Die 95-Prozent-Frage: Was die MIT-Studie über KI wirklich sagt

Die 95-Prozent-Frage: Was die MIT-Studie über KI wirklich sagt

· 9 Min. Lesezeit

In English lesen →

Diesen Artikel anhören
Geschwindigkeit

KI-Vorlesestimme · automatisch erzeugt

Als Podcast abonnieren
RSS
Persönliche Notiz

Nur lokal in deinem Browser gespeichert — nichts wird gesendet.

Es gibt Zahlen, die sind zu gut, um sie nicht zu teilen — und genau deshalb gefährlich. „95 % der KI-Projekte scheitern“ ist so eine. Sie bestätigt den Skeptiker („wusste ich’s doch, alles Hype“) und den Zyniker („die Konzerne verbrennen Milliarden“) gleichermaßen, sie passt in einen Tweet, und sie trägt das Siegel „MIT“. Fast alles daran stimmt. Und trotzdem zieht fast jeder, der sie zitiert, die falsche Schlussfolgerung.

Ich gehe die Zahl hier so durch, wie man jede virale Statistik durchgehen sollte: Was sagt die Quelle wirklich? Was sagen ihre Kritiker? Und was bleibt übrig, wenn man beides nebeneinanderlegt?

Was die Studie wirklich sagt

Die Quelle ist der Bericht „The GenAI Divide — State of AI in Business 2025“ des MIT Media Lab, erstellt von der Initiative Project NANDA, erschienen im August 2025. Die vielzitierte Zahl lautet präzise: Rund 95 % der Unternehmen sehen keinen messbaren Effekt ihrer GenAI-Piloten auf die Gewinn-und-Verlust-Rechnung; nur etwa 5 % erreichen eine spürbare Umsatzbeschleunigung. Der Kontext dazu: geschätzte 30 bis 40 Milliarden Dollar sind bereits in solche Projekte geflossen.

Schon hier lohnt das genaue Hinsehen. „Kein messbarer P&L-Effekt“ ist nicht dasselbe wie „gescheitert“. Es heißt: Am Ende des Quartals steht in der Bilanz keine Zahl, die man dem KI-Piloten eindeutig zuschreiben könnte. Das kann bedeuten, dass nichts passiert ist — oder dass etwas passiert ist, das niemand gemessen hat.

Viel wichtiger als die Schlagzeile ist die Ursache, die die Studie benennt — und die räumt mit dem verbreiteten Missverständnis auf. Der Engpass sei nicht die Qualität der Modelle, schreiben die Autoren, sondern eine „Learning Gap“: Die meisten Systeme behalten kein Feedback, passen sich nicht an den betrieblichen Kontext an, verbessern sich nicht über die Zeit. Es ist ein Organisations- und Integrationsproblem, kein Technologieproblem.

Drei Befunde der Studie machen das konkret:

  • Kaufen schlägt Selbstbauen. Zugekaufte Speziallösungen schaffen es in rund 67 % der Fälle in den Produktivbetrieb; intern gebaute nur etwa ein Drittel so oft. Die teure „Wir machen das selbst“-Reflexhaltung ist einer der besten Prädiktoren fürs Steckenbleiben.
  • Das Geld liegt im Back-Office, ausgegeben wird es im Schaufenster. Rund die Hälfte der Budgets fließt in Sales- und Marketing-Tools — den messbaren Ertrag fand die Studie dagegen in der unspektakulären Prozessautomatisierung: eingesparte Agentur- und Dienstleisterkosten, schlankere Abläufe.
  • Adoption ist nicht Transformation. Große Konzerne fahren die meisten Piloten und bringen die wenigsten in Produktion (oft neun Monate und länger); der Mittelstand schafft den Sprung in rund 90 Tagen. Genau diese Kluft nennen die Autoren den „GenAI Divide“.

Das ist eine differenzierte, brauchbare Studie. Nur überlebt von ihr im öffentlichen Gedächtnis fast nichts außer der einen Zahl.

Was die Kritiker einwenden — und sie haben Punkte

Man macht es sich zu leicht, wenn man die 95 % einfach nachbetet. Mehrere ernstzunehmende Stimmen haben die Studie auseinandergenommen — und ihre Einwände gehören zwingend dazu:

Erstens, die Methodik ist dünner, als die Autorität „MIT“ vermuten lässt. Die Fachpublikation Futuriom und der Analyst des Podcasts Your Everyday AI weisen darauf hin, dass sich die 95 % aus dem Bericht selbst kaum sauber rekonstruieren lassen; die belastbare Beobachtung sei „ein steiler Abfall von Pilot zu Produktion“ — nicht „95 % Fehlschlag“. Die Stichprobe ist klein und teils selbstberichtet (rund 300 öffentliche Initiativen, einige Dutzend Interviews, gut 150 Umfrage- antworten), und die vollständigen Rohdaten wurden nie veröffentlicht. Wer eine so steile Zahl in die Welt setzt, müsste die Daten offenlegen.

Zweitens, es steckt ein Definitions-Trick darin. Das Tech-Magazin Sify bringt es auf den Punkt („von allen falschgelesen“): „Kein messbarer Bilanzeffekt“ bedeutet nicht „funktioniert nicht“, sondern belegt allenfalls, dass viele Unternehmen KI noch als Parallel-Werkzeug neben den Prozessen betreiben statt als eingebettete Betriebsänderung. Das ist eine ganz andere Aussage als die Schlagzeile.

Drittens — und das ist der unbequemste Punkt — ein Interessenkonflikt. Der Bericht mündet in die Empfehlung, auf „agentische“, lernende KI-Systeme umzusteigen. Genau solche Systeme bietet NANDA als MIT-Media-Lab-Initiative selbst an, kolportiert wird eine Firmenmitgliedschaft im sechsstelligen Bereich. Eine Studie, deren Diagnose zufällig exakt das eigene Produkt verschreibt, verdient eine Extraportion Skepsis.

Viertens, der Zeithorizont. ROI aus grundlegender KI-Integration braucht in aller Regel Jahre, nicht Monate. Piloten nach wenigen Monaten am Bilanzeffekt zu messen, ist fast schon methodisch garantiert enttäuschend.

Interessant ist, wohin diese Kritik führt. Der Forbes-Autor Jason Snyder dreht den Befund um: Die Piloten scheitern, schreibt er, weil Unternehmen die Reibung scheuen — also die mühsame Arbeit, Arbeitsabläufe wirklich umzubauen, statt ein Chatbot-Fenster danebenzustellen. Das ist kein Widerspruch zur Studie. Es ist ihre Bestätigung mit umgekehrtem Vorzeichen: Beide sagen, das Problem sitzt in der Organisation, nicht im Modell.

Warum die Zahl trotzdem ernst zu nehmen ist

Man könnte nach so viel Kritik versucht sein, die 95 % ganz abzuräumen. Das wäre der zweite Fehler nach dem ersten. Denn die eigentlich verblüffende Beobachtung ist nicht die MIT-Zahl allein — es ist ihre Bestätigung durch völlig unabhängige Untersuchungen:

  • Die Boston Consulting Group kommt in „The Widening AI Value Gap“ (September 2025) zum Schluss, dass nur etwa 5 % der Unternehmen aus KI substanziellen Wert im Maßstab ziehen — und 60 % gar keinen materiellen Wert.
  • McKinsey zählt im „State of AI 2025“ nur rund 6 % „AI High Performers“ mit spürbarem EBIT-Effekt. 88 % setzen KI irgendwo ein, aber nur 39 % sehen überhaupt einen Ergebniseffekt — meist unter fünf Prozent.

Drei Häuser, drei Methodiken — und man muss genau hinsehen, was da konvergiert. Es ist nicht eine einzelne Ziffer; die drei messen Unterschiedliches, und jede kennt neben ihren strengen 5 % auch eine viel höhere „irgendein-Wert“-Zahl: McKinsey nennt 39 % mit EBIT-Effekt (meist unter fünf Prozent), BCG rund 40 % mit irgendeinem materiellen Wert. Was zusammenfällt, ist also keine Zahl, sondern eine Form: ein schmaler Kopf von etwa 5 %, der KI transformativ nutzt; ein breiterer Mittelbau um die 40 %, der messbaren, aber bescheidenen Ertrag sieht; und eine Mehrheit ohne Effekt. Transformativer Wert ist selten, inkrementeller häufiger, gar keiner die Regel — darin sind sich die drei einig.

Und diese Übereinstimmung ist gerade deshalb bemerkenswert, weil die Absender gegenläufige Interessen haben. BCG und McKinsey sind keine neutralen Instanzen — sie verkaufen genau die Transformationsberatung, deren Notwendigkeit ihre Reports begründen; nicht anders, als NANDA die agentischen Systeme verkauft, die es empfiehlt. Dieselbe Absender-Skepsis, die man der MIT-Studie schuldet, gilt also auch ihren Kronzeugen. Dass die Befunde trotz dieser gegenläufigen Interessen zusammenlaufen — und zwar mit einer harten Verhaltenszahl: S&P Global (über 451 Research) meldet, dass der Anteil der Unternehmen, die die meisten ihrer KI-Initiativen wieder abbrechen, 2025 von 17 auf 42 Prozent gesprungen ist —, macht das Bild robuster als jede Einzelquelle.

Der scheinbare Widerspruch löst sich, wenn man eine Ebene tiefer geht. Denn dass KI auf Aufgabenebene wirkt, ist ebenso gut belegt — der Bruch liegt zwischen der einzelnen Aufgabe und der Bilanz. Das vielleicht sauberste Experiment dazu stammt von Harvard und BCG („Navigating the Jagged Technological Frontier“): 758 Unternehmensberater, kontrolliert getestet. Innerhalb der Fähigkeitszone der KI erledigten die KI-Nutzer 12,5 % mehr Aufgaben, 25 % schneller, bei rund 40 % höherer Qualität. Aber — und das ist die ehrliche Kante — außerhalb dieser „gezackten Grenze“ schnitten sie schlechter ab als Kollegen ganz ohne KI. Genau das erklärt die 95 %: Werkzeug- Produktivität am Schreibtisch übersetzt sich eben nicht automatisch in einen Effekt in der Konzern-GuV. Dazwischen liegt die ganze Arbeit, die die Studie „Integration“ nennt.

Ehrlicherweise verwischt genau dieser Befund die saubere Trennung von „Technik“ und „Integration“. Dass KI außerhalb ihrer Zone unangekündigt versagt — und die Nutzer die Grenze nicht erkennen —, ist eben auch ein Zuverlässigkeitsproblem des Modells; Halluzinationen erzwingen eine Kontrolle, die den Produktivitätsgewinn wieder auffressen kann. „Nicht die Technik“ heißt darum nicht „die Technik ist fertig“, sondern nüchterner: Ihre Reife entscheidet weniger als das Handwerk drumherum.

(Zwei häufig zitierte Gegenzahlen — „74 % sehen ROI im ersten Jahr“ von Google Cloud, „3,70 Dollar Rückfluss je Dollar“ von IDC — lasse ich bewusst nur als Fußnote gelten: Beide sind anbieterfinanziert. Wer die MIT-Zahl skeptisch prüft, muss dieselbe Skepsis auf die freundlichen Zahlen anwenden.)

Was übrig bleibt

Legt man These und Gegenthese nebeneinander, bleibt eine überraschend versöhnliche Erkenntnis: Sie streiten über die Zahl, aber nicht über die Diagnose. Ob 95 oder 80 Prozent, ob „Fehlschlag“ oder „kein Bilanzeffekt“ — Studie wie Kritiker sagen dasselbe: Es scheitert nicht die Technik, sondern das Adoptionshandwerk.

Und die erfolgreichen fünf Prozent tun, quer über alle drei Studien, erkennbar dieselben fünf Dinge — mit einer Vorsicht vorweg: Wir sehen die Gewinner, nicht die Gescheiterten, die dasselbe versuchten. Die folgenden Muster sind kein Kochrezept, sondern die beste verfügbare Korrelation:

  1. Sie kaufen einsatzfertige Lösungen, statt alles selbst zu bauen.
  2. Sie betten KI in echte Arbeitsabläufe ein, statt sie danebenzustellen.
  3. Sie zielen aufs Back-Office, wo der Ertrag messbar ist, nicht auf die Marketing-Show.
  4. Sie investieren in Prozesse und Menschen, nicht nur in Modelle — BCGs oft zitierte „10-20-70“-Faustregel verortet nur 10 % des Erfolgs in den Algorithmen und 20 % in der Technik, aber 70 % in Menschen und Prozessen.
  5. Sie messen finanzielle Ergebnisse, nicht Klickzahlen — sonst wird „95 % ohne ROI“ zur selbsterfüllenden Prophezeiung.

Zwei Dinge bleiben dabei offen — und sollten es bleiben. Ob die präzise 95 hält, weiß niemand; NANDA hat die Rohdaten nie gezeigt. Und dass 2025 mehr Unternehmen abbrachen als im Jahr zuvor, mahnt: „lernbar“ heißt nicht „leicht“. Was bleibt, ist darum bescheidener als die Schlagzeile — aber tragfähiger: Die 95 Prozent sind kein Urteil über künstliche Intelligenz, sondern darüber, wie Organisationen sie einführen. Und das liegt, anders als die Fähigkeiten eines Modells, weit stärker in eigener Hand, als die Schlagzeile suggeriert.

Wenn dich der Beitrag zum Nachdenken gebracht hat, teile ihn gern — und frag dich beim nächsten viralen KI-Prozentsatz, ob du gerade die Zahl liest oder ihre Schlagzeile.

Quellen (Auswahl):