KI-Monetarisierung: Geschäftsmodelle und Strategien

Lisa Ernst · 17.11.2025 · Technik · 12 min

Unternehmen investieren Milliarden in generative KI, doch nur wenige sehen messbare Gewinne. Dieser Artikel beleuchtet, warum die meisten KI-Projekte keinen Return on Investment (ROI) liefern und was die erfolgreichen fünf Prozent anders machen.

Quelle: Eigene Darstellung

Einleitung

Rund 95 Prozent der befragten Firmen sehen bislang keinen messbaren Gewinn durch ihre Gen-AI-Initiativen, obwohl weltweit schätzungsweise 30 bis 40 Milliarden US-Dollar in solche Projekte geflossen sind. Gleichzeitig beschreibt das MIT eine kleine Gruppe von rund fünf Prozent, die mit denselben Technologien Millionen an Einsparungen oder neuen Umsätzen erzielt – eine Art Gen-AI-Elite. Die entscheidende Frage dahinter: Was machen diese wenigen anders – und wie können mehr Unternehmen mit künstlicher Intelligenz wirklich Geld verdienen, statt nur teure Pilotprojekte zu sammeln?

Wenn wir über die Frage sprechen, wie Unternehmen mit künstlicher Intelligenz Geld verdienen können, geht es im Kern um Rendite: Kommt aus einem KI-Projekt mehr messbarer Nutzen heraus, als an Geld, Zeit und Risiko hineinfließt? IBM unterscheidet dabei zwischen hartem ROI – direkt in Euro, Franken oder Dollar messbar – und weichem ROI, etwa bessere Entscheidungen, weniger Frust im Team oder zufriedenere Kundschaft.

Generative KI bezeichnet Modelle, die Inhalte erzeugen: Texte, Code, Bilder, Audio oder ganze Dialoge. Sie werden in Tools wie Chatbots, Copilots oder Content-Engines eingebettet und sollen Abläufe beschleunigen oder neue Produkte ermöglichen. In vielen Unternehmen laufen heute genau solche Anwendungen: Zusammenfassungen von Dokumenten, automatisierte E-Mails, Marketingtexte, Prototypen für Software.

Agentic AI geht einen Schritt weiter. Statt nur auf einzelne Befehle zu reagieren, handelt ein System wie ein digitaler Mitarbeitender: Es verfolgt Ziele, plant Schritte, koordiniert mehrere KI-Modelle und Systeme und arbeitet weitgehend selbstständig. Ein Agent kann etwa Kundenanfragen prüfen, interne Datenbanken durchsuchen, Workflows in ERP- und CRM-Systemen anstoßen und am Ende einen Vorgang komplett abschließen – inklusive Nachfragen, Fehlerkorrekturen und Dokumentation.

Entscheidend für echten ROI ist, dass diese Systeme nicht nur „coole Demos“ liefern, sondern konkret an Geschäftskennzahlen andocken: niedrigere Prozesskosten, höhere Konversionsraten, mehr Umsatz pro Kundin, weniger Ausfallzeiten oder deutlich kürzere Durchlaufzeiten in komplexen Abläufen.

Aktueller Stand & Herausforderungen

Die MIT-Analyse, auf die sich viele aktuelle Berichte stützen, beschreibt eine deutliche Schere: Unternehmen weltweit haben in den vergangenen Jahren zusammen rund 30 bis 40 Milliarden US-Dollar in generative KI gesteckt, doch etwa 95 Prozent der befragten Firmen berichten von keinerlei messbaren Gewinnsteigerungen oder Kostensenkungen durch diese Projekte. Nur etwa fünf Prozent der untersuchten Organisationen geben an, dass integrierte Gen-AI-Piloten bereits „Millionenwerte“ geliefert haben, etwa durch eingesparte Ausgaben oder neue Umsätze.

TechRadar fasst diese Lage zugespitzt so zusammen: Fast alle Gen-AI-Pilotprojekte in Unternehmen scheitern – mit der Folge, dass viele Modelle längst nicht das leisten, was das Marketing verspricht. Laut diesem Bericht haben 95 Prozent der befragten Firmen nur „sehr geringen“ oder gar keinen Effekt ihrer LLMs auf das operative Geschäft gesehen. Tom’s Hardware zitiert denselben MIT-Befund mit dem Hinweis, dass die meisten Implementierungen „keinen messbaren Einfluss auf Gewinn- und Verlustrechnung“ haben – vor allem, weil sie schlecht in Prozesse integriert sind.

Auch andere Studien zeichnen ein gemischtes Bild. Eine IBM-Analyse unter C-Level-Führungskräften kommt zum Ergebnis, dass nur etwa ein Viertel der AI-Initiativen den erwarteten ROI gebracht hat und lediglich 16 Prozent tatsächlich skaliert wurden – die meisten Projekte bleiben in der Pilotphase stecken. Gartner erwartet zwar, dass bis 2026 über 80 Prozent der Unternehmen Generative KI einsetzen, geht aber davon aus, dass nur etwa 20 Prozent den ROI sauber messen werden.

Auf der anderen Seite zeigen einzelne Konzerne, dass sich KI- und Agentenprogramme sehr wohl rechnen können – wenn sie tief ins Geschäftsmodell greifen. IBM berichtet, dass der konzernweite Einsatz von KI und Automatisierung seit Anfang 2023 auf Produktivitätsgewinne von insgesamt rund 4,5 Milliarden US-Dollar hinauslaufen soll und zum freien Cashflow von 12,7 Milliarden US-Dollar im Jahr 2024 beigetragen hat. Dahinter stehen konkret messbare Effekte: Millionen eingesparte Arbeitsstunden, stark beschleunigte HR- und IT-Prozesse und hohe Automatisierungsquoten im Kundenservice.

Ein anderes, viel diskutiertes Beispiel ist Salesforce. CEO Marc Benioff berichtet, dass das Unternehmen seine Belegschaft im Kundensupport von rund 9.000 auf 5.000 Mitarbeitende reduziert hat, während KI-Agenten über die Plattform Agentforce etwa 1,5 Millionen Kundeninteraktionen übernommen haben – bei ähnlichen Zufriedenheitsscores wie menschliche Supportteams. Zugleich zeigt eine Recherche von Business Insider, dass weniger als die Hälfte der 12.500 Agentforce-Kunden überhaupt für das Produkt zahlen und weniger als zwei Prozent mehr als 50 Agentforce-Gespräche pro Woche führen – ein Hinweis darauf, dass viele Installationen weit hinter den ambitionierten ROI-Versprechen zurückbleiben.

Kurz gesagt: Die meisten Unternehmen experimentieren, ein paar wenige zählen bereits konkrete Millionenbeträge – und dazwischen klafft eine große Lücke.

Motive & Kontext

Warum stecken Unternehmen trotz ernüchternder Zwischenbilanz weiterhin so viel Geld in generative KI? Ein Motiv ist schlicht die Höhe der bereits getätigten Wetten: Allein die elf größten Cloud-Anbieter sollen 2025 fast 400 Milliarden US-Dollar in Infrastruktur investieren, getrieben vor allem von den Rechenanforderungen großer Sprachmodelle. Wer so viel Kapazität aufbaut, braucht Kunden – und damit überzeugende Geschichten über künftige Produktivitätssprünge.

Für viele Vorstände ist KI zudem ein strategisches Signal an Investoren: Wir verpassen die nächste Welle nicht. Medienberichte über angebliche Produktivitätsrevolutionen verstärken diesen Druck, selbst wenn die eigenen Zahlen noch nicht dazu passen. Das MIT spricht hier von einem „GenAI Divide“ zwischen ein paar „Gewinnern“, die Prozesse konsequent umgebaut haben, und einer großen Mehrheit, die sich mit lose gekoppelten Piloten zufriedengibt.

Hinzu kommt die Dynamik rund um Agentic AI. Analysten wie Gartner sehen darin zwar einen der wichtigsten Technologietrends der nächsten Jahre, warnen aber gleichzeitig vor „agent washing“, also vor Fällen, in denen klassische Automatisierungslösungen als „Agenten“ vermarktet werden, ohne die dafür nötige Autonomie zu besitzen. Reuters berichtet, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 voraussichtlich wieder eingestellt werden – unter anderem wegen steigender Kosten und unklarem Geschäftsnutzen.

Gleichzeitig versprechen dieselben Analysten, dass Agenten langfristig enorme Effizienzgewinne bringen können. Gartner schätzt, dass Agentic AI bis 2029 bis zu 80 Prozent der regelmäßigen Kundenservice-Anfragen autonom bearbeiten und dabei die operativen Kosten um etwa 30 Prozent senken könnte. Diese Art Prognose befeuert Investitionen, auch wenn die tatsächliche Umsetzung noch in den Kinderschuhen steckt.

Quelle: wohlstandsnavigator.net

Künstliche Intelligenz als Motor für finanzielle Wertschöpfung.

Es gibt zudem legitime Sorgen: Die Präsidentin der Signal Foundation, Meredith Whittaker, warnt etwa, dass Agenten, die eigenständig Aufgaben erledigen, fast zwangsläufig tief in sensible Daten wie Kontakte, Zahlungsinformationen oder Kalender eingreifen müssen – und dass damit enorme Datenschutz- und Sicherheitsrisiken verbunden sind. Wer ROI aus Agentic AI ziehen will, muss also nicht nur Prozesse umstellen, sondern auch Governance, Sicherheit und Compliance neu denken.

Am Ende prallen drei Kräfte aufeinander: das ökonomische Interesse von Anbietern und Cloud-Betreibern, der Innovations- und Wettbewerbsdruck in Unternehmen – und berechtigte Bedenken hinsichtlich Sicherheit, Qualität und Arbeitswelt. In diesem Spannungsfeld zu entscheiden, wann sich ein Agent wirklich rechnet, ist deutlich komplizierter als bei einem klassischen Software-Upgrade.

Das Panel „AI ROI in Practice: What Leading Enterprises Get Right“ zeigt gut, wie große Unternehmen intern mit genau diesen Spannungsfeldern umgehen und welche Kennzahlen sie für echten ROI heranziehen.

Fakten & Behauptungen

Belegt ist, dass eine große Mehrheit von Unternehmen bisher keinen direkten finanziellen Nutzen aus ihren Gen-AI-Investitionen sieht. Die MIT-Auswertung mit rund 95 Prozent „Null-ROI“-Projekten wird von mehreren unabhängigen Medien aufgegriffen und konsistent beschrieben. IBM bestätigt mit eigenen Daten, dass nur ein kleiner Teil der AI-Initiativen den erwarteten ROI liefert und dass Skalierung über Pilotprojekte hinaus die Ausnahme ist. Gleichzeitig zeigen konkrete Fallstudien – etwa bei IBM selbst oder in einzelnen Service-Bereichen von Salesforce –, dass sich mit konsequent umgebauten Prozessen und Agentenarchitekturen sehr wohl signifikante Einsparungen und Produktivitätsgewinne erzielen lassen.

Unklar ist, wie repräsentativ die heute verfügbaren Zahlen für alle Branchen und Unternehmensgrößen sind. Die MIT-Studie basiert auf einer begrenzten Stichprobe von Fach- und Führungskräften und misst vor allem kurz- bis mittelfristige Effekte; langfristige Innovationen oder indirekte Wettbewerbsvorteile tauchen darin nur bedingt auf. Gartner weist darauf hin, dass viele Unternehmen zwar Gen-AI-Tools einführen, aber kaum belastbare Baselines, Datenqualität oder Kennzahlensysteme haben, um ROI strikt zu berechnen. Studien wie jene von Kanerika verweisen zusätzlich darauf, dass insbesondere intangible Effekte – etwa schnellere Innovation oder bessere Kundenbindung – mit klassischen ROI-Modellen nur schwer abbildbar sind.

Falsch oder zumindest irreführend sind pauschale Aussagen wie „Wer jetzt keine Agenten einführt, ist bald weg vom Markt“ oder „Gen-AI ersetzt automatisch einen großen Teil der Belegschaft“. Die MIT-Analyse findet keine Hinweise auf massenhafte KI-bedingte Entlassungen, sondern eher auf schleichende Effekte wie Nicht-Nachbesetzen bestimmter Stellen. Gleichzeitig zeigt das Beispiel Salesforce, dass aggressive Kostensenkungen durch Agenten erhebliche interne Spannungen und Akzeptanzprobleme auslösen können – und dass Investoren KI-Versprechen inzwischen sehr skeptisch bewerten, wenn die Umsatzzahlen nicht nachziehen. Genauso irreführend ist das Bild von Agentic AI als „fertiger Wundermaschine“: Gartner erwartet, dass über 40 Prozent der Agentic-AI-Projekte in den nächsten Jahren abgebrochen werden, gerade weil der Business Value unklar bleibt.

Reaktionen & Gegenpositionen

Technologieanbieter und große Plattformen zeichnen oft ein sehr optimistisches Bild. Marc Benioff spricht von Agenten als neuer Arbeitsform und verspricht, dass Agentforce nicht nur Kosten senkt, sondern auch bisher unbearbeitete Leads im sechs- bis siebenstelligen Bereich erschließen soll. Zugleich dokumentiert Business Insider, wie Analysten vielen dieser Aussagen derzeit „null Glaubwürdigkeit“ beimessen, solange belastbare Zahlen zu Umsatzwachstum, Marge und Adoption fehlen.

Gartner und andere Marktforscher vertreten eine deutlich ambivalentere Position. Einerseits sehen sie Agentic AI als Schlüsseltechnologie, die bis 2029 einen überwiegenden Teil der Standard-Kundenanfragen autonom bearbeiten könnte. Andererseits warnen sie vor überzogenen Erwartungen, mangelnder Datengüte und Fehlanreizen, die Projekte teuer scheitern lassen könnten.

Quelle: gruender.de

KI-Consulting: Menschliche Expertise trifft auf künstliche Intelligenz im Billionenmarkt.

Eine dritte Gruppe – etwa IBM oder spezialisierte Integratoren – versucht, den Fokus stärker auf konkrete Use Cases und belastbare Kennzahlen zu legen. IBM betont in mehreren Beiträgen, dass erfolgreiche Agentic-AI-Projekte meist mit klar definierter Kostensenkung starten, saubere Baselines und Prozessanalysen voraussetzen und erst im zweiten Schritt auf neue Umsatzquellen und Geschäftsmodelle zielen.

Kritische Stimmen – etwa von zivilgesellschaftlichen Organisationen – erinnern daran, dass Agenten-Architekturen auch neue Überwachungs- und Abhängigkeitsrisiken schaffen können. Meredith Whittaker von Signal warnt davor, Agenten mit weitreichenden Zugriffsrechten auf persönliche und geschäftskritische Daten auszustatten, wenn unklar bleibt, wie genau diese Systeme arbeiten und welche Cloud-Anbieter im Hintergrund Zugriff haben. Damit wird deutlich: Es geht nicht nur um ROI, sondern auch darum, welchen Preis Unternehmen bereit sind, für mögliche Effizienzgewinne zu zahlen – finanziell, organisatorisch und gesellschaftlich.

Praktische Implikationen & Offene Fragen

Wenn Du in Deinem Unternehmen darüber nachdenkst, wie ihr mit künstlicher Intelligenz Geld verdienen könnt, ist die wichtigste Erkenntnis: ROI entsteht selten durch das bloße Einführen eines Tools, sondern durch das konsequente Umgestalten von Abläufen. Studien zeigen, dass erfolgreiche Projekte oft dort beginnen, wo es klar messbare Prozesskosten, Durchlaufzeiten oder Ausfallraten gibt – etwa in Dokumentenbearbeitung, Kundenservice oder interner IT.

Erstens hilft es, mit einem eng abgegrenzten, aber teuren Problem zu starten. Beispiele sind Claims-Processing im Versicherungsbereich, Onboarding von Lieferanten, Vertragsprüfung oder stark standardisierte Kundenanfragen. IBM empfiehlt, vor jedem Projekt eine Prozesszerlegung zu machen: Wie lange dauert der Ablauf heute, was kostet er, wo sind Engpässe – und welche Kennzahlen sollen sich mit KI konkret ändern? Zweitens braucht ihr eine klare Baseline, sonst könnt ihr später nicht belegen, dass Agenten tatsächlich Zeit, Geld oder Risiken sparen. Drittens lohnt es sich, harte und weiche Effekte getrennt zu betrachten: direkte Einsparungen und Mehrumsätze einerseits, Zufriedenheit, Innovationsfähigkeit und Resilienz andererseits.

Für Agentic AI gilt zusätzlich: Ohne saubere Datenbasis und robustes Prozessdesign wird aus dem Versprechen „digitaler Mitarbeitender“ schnell ein teures, unberechenbares System. TechRadar bringt es mit „Garbage in, Agentic out“ auf den Punkt und verweist auf Fälle, in denen schlechte Datenqualität autonome Systeme praktisch unbrauchbar macht. Gleichzeitig zeigen Unternehmen wie IBM, dass Agenten in klar gestalteten Workflows – etwa im HR-Service oder bei IT-Tickets – sehr hohe Automatisierungsquoten mit messbaren Einsparungen verbinden können.

Praktisch heißt das für Dich und Dein Team: Stellt vor jedem Agenten- oder Gen-AI-Projekt ein paar einfache, harte Fragen. Welche Kennzahl soll sich verändern – und um wie viel? Welche Daten nutzt das System, und wie gut sind sie wirklich? Wie sieht der Prozess danach konkret aus, inklusive Eskalationen an Menschen? Und wie wird dokumentiert, was der Agent entschieden hat? Frameworks von IBM, Gartner und spezialisierten Beratungen liefern dafür Checklisten und Metriken, die ihr adaptieren könnt.

Der Vortrag „Agentic AI ROI: From Automation to Decisions“ zeigt an konkreten Beispielen, wie Unternehmen Agenten so einsetzen, dass aus automatisierten Aufgaben tatsächlich messbare finanzielle Effekte und neue Entscheidungsqualitäten entstehen.

Trotz aller Zahlen bleiben zentrale Punkte offen. Noch gibt es kaum unabhängige, branchenübergreifende Metastudien, die den tatsächlichen ROI von Gen-AI- und Agentic-AI-Projekten über mehrere Jahre und Konjunkturzyklen hinweg auswerten. Das MIT spricht zwar von einem „GenAI Divide“ zwischen wenigen sehr erfolgreichen Projekten und einer großen Masse von Experimenten, die kaum Wirkung entfalten, doch wie sich diese Lücke langfristig entwickelt, ist unklar. Ebenso offen ist, ob sich die aktuelle Investitionswelle als überzogene Vorleistung oder als Basis für nachhaltige Produktivitätssprünge erweist.

Ein zweiter offener Punkt ist die Messbarkeit von weichem ROI. Wie viel ist es wert, wenn Produktteams dank KI schneller Prototypen testen, Marketingteams bessere Zielgruppen finden oder Führungskräfte Entscheidungen auf breiterer Datenbasis treffen? IBM betont, dass solche Effekte langfristig entscheidend sein können, aber nur schwer in klassische ROI-Formeln passen. Beratungen wie Kanerika versuchen, dafür kombinierte Kennzahlensysteme zu etablieren, die finanzielle, produktive, kundenbezogene und risikorelevante Indikatoren verbinden – ein Bereich, in dem sich in den nächsten Jahren vermutlich noch viel bewegen wird.

Schließlich bleibt die Frage, wie Regulierung, Bilanzierungsregeln und Aufsicht in Zukunft mit KI-Investitionen umgehen. Noch gibt es keine einheitlichen Standards, wie Unternehmen KI-Projekte in Geschäftsberichten, Nachhaltigkeitsreports oder Risikoberichten offenlegen und deren Wirtschaftlichkeit transparent machen sollen. Für Dich heißt das: Euer eigener interner Standard für Messung, Dokumentation und Governance wird in den nächsten Jahren vermutlich genauso wichtig sein wie die Wahl der Modelle oder Plattformen.

Der aktuelle Stand lässt sich nüchtern so zusammenfassen: Die meisten Unternehmen suchen noch nach einem belastbaren Geschäftsmodell für Generative KI und Agentic AI, während eine kleine Minderheit bereits klare finanzielle Effekte erzielt. Die Daten deuten darauf hin, dass ROI nicht aus der Technologie selbst entsteht, sondern aus der Art, wie konsequent Unternehmen Prozesse, Organisation und Datenbasis rund um diese Technologie neu denken.

Wenn Du mit künstlicher Intelligenz wirklich Geld verdienen willst, lohnt sich ein nüchterner Blick: klein starten, klar messen, radikal auf konkrete Geschäftsziele ausrichten – und Agenten nicht als magische Wesen, sondern als anspruchsvolle Bausteine eines neuen Prozessdesigns verstehen. So wächst die Chance, von der großen Gruppe der experimentierenden Unternehmen in die kleine Gruppe derer zu wechseln, die aus KI schon heute echte, belegbare Rendite ziehen.