Die zweite KI-Welle beginnt in den Prozessen
Mehr als die Hälfte der Unternehmen in Deutschland nutzt inzwischen KI. Der nächste Wettbewerbsvorteil entsteht dort, wo Modelle tief in Abläufe, Daten und Entscheidungen eingebaut werden.
Deutschland ist bei KI in eine zweite Phase eingetreten. 57 Prozent der Unternehmen setzen die Technologie inzwischen ein, vor zwei Jahren waren es laut Bitkom erst 20 Prozent. Damit verschiebt sich die entscheidende Frage: Der Zugang zu KI wird alltäglich, der Unterschied zwischen Unternehmen entsteht künftig stärker darin, wie tief sie Modelle in Prozesse, Daten und Entscheidungen integrieren.
Gerade darin liegt der nächste interessante Abschnitt der Entwicklung. Solange KI nur von einer Minderheit genutzt wird, lautet die Frage, ob Unternehmen überhaupt einsteigen. Sobald eine Mehrheit Anwendungen ausprobiert oder einsetzt, verschiebt sich der Maßstab. Dann muss man nicht mehr zählen, wie viele Firmen KI kennen, sondern wie tief sie in Abläufe eingreift. Ein Chatbot im Büro und ein automatisierter Kernprozess tauchen in einer Nutzungsstatistik beide als KI-Einsatz auf, wirtschaftlich sind sie aber kaum vergleichbar.
Bitkom selbst liefert dafür den wichtigsten Hinweis: Neun von zehn Unternehmen sehen sich bei KI erst am Anfang. Das passt zu einer Technologie, deren Verbreitung schneller steigen kann als ihre organisatorische Reife. Software lässt sich innerhalb weniger Tage lizenzieren. Prozesse, Datenstrukturen, Zuständigkeiten und Qualitätskontrollen verändern sich deutlich langsamer. Genau dort entscheidet sich, ob aus einer neuen Anwendung ein dauerhafter wirtschaftlicher Effekt wird.
Hinzu kommt, dass die Einführung nicht im luftleeren Raum stattfindet. Unternehmen nennen Datenschutz und Dokumentationspflichten als erhebliche Belastung. Das ist kein Beweis dafür, dass Regulierung grundsätzlich gegen Innovation steht. Es zeigt aber, dass technische Leistungsfähigkeit allein nicht genügt. Eine Anwendung muss in reale rechtliche, organisatorische und sicherheitsbezogene Anforderungen passen. Der Engpass kann deshalb genauso gut in Datenqualität, Verantwortlichkeiten oder internen Freigaben liegen wie im Modell selbst.
Auch die Infrastruktur rückt stärker in den Vordergrund. Die Münchner Industrial AI Cloud der Telekom arbeitet mit rund 10.000 Nvidia-Blackwell-GPUs. International erwartet die IEA, dass die Investitionen großer Technologiekonzerne in Rechenzentren und verwandte Infrastruktur weiter stark steigen. Das ist die materielle Seite einer Entwicklung, die im Alltag häufig wie reine Software wirkt. Je intensiver Unternehmen KI einsetzen, desto stärker werden Rechenleistung, Strom, Netze und Kapital zu Teil derselben Produktivitätsfrage.
Für Deutschland entsteht daraus ein anspruchsvolleres Bild als die einfache Erzählung vom verspäteten KI-Standort. Die Nutzung wächst schnell. Gleichzeitig bleibt offen, ob Unternehmen aus dieser Verbreitung eine eigene industrielle Stärke entwickeln. Entscheidend ist nicht, ob Beschäftigte Zugang zu einem Assistenten haben, sondern ob Firmen Produktionsplanung, Entwicklung, Kundenservice, Logistik oder Verwaltung so verändern, dass Zeit, Kosten oder Qualität messbar besser werden.
Das spricht auch gegen die Gewohnheit, jede neue KI-Statistik als Rangliste zu lesen. Ein hoher Nutzungsanteil kann Fortschritt bedeuten, aber auch oberflächliche Nutzung. Ein niedriger Anteil kann Rückstand anzeigen, aber ebenso strengere Auswahl. Für wirtschaftliche Einordnung braucht es deshalb andere Kennzahlen: Wie viele Prozesse werden tatsächlich automatisiert? Wie verändert sich Output pro Arbeitsstunde? Welche Investitionen folgen? Welche Anwendungen überstehen den Übergang vom Pilotprojekt in den Regelbetrieb?
Produktivität ist dabei nicht nur eine technische Kennzahl. Sie hängt auch davon ab, wie Arbeit organisiert wird. Wenn ein KI-Werkzeug einzelne Aufgaben beschleunigt, die frei werdende Zeit aber in zusätzliche Abstimmung, Kontrolle oder Nacharbeit fließt, kann der lokale Effizienzgewinn im Gesamtprozess verschwinden. Unternehmen müssen deshalb nicht nur messen, ob eine Anwendung schneller arbeitet, sondern ob der gesamte Ablauf vom Auftrag bis zum Ergebnis tatsächlich besser wird.
Ein weiterer Punkt ist die Abhängigkeit von wenigen Anbietern. Dass in Deutschland vor allem amerikanische KI-Dienste genutzt werden, ist zunächst eine Marktbeobachtung und kein Urteil. Wirtschaftlich relevant wird sie dort, wo zentrale Prozesse eng an einzelne Modelle, Schnittstellen oder Preisstrukturen gebunden werden. Je tiefer KI in Unternehmen eingebaut wird, desto wichtiger werden Wechselkosten, Datenportabilität und die Frage, welche Komponenten intern kontrolliert werden können.
Auch der Arbeitsmarkt wird den Unterschied zwischen Nutzung und Wirkung sichtbar machen. KI kann Aufgaben verändern, ohne ganze Berufe zu ersetzen. Für Unternehmen bedeutet das, dass Schulung und Prozesswissen nicht neben der Technologie stehen, sondern Teil ihrer Einführung sind. Ein gutes Modell kompensiert keine unklaren Zuständigkeiten. Umgekehrt kann eine mittelmäßige Anwendung großen Nutzen stiften, wenn sie an einem klar definierten Engpass eingesetzt wird.
Deshalb dürfte die nächste aussagekräftige Phase weniger von spektakulären Adoptionszahlen geprägt sein als von stilleren Kennzahlen: Bearbeitungszeiten, Fehlerquoten, Kosten pro Vorgang, Umsatz pro Beschäftigten oder die Geschwindigkeit, mit der neue Produkte entwickelt werden. Dort wird sichtbar, ob KI nur verbreitet ist oder ob sie wirtschaftlich tief genug sitzt, um die Leistungsfähigkeit eines Unternehmens tatsächlich zu verändern.
Der wichtigste Teil der deutschen KI-Geschichte beginnt damit erst nach dem schnellen Anstieg der Nutzerzahlen. 57 Prozent sind ein Signal, dass die Technologie angekommen ist. Ob daraus ein Produktivitätsschub wird, entscheidet sich in einer weniger spektakulären Phase: wenn Unternehmen ihre Daten ordnen, Prozesse neu bauen, Fehlerquoten messen und Anwendungen wieder abschalten, die keinen echten Nutzen liefern. Genau diese Phase wird wirtschaftlich wichtiger sein als der nächste Rekord bei der bloßen Verbreitung.