Wo KI wirklich die Marge steigert
Der Rat klingt einfach: Finden Sie im Unternehmen die häufigsten Standardprozesse — Kundensupport, Kontrolle von Verkaufsgesprächen, eine Wissensdatenbank aus echten Gesprächen — und automatisieren Sie sie mit KI. Am schlechtesten automatisierbar seien die physische Welt und wirklich einzigartige kreative Arbeit.
Wir haben diesen Rat anhand wissenschaftlicher Daten aus fünf Ländern geprüft — und das Ergebnis: Er stimmt im Kern, aber mit zwei wichtigen Einschränkungen, ohne die man Geld verlieren kann.
Grundlage des Artikels sind 55 wissenschaftliche Arbeiten (Recherche über die akademische Datenbank Google Scholar), amtliche Statistiken (Eurostat, HSE Moskau, Stanford) sowie zwei randomisierte Feldexperimente, die zum weltweiten Standard für belastbare Evidenz geworden sind. Alle zentralen Zahlen haben wir an den Originalquellen geöffnet und geprüft.
1. Wie viel bringt KI wirklich? Zahlen aus Experimenten, nicht aus der Werbung Die meisten Zahlen über KI sind Marketing. Es gibt aber Messungen, die sich nachprüfen lassen.
Experiment 1: Fünftausend Support-Mitarbeiter. Die Ökonomen Brynjolfsson, Li und Raymond (veröffentlicht in einer der strengsten Wirtschaftszeitschriften der Welt, dem Quarterly Journal of Economics, 2025) beobachteten, wie Unternehmen einen KI-Assistenten schrittweise für 5.179 Callcenter-Mitarbeiter einführten. Der Vergleich war sauber: Ein Teil der Mitarbeiter hatte KI bereits, der andere Teil noch nicht — bei identischen Aufgaben.
Ergebnis: Im Durchschnitt bearbeitete jeder Mitarbeiter 14 % mehr Anfragen pro Stunde. Der Durchschnitt ist aber nicht das Interessante. Interessant ist Folgendes:
* Neue Mitarbeiter wurden um 34 % produktiver.
* Die besten Mitarbeiter wurden kaum schneller — der Effekt lag nahe null.
Experiment 2: 453 Fachkräfte. Noy und Zhang (Fachzeitschrift Science, 2023) gaben gut ausgebildeten Fachkräften reale Schreibaufgaben aus dem Berufsalltag: Eine Hälfte arbeitete mit ChatGPT, die andere ohne. Ergebnis: minus 40 % Zeit pro Aufgabe bei plus 18 % Qualität. Auch hier profitierten am meisten jene, die vorher unterdurchschnittlich abschnitten.
Aus diesen beiden Experimenten ergibt sich das zentrale Gesetz, dem wir im weiteren Verlauf noch begegnen werden:
KI beschleunigt weniger die Besten, sie zieht vor allem den Rest auf deren Niveau. Forscher nennen das „Skill Compression“ (Fähigkeiten-Verdichtung): Der Assistent gibt gewissermaßen die Taktiken der Spitzenkräfte an alle anderen weiter. Der praktische Schluss daraus: Den größten Ertrag bringt KI dort, wo viele Einsteiger an typischen Aufgaben arbeiten — nicht dort, wo seltene Experten tätig sind.
Abb. 1: Der KI-Effekt nach Erfahrungs-Quintilen: gemessene Werte +34 % bei Neulingen, +14 % im Durchschnitt, rund 0 % bei Spitzenkräften; die gestrichelten Abschnitte sind schematisch.
Dasselbe Muster bestätigt sich bei Softwareentwicklern: In drei Feldexperimenten mit 4.867 Entwicklern (Cui et al., 2026) brachte ein KI-Assistent +26 % bei abgeschlossenen Aufgaben — auch hier profitierten Berufseinsteiger am meisten.
Die „gezackte Grenze“. Es gibt auch eine Warnung. Im Experiment mit Beratern von BCG (Dell'Acqua und Koautoren) brachte KI +40 % Ergebnisverbesserung — aber nur bei Aufgaben innerhalb ihrer „Kompetenzgrenze“. Bei Aufgaben außerhalb dieser Grenze war der Effekt negativ: Wer der KI vertraute, arbeitete schlechter als ohne sie. Das erklärt, warum sich einzigartige kreative Arbeit schlecht automatisieren lässt — ihre Aufgaben liegen in der Regel „außerhalb“ der Trainingsdaten.
Abb. 2: Alle zentralen Messwerte aus Abschnitt 1 in einem Bild: die Experimente (+14 %/+34 %, −40 %/+18 %) und die Unternehmensdaten von Klarna (−82 % Lösungszeit, −25 % Wiederholanfragen).
2. Wie sich die Automatisierung von Land zu Land unterscheidet
Überall automatisiert man „häufige, wiederkehrende Standardprozesse“ — die Schwerpunkte unterscheiden sich jedoch.
🇩🇪 Deutschland und Europa: Produktion und vorsichtiger Mittelstand
Die deutsche Forschung zur KI-Einführung dreht sich vor allem um die Produktion. Die meistzitierte Arbeit in diesem Feld (von Garrel und Jahn, 103 Zitationen in wissenschaftlichen Arbeiten) entwickelt ein Rahmenwerk für KI-Geschäftsmodelle speziell für mittelständische Produktionsunternehmen. Europäische KMU, die KI zusammen mit Robotik einführen, sind innovativer als der Rest (Small Business Economics, 2025).
Laut Eurostat nutzten 2025 26 % der deutschen Unternehmen KI — Platz 9 in der EU. An der Spitze liegen Dänemark (42 %), Finnland (38 %) und Schweden (35 %); der EU-Durchschnitt liegt bei 20 %. Eine Besonderheit Europas ist die Regulierung: Der AI Act schafft eine eigene Nachfrage nach „transparenter“ KI — und damit einen eigenen Kostenposten. Die beliebtesten KI-Technologien in der EU sind Textanalyse (11,8 % der Unternehmen) und Content-Generierung (9,5 %).
Abb. 3: KI-Nutzung in der EU: Skandinavien führt, Deutschland (rot hervorgehoben) liegt auf Platz 9; Bauwirtschaft und Transport — hier nicht abgebildet — sind am wenigsten automatisiert.
🇨🇳 China: Fabriken, Bildverarbeitung und Roboter
Der chinesische Schwerpunkt liegt auf der Industrie. Laut der China Academy of Information and Communications Technology (CAICT) stieg der Anteil von KI-Anwendungen direkt in der Produktion von 19,9 % (2024) auf 25,9 % (2025) — vor allem Computer Vision, Qualitätskontrolle und vorausschauende Wartung. China ist der weltgrößte Markt für Industrieroboter: 295.000 Installationen im Jahr 2024, 54 % der weltweiten Nachfrage.
Ein interessantes Detail aus der Forschung: Die Struktur der chinesischen Automatisierung ist „an beiden Enden hoch, in der Mitte niedrig“. Forschung & Entwicklung sowie Marketing sind stärker automatisiert als das Fließband selbst — der tiefgreifende Umbau der Produktionssysteme kommt am langsamsten voran. Wissenschaftliche Arbeiten bestätigen auch den Margeneffekt: KI erhöht die gesamte Faktorproduktivität (Applied Economics, 2024), die Rentabilität von Banken und sogar die Exportaufschläge — chinesische Exporteure verdienen also mehr pro verkaufter Einheit.
🇺🇸 USA: Vertrieb, Software und Kundenservice
Der amerikanische Schwerpunkt liegt auf Vertrieb und Marketing. Laut McKinsey entfallen darauf 28 % des gesamten potenziellen Werts generativer KI (danach Softwareentwicklung mit 25 %, Kundenservice mit 11 %, Forschung & Entwicklung mit 9 %). Laut der globalen McKinsey-Umfrage, die auch im Stanford-HAI-Index geführt wird, setzten 2024 bereits 78 % der Organisationen KI ein. Genau in den USA wurden auch jene Experimente mit Support-Mitarbeitern und Textern durchgeführt — die amerikanische Forschung beantwortet vor allem die Frage „wie viel genau bringt das“.
Abb. 4: Wo das Potenzial der generativen KI liegt: fast ein Drittel entfällt auf Vertrieb & Marketing, ein Viertel auf Softwareentwicklung; Kundenservice trägt 11 %.
🇷🇺 Russland: Kundenservice und Dokumentenverarbeitung
Laut einer Erhebung der Higher School of Economics (HSE) und des russischen Statistikamts Rosstat (15.000 Organisationen) setzen russische Unternehmen KI am häufigsten in Marketing/Vertrieb, Produktion und HR ein; der wichtigste Effekt 2024 war eine höhere Qualität und Geschwindigkeit von Prozessen (das gaben rund die Hälfte der Unternehmen an), bei jedem dritten Unternehmen stiegen Umsatz und Kundenzahl.
Genauer nach einer Erhebung von Sberanalytics: Am häufigsten automatisiert werden Dokumentenverarbeitung und Antragsbearbeitung (70 % der Unternehmen), Buchhaltung (55 %) und HR (34 %). KI-Assistenten im First-Level-Support senken die Personalkosten um 30–40 %. Die Sberbank selbst beziffert ihren gesamten KI-Effekt der Jahre 2020–2024 auf 1,3 Billionen Rubel.
Eine wichtige Einschränkung: Die Einführungszahlen für Russland schwanken je nach Methodik erheblich — 71 % der Unternehmen mit generativer KI laut einer Erhebung von Yandex und „Jakov & Partner“, rund 55 % laut Future Hub. Die HSE warnt: Zwischen „angegebener Einführung“ und „gemessenem Effekt“ klafft eine Lücke — kleine Unternehmen etwa liefern nur 1,2 % des gesamten Volumens an KI-Innovationen. Die Automatisierung in Russland konzentriert sich auf große Akteure.
Was die übrigen Studien noch zeigen
Die vollständigen Literaturlisten stehen im Analysebericht, hier nur der Kern. Deutschland/EU: eine Taxonomie, wie deutsche Mittelständler mit KI Wert schaffen (Eisele, 2026); KI-Investitionen anhand von Firmendaten der gesamten Eurozone (Ferrando et al., 2026); digitale Infrastruktur als wichtigster Prädiktor für die KI-Übernahme in der Industrie (Boghian, 2026); warum KMU KI für „teuer und unverständlich“ halten und wie sich der ROI bewerten lässt (Oldemeyer et al., 2025). China: Produktivitätswachstum in der Lebensmittelindustrie (Liu et al., 2024); KI verringert die Lohnungleichheit innerhalb von Unternehmen — gering qualifizierte Beschäftigte profitieren stärker (Chen et al., 96 Zitationen). USA: Feldexperimente mit generativer KI in sieben Konsumszenarien des Online-Handels (Columbia Business School, 2025); die Grundlagenarbeit zum Geschäftswert von KI (Wamba-Taguimdje et al., 2020 — über 2.250 Zitationen). Russland: organisatorisch-ökonomische Methoden zur Prozesstransformation in Industriebetrieben (Glinka, 2024; Agafonova, 2026; Koslowa, 2025) sowie direkte Schätzungen des wirtschaftlichen Effekts generativer KI in Unternehmensprozessen (Pilinskaja, Merkulowa).
3. In welchen Branchen Automatisierung den größten Margen-Hebel hat
Um zu verstehen, wo KI die meisten Margenpunkte bringt, lohnt ein Blick auf die margenstärksten Branchen (Daten von Professor Aswath Damodaran, NYU Stern — der akademische Referenzwert für Branchenmargen, Stand Januar 2025):
Die Regel dahinter ist einfach: Je höher der Personalkostenanteil und je standardisierter die Prozesse, desto mehr Marge bringt die Automatisierung. Im margenstarken Geschäft ist Kundensupport der Klassiker schlechthin: Die Kosten pro Anfrage sinken um ein Vielfaches. Zum Vergleich: Die durchschnittliche Nettomarge über alle Branchen hinweg liegt bei rund 8,5 %. Deshalb gewinnt eine Bank, die ihren Support automatisiert, mehr als ein Produkthändler mit 1–3 % Marge.
4. Fälle, in denen die Marge tatsächlich stieg (und wo nicht)
Klarna: der wichtigste Fall — und die wichtigste Lektion
Das schwedische Fintech Klarna startete im Februar 2024 einen KI-Assistenten auf Basis von OpenAI. Im ersten Monat: 2,3 Millionen Konversationen — das entspricht der Arbeit von rund 700 Mitarbeitern, zwei Drittel aller Anfragen, die Lösungszeit sank von 11 Minuten auf 2, Wiederholungsanfragen gingen um 25 % zurück. Das Unternehmen prognostizierte eine Gewinnverbesserung von 40 Millionen US-Dollar pro Jahr.
Die Geschichte endete jedoch nicht im Triumph. 2025 räumte der Klarna-CEO öffentlich ein: „Wir sind zu weit gegangen“ — die KI löste typische Anfragen hervorragend, aber bei komplexen und emotionalen Fällen sank die Qualität, und das Unternehmen holte Menschen zurück und wechselte zu einem hybriden Modell. Wichtig: Die 40 Millionen US-Dollar waren eine Prognose aus der Pressemitteilung des Unternehmens, kein geprüftes Ergebnis.
Die Lektion ist zweigeteilt. Einerseits bringt die Automatisierung des Supports einen enormen Effekt. Andererseits löst KI typische Anfragen — Menschen werden dort gebraucht, wo Empathie, Kontext und Eskalation nötig sind. Der vollständige Verzicht auf Menschen führte zu Qualitätsverlusten.
Weitere gemessene Beispiele
* Nucleus Research (unabhängige ROI-Analyse): Das Unternehmen Auctane amortisierte seine Automatisierungsplattform in 3,6 Monaten bei einem ROI von 356 %; in einer Übersicht von 16 Fällen aus der Marketingautomatisierung ergaben sich 5,44 US-Dollar Ertrag pro investiertem Dollar bei einer Amortisationszeit unter sechs Monaten. Im selben Feld: ein rechnerisches (modelliertes, nicht geprüftes) Beispiel, bei dem die Kosten pro Support-Ticket eines SaaS-Unternehmens nach KI-Einführung von 25 auf 8 US-Dollar fielen.
* Morgan Stanley (laut Unternehmensangaben): Eine interne KI-Suche über 100.000 Dokumente spart Beratern bis zu 30 Minuten pro Kundengespräch — genau die Wissensdatenbank aus echten Materialien, wie sie der ursprüngliche Rat empfiehlt.
Wo sich Diagramme dazu finden: In den Originalarbeiten und Berichten sind bereits Abbildungen enthalten — Exhibit 4, 8 und 10 im McKinsey-Bericht „State of AI“, Figures 1–7 bei „Eurostat Statistics Explained“, Diagramme im Stanford AI Index und bei der HSE, die Infografik von BCG zu Contact-Centern sowie die Kennzahlen-Grafiken in den Quartalsberichten von Klarna und die Infografik des MIT-NANDA-Berichts zu gescheiterten Pilotprojekten.
5. Zwei Gegenbeispiele aus dem MIT, die die Euphorie bremsen
Dem rosigen Bild „KI eingeführt, Marge gewonnen“ stehen ernstzunehmende Gegenbeispiele gegenüber. Beide stammen vom MIT, beide haben wir an den Originalquellen geprüft.
95 % der Pilotprojekte zeigen keinen messbaren Effekt
Ein Bericht der MIT-Forschungsgruppe NANDA (Juli 2025): Trotz 30 bis 40 Milliarden US-Dollar an Unternehmensinvestitionen in generative KI hatten rund 95 % der Organisationen keinen messbaren Effekt auf Gewinn und Verlust. Einen echten Nutzen ziehen nur rund 5 % — meist eng zugeschnittene Lösungen, die in einen konkreten Arbeitsprozess eingebettet sind.
Wichtige Einschränkungen: Es handelt sich um einen Branchenbericht, keine begutachtete wissenschaftliche Arbeit; „kein messbarer Effekt“ ist nicht dasselbe wie „gescheitert“ — bei den meisten Pilotprojekten fehlte schlicht eine Ausgangsmessung. Die Richtung bestätigt aber auch McKinsey: Einen Effekt von KI auf das operative Ergebnis sehen nur 39 % der Unternehmen, und nur bei rund 5 % übersteigt er 5 % des Gewinns. Ein weiterer praktischer Befund aus dem MIT-Bericht: Lösungen, die mit einem externen Anbieter eingeführt wurden, erreichen in rund 67 % der Fälle den Produktivbetrieb — doppelt so oft wie interne Eigenentwicklungen (allerdings sind das Selbstauskünfte, kein Kausalitätsbeweis).
Wie die J-Kurve die Marge zunächst drückt
Eine zweite Arbeit (MIT FutureTech, 2026) wertete die Jahresberichte aller Unternehmen im S\&P-500-Index über zehn Jahre aus und bewertete die Tiefe der KI-Einführung. Ergebnisse:
* 2025 hatten nur 11 % der größten US-Unternehmen KI tief in ihre Geschäftsprozesse integriert.
* Im Technologiesektor lag die Marge bei Unternehmen mit tiefer KI-Integration bei 17,4 % gegenüber 14,4 % bei Unternehmen, die KI kaum nutzen — ein Plus von 3 Prozentpunkten.
* Unternehmen in der Zwischenphase hatten dagegen eine niedrigere Marge (12,4 %): Am Anfang des Weges frisst die KI-Einführung Marge auf — durch Schulung, Integration und Fehler. Eine klassische J-Kurve.
Wichtig: Die in vielen Zusammenfassungen kursierende Zahl „+12,6 Prozentpunkte bei Nicht-Tech-Unternehmen“ ist nicht belastbar — im Originalpapier wird dieser Vergleich ausdrücklich als methodisch fragwürdig bezeichnet (nur 19 Unternehmen in der Stichprobe). Wir haben das geprüft. Und: Einen Zusammenhang zwischen KI-Einführung und Umsatz pro Mitarbeiter fanden die Autoren gar nicht — es geht um Korrelation, nicht um Kausalität.
Synthese: Es gewinnen nicht die, die KI „gekauft“ haben, sondern die, die sie tief eingeführt haben: ein wiederkehrender Prozess, vorab gemessen, KI in den Arbeitsablauf eingebettet, Iterationen — und die Bereitschaft, die vorübergehende Margen-Delle durchzustehen.
Vorsicht bei Marketing-ROI-Zahlen
Bei der Gegenprüfung fremder Übersichten fiel auf: Die meisten reißerischen ROI-Zahlen („225 % in 3,7 Monaten“, „375 % Amortisation“ usw.) kursieren in SEO-Blogs von Unternehmen, die KI-Einführungen verkaufen, und führen zu Originalquellen, die es nicht gibt. Solche Zahlen taugen bestenfalls als Hypothese für eine eigene Berechnung — nicht als Beweis.
6. Warum sich Handwerk und Kreativarbeit schlecht automatisieren lassen
Die physische Welt — die letzte Grenze. Laut Eurostat ist KI dort am wenigsten verbreitet, wo ein Prozess an physische Grenzen stößt: Bauwirtschaft (10,8 % der Unternehmen), Transport und Lagerwesen. Die letzte Meile der Zustellung lässt sich am schlechtesten automatisieren — wegen der Variabilität der Umgebung, der Regulierung und des menschlichen Faktors.
Einzigartige kreative Arbeit. Hier wirkt das „Gesetz der Skill Compression“ in umgekehrter Richtung: Wenn Spitzenkräfte nicht schneller werden und das BCG-Experiment jenseits der „Kompetenzgrenze“ einen negativen Effekt zeigt, dann ist die einzigartige Arbeit von Experten die Zone mit dem geringsten KI-Effekt. Automatisiert werden sollte dort die Routine rund um die Kreativarbeit — nicht die Kreativarbeit selbst.
Frühe Einführungsphasen. Wegen der J-Kurve lässt sich selbst ein Standardprozess „schlecht automatisieren“, wenn man ihn wie einen einmaligen Softwarekauf behandelt.
7. Der Aktionsplan, der sich aus den Daten ergibt
8. Finden Sie einen Prozess, der sich dutzende Male im Monat wiederholt, dem Team Stunden kostet und Umsatz oder Kosten beeinflusst: First-Level-Support, Dokumentenverarbeitung, Kontrolle von Verkaufsgesprächen per Checkliste, eine Wissensdatenbank aus echten Gesprächen.
9. Messen Sie den Ausgangszustand — mindestens einige Wochen lang. Ohne das landen Sie bei den 95 % aus dem MIT-Bericht, bei denen „kein messbarer Effekt“ schlicht daran liegt, dass niemand ihn gemessen hat.
10. Betten Sie KI in den Prozess ein, statt „einen Chatbot danebenzustellen“: Die Lernlücke ist die Hauptursache gescheiterter Pilotprojekte.
11. Planen Sie die J-Kurve ein: In den ersten Monaten kann die Marge um 1 bis 3 Punkte sinken — das ist normal, wenn eine Ausgangsmessung und ein Plan für weitere Iterationen vorliegen.
12. Lassen Sie Menschen für komplexe Fälle zuständig bleiben: Das hybride Modell von Klarna ist kein Verzicht auf KI, sondern ihr richtiger Einsatzmodus.
13. Erwarten Sie kein Wunder bei kreativer Expertenarbeit und in der physischen Welt — dort ist der Effekt minimal oder sogar negativ.
Das wichtigste Ergebnis der gesamten Prüfung: Der Rat, „häufige Standardprozesse zu automatisieren“, ist richtig und durch Experimente belegt. Die Marge wächst aber nicht durch die bloße Tatsache der KI-Einführung, sondern durch deren Tiefe: den richtig gewählten Prozess, eine ehrliche Messung, die Einbettung in die Arbeit des Teams und das Durchstehen der anfänglichen J-Kurve. KI ist kein Kauf, sondern ein Umbau des Prozesses.
***
Quellen (geprüft an den Originalquellen am 14.09.2026)
* Brynjolfsson, Li, Raymond — „Generative AI at Work“, NBER WP 31161 / QJE 2025: nber.org/papers/w31161
* Noy, Zhang — Science, 2023: science.org/doi/10.1126/science.adh2586
Yu, Fleming, Hampton, Combemale, Thompson (MIT FutureTech) — „AI Adoption in S\&P 500 Firms“, arXiv 2607.08920, 2026 ### MIT NANDA — „The GenAI Divide: State of AI in Business 2025“