Deloittes Bericht „State of AI in the Enterprise" 2026 befragte 3.235 Business- und IT-Führungskräfte in 24 Ländern und 6 Branchen zwischen August und September 2025. Das Hauptergebnis ist ernüchternd: Nur 25 Prozent der Unternehmen haben 40 Prozent oder mehr ihrer KI-Experimente in Produktion gebracht. Die verbleibenden 75 Prozent operieren noch überwiegend im Pilotmodus, im Proof-of-Concept-Bereich oder in frühen Deployment-Phasen, in denen KI Demos und Dashboards generiert, aber keinen operativen Hebel erzeugt.
Das ist nicht 2023, als die Technologie noch neu war und Scheitern zu erwarten war. Es ist das dritte Jahr ernsthafter generativer KI-Investitionen in Unternehmen, die Budgets, Executive Sponsors und strategische Mandate haben. Der Engpass ist nicht mehr, ob KI funktioniert. Es ist, ob Organisationen sie im großen Maßstab zum Funktionieren bringen können.
Die Produktionslücke im Detail
Die 25-Prozent-Zahl braucht Kontext. Das sind keine Unternehmen, die ein Modell in einen Workflow deployt haben. Die Schwelle — 40 Prozent oder mehr der KI-Experimente erreichen Produktion — bezeichnet Organisationen, die wiederholbare Deployment-Pipelines aufgebaut haben, nicht nur einzelne Erfolge. 54 Prozent der Befragten erwarten, dieses Level innerhalb von drei bis sechs Monaten zu erreichen, was darauf hindeutet, dass viele Unternehmen nah dran sind, aber die operativen Schwellen für skaliertes Deployment noch nicht überschritten haben.
Der Optimismus ist real, aber wiederkehrend. Frühere Ausgaben von Deloittes Umfrage zeigten ähnliches kurzfristiges Vertrauen. Die Lücke zwischen „wir erwarten baldige Skalierung" und „wir haben tatsächlich skaliert" ist ein wiederkehrendes Merkmal von Enterprise-KI seit drei aufeinanderfolgenden Jahren. Die Barriere ist nicht Ambition. Es ist Umsetzung.
Der Zugang der Mitarbeiter erzählt einen Teil der Geschichte. Der Zugang zu KI-Tools stieg innerhalb eines Jahres um 50 Prozent, von etwa 40 auf etwa 60 Prozent der Belegschaft. Das ist eine beachtliche Infrastrukturleistung. Aber von den Mitarbeitern, die Zugang haben, nutzen weniger als 60 Prozent KI täglich. Die Tools sind deployt. Die Gewohnheiten nicht. Und die Lücke zwischen Deployment und täglicher Nutzung repräsentiert die organisatorische Transformation, die Technologie-Deployment allein nicht leisten kann.
Gewinne sind real, aber ungleich verteilt
Die Umfragedaten stützen nicht die Erzählung, dass Enterprise-KI gescheitert ist. 66 Prozent der Befragten berichten von messbaren Produktivitäts- und Effizienzgewinnen durch ihre KI-Deployments. Das ist substanziell — zwei Drittel der Unternehmen sehen Erträge aus KI, auch wenn die meisten diese Erträge noch nicht über die gesamte Organisation skaliert haben.
Aufschlussreicher ist die Metrik zur transformativen Wirkung. 25 Prozent der Befragten berichten inzwischen, dass KI eine transformative Wirkung auf ihre Abläufe hat — verdoppelt von 12 Prozent nur ein Jahr zuvor. Der Sprung von 12 auf 25 Prozent innerhalb eines Jahres zeigt, dass sich etwas verändert für die Organisationen, die über die Pilotphase hinausgekommen sind. Sobald KI in bedeutendem Umfang die Produktion erreicht, beschleunigt sich ihre Wirkung. Die Herausforderung ist, dorthin zu gelangen.
Das erzeugt eine bimodale Verteilung, die die Transformationsprämie widerspiegelt, die in anderen Studien beobachtet wurde. Ein Viertel der Unternehmen erlebt Transformation. Drei Viertel arbeiten noch an den operativen Hindernissen, die Experimentierung von Produktion trennen. Die Lücke schließt sich nicht durch inkrementellen Fortschritt — sie vergrößert sich, weil die Organisationen, die skaliert haben, ihre Vorteile potenzieren, während andere an Pilotprojekten iterieren.
Das Bereitschaftsparadoxon
Das vielleicht kontraintuitivste Ergebnis in Deloittes Umfrage ist der Rückgang der wahrgenommenen Bereitschaft. Trotz gestiegener Investitionen, erweitertem Zugang und wachsender Erfahrung bewerten sich Organisationen in jeder gemessenen Dimension als weniger vorbereitet als vor einem Jahr.
Die Bereitschaft der technischen Infrastruktur liegt bei 43 Prozent — weniger als die Hälfte der Unternehmen betrachtet ihre Infrastruktur als bereit für skaliertes KI-Deployment. Die Bereitschaft im Datenmanagement liegt bei 40 Prozent. Und die Talentbereitschaft ist auf nur 20 Prozent gefallen, die niedrigste aller Dimensionen und diejenige, die Führungskräfte am häufigsten als Barriere nennen.
Das ist kein Investitionsversagen. Es ist eine Neukalibrierung der Ambition. Wenn Organisationen von einfachen Chatbot-Deployments zu komplexen agentischen Workflows übergehen, von Einzelmodell-Piloten zu Multimodell-Produktionssystemen, ändert sich die Definition von „vorbereitet". Die Infrastruktur, die einen Kundenservice-Chatbot unterstützte, reicht nicht für ein agentisches Supply-Chain-Optimierungssystem. Die Data Governance, die für eine Recommendation Engine funktionierte, erfüllt nicht die Anforderungen eines KI-Systems, das autonome Entscheidungen in regulierten Prozessen trifft.
Die Bereitschaft sinkt, weil sich das Ziel schneller bewegt als die Fähigkeiten. Das ist die zentrale Spannung in der Enterprise-KI heute: Je mehr Organisationen darüber lernen, was skalierte KI erfordert, desto mehr erkennen sie, wie weit sie noch gehen müssen.
Die Talentlücke als strukturelle Barriere
Die KI-Kompetenzlücke erwies sich als die bedeutendste einzelne Barriere für die Integration in Deloittes Umfrage. Bei 20 Prozent Bereitschaft ist Talent das schwächste Glied in der Enterprise-KI-Kette — mit großem Abstand. Und die Reaktionsmuster zeigen, warum die Lücke bestehen bleibt.
Weiterbildung war die häufigste Talent-Anpassungsstrategie — häufiger als organisatorische Neugestaltung, Rollenneudefiniton oder externes Recruiting. Unternehmen versuchen primär, bestehende Mitarbeiter in KI-Tools zu schulen, statt die Art und Weise, wie Arbeit um KI-Fähigkeiten herum organisiert wird, neu zu gestalten. Das ist verständlich, aber unzureichend. Einem Sachbearbeiter beizubringen, einen KI-Assistenten zu nutzen, ist Weiterbildung. Den Schadenprozess so umzugestalten, dass KI Routineregulierungen übernimmt, während der Sachbearbeiter sich auf komplexe Fälle konzentriert, ist organisatorische Transformation. Ersteres erzeugt inkrementelle Produktivitätsgewinne. Letzteres erzeugt die Art von skalierter Wirkung, die die 25-Prozent-Metrik verschiebt.
Der Weiterbildung-zuerst-Ansatz erklärt, warum die Kompetenzlücke trotz wachsender Investitionen in Schulungen bestehen bleibt. Die für skalierte KI erforderlichen Fähigkeiten sind nicht primär technische Fähigkeiten im Umgang mit KI-Tools. Es sind organisatorische Fähigkeiten: Prozess-Redesign, funktionsübergreifende Integration, Data Governance, Change Management und die Fähigkeit, KI-gestützte Workflows zu definieren und zu messen. Diese Fähigkeiten entstehen nicht durch Schulungsprogramme. Sie entstehen durch Praxis — durch das tatsächliche Deployment von KI in die Produktion und das Lernen, sie zu betreiben.
Agentische KI und die nächste Skalierungsgrenze
Deloittes Umfrage fragte die Befragten, wo sie die größte Wirkung von agentischer KI erwarten — Systemen, die mit begrenzter menschlicher Aufsicht planen, schlussfolgern und handeln können. Die Antworten konzentrieren sich auf fünf Domänen: Kundenservice, Supply Chain Management, Forschung und Entwicklung, Wissensmanagement und Cybersecurity.
Das Muster ist aufschlussreich. Dies sind nicht die Domänen, in denen die meisten Unternehmen ihre KI-Reise begonnen haben. Frühe Adoption konzentrierte sich auf Content-Erstellung, Datenanalyse und einfache Automatisierung — Aufgaben, bei denen KI einen menschlichen Bediener unterstützt. Die für agentische KI-Wirkung identifizierten Domänen sind strukturell anders. Sie umfassen komplexe Entscheidungsketten, multiple Datenquellen und Workflow-Orchestrierung über Systeme hinweg. Sie erfordern genau die organisatorischen Fähigkeiten — Datenintegration, Prozess-Redesign, Governance-Frameworks —, die laut den Bereitschaftsdaten den meisten Unternehmen fehlen.
Das erzeugt eine sich verstärkende Herausforderung. Die Unternehmen, die am besten positioniert sind, den Wert agentischer KI zu realisieren, sind diejenigen, die die organisatorischen Probleme der skalierten Deployment bereits gelöst haben. Sie haben die Datenpipelines, die Governance-Strukturen, die Betriebsmodelle und das Talent. Die Unternehmen, die noch im Pilotmodus feststecken, stehen vor einer doppelten Lücke: Sie müssen das grundlegende Problem der Produktionsskalierung lösen und sich gleichzeitig auf agentische Systeme vorbereiten, die noch mehr organisatorische Reife erfordern.
Was das für den DACH-Mittelstand bedeutet
Die Deloitte-Daten bilden direkt die Landschaft ab, die wir bei DACH-Mittelstandsunternehmen beobachten. Die Ambition ist hoch — die meisten haben Executive Sponsorship, zugewiesene Budgets und strategische KI-Mandate. Die Aktivierung ist niedrig — die meisten betreiben Pilotprojekte oder frühe Deployments, die die 40-Prozent-Produktionsschwelle nicht erreicht haben. Die Barrieren sind organisatorisch, nicht technologisch.
Die Talentlücke ist im DACH-Markt besonders ausgeprägt, wo der Wettbewerb um KI-Expertise intensiv ist und die traditionellen Mittelstandsstärken — tiefes Domänenwissen, lange Betriebszugehörigkeit, starke operative Kultur — noch nicht in KI-Betriebsfähigkeiten übersetzt wurden. Die Unternehmen, die Fortschritte machen, sind diejenigen, die KI-Skalierung als organisatorisches Transformationsprojekt mit Technologiekomponenten behandeln, nicht als Technologieprojekt mit organisatorischen Implikationen.
Die Datenmanagement-Herausforderung ist ebenso strukturell. Jahrzehnte ERP-zentrierter Architektur haben Datenumgebungen hervorgebracht, die umfassend, aber in Silos organisiert sind. Die 40-Prozent-Bereitschaft im Datenmanagement aus Deloittes globaler Umfrage ist großzügig im Vergleich zu dem, was wir bei DACH-Unternehmen sehen, die noch nicht in Datenintegration für KI-spezifische Workloads investiert haben.
Das Problem der Produktionsskalierung ist lösbar, aber nicht durch mehr Pilotprojekte. Es erfordert eine systematische Bewertung der organisatorischen Barrieren — Infrastrukturbereitschaft, Datenmanagement-Reife, Talentbereitschaft, Governance-Frameworks — und einen strukturierten Pfad von der Experimentierung zum Produktions-Deployment. Genau das bewertet das AI Operating System Diagnostic.
Die Lücke zwischen Ambition und Aktivierung schließen
Die 54 Prozent der Unternehmen, die erwarten, die 40-Prozent-Produktionsschwelle innerhalb von drei bis sechs Monaten zu erreichen, haben möglicherweise recht — oder sie wiederholen das Muster optimistischer Kurzfristprognosen, das Deloittes Umfrage seit drei Jahren dokumentiert. Der Unterschied zwischen denen, die die Lücke schließen, und denen, die in der Erwartungsphase verbleiben, hängt davon ab, ob sie Skalierung als Deployment-Problem oder als Transformationsproblem behandeln.
Die Organisationen in den 25 Prozent, die bereits skaliert haben, teilen gemeinsame Merkmale. Sie haben Workflows neu gestaltet, statt KI auf bestehende aufzusetzen. Sie haben Dateninfrastruktur speziell für KI-Workloads gebaut, statt Reporting-Pipelines umzufunktionieren. Sie haben in Betriebsmodell-Design investiert — Rollen, Review-Kadenzen, Ausnahmebehandlung, Messung — bevor sie in großem Maßstab deployt haben. Und sie haben Talententwicklung als organisatorischen Fähigkeitsaufbau behandelt, nicht als Tool-Schulung.
Das Diagnostic ist darauf ausgelegt, Ihre Organisation genau an diesen Dimensionen zu benchmarken. Es misst Infrastrukturbereitschaft, Datenmanagement-Reife, Talentbereitschaft und Governance-Fähigkeit gegen die Schwellenwerte, die Deloittes Forschung als Trennlinie zwischen den 25 Prozent und dem Rest zeigt. Die Lücke zwischen dem, wo Sie stehen, und dem, wo Produktionsskalierung Sie braucht, ist messbar — und schließbar.
Referenzen: Deloitte, „State of AI in the Enterprise", Ausgabe 2026 (3.235 befragte Business- und IT-Führungskräfte, August–September 2025, 24 Länder, 6 Branchen; Produktionsskalierungsdaten, Mitarbeiterzugangs-Metriken, Bereitschaftsindizes, Talentlücken-Ergebnisse, Wirkungsdomänen agentischer KI).