Skip to content
Mit einem KI-Agenten chatten
Business und Governance

Sechs KI-Statistiken aus dem Verwaltungsrat: Was sie tatsächlich messen

Orange ITS — KI-Engineering-Team 11 Min. Lesezeit

Am Montagmorgen leitet ein Verwaltungsratsmitglied eine Schlagzeile weiter: „95 % der KI-Pilotprojekte scheitern”. Am Mittwoch zitiert jemand eine andere: „Mehr als die Hälfte der AI-nativen Start-ups erzielt über 400.000 US-Dollar Umsatz pro Mitarbeiter”. Beide Zahlen wurden von real existierenden Organisationen veröffentlicht. Beide dienen dazu, zu entscheiden, wie viel Ihr Unternehmen in KI investieren soll, und keine wurde an einem Unternehmen wie dem Ihren gemessen.

Dieser Beitrag nimmt die in der Unternehmensdiskussion zu KI am häufigsten zitierten Zahlen und stellt jeder drei Fragen: Wer hat gemessen, an welcher Grundgesamtheit, und was lässt die Zahl aus? Wenn Sie entscheiden, wo KI in Ihrem Betrieb ihren Platz hat, beginnt unsere KI-Strategie-Arbeit mit derselben Gewohnheit: erst die Belege lesen, dann Geld ausgeben.

Optimistische und pessimistische KI-Statistiken beschreiben unterschiedliche Grundgesamtheiten mit unterschiedlichen Definitionen und Interessen. KMU-Inhaber sollten auf Basis ihrer eigenen gemessenen Ausgangslage budgetieren und sich an keiner Schlagzeile orientieren.


Die 95 % des MIT: Wahrnehmung, Pilotprojekte und 52 Organisationen

Die Zahl stammt aus „The GenAI Divide: State of AI in Business 2025”, im Juli 2025 vom MIT NANDA veröffentlicht. Der Bericht beschreibt seine Methode als Auswertung von über 300 öffentlich bekannten KI-Initiativen, strukturierten Interviews mit 52 Organisationen und Umfrageantworten von 153 Führungskräften, die auf vier Branchenkonferenzen erhoben wurden. Der Zeitraum reicht von Januar bis Juni 2025.

Das ist eine kleine, nicht zufällige Stichprobe. Der Bericht bezeichnet sich als vorläufig und nennt seine Zahlen „richtungsweisend” (directionally accurate), da sie auf Einzelinterviews statt auf Unternehmensberichten beruhen. Er fügt hinzu, dass Erfolgsdefinitionen zwischen Organisationen abweichen können.

Was als Erfolg zählt

Der Bericht definiert ein erfolgreich eingeführtes aufgabenspezifisches Tool als eines, bei dem Nutzer oder Führungskräfte eine deutliche und anhaltende Wirkung auf Produktivität oder Ergebnis angemerkt haben. Im Anhang gilt eine zweite, strengere Definition (Einsatz über die Pilotphase hinaus mit messbaren KPIs und einem nach sechs Monaten gemessenen ROI), der Bericht wendet also nicht durchgängig denselben Massstab an.

Auch die Schlagzeile vermischt Einheiten. Die Zusammenfassung spricht von Organisationen ohne jeden Ertrag und von integrierten Pilotprojekten, die Millionenwerte erzielen. Eine spätere Seite nennt die Zahl eine Scheiterquote für KI-Lösungen in Unternehmen. Wer „95 % der KI-Projekte scheitern” zitiert, hat drei verschiedene Nenner zu einem verschmolzen.

Was derselbe Bericht ebenfalls sagt

Ein weiterer Befund des Dokuments begleitet die Schlagzeile selten. Beschäftigte in über 90 % der befragten Unternehmen gaben an, regelmässig private KI-Tools für Arbeitsaufgaben zu nutzen, während nur etwa 40 % der Unternehmen sagten, ein offizielles LLM-Abonnement erworben zu haben. Menschen ziehen Nutzen aus KI. Ins Stocken geraten die Unternehmensprogramme um sie herum.

Wo der Bericht sich selbst relativiert

Der Bericht hält fest, dass externe Partnerschaften etwa doppelt so oft erfolgreich sind wie Eigenentwicklungen, ein brauchbarer Hinweis für ein Unternehmen, das zwischen Kaufen und Selbstbauen abwägt, und kennzeichnet diesen Befund als selbst berichtete Ergebnisse, die Störfaktoren möglicherweise nicht berücksichtigen. Die Autoren bezeichnen ihre Arbeit zudem selbst als vorläufig. Leserinnen und Leser sollten die 95 % mit derselben Vorsicht behandeln, die die Autoren selbst anwenden.

Die faire Lesart ist eng. In einer MIT-NANDA-Studie von 2025 mit 52 befragten Organisationen und 153 befragten Führungskräften hatte die Mehrheit der aufgabenspezifischen oder integrierten KI-Pilotprojekte nach Einschätzung der befragten Führungskräfte und Nutzer keine anhaltende Ergebniswirkung erzielt. Warum reale Projekte ins Stocken geraten, lesen Sie unter warum KI-Agenten-Projekte scheitern.


Die 40 % von Gartner: Eine Prognose, die noch niemand zählen konnte

Am 25. Juni 2025 sagte Gartner voraus, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden. Reuters, übernommen von The Star, nannte als Gründe steigende Kosten und unklaren Geschäftsnutzen, und die Fachpresse ergänzt unzureichende Risikokontrollen.

Achten Sie auf das Verb. „Werden abgebrochen” ist eine Vorhersage über die Zukunft. Ein Abbruch, der noch nicht stattgefunden hat, kann keine Scheiterquote sein, und der einzige Datenpunkt in der Gartner-Mitteilung ist eine Umfrage vom Januar 2025 unter 3.412 Webinar-Teilnehmenden zu Investitionen in Agentic AI, die Ausgabenabsichten misst und keine Abbrüche. Manche Kommentare wiederholen die 40 % dennoch, als wären sie eine gemessene Quote.

Agent Washing

Gartner warnt auch vor „Agent Washing”: Anbieter etikettieren Assistenten und Chatbots als agentische Produkte um, und nur etwa 130 der Tausenden Anbieter von Agentic AI sind laut Schätzung echt. Unser Artikel zum Agent Washing zeigt, wie Sie das Versprechen eines Anbieters vor der Unterschrift prüfen.


Die 55 % von AWS: Die Umfrage eines Sponsors unter Gründern

Am 30. Juni 2026 veröffentlichte AWS einen Report zu Startup-Trends. Die Pressemitteilung besagt, AI-native Start-ups meldeten ein durchschnittliches jährliches Umsatzwachstum von 156 % gegenüber 65 % bei Start-ups insgesamt, und 55 % erzielten mehr als 400.000 US-Dollar Umsatz pro Mitarbeiter.

Die Grundgesamtheit umfasst über 3.400 Gründer und Führungskräfte in 20 Ländern. Es sind Personen, die eine Umfrage beantwortet haben, und die Mitteilung beschreibt weder, wie sie gefunden wurden, noch wie viele abgelehnt haben, noch ob Umsatz pro Mitarbeiter erfassten Umsatz oder einen hochgerechneten Jahreswert meint. Die vollständige Methodik steht in einem separaten Report.

AWS verkauft die Cloud- und KI-Dienste, die diese Start-ups kaufen. Das macht die Zahlen nicht falsch. Es bedeutet, dass der Sponsor sich zur Veröffentlichung entschieden hat und die Methode in der Mitteilung nicht sichtbar ist. Zudem ist ein Anteil von 55 % der Befragten keine marktweite Quote, und ein junges Start-up sagt wenig über einen Fertigungsbetrieb mit 30 Mitarbeitenden im Aargau.


Umsatz pro Mitarbeiter: Die meistzitierte, am wenigsten geprüfte Zahl

Grafiken zum Umsatz pro Mitarbeiter bei KI-Unternehmen kursieren überall, meist aus Newslettern, Trackern und Social-Media-Beiträgen. Keine der geprüften Quellen beschreibt einen geprüften Datensatz. Der Zähler kann Jahresumsatz, hochgerechneter Jahresumsatz, ARR oder erfasster Umsatz sein, der Nenner Vollzeitkräfte, freie Mitarbeitende oder alle auf der Lohnliste. Die Quelle sagt selten, welches.

Die Auswahl legt eine weitere Schicht darüber. Listen führen Unternehmen auf, die Kapital eingesammelt, Schlagzeilen gemacht oder viral gegangen sind. Ein Durchschnitt über eine solche Liste beschreibt berühmte Ausreisser, in denen die Überlebenden dominieren.

Midjourney ist das übliche Beispiel. Veröffentlichte Schätzungen seines Umsatzes pro Mitarbeiter reichen von rund 3 bis rund 5 Millionen US-Dollar, je nachdem, welche Umsatzannahme und welche Mitarbeiterzahl (von etwa 40 bis über 160 Personen) ein Tracker wählt. Alle sind ungeprüft, und dasselbe Unternehmen schwankt zwischen den Quellen um mehrere zehn Prozent. Eine Grafik mit fünfzig solchen Unternehmen verdient Vorsicht.

Die Lehre für ein KMU ist einfach. Verwenden Sie keine dieser Zahlen als Richtwert für Ihr eigenes Unternehmen. Wenn ein Wettbewerber mit einem atemberaubenden Verhältnis prahlt, fragen Sie, was durch was geteilt wurde.


METR: Ein Ergebnis, das die Autoren selbst korrigiert haben

Die METR-Studie von 2025 ist eine randomisierte kontrollierte Studie: 16 erfahrene Open-Source-Entwickler, 246 reale Aufgaben in ihren eigenen Repositories, bei einem Teil der Aufgaben waren KI-Tools erlaubt, bei den anderen nicht. Aufgaben mit erlaubter KI dauerten 19 % länger. Die Entwickler hatten vor der Studie eine Beschleunigung erwartet und glaubten auch danach, KI habe sie etwa 20 % schneller gemacht, was METR als Irrtum bezeichnet.

In diesem Ergebnis stecken zwei Lehren. Wahrnehmung und Messung können stark auseinanderfallen, weshalb eine Umfrage zum Produktivitätsgefühl nur schwache Evidenz liefert. Und die Stichprobe bestand aus 16 Personen mit Tools von Anfang 2025, das Ergebnis beschreibt also diesen Zeitpunkt und diese Gruppe.

Das Update von 2026 verkompliziert das Bild

Im Februar 2026 veröffentlichte METR ein Update zu einer späteren Studie. Die Punktschätzungen der neueren Daten deuten auf eine Beschleunigung hin, doch die Konfidenzintervalle schliessen null ein, sodass weder ein fehlender Effekt noch eine Verlangsamung ausgeschlossen werden kann. METR nennt die neuen Zahlen ein unzuverlässiges Signal für den aktuellen Effekt.

Die Erklärung ist konkret. Entwickler lehnten die Teilnahme zunehmend ab, weil sie nicht ohne KI arbeiten wollen, was die Schätzung der Beschleunigung vermutlich nach unten verzerrt. METR berichtet, dass 30 % bis 50 % der Entwickler angaben, einzelne Aufgaben zurückgehalten zu haben, dass die Vergütung für die Teilnahme von 150 auf 50 US-Dollar pro Stunde sank und dass die Zeiterfassung unzuverlässig wird, wenn Entwickler mehrere Agenten gleichzeitig laufen lassen.

Allein zitiert ist „KI macht Entwickler um 19 % langsamer” überholt. Allein zitiert ist „KI macht Entwickler schneller” durch die Daten von METR selbst noch nicht gedeckt. Ehrlich ist die Aussage, dass die Frage offen ist, und das sagt die bestgeplante Studie in diesem Feld selbst.


McKinsey 2026: Von den Befragten berichtete Zuordnung

Die McKinsey-Umfrage State of AI ist der transparenteste der grossen Unternehmensdatensätze, auch wenn die folgenden Zahlen aus Sekundärberichten und nicht aus dem Originalbericht stammen. Laut Digital Strategy AI befragte die Ausgabe 2026 zwischen dem 4. Mai und dem 8. Juni 2026 1.719 Teilnehmende, und HPCwire berichtete am 26. August darüber.

Laut FM Magazine meldeten rund 37 % eine gewisse EBIT-Wirkung durch KI, etwa so viele wie im Vorjahr. Etwa 6 % galten als High Performer. Digital Strategy AI bezieht diese 6 % auf eine Basis von 1.521 KI-Nutzern (92 Organisationen), was einen etwas kleineren Anteil an allen 1.719 Befragten ergäbe.

Was „eine gewisse EBIT-Wirkung” bedeutet

Das sind Antworten auf eine Zuordnungsfrage. Wer sagt, KI habe zum EBIT beigetragen, hat keine Buchhaltung vorgelegt. Und wer keine Wirkung meldet, hat nicht gezeigt, dass sie null ist. Er hat gesagt, keine zuordnen zu können, was bedeuten kann, dass nichts passiert ist oder dass niemand gemessen hat. Die Umfrage ist nicht darauf angelegt, Schweizer oder europäische KMU zu beschreiben.

Zwei weitere Umfragen unter Grossunternehmen

Zwei weitere Quellen verdienen eine kurze Erwähnung. Ein NBER-Arbeitspapier befragte knapp 9.000 Führungskräfte in sieben Ländern und stellte fest, dass diese berichten, KI habe das jährliche Wachstum der Arbeitsproduktivität in den letzten drei Jahren um 0,2 % gesteigert, und für die nächsten drei Jahre etwa 0,6 % pro Jahr erwarten. Das sind Wahrnehmungen und Erwartungen von Führungskräften.

Die BCG-Umfrage unter 1.250 Führungskräften teilte Unternehmen anhand eines eigenen Index mit 41 Fähigkeiten in 5 % Future-Built, 35 % Scaler und 60 % Laggards ein. Die Aufteilung spiegelt die Bewertung von BCG wider, und BCG verkauft Transformationsleistungen.


Die Schlagzeilen im Überblick

StatistikHerausgeberGrundgesamtheitWas sie nicht zeigt
95 % der KI-Initiativen ohne anhaltende ErgebniswirkungMIT NANDA, 202552 befragte Organisationen, 153 befragte Führungskräfte, über 300 öffentliche InitiativenEine Scheiterquote von KI-Projekten oder einen gemessenen finanziellen Ertrag
Über 40 % der agentischen Projekte bis Ende 2027 abgebrochenGartner, Juni 2025Umfrage vom Januar 2025 unter 3.412 Webinar-Teilnehmenden zu AusgabenabsichtenIrgendetwas, das bereits eingetreten ist
55 % der AI-nativen Start-ups über 400.000 US-Dollar pro MitarbeiterAWS, Juni 2026Über 3.400 Gründer und Führungskräfte, 20 LänderDie Methode oder ein Ergebnis für etablierte KMU
Umsatz pro Mitarbeiter bei KI-UnternehmenTracker und NewsletterBekannte oder finanzierte UnternehmenEine geprüfte Zahl oder einen Branchendurchschnitt
19 % länger mit KI, später revidiertMETR, 2025 und 202616 Entwickler im Jahr 2025Wie KI Entwickler im Allgemeinen beeinflusst, oder Arbeit ausserhalb des Programmierens
Rund 37 % melden eine gewisse EBIT-WirkungMcKinsey, 20261.719 Befragte aus gemischten OrganisationenGemessenes EBIT oder KMU-Ergebnisse

Keine dieser Stichproben ist eine Zufallsstichprobe Schweizer oder europäischer KMU. Die nächstliegenden lokalen Daten, etwa die Umfrage von AXA und Sotomo unter 336 Schweizer KMU, die in AI-native vs. AI-enabled behandelt wird, fragen nach der Adoption und messen weder Umsatz noch EBIT.


Was Sie im eigenen Unternehmen messen sollten

Eine Schlagzeile sagt Ihnen, was jemand anderem passiert ist. Ihre eigene Ausgangsbasis sagt Ihnen, was mit Ihrem Geld passiert. Die Methode kommt mit wenigen Wochen und einer Tabelle aus.

  1. Wählen Sie einen Prozess. Nehmen Sie etwas Wiederkehrendes, bei dem Verzögerung oder Fehler sichtbare Kosten verursachen, etwa Offerten, Rechnungskontierung, Support-Triage oder Auftragserfassung.
  2. Erfassen Sie die Ausgangsbasis, bevor Sie etwas ändern. Messen Sie die Durchlaufzeit vom Start bis zum Abschluss, die Fehlerquote (Nacharbeit, Korrekturen, Reklamationen) und die Kosten pro Fall (Personalzeit zum vollen Stundensatz plus Toolkosten). Zwei bis vier Wochen Daten genügen für den Anfang.
  3. Führen Sie die Änderung an einem abgegrenzten Teil ein. Setzen Sie das KI-Tool in einem Team oder einer Produktlinie ein, damit Sie es mit dem Rest vergleichen können.
  4. Rechnen Sie die vollen Kosten ein. Berücksichtigen Sie Lizenzen, Integrationsaufwand, die Zeit, die Mitarbeitende für die Kontrolle der Ergebnisse aufwenden, und die Kosten der Fehler, die das Tool verursacht.
  5. Messen Sie dieselben drei Werte erneut. Vergleichen Sie Gleiches mit Gleichem über einen ähnlichen Zeitraum und halten Sie fest, was sich sonst noch geändert hat.

Ein kleines Beispiel zur Veranschaulichung. Angenommen, die manuelle Kontierung einer Lieferantenrechnung dauert 12 Minuten, und 8 % müssen korrigiert werden. Nach einem Pilotprojekt dauert die Kontierung 5 Minuten plus 2 Minuten Kontrolle, und 5 % müssen korrigiert werden. Diese Zahlen sind erfunden, verwenden Sie also Ihre eigenen. Auf die Struktur kommt es an: Die Ersparnis pro Fall ist sichtbar, die Qualitätsveränderung ist sichtbar, und Ihre Finanzleitung kann sie nachprüfen.

Welche Kennzahlen sich zur Verfolgung eignen, erfahren Sie unter KI-Agenten KPIs, und wie Sie aus den Ergebnissen eine Ertragsrechnung machen, unter KI-Agenten ROI.


Warum Ihre eigene Zahl jede Schlagzeile übertrifft

Der Grund für lokales Messen geht tiefer als Misstrauen gegenüber Statistiken. Jede der obigen Zahlen beantwortet eine Frage, die einer anderen Gruppe gestellt wurde: Führungskräften, die mit Forschern gesprochen haben, Gründern, die die Umfrage eines Sponsors beantwortet haben, 16 Entwicklern an ihren eigenen Codebasen. Ihre Definitionen unterscheiden sich, ihre Interessen ebenfalls. Ein Gremium, das daraus den Durchschnitt bildet, mittelt Ungleiches.

Eine Ausgangsbasis an einem Prozess hat keines dieser Probleme. Sie nutzt Ihre Erfolgsdefinition, Ihre Arbeitskosten und Ihre Fehlertoleranz. Sie kann zu Ihren Gunsten oder Ungunsten danebenliegen, und in beiden Fällen ist es eine Zahl, die Sie prüfen und vertreten können. Zwei Studien, die beschreiben, was Organisationen verändert haben, statt wie oft KI gelingt, finden Sie in was 51 erfolgreiche KI-Einführungen verändert haben und wie Unternehmen die Arbeit rund um KI neu organisieren.

Sie verändert auch das Gespräch mit Anbietern. Ein Lieferant, der weiss, dass Sie Durchlaufzeit, Fehlerquote und Kosten pro Fall an einem Prozess messen, bevor Sie einen grösseren Vertrag unterschreiben, muss etwas Überprüfbares versprechen. Die zutreffende Zusammenfassung der Statistiken lautet: Die Adoption ist breit, die Messung dünn, und am meisten lernen werden die Unternehmen, die ihre eigene Arbeit zählen.

Häufige Fragen

Stimmt es, dass 95 % der KI-Projekte scheitern?

Nein, das hat der MIT-NANDA-Bericht nicht gemessen. Die 95 % vermischen Pilotprojekte, integrierte Tools und Organisationen, und Erfolg heisst, dass Führungskräfte oder Nutzer eine deutliche und anhaltende Wirkung auf Produktivität oder Ergebnis anmerkten. Die Stichprobe umfasste 52 befragte Organisationen und 153 auf Konferenzen befragte Führungskräfte, und der Bericht bezeichnet seine Zahlen selbst als richtungsweisend und nicht als präzise.

Sagt Gartner, dass 40 % der KI-Agenten-Projekte scheitern?

Gartner prognostiziert, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden, und nennt steigende Kosten und unklaren Geschäftsnutzen als Gründe. Das ist eine Vorhersage vom Juni 2025 und keine gemessene Scheiterquote. Der einzige Datenpunkt in der Gartner-Mitteilung ist eine Umfrage vom Januar 2025 unter 3.412 Webinar-Teilnehmenden zu Ausgabenabsichten, daher sind die 40 % als Risikowarnung von Analysten zu lesen.

Warum widersprechen sich Studien zur KI-Produktivität?

Sie messen unterschiedliche Personen, Aufgaben und Definitionen. METR testete 16 erfahrene Open-Source-Entwickler an ihren eigenen Codebasen, während andere Studien Führungskräfte nach wahrgenommenen Gewinnen fragen. Wahrnehmung und Messung gehen auseinander: Laut METR hielten sich die Entwickler für etwa 20 % schneller, brauchten aber 19 % länger. Auch Tools, Zeitraum und Interessen des Auftraggebers verschieben die Ergebnisse.

Kann ein Schweizer KMU diese Statistiken für das Budget nutzen?

Nur als Hintergrund. Keine der grossen Stichproben ist eine Zufallsstichprobe Schweizer oder europäischer KMU, und die meisten beschreiben Grosskonzerne, Start-ups, Führungskräfte oder Entwickler. Ein belastbares Budget beginnt mit Ihrer eigenen Ausgangsbasis an einem Prozess, wobei Sie Durchlaufzeit, Fehlerquote und Kosten pro Fall vor und nach der Änderung messen. So entsteht eine Zahl, die Ihre Finanzleitung prüfen kann.

Wie misst ein Unternehmen den Ertrag eines KI-Projekts?

Wählen Sie einen Prozess, erfassen Sie vor der Änderung einige Wochen lang Durchlaufzeit, Fehlerquote und Kosten pro Fall und messen Sie danach dieselben drei Werte erneut. Vergleichen Sie diese mit den Gesamtkosten für Tool, Integrationsaufwand und die Zeit des Personals für die Kontrolle. Wahrnehmungsumfragen und Lizenznutzungszahlen sind für diesen Vergleich schwache Ersatzgrössen.

Insights

Setzen Sie diese Ideen um

Ein 30-minütiges Gespräch genügt, um herauszufinden, ob ein KI-Agent zu Ihrem Workflow passt — und was er einbringen würde.