Beim Kaffeetrinken an einem verregneten Montagmorgen erinnerte sich der Autor an ein Gespräch mit einer CTO, die lachend sagte: „Wir haben 15 Pilotprojekte — aber nur drei bringen echten Cash.“ Diese Anekdote spiegelt die zentrale Beobachtung der McKinsey‑Studie „The state of AI in 2025“ wider: breite Adoption, aber seltene unternehmensweite Skalierung. Basierend auf einer Umfrage (25. Juni–29. Juli 2025) mit 1.993 Teilnehmern aus 105 Ländern, liefert der Bericht datenreiche Einsichten, die hier prägnant und praxisnah aufbereitet werden.
1. Verbreitung und Skalierung von KI in Unternehmen
Die McKinsey Global Survey (25.06.–29.07.2025; n=1.993 aus 105 Ländern) zeigt: KI-Anwendungsfälle 2025 sind in der Breite angekommen. 88 % der Unternehmen nutzen KI 2025 in mindestens einer Funktion (2021: 56 %). Rund 50 % setzen KI bereits in mindestens drei Geschäftsbereichen ein. Trotzdem bleibt die Enterprise AI Integration oft punktuell: Nur etwa ein Drittel skaliert KI breit im Unternehmen.
„Breite Adoption bedeutet nicht automatisch breite Skalierung.“ — McKinsey & Company
Ein klarer Treiber ist die Unternehmensgröße. Firmen mit > 5 Mrd. US-Dollar Umsatz erreichen deutlich häufiger organisationweite Roll-outs als kleinere Unternehmen. Viele Teams verharren jedoch in Experimenten oder Piloten – typische KI-Skalierung Herausforderungen sind fehlende Standards, Datenzugang und klare Betriebsmodelle.
Wo KI heute produktiv wirkt
Am häufigsten ist KI in IT, Wissensmanagement, Marketing sowie Vertrieb im Einsatz. Gerade in der IT steigt der Anteil produktiver Anwendungen, etwa durch IT Operations Automation (z. B. Ticket-Triage, Incident-Analyse, Runbook-Automatisierung). Mitarbeitende berichten dabei messbare Produktivitätsgewinne: 87 % in IT und 85 % in Marketing.
- Hohe Nutzung: IT, Wissensmanagement, Marketing & Vertrieb
- Skalierung selektiv: wenige Funktionen erreichen breite Abdeckung
- Umsetzung: KI-Projekte gehen häufiger in Produktion als klassische SaaS-Initiativen
2. AI Agents: Vom Experiment zur produktiven Nutzung
AI Agents gelten 2025 als nächster Schritt der Generative AI: Agentenbasierte Systeme auf Basis von Foundation Models können Aufgaben nicht nur beantworten, sondