprung mehr geben wie damals von GPT-3.5 auf 4. GPT-5 integriert mehrere Modelle in eins, trägt aber nicht den Titel „das Erste“.
  • Ich frage mich, ob das der Grund ist, warum das Windsurf-Team früh verkauft und das Weite gesucht hat.
• Es wird gefragt, welche realistischen KI-Anwendungsfälle tatsächlich Umsatz steigern oder Kosten senken: 1. Online-Content-Erstellung (bereits übersättigt) 2. Ersatz von Junior-Entwicklern (begrenzter Produktivitätsgewinn) 3. Ersatz von Kundendienstmitarbeitern (spart Kosten, wirkt aber kaum auf Umsatz) 4. Assistenz-Tools (Schreiben, Analyse usw., aber mit Grenzen) 5. Interaktionen der nächsten Generation wie Videospiel-/Robotercharaktere 6. KI-virtuelle Partner und NSFW, dieser Markt dürfte auf absehbare Zeit profitabel sein. Es wird gefragt, ob es weitere realistische Beispiele gibt.
  • Ich arbeite an einem Projekt, bei dem ein LLM aus halbstrukturierten Dokumenten bestimmte Informationen extrahiert und sie danach automatisch klassifiziert/ablegt. Die Genauigkeit liegt bei über 95 %, und Fine-Tuning haben wir noch gar nicht gemacht. Am Ende wird es zwar noch eine manuelle Freigabe geben, aber schon jetzt spart das jährlich Hunderte Stunden. Für Informationsextraktion und Klassifizierung ist KI sehr effektiv.
  • Im Gesundheitswesen hängen Behandlungsnotizen, Daten und die Auswertung von Bildern direkt mit Erlösen zusammen. Jedes Jahr werden dafür Milliarden an Verwaltungskosten ausgegeben. Wenn GenAI die Qualität und Genauigkeit von Notizen deutlich verbessert, kann das unmittelbar zu höheren Umsätzen führen. Im Versicherungsbereich ist es ähnlich, weil dort ebenfalls enorme Mengen an Dokumentation und Prüfung nötig sind. Am Ende schicken sich vielleicht nur noch KIs gegenseitig Dokumente, während Menschen am Pool sitzen.
  • KI-Kundendienst ist aus Nutzersicht eine nervige Erfahrung.
  • 50 % mehr Produktivität für 200 Dollar im Monat ist ein enormer Wert. In den meisten Ländern liegt das jährliche Produktivitätswachstum bei 0 bis 2 %.
  • Ich hätte gern eine KI, die interne Unternehmensdokumente, Wiki und Codebasis per RAG zusammenführt und Onboarding sowie Informationssuche einfacher macht. Sinnvoller als Menschen zu ersetzen wäre es, Wege zu finden, Arbeit leichter zu machen.
• Der größte Fehler vieler Leute ist, KI nicht als Service, sondern als Funktion zu betrachten. Niemand denkt: „Heute will ich mit KI reden!“ Nutzer wollen ihre Arbeit einfach gut erledigen, ohne dass sie zu langweilig oder überwältigend wird. Dabei sollte KI leise im Hintergrund helfen. Aber was verkauft wird, ist keine Funktion, sondern ein Service (= Produkt), deshalb muss das Marketing KI in den Vordergrund stellen. Notion, Slack, Airtable und alle anderen setzen KI in die Headline, aber im Kern geht es nicht um KI, sondern um die eigentliche Aufgabe, bei der sie hilft.
  • Ich würde nicht einmal sagen, dass KI eine Funktion ist; KI ist letztlich eine Technologie. Der Wunsch ist nicht „Ich wünschte, dieses Produkt hätte KI“, sondern „Ich wünschte, ich könnte diese Aufgabe erledigen“. Wenn ein Produkt mein Problem löst, ist mir die Methode egal. Zu viele Unternehmen stopfen einfach leichtfertig KI hinein, statt sich auf die Probleme zu konzentrieren, die Nutzer tatsächlich gelöst haben wollen.
  • Das stimmt, aber praktisch würde dadurch die hohe Marktbewertung und die überhitzte Stimmung verschwinden. Wenn dieser Moment der Ernüchterung kommt, wird selbst der Rest der noch „heißen“ Softwarebereiche abkühlen, und die Branche wird akzeptieren müssen, dass der Markt nicht mehr derselbe ist wie vor 5 bis 10 Jahren.
  • Ich wünschte, KI würde einfach als ein weiteres Tool eingeführt. Ein einmaliges Pop-up mit „Hierfür gibt es diesen Use Case“ wäre völlig ausreichend. In Wirklichkeit werden alle möglichen UIs mit KI-Logos, Autocomplete und Ähnlichem tapeziert, was die Konzentration stört. Es fühlt sich an, als sei nicht das Tool, sondern KI selbst der Hauptdarsteller. Eigentlich müsste man die Nutzer nur anleiten, damit sie je nach Bedarf selbst zugreifen können, aber stattdessen wird sie viel zu sehr aufgezwungen. Solche Firmen sollten etwas zurücktreten und den Nutzern mehr überlassen.
  • Stimme ich voll zu. Entscheidend ist letztlich der Wert des Produkts selbst, nicht was darunter verwendet wird.
  • Anwendungen mit KI wirken heutzutage oft wie „eine Lösung auf der Suche nach einem Problem“.
• Der PDF-Link zum Report leitet auf eine Landingpage weiter, und der CTA lautet „Bringen Sie Ihr AI-Produkt schneller zum Erfolg“, wodurch es eher wie gewöhnliches Content-Marketing als wie ein objektiver Report wirkt. Ich habe auf den Namen des Autors geklickt, aber da kam nichts. Weder der Seite noch dem Autor traue ich. Auch HN wird inzwischen immer mehr wie Reddit: Leute kommen wegen der Überschrift, klicken rein und posten nur noch in den Kommentaren, ob sie zustimmen oder nicht.
• Ich frage mich, wie es wäre, wenn die Leute den echten Report selbst lesen würden: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf. Nur 40 % der Unternehmen haben offizielle LLM-Abos, aber über 90 % der Mitarbeitenden in Unternehmen nutzen im Arbeitsalltag persönliche KI-Tools. Tatsächlich verwendet fast jeder Mitarbeitende LLMs in irgendeiner Form. „Shadow-AI“-Nutzer setzen LLMs täglich mehrfach ein, während offizielle KI-Projekte im Unternehmen im Pilotstatus stecken bleiben. Das führt zu der paradoxen Situation, dass offizielle KI-Vorhaben im Unternehmen scheitern, während sich die Nutzung von LLMs intern real ausbreitet. Diese Geschichte könnte also nicht bloß keine neue Bombe sein wie im Artikel, sondern sogar etwas völlig anderes.
• So sieht es aus, als lägen die USA bei jeder technologischen Innovation immer vorn. Sie geben viel Geld aus und verlieren auch viel, tragen aber Risiken und sind am Ende so weit voraus, dass andere nicht mehr aufholen können. Es ist riskant, gegenüber KI bzw. US-Unternehmen zu früh den Sieg auszurufen.
  • Ich finde, man kann nicht verallgemeinern, dass die USA in allem führen. In Bereichen wie Finanzen liegen sie hinter anderen Ländern zurück. China liegt bei Elektroautos, Solarenergie und Ähnlichem vorn. Für Software mag das stimmen, aber der Schutzwall der USA besteht aus Monopolen, Lock-in und auf Reiche zugeschnittener Regulierung.
  • Diese Denkweise ist zu simpel und kann die Realität eher verzerren.
  • Es werden Beispiele wie Solarenergie, Elektroautos und Drohnen angeführt, um zu zeigen, dass die USA nicht zwangsläufig immer führen.
  • Unter Verweis auf die Geschichte von GSM wird auch die Meinung vertreten, dass die USA nicht immer die treibende Kraft hinter Innovationen waren.
• Interessant ist, dass die Selbsteinschätzung der eigenen Produktivität von der Realität abweichen kann. In einer Studie von METR hatten Entwickler das Gefühl, durch KI 20 % schneller zu sein, tatsächlich waren sie aber 19 % langsamer: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  • Es gibt viele Nuancen, die selbst solche Studien schwer erfassen. Welche Art von KI genutzt wird, welche Tools verwendet werden, wie vertraut man damit ist, der Entwicklungsprozess, die Teamgröße und auch Dinge wie Erfahrungsstand und Gründlichkeit der Nutzer beeinflussen das Ergebnis. Derzeit subventionieren Investoren KI-Preise massiv, um Marktanteile zu sichern, aber wenn das endet, könnten die Preise meiner Meinung nach sogar noch weiter sinken. Ich denke, ich habe durch die Fortschritte bei KI bereits genug profitiert; künftig dürften schrittweise Verbesserungen und eine bessere Nutzererfahrung im Zentrum stehen. In KI-Unternehmen würde ich im Moment nicht investieren.
  • Manchmal fühlt sich KI wie Autocomplete an, das meine Gedanken perfekt liest, und manchmal macht sie völlig absurde Vorschläge, die nur stören.
  • Ich frage mich auch, ob KI Menschen nicht eher dazu bringt, sich nur noch auf kleinteilige Verbesserungen zu konzentrieren und dabei das große Ganze aus den Augen zu verlieren. Entwicklungsgeschwindigkeit entscheidet sich oft eher an übergeordneten strategischen Urteilen, etwa ob ich dieses Tool überhaupt verwenden sollte oder ob diese Funktion wirklich nötig ist.
  • Die Stichprobe ist zwar klein, aber die Studie ist trotzdem deutlich aussagekräftiger als Anekdoten oder Selbstauskünfte.