Deloitte hat für „The State of AI in the Enterprise" 2026 zwischen August und September 2025 insgesamt 3.235 Business- und IT-Führungskräfte in 24 Ländern und sechs Branchen befragt. Das zentrale Ergebnis ist ernüchternd und befreiend zugleich: Nur 25 Prozent der Unternehmen haben 40 Prozent oder mehr ihrer KI-Experimente in Produktion gebracht. Die übrigen drei Viertel arbeiten überwiegend im Pilot- und Proof-of-Concept-Modus — in Phasen, in denen KI Demos und Dashboards erzeugt, aber keinen operativen Hebel.
Das ist nicht das Jahr 2023, als die Technologie neu war und Scheitern zum Erwartungswert gehörte. Es ist das dritte Jahr ernsthafter Investitionen in generative KI, mit Budgets, Executive Sponsorship und strategischen Mandaten. Die Frage ist längst nicht mehr, ob KI funktioniert. Die Frage ist, ob Organisationen sie im Maßstab zum Laufen bringen. Deloitte überschreibt seinen Befund mit „From Ambition to Activation" — der Begriff trifft die Lage präzise. Es fehlt nicht an Vorhaben. Es fehlt an Umsetzung.
Die Produktionslücke im Detail
Die 25-Prozent-Marke braucht Kontext. Gemeint sind nicht Unternehmen, die ein einzelnes Modell in einen Workflow gebracht haben. Die Schwelle — 40 Prozent oder mehr der Experimente erreichen Produktion — kennzeichnet Organisationen, die wiederholbare Deployment-Pipelines aufgebaut haben, nicht nur einzelne Glückstreffer. 54 Prozent der Befragten erwarten, dieses Niveau innerhalb von drei bis sechs Monaten zu erreichen. Viele stehen also kurz davor, haben die operative Schwelle für skaliertes Deployment aber noch nicht überschritten.
Der Optimismus ist real — und er wiederholt sich. Frühere Ausgaben der Umfrage zeigten ähnliches kurzfristiges Vertrauen. Die Distanz zwischen „wir erwarten baldige Skalierung" und „wir haben tatsächlich skaliert" ist ein wiederkehrendes Merkmal der Unternehmens-KI. Wer dieses Muster kennt, behandelt die eigene Drei-bis-sechs-Monats-Prognose mit gesunder Skepsis und fragt: Was genau müsste sich operativ ändern, damit sie diesmal eintritt?
Der Zugang der Belegschaft erzählt einen Teil der Geschichte. Der Anteil der Mitarbeitenden mit Zugang zu freigegebenen KI-Tools stieg laut Deloitte binnen eines Jahres von unter 40 auf rund 60 Prozent — ein Plus von etwa 50 Prozent. Das ist eine beachtliche Infrastrukturleistung. Doch Zugang ist nicht Nutzung, und Nutzung ist nicht Wertschöpfung. Genau in dieser Differenz steckt die organisatorische Transformation, die ein reines Technologie-Rollout nicht leisten kann.
Gewinne sind real, aber ungleich verteilt
Die Daten stützen nicht die Erzählung vom gescheiterten KI-Unternehmen. Im Gegenteil: 25 Prozent der Befragten berichten inzwischen, dass KI eine transformative Wirkung auf ihr Geschäft hat — eine Verdopplung gegenüber etwa 12 Prozent im Vorjahr. Diese Zahl ist aufschlussreicher als jede Produktivitätskennziffer, weil sie nicht inkrementelle Effizienz misst, sondern strukturelle Veränderung: neue Produkte, neu gedachte Kernprozesse, teils veränderte Geschäftsmodelle.
Der Sprung von 12 auf 25 Prozent in einem Jahr ist das eigentliche Signal. Er zeigt: Sobald KI in nennenswertem Umfang die Produktion erreicht, beschleunigt sich ihre Wirkung. Die Schwierigkeit liegt nicht darin, mit KI Wert zu schaffen — sie liegt darin, über die Schwelle zu kommen, ab der Wert überhaupt entsteht.
Daraus entsteht eine bimodale Verteilung. Ein Viertel der Unternehmen erlebt Transformation. Drei Viertel ringen noch mit den operativen Hürden, die Experiment von Produktion trennen. Diese Lücke schließt sich nicht durch inkrementellen Fortschritt — sie weitet sich. Wer skaliert hat, potenziert seine Vorteile: bessere Daten, eingespielte Betriebsmodelle, geübtes Personal. Wer noch iteriert, iteriert weiter. Genau diese Dynamik — der wachsende Abstand zwischen den Skalierern und dem Rest — sollte für die Geschäftsführung das beunruhigende Detail des Reports sein, nicht die 25-Prozent-Marke selbst.
Das Bereitschaftsparadoxon
Der vielleicht kontraintuitivste Befund: Trotz gestiegener Investitionen, breiterem Zugang und wachsender Erfahrung bewerten sich Organisationen in mehreren Dimensionen als weniger vorbereitet als ein Jahr zuvor. Bemerkenswert ist auch, dass nur rund ein Fünftel der Unternehmen über ein ausgereiftes Governance-Modell für KI-Agenten verfügt — und das, obwohl drei Viertel innerhalb von zwei Jahren agentische Systeme ausrollen wollen.
Das ist kein Investitionsversagen. Es ist eine Neukalibrierung der Ambition. Wenn Organisationen von einfachen Chatbots zu agentischen Workflows übergehen, von Einzelmodell-Piloten zu Multimodell-Produktionssystemen, verschiebt sich die Definition von „bereit". Die Infrastruktur, die einen Service-Chatbot trägt, genügt nicht für ein agentisches System zur Supply-Chain-Optimierung. Die Data Governance, die für eine Recommendation Engine reichte, erfüllt nicht die Anforderungen eines Systems, das autonome Entscheidungen in regulierten Prozessen trifft.
Die wahrgenommene Bereitschaft sinkt, weil sich das Ziel schneller bewegt als die Fähigkeiten. Das ist die zentrale Spannung der Unternehmens-KI: Je mehr eine Organisation darüber lernt, was skalierte KI verlangt, desto klarer sieht sie, wie weit der Weg noch ist. Das ist kein Grund zur Resignation, sondern ein Reifezeichen — gefährlich sind die Unternehmen, die sich für „fertig" halten.
Die Talentlücke als strukturelle Barriere
Über alle Bereitschaftsdimensionen hinweg ist Talent das schwächste Glied — und die Reaktionsmuster zeigen, warum die Lücke bestehen bleibt. Die häufigste Antwort der Unternehmen auf den Kompetenzmangel ist Weiterbildung: bestehende Mitarbeitende im Umgang mit KI-Tools schulen. Das ist verständlich, aber unzureichend.
Schulung und Transformation sind nicht dasselbe. Einem Sachbearbeiter beizubringen, einen KI-Assistenten zu bedienen, ist Weiterbildung. Den Schadenprozess so umzubauen, dass KI Routinefälle reguliert, während der Sachbearbeiter sich auf die komplexen konzentriert, ist organisatorische Transformation. Das Erste erzeugt inkrementelle Produktivität. Das Zweite erzeugt die skalierte Wirkung, die die 25-Prozent-Marke bewegt. Wer nur das Erste tut, wundert sich zu Recht, warum die Kompetenzlücke trotz wachsender Trainingsbudgets nicht kleiner wird.
Die entscheidenden Fähigkeiten sind nicht primär technisch. Skalierte KI verlangt Prozess-Redesign, funktionsübergreifende Integration, Data Governance, Change Management und die Disziplin, KI-gestützte Workflows zu definieren und zu messen. Diese Fähigkeiten entstehen nicht im Seminarraum. Sie entstehen durch Praxis — dadurch, dass man KI tatsächlich in Produktion bringt und lernt, sie zu betreiben. Genau deshalb vertieft sich die Lücke: Wer nicht in Produktion deployt, baut die Fähigkeiten nie auf, die er bräuchte, um in Produktion zu deployen.
Agentische KI und die nächste Skalierungsgrenze
Die Befragten sehen die größte Wirkung agentischer KI — Systeme, die mit begrenzter menschlicher Aufsicht planen, schlussfolgern und handeln — vor allem in Domänen wie Kundenservice, Supply Chain, Forschung und Entwicklung, Wissensmanagement und Cybersecurity. Rund 85 Prozent erwarten, Agenten an ihre Geschäftsanforderungen anzupassen; knapp drei Viertel planen den Einsatz binnen zweier Jahre.
Das Muster ist verräterisch. Das sind nicht die Domänen, in denen die meisten ihre KI-Reise begonnen haben. Frühe Adoption konzentrierte sich auf Content-Erstellung, Datenanalyse und einfache Automatisierung — Aufgaben, bei denen KI einen Menschen unterstützt. Die für agentische Wirkung genannten Felder sind strukturell anders: komplexe Entscheidungsketten, viele Datenquellen, Orchestrierung über Systemgrenzen hinweg. Sie verlangen exakt jene organisatorischen Fähigkeiten — Datenintegration, Prozess-Redesign, Governance —, an denen es laut Bereitschaftsdaten am meisten hapert.
Daraus entsteht eine sich selbst verstärkende Schieflage. Am besten positioniert, den Wert agentischer KI zu heben, sind genau die Unternehmen, die das Problem der Produktionsskalierung bereits gelöst haben: mit Datenpipelines, Governance-Strukturen, Betriebsmodellen und geübtem Personal. Wer noch im Pilotmodus steckt, steht vor einer doppelten Lücke — er muss die Produktionsskalierung lösen und sich gleichzeitig auf Systeme vorbereiten, die noch mehr organisatorische Reife verlangen. Dass laut Deloitte nur etwa ein Fünftel über reife Agent-Governance verfügt, macht diese zweite Lücke konkret messbar.
