Der rasante Ausbau von Künstlicher Intelligenz (KI) in deutschen Unternehmen und Finanzinstituten birgt ein paradoxes Spannungsfeld: Während die Technologie in vielen Betrieben bereits breit eingesetzt wird, bleibt ihr messbarer Beitrag zu Gewinn und Wachstum häufig unklar. Dieser Artikel beleuchtet die zentrale Diskrepanz zwischen hoher Nutzungsquote und verzögerten Produktivitätsgewinnen, zeigt die versteckten Total-Cost-of-Ownership-Kosten (TCO) auf und analysiert den zunehmenden regulatorischen Kostendruck durch den EU AI Act, DORA und MaRisk.
Breite KI-Nutzung in deutschen Unternehmen
Laut dem Statistischen Bundesamt (Destatis, 2024) nutzen 20 % aller Unternehmen mit mindestens zehn Beschäftigten KI-Anwendungen. Bei Großunternehmen (ab 250 Beschäftigten) liegt die Nutzungsquote sogar bei 48 %.
Eine McKinsey-Studie, die 93 deutsche Führungskräfte befragte, bestätigt diese Breite: Fast jeder zweite Befragte (49 %) gibt an, dass KI bereits skaliert oder vollständig ausgerollt sei. Durchschnittlich wird KI in 4,3 Geschäfts- und Funktionsbereichen eingesetzt – deutlich über dem weltweiten Durchschnitt von 3,5.
„KI ist in vielen Bereichen angekommen.“ – McKinsey-Studie
Messbare Wirtschaftlichkeit fehlt
Die Studie deckt jedoch eine Schwachstelle auf: 43 % der Befragten können den finanziellen Beitrag der KI zum Betriebsergebnis nicht beziffern. Trotz dieser Unsicherheit sehen 63 % mindestens einen moderaten Nutzen – etwa höhere Produktivität, zusätzliche Umsätze oder gesteigerte Kundenzufriedenheit – und 14 % bewerten den Nutzen als signifikant. Im internationalen Vergleich liegt der Anteil signifikanter Nutzen bei 19 %.
Der Nutzen äußert sich vor allem im Arbeitsalltag: 80 % empfinden KI als hilfreiches Werkzeug, 50 % berichten von besseren Entscheidungen, und 41 % beobachten positive Kosteneffekte. Nur 22 % verzeichnen ein stärkeres organisches Umsatzwachstum, während 36 % eine bessere Abgrenzung vom Wettbewerb feststellen.
Produktivitätsparadoxon und zeitliche Verzögerung
Das ifo-Institut prognostiziert für 2024 eine erwartete Produktivitätssteigerung von 8 % bis 16 % innerhalb der nächsten fünf Jahre. Wirtschaftsforscher betonen jedoch, dass diese Effekte erhebliche Anlaufphasen benötigen. Erst wenn Prozessanpassungen, Organisationsstrukturen und Datengrundlagen vollständig reif sind, können Einsparungen realisiert werden – ein Zeitraum von mehreren Jahren.
„Der finanzielle Hebel von KI bleibt hinter den Erwartungen zurück.“ – ifo-Institut, 2024
Versteckte Total Cost of Ownership (TCO) und Third-Party-Risiken
Die Gesamtkosten von KI gehen weit über reine Entwicklungs- und Lizenzgebühren hinaus. Wesentliche Kostentreiber sind:
- laufende Cloud-Infrastruktur-Kosten (Inference Costs)
- Datenqualitätssicherung und -aufbereitung
- Prompt- und Modellpflege
- Prüfungen von Drittanbietern und Vendor-Lock-in-Risiken
- Governance-Aufwand: Modellregister, Validierung, Audits
Ein Viertel (24 %) der deutschen Unternehmen hat bereits KI-Workloads wegen hoher operativer Kosten reduziert (McKinsey Global Survey / Bank Blog, 2024).
Regulatorischer Kostendruck: EU AI Act, DORA und MaRisk
Für Finanzinstitute steigen die Kosten durch strenge Auflagen weiter an. Die BaFin fordert lückenlose Modellregister, nachvollziehbare Validierungen und die Einbettung von KI in das IKT-Risikomanagement nach MaRisk und DORA. Die DORA-Verordnung für IKT-Risiken tritt am 17. Januar 2025 in Kraft und verbindlich Pflichtanforderungen an das Management von IKT-Drittparteien und Ausfallsicherheit.
Insbesondere Hochrisiko-KI-Anwendungen, etwa in der Kreditwürdigkeits- oder Bonitätsprüfung, unterliegen aufwändigen Konformitäts- und Überwachungsprozessen, die nicht selten die erwarteten Effizienzgewinne neutralisieren.
Risiken und Gegenmaßnahmen
Mehrere Risikofaktoren erschweren die Realisierung von ROI:
- Messbarkeitsdilemma bei Assistenzsystemen: Qualitative Zeitersparnisse und verbesserte Recherchequalität lassen sich selten direkt in bilanzwirksame Kennzahlen übersetzen.
- Modellrisiken und Vendor-Lock-in: Eigenentwicklungen auf Basis fremder Foundation Models binden Unternehmen an proprietäre Schnittstellen und Preismodelle externer Cloud-Hyperscaler.
- Erhöhter Prüfaufwand bei Hochrisiko-Einstufung: Der EU AI Act verlangt umfassende Konformitätsbewertung und permanente Überwachung, was die Lebenszykluskosten deutlich erhöht.
Um diesen Risiken zu begegnen, sollten Unternehmen:
- eine klare Ausgangsbasis schaffen – Kosten, Durchlaufzeiten, Fehlerquoten vor dem KI-Rollout messen.
- die gesamten TCO, einschließlich Datenaufbereitung, Modellüberwachung und Governance, von Anfang an kalkulieren.
- Make-or-Buy-Entscheidungen systematisch um Risiko-, Compliance- und Lebenszykluskosten ergänzen.
Schnellüberblick:
Warum fällt es Unternehmen so schwer, den wirtschaftlichen Ertrag von KI zu messen?
Häufig fehlt vor dem Rollout eine exakte Basismessung von Prozessdurchlaufzeiten, Qualitäts- und Fehlerquoten. Effizienzgewinne fließen oft in unstrukturierte Zeiteinsparungen einzelner Mitarbeitender und werden nicht direkt bilanzwirksam.
Welche regulatorischen Rahmenwerke müssen Banken in Deutschland beim KI-Einsatz beachten?
Relevant sind der EU AI Act (Verordnung EU 2024/1689), die MaRisk-Vorgaben der BaFin, die DORA-Verordnung (inkrafttreten 17. Januar 2025) sowie die DSGVO.
Führt KI in deutschen Instituten kurzfristig zu Personalabbau?
Empirische Daten zeigen, dass rund zwei Drittel der Unternehmen stabile Mitarbeiterzahlen berichten. KI wird primär zur Kompensation des Fachkräftemangels und zur Entlastung von Routineaufgaben eingesetzt, nicht für massiven Personalabbau.
Quellen
- https://www.destatis.de/DE/Presse/Pressemitteilungen/2024/11/PD2444452911.html
- https://www.ifo.de/pressemitteilung/2024-10-01/unternehmen-erwarten-hoehere-produktivitaet-durch-kuenstliche-intelligenz
- https://www.bitkom.org/Presse/Presseinformation/Kuenstliche-Intelligenz-in-Deutschland-2025
- https://www.bafin.de/DE/Aufsicht/FinTech/KuenstlicheIntelligenz/kiartikel.html
Über den Autor
