Nur 15% der KI-Entscheider berichten, dass ihre KI-Investitionen in den letzten 12 Monaten zu einer EBITDA-Steigerung geführt haben. Diese Zahl stammt aus Forresters Prognosen für 2026, und sie ist der wichtigste Datenpunkt in der aktuellen Enterprise-KI-Debatte. Nicht die Milliarden-Finanzierungsrunden. Nicht die neuen Agent-Frameworks. Sondern die Tatsache, dass 85 von 100 Unternehmen, die echtes Geld für KI ausgeben, diese Ausgaben nicht mit einer einzigen Zeile in ihrer Gewinn- und Verlustrechnung verknüpfen können.
Forrester geht noch weiter: Unternehmen werden 25% ihrer geplanten KI-Ausgaben auf 2027 verschieben, weil CFOs die Budgetfreigabe von den CTOs übernehmen. Die Hype-Phase ist offiziell vorbei. Was jetzt kommt, ist die Abrechnung.
Alle großen Analysten sind sich einig: Die meisten KI-Projekte scheitern
Das ist kein einzelner pessimistischer Bericht. Vier unabhängige Forschungsorganisationen kommen mit unterschiedlichen Methoden und Stichproben zum gleichen Ergebnis.
Forrester (Oktober 2025): Weniger als ein Drittel der Entscheider kann den KI-Wert mit dem finanziellen Wachstum ihres Unternehmens verknüpfen. Die Kluft zwischen Anbieterversprechen und geliefertem Mehrwert wird größer und erzwingt eine Marktkorrektur. Forresters Chief Research Officer Sharyn Leaver erklärte: “2026 endet die KI-Hype-Phase, weil der Druck steigt, echte, messbare Ergebnisse zu liefern.”
Gartner (Juni 2025): Über 40% der Agentic-AI-Projekte werden bis Ende 2027 eingestellt. Gründe: eskalierende Kosten, unklarer Geschäftswert oder unzureichende Risikokontrollen. Das betrifft genau die autonomen Agentenprojekte, die Anbieter am aggressivsten verkaufen.
RAND Corporation (2024): Über 80% aller KI-Projekte scheitern, etwa doppelt so häufig wie klassische IT-Projekte. Die Ursachen sind strukturell, nicht technisch: schlechte Datenqualität, falsche Anreize und unkontrolliertes Scope-Creep.
MIT (August 2025): 95% der generativen KI-Pilotprojekte in Unternehmen scheitern daran, den beabsichtigten Wert zu liefern. Die MIT-Forscher fanden den größten ROI bei Back-Office-Automatisierung, nicht bei den kundenorientierten Chatbots, über die alle reden.
Diese Zahlen widersprechen sich nicht. Sie messen leicht unterschiedliche Dinge (alle KI, Agentic AI, GenAI-Piloten), zeigen aber in dieselbe Richtung: Die Basisrate für erfolgreiche Enterprise-KI liegt irgendwo zwischen 5% und 20%, je nach Definition von Erfolg.
Warum CFOs die KI-Budgets übernehmen
Der Wandel, den Forrester beschreibt, bedeutet keinen Vertrauensverlust in KI als Technologie. Es geht um Rechenschaftspflicht. Zwei Jahre lang haben CTO-Büros KI-Ausgaben auf Basis von Potenzial freigegeben. 2026 fordern CFOs Beweise.
Die Messlücke
Das Kernproblem: Die meisten Unternehmen können nicht messen, was ihre KI-Projekte tatsächlich bringen. Weniger als ein Drittel der KI-Entscheider kann KI-Wert mit finanziellem Wachstum verbinden, so Forrester. Das liegt nicht daran, dass KI keinen Wert liefert. Es liegt daran, dass Organisationen KI-Projekte ohne Messrahmen aufgebaut haben.
Ein Unternehmen implementiert einen Kundenservice-Chatbot. Das Ticketvolumen sinkt um 30%. Aber hat sich der Umsatz verändert? Hat sich der Customer Lifetime Value verschoben? Hat das Support-Team, das “freigesetzt” wurde, etwas Messbares produziert? Ohne Antworten auf diese Fragen sieht der CFO eine Kostenstelle ohne klare Rendite.
Anbieterversprechen vs. gelieferter Wert
Forrester spricht explizit von einer wachsenden Kluft zwischen dem, was Anbieter versprechen, und dem, was Unternehmen erleben. Das Analystenhaus stellt fest, dass dies “eine Marktkorrektur erzwingt, um Erwartungen mit der Realität in Einklang zu bringen.” In der Praxis bedeutet das:
- Proof-of-Concept-Budgets, die beeindruckende Demos produzierten, aber keine Produktivbereitstellungen
- Lizenzkosten, die für einen Piloten tragbar wirkten, aber bei der Skalierung explodierten
- Integrationszeiträume, die sich verdoppelten oder verdreifachten, weil Unternehmensdaten chaotischer waren als erwartet
Die 25%-Verschiebung bedeutet nicht, dass Unternehmen KI aufgeben. CFOs sagen: “Zeig mir die Belege, bevor ich den nächsten Scheck unterschreibe.” Dieser Unterschied ist wichtig.
Was die erfolgreichen 15% anders machen
Die 15% der Entscheider, die eine echte EBITDA-Steigerung melden, teilen spezifische Muster, die bei den restlichen 85% fehlen. Basierend auf Daten von Forrester, BCG und MIT-Forschung sind diese Muster konsistent genug, um als Leitfaden zu dienen.
Sie wählen langweilige Anwendungsfälle
MIT fand den größten GenAI-ROI bei Back-Office-Automatisierung: Wegfall von Business Process Outsourcing, Reduzierung externer Agenturkosten, Optimierung der Dokumentenverarbeitung. Keine kundenorientierten Chatbots. Keine glänzenden Demos. Die Unternehmen mit EBITDA-Effekt automatisierten Rechnungsverarbeitung, Vertragsanalyse, interne Wissensabfrage und Compliance-Berichterstattung.
Klarnas vielzitierte Einsparung von 39 Millionen Dollar durch den KI-Kundenservice-Agenten ist real, aber sie funktionierte, weil Kundenservice in Klarnas Größenordnung ein massives, messbares Kostenzentrum ist. Die Lektion ist nicht “Bau einen Chatbot.” Die Lektion ist “Automatisiere etwas Teures, das du messen kannst.”
Für den DACH-Raum ist das besonders relevant. Deutsche Mittelständler wie die Würth-Gruppe oder Trumpf setzen KI gezielt in der Fertigung und im Einkauf ein, nicht als glänzende Innovation, sondern als messbares Effizienzwerkzeug. Das ist genau das Muster, das funktioniert.
Sie messen, bevor sie bauen
Unternehmen mit guter Datenintegration erzielen einen 10,3-fachen ROI gegenüber 3,7-fachem bei schlechter Datenkonnektivität. Die erfolgreichen 15% richten Messrahmen ein, bevor die erste Zeile Code geschrieben wird. Sie definieren Erfolg in finanziellen Kennzahlen (Kostenreduktion, Umsatz pro Kunde, Bearbeitungszeit), legen Baselines fest und verfolgen Veränderungen über die Zeit.
Die 85% definieren Erfolg typischerweise als “wir haben das Modell deployed” oder “die Genauigkeit hat sich im Testset verbessert.” Beides erscheint in keiner GuV.
Sie setzen auf spezialisierte Anbieter statt Eigenentwicklung
Spezialisierte, anbietergeführte KI-Projekte sind zu etwa 67% erfolgreich, während Eigenentwicklungen nur zu 33% gelingen. Diese Lücke ist enorm. Die erfolgreichen 15% bauen keine eigenen LLM-Pipelines von Grund auf. Sie kaufen vertikale KI-Lösungen, die spezifische, klar definierte Probleme in ihrer Branche lösen, und messen den Output gegen die Kosten.
Das deckt sich mit der LangChain State of Agent Engineering-Umfrage: Selbst unter den 57% der Teams mit Agenten in Produktion bleibt Qualität mit 32% die größte Hürde. Selbst bauen ist schwer. Selbst bauen ohne dedizierte KI-Engineering-Expertise führt direkt in die 80%-Ausfallquote.
Sie planen 12-18 Monate, nicht 90 Tage
Erfolgreiche KI-Projekte brauchen typischerweise 12 bis 18 Monate für messbaren Geschäftswert. Die meisten Organisationen erwarten Ergebnisse innerhalb von drei bis sechs Monaten. Diese Diskrepanz tötet Projekte, bevor sie eine Chance hatten.
Forresters Prognose der verschobenen Ausgaben spiegelt diese Realität teilweise wider: Unternehmen, die 2025 KI-Projekte mit der Erwartung schneller Erfolge starteten, verschieben jetzt Zeitpläne (und Budgets) auf 2027, weil die Arbeit länger dauert als der Vertrieb versprochen hat.
In Deutschland kommt ein weiterer Faktor hinzu: Die Anforderungen des EU AI Act, der ab August 2025 schrittweise in Kraft tritt, erfordern zusätzliche Compliance-Arbeit, die viele Unternehmen in ihren ursprünglichen Zeitplänen nicht eingeplant hatten. Das verlängert die Projekte weiter.
Was 2026 wirklich bedeutet
Forresters Bild von 2026 als dem Jahr, in dem KI “vom Hype zur harten Arbeit” wechselt, trifft es genau. Die Technologie versagt nicht. Das Geschäftsmodell für ihren Einsatz reift. In der Praxis heißt das:
CFO-kontrollierte Ausgaben. KI-Budgets werden dieselbe finanzielle Prüfung erfahren wie jede andere Investition. “Strategische KI-Investition” ist kein Freibrief mehr.
Konsolidierung der Werkzeuge. Unternehmen mit 15 verschiedenen KI-Experimenten werden auf drei oder vier mit messbaren Ergebnissen reduzieren. Das Agent-Sprawl-Problem, vor dem Gartner warnt, wird Governance-Reviews auslösen.
Verpflichtende KI-Schulungen. Forrester prognostiziert, dass 30% der Großunternehmen KI-Schulungen verpflichtend machen, um die Adoption zu steigern und Risiken zu reduzieren. Der Engpass verlagert sich von Technologie auf Mitarbeiterbefähigung.
Back-Office-Erfolge statt Front-Office-Glanz. Die unspektakulären Deployments, Dokumentenverarbeitung, Compliance-Automatisierung, interne Suche, werden finanziert. Die beeindruckenden, aber nicht messbaren Demos werden es nicht.
Das ist gesund. Der KI-Ausgabenboom 2024-2025 hat viel Experimentieren finanziert. Die Korrektur 2026-2027 finanziert das, was tatsächlich funktioniert.
Häufig gestellte Fragen
Warum prognostiziert Forrester, dass 25% der KI-Ausgaben auf 2027 verschoben werden?
Forrester stellte fest, dass weniger als ein Drittel der KI-Entscheider den KI-Wert mit finanziellem Wachstum verknüpfen kann und nur 15% eine EBITDA-Verbesserung melden. CFOs übernehmen die Budgetfreigabe von CTOs und fordern messbaren ROI, bevor sie neue KI-Investitionen genehmigen. Das führt dazu, dass ein Viertel der geplanten Ausgaben auf 2027 verschoben wird.
Wie hoch ist die Ausfallrate von Enterprise-KI-Projekten?
Mehrere Forschungsorganisationen kommen auf Ausfallraten zwischen 80% und 95%. Die RAND Corporation ermittelte über 80% gescheiterte KI-Projekte. MIT berichtet, dass 95% der generativen KI-Piloten scheitern. Gartner prognostiziert, dass über 40% der Agentic-AI-Projekte speziell bis Ende 2027 eingestellt werden.
Was haben erfolgreiche KI-Implementierungen gemeinsam?
Die 15% der Unternehmen mit EBITDA-Effekt teilen vier Muster: Sie wählen messbare Back-Office-Anwendungsfälle statt auffälliger Demos, richten Messrahmen vor dem Bau ein, setzen auf spezialisierte vertikale KI-Anbieter statt Eigenentwicklung, und planen 12 bis 18 Monate statt 90-Tage-Ergebnisse zu erwarten.
Endet der KI-Hype-Zyklus 2026?
Laut Forrester ja. Das Analystenhaus erklärt, dass 2026 das Ende der KI-Hype-Phase markiert, weil der Druck steigt, messbare Ergebnisse zu liefern. Das bedeutet nicht, dass KI als Technologie versagt. Es bedeutet, dass das Geschäftsmodell für den KI-Einsatz reift und CFOs dieselbe finanzielle Prüfung fordern wie bei jeder anderen Investition.
Sollten Unternehmen angesichts dieser Ausfallraten aufhören, in KI zu investieren?
Nein. Die Korrektur betrifft das Wie der Investition, nicht das Ob. Unternehmen mit guter Datenintegration erzielen 10,3-fachen ROI gegenüber 3,7-fachem bei schlechter Datenkonnektivität. Spezialisierte anbietergeführte KI-Projekte sind zu 67% erfolgreich gegenüber 33% bei Eigenentwicklungen. Der Schlüssel liegt in der Wahl der richtigen Anwendungsfälle, rigoroser Messung und realistischen Zeitplänen.