Was das für den DACH-Mittelstand bedeutet
Die Deloitte-Daten bilden ab, was wir bei DACH-Mittelständlern täglich sehen. Die Ambition ist hoch: Executive Sponsorship, zugewiesene Budgets, strategische KI-Mandate. Die Aktivierung ist niedrig: Pilotprojekte und frühe Deployments, die die 40-Prozent-Schwelle nicht erreichen. Die Barrieren sind organisatorisch, nicht technologisch.
Die Talentlücke ist im DACH-Raum besonders ausgeprägt. Der Wettbewerb um KI-Expertise ist hart, und die klassischen Mittelstandsstärken — tiefes Domänenwissen, lange Betriebszugehörigkeit, starke operative Kultur — sind noch nicht in KI-Betriebsfähigkeit übersetzt. Die Unternehmen, die vorankommen, behandeln KI-Skalierung als organisatorisches Transformationsprojekt mit Technologiekomponente, nicht als Technologieprojekt mit organisatorischer Begleiterscheinung.
Die Datenfrage ist ebenso strukturell. Jahrzehnte ERP-zentrierter Architektur haben Datenbestände hervorgebracht, die umfassend, aber siloiert sind. Wer nie in Datenintegration für KI-spezifische Workloads investiert hat, startet die Produktionsskalierung mit Hypothek — und unterschätzt regelmäßig, wie viel Vorarbeit hier liegt.
Und es kommt eine regulatorische Dimension hinzu, die im Deloitte-Sample nur am Rand auftaucht, im DACH-Markt aber zentral ist. Seit dem 2. August 2025 gelten die Pflichten der EU-KI-Verordnung für Anbieter von General-Purpose-KI-Modellen — Transparenz, technische Dokumentation, eine Zusammenfassung der Trainingsinhalte. Die Vorgaben für Hochrisiko-Systeme, die in regulierte Produkte eingebettet sind, greifen gestaffelt bis 2. August 2027 beziehungsweise 2028. Für den Mittelstand heißt das: Wer agentische KI in regulierte Prozesse — Schaden, Kredit, Compliance, Produktsicherheit — bringen will, muss Governance nicht nachträglich aufsetzen, sondern in das Betriebsmodell einbauen. Genau hier verbindet sich der organisatorische Engpass mit dem regulatorischen.
Die Produktionslücke ist lösbar — aber nicht durch mehr Pilotprojekte. Sie verlangt eine systematische Bestandsaufnahme der organisatorischen Barrieren — Infrastruktur, Datenreife, Talent, Governance — und einen strukturierten Pfad vom Experiment ins produktive Deployment. Genau das leistet das AI Operating System Diagnostic.
Die Lücke zwischen Ambition und Aktivierung schließen
Die 54 Prozent, die binnen drei bis sechs Monaten die Produktionsschwelle erwarten, haben vielleicht recht — oder sie wiederholen das Muster optimistischer Kurzfristprognosen, das Deloitte seit Jahren dokumentiert. Worüber entschieden wird: ob ein Unternehmen Skalierung als Deployment-Problem oder als Transformationsproblem behandelt.
Die 25 Prozent, die bereits skaliert haben, teilen erkennbare Merkmale. Sie haben Workflows neu gestaltet, statt KI auf bestehende aufzusetzen. Sie haben Dateninfrastruktur gezielt für KI-Workloads gebaut, statt Reporting-Pipelines umzuwidmen. Sie haben in Betriebsmodell-Design investiert — Rollen, Review-Kadenzen, Ausnahmebehandlung, Messung — bevor sie in den Maßstab gegangen sind. Und sie haben Personalentwicklung als organisatorischen Fähigkeitsaufbau verstanden, nicht als Tool-Schulung.
Das Diagnostic benchmarkt Ihre Organisation genau an diesen Dimensionen — Infrastruktur, Datenreife, Talent und Governance — gegen die Schwellen, die in Deloittes Befund die 25 Prozent vom Rest trennen. Bevor Sie weitere sechs Monate in der Erwartungsphase verbringen, lohnt die ehrliche Standortbestimmung: Die Lücke zwischen dem, wo Sie stehen, und dem, wo Produktionsskalierung Sie braucht, ist messbar — und damit schließbar.
Referenzen: Deloitte, „The State of AI in the Enterprise", 2026 (3.235 befragte Business- und IT-Führungskräfte, August–September 2025, 24 Länder, 6 Branchen), deloitte.com/us/en/about/press-room/state-of-ai-report-2026.html; Europäische Kommission, „AI Act" / Pflichten für GPAI-Anbieter ab 2. August 2025, digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai.