Show me the money: Der wahre Business Value von KI für Unternehmen

KI hat die Experimentierphase verlassen. Laut der aktuellen Transformationsstudie 2026 von NTT DATA Business Solutions sehen inzwischen 60 Prozent der Unternehmen KI als wichtigsten Treiber ihrer Transformation. Gleichzeitig haben bereits 76 Prozent KI systematisch in Transformationsprojekten eingesetzt. Doch genau hier entsteht ein Spannungsfeld: Während KI immer stärker zum Innovationstreiber wird, zählen Datenqualität, Governance und Transparenz weiterhin zu den größten Herausforderungen.

Auch die aktuelle Studie „SAP Value of AI: Oxford Economics 2026“ zeigt, dass Unternehmen zunehmend mit einem messbaren Return on Investment aus KI rechnen. Allerdings: 67 Prozent sind noch nicht überzeugt, dass ihre KI-Implementierungen in Bezug auf den ROI schon ihr volles Potenzial entfalten. Gleichzeitig fühlen sich auch nur drei Prozent vollständig auf die nächste Entwicklungsstufe, den Einsatz agentischer KI, vorbereitet.

Und genau hier entsteht der Widerspruch: Während Unternehmen KI als strategische Zukunftstechnologie bewerten, bleiben viele Initiativen auf einzelne Anwendungen begrenzt. Chatbots werden eingeführt, Assistenten getestet und erste Prozesse automatisiert. Der wirtschaftliche Nutzen bleibt jedoch häufig punktuell.

Im SYBIT Expert-Talk "Show me the money – Der wahre Business Value von KI" diskutierten Dominik Rotter, Senior Director Digital Products bei MULTIVAC, Ron Boes, Director Innovation & Portfolio bei SYBIT, und Jonas Degener, Business Consultant bei SYBIT, genau diese Frage: warum der eigentliche Business Value von KI nicht in einzelnen Use Cases entsteht, sondern in der Fähigkeit, KI über Daten, Prozesse und Systeme hinweg skalierbar zu machen.

KI hat die Experimentierphase verlassen

„Wo stehen Unternehmen beim Thema KI?“ Diese Frage beantwortete Ron Boes mit einer Beobachtung, die aktuell viele Märkte beschreibt: Die Reifegrade unterscheiden sich massiv.

Während manche Unternehmen bereits umfassende Daten- und KI-Architekturen aufgebaut haben und produktive Lösungen betreiben, suchen andere noch nach Orientierung oder beschäftigen sich mit ersten Governance- und Use-Case-Fragen. Gleichzeitig entwickelt sich die Technologie in einer Geschwindigkeit weiter, wie viele Unternehmen sie bisher kaum erlebt haben. 

Genau daraus entsteht die Gefahr einer zunehmenden Spreizung:

Unternehmen, die jetzt beginnen, skalierbare Grundlagen aufzubauen, schaffen sich Vorteile, die sich später kaum noch durch einzelne KI-Tools aufholen lassen. 

Erfolgreiche KI-Projekte beginnen nicht mit KI

Eine der wichtigsten Aussagen des Talks stammt von Dominik Rotter.

Viele Unternehmen folgen noch immer dem Muster:

„Habe Technologie, suche Problem.“ 

Genau das führe häufig dazu, dass zwar KI eingesetzt wird, aber kein echter Mehrwert entsteht.

Stattdessen müsse jedes Projekt mit einer anderen Frage beginnen:

„Welches Problem wollen wir eigentlich lösen?“

Erst wenn die Problemstellung klar ist, sollte ein Use Cases definiert und über die passende technologische Lösung gesprochen werden. 

Wo KI heute bereits messbaren Business Value erzeugt

Dass KI längst über erste Experimente hinausgeht, zeigen zahlreiche Anwendungsfälle.

Im Service werden Anfragen automatisch klassifiziert, priorisiert und verarbeitet. Im Vertrieb unterstützt KI bei der Besuchsvorbereitung und der Zusammenführung relevanter Kundeninformationen. Im Commerce entstehen neue Möglichkeiten für digitale Beratung, Personalisierung sowie Cross- und Upselling-Szenarien. 

Besonders spannend waren die Praxisbeispiele von MULTIVAC.

Wissens­manage­ment neu gedacht

MULTIVAC betreibt heute einen internen KI-Assistenten, der Wissen aus unterschiedlichen Quellen wie Confluence, SharePoint, OneDrive und weiteren Systemen nutzbar macht. Mitarbeitende können Fragen zu Vertriebsprozessen, Produktinformationen oder internen Abläufen stellen und erhalten direkt Antworten auf Basis vorhandener Informationen.

Interessant dabei: Der Mehrwert entstand nicht dadurch, einfach neue Wissensdatenbanken aufzubauen. Stattdessen wurden bestehende Inhalte erschlossen und intelligent zugänglich gemacht. 

Predictive Maintenance als Differenzierungsfaktor

Ein zweites Beispiel stammt aus dem Servicebereich.

Mithilfe von KI werden große Mengen an Maschinen-, Sensor- und Servicedaten analysiert. Ziel ist es, potenzielle Probleme frühzeitig zu erkennen und Servicetechniker proaktiv auf kritische Maschinen hinzuweisen. Statt hunderte Anlagen manuell zu überwachen, konzentrieren sich Serviceteams auf die tatsächlich relevanten Fälle. 

Für MULTIVAC wird die Fähigkeit, Kunden frühzeitig auf potenzielle Probleme hinzuweisen und Ausfälle zu vermeiden, zunehmend zu einem echten Differenzierungsmerkmal im Wettbewerb. 

KI muss mehr leisten als Effizienzgewinne

Viele KI-Initiativen starten mit Produktivität, Automatisierung und Kostensenkung. Prozesse werden beschleunigt, Informationen schneller bereitgestellt und Mitarbeitende entlastet.

Im Expert-Talk wurde jedoch deutlich, dass diese Perspektive inzwischen zu kurz greift.

Dominik Rotter unterscheidet drei unterschiedliche Zielrichtungen von KI-Initiativen: Unternehmen können Effizienz steigern, sich vom Wettbewerb differenzieren oder neue Umsatzpotenziale erschließen. Während die ersten beiden Kategorien heute bereits in vielen Projekten sichtbar werden, gewinnt insbesondere die dritte zunehmend an Bedeutung. 

Von der Effizienz zur Monetarisierung

Besonders spannend war die Diskussion rund um neue digitale Geschäftsmodelle.

Als Beispiel nennt Dominik Rotter den Umgang mit Wissen. Während Unternehmen bislang Schulungen, Trainings oder Beratungsleistungen verkauft haben, entstehen durch KI neue Möglichkeiten, Wissen selbst als Service bereitzustellen. Kunden greifen genau dann auf relevantes Expertenwissen zu, wenn sie es benötigen, statt an festen Trainingsformaten teilzunehmen. Das Wissen wird damit zum digitalen Produkt. 

Auch datenbasierte Dienstleistungen lassen sich mit KI neu denken, beispielsweise Analysen von Maschinen- und Produktionsdaten an. Solche Leistungen waren bislang mit hohem manuellem Aufwand verbunden. KI ermöglicht es heute, große Teile dieser Analysen automatisiert aufzubereiten und deutlich skalierbarer bereitzustellen. Dadurch entstehen Services, die wirtschaftlicher angeboten und gleichzeitig mehr Kunden zugänglich gemacht werden können. 

Kunden bezahlen nicht für KI

Eine weitere wichtige Erkenntnis der Diskussion:

Kunden bezahlen nicht für KI.

Kunden bezahlen für einen wahrnehmbaren Mehrwert. 

Wenn KI dazu beiträgt, Maschinenstillstände zu vermeiden, Wissen schneller zugänglich zu machen, Kaufprozesse zu vereinfachen oder bessere Entscheidungen zu ermöglichen, entsteht daraus ein Nutzen, für den Kunden bereit sind zu bezahlen.

Die Technologie selbst bleibt dabei häufig unsichtbar.

Die nächste KI-Phase wird von Wachstum geprägt sein

Genau darin könnte die nächste Entwicklungsstufe der KI liegen.

Die erste KI-Welle war stark von Effizienz, Automatisierung und Produktivität geprägt. Die nächste Welle wird sich deutlich stärker mit neuen Services, digitalen Produkten und zusätzlichen Umsatzpotenzialen beschäftigen. 

Oder anders formuliert:

Die erste KI-Welle fragte, wie Arbeit effizienter werden kann. Die nächste KI-Welle wird fragen, wie Unternehmen damit wachsen können.

Daten bleiben entscheidend, aber die Regeln verändern sich

Auch die Transformationsstudie 2026 zeigt deutlich, dass Datenqualität weiterhin zu den wichtigsten Erfolgsfaktoren erfolgreicher Transformationen gehört. Probleme mit der Datenqualität zählen gleichzeitig zu den häufigsten Herausforderungen von Transformationsprojekten. 

Im Talk wurde jedoch eine interessante Veränderung deutlich.

In der Vergangenheit investierten Unternehmen enorme Energie in die Strukturierung ihrer Daten. Informationen mussten kategorisiert, verschlagwortet und in den richtigen Systemen abgelegt werden.

Moderne KI verändert diese Logik.

Ron Boes und Dominik Rotter beschrieben, wie Systeme heute Informationen aus unterschiedlichen Quellen zusammenführen und kontextbezogen nutzen können. Ob Inhalte in Confluence, SharePoint oder anderen Quellen liegen, verliert zunehmend an Bedeutung. Entscheidend wird stattdessen, ob relevante Informationen überhaupt vorhanden und qualitativ belastbar sind. 

Kurz gesagt: Datenqualität wird wichtiger. Klassische Datenstrukturierung verliert an Bedeutung.

Das ist eine der grundlegenden Veränderungen, die KI derzeit in Unternehmen auslöst. 

KI verändert nicht nur Anwendungen. KI verändert die Architektur dahinter.

Ein besonders spannender Teil der Diskussion beschäftigte sich mit der Frage, was sich technologisch unter der Oberfläche verändert.

Viele Unternehmen betrachten KI heute noch als einzelnes Feature, als Chatbot oder Assistent.

Tatsächlich entsteht jedoch gerade eine neue Generation von Unternehmensarchitekturen.

Jonas Degener beschrieb dabei den Aufbau sogenannter Data Layer und skalierbarer Enterprise Architekturen. Dabei geht es darum, Daten aus unterschiedlichen Systemen zentral verfügbar zu machen und für verschiedenste Anwendungen nutzbar zu halten. 

Statt jeden KI-Use-Case separat umzusetzen, entsteht eine gemeinsame Grundlage, auf die unterschiedlichste Anwendungen zugreifen können:

• KI-Assistenten
• Kunden­portale
• Analyseplattformen
• Mobile Anwendungen
• Digitale Services
• Automatisierungsprozesse

Auch neue Konzepte wie das Model Context Protocol (MCP) wurden im Talk diskutiert. Dahinter steckt die Idee, Unternehmensdaten und Unternehmensfunktionen standardisiert für KI-Systeme verfügbar zu machen. Dadurch können KI-Assistenten künftig direkt mit Produkten, Wissen, Services oder sogar Vertriebssystemen interagieren. 

Die Konsequenz ist weitreichend:

Die Diskussion machte deutlich, dass KI zunehmend vom einzelnen Feature zum Gestaltungsprinzip moderner Anwendungen wird. Unternehmen entwickeln nicht mehr nur zusätzliche KI-Funktionen. Sie beginnen, Daten, Prozesse und digitale Produkte grundsätzlich neu zu denken.

Vom einzelnen Use Case zur skalierbaren KI-Nutzung

Wie gelingt dieser Weg konkret?

Jonas Degener beschreibt den Ansatz mit einer einfachen Formel:

„Vertikal starten, horizontal skalieren.“ 

Unternehmen beginnen mit einem konkreten Anwendungsfall und setzen diesen vollständig um, von den Datenquellen über die Modelllogik bis zur Anwendung.

Gleichzeitig entsteht dabei eine technische Grundlage, die für weitere Anwendungsfälle genutzt werden kann.

Aus einzelnen KI-Projekten entsteht so Schritt für Schritt eine skalierbare Plattform.

Die eigentliche Investition liegt damit im Aufbau einer gemeinsamen Grundlage für zukünftige Innovationen.  

Fazit: Der wahre Business Value entsteht nach dem ersten Use Case

Die Diskussion zeigte deutlich, dass sich viele Unternehmen noch auf die falsche Frage konzentrieren. Der wahre Business Value entsteht dann, wenn Unternehmen ihre wichtigsten Probleme verstehen, ihre Daten nutzbar machen und eine Grundlage schaffen, auf der KI Schritt für Schritt über viele Prozesse hinweg skaliert werden kann. 

Genau dort entsteht die nächste Wettbewerbsstufe.

Und genau dort beginnt sich aktuell die Schere zwischen den Unternehmen zu öffnen, die KI bereits als strategische Fähigkeit verstehen, und denen, die noch einzelne Tools ausprobieren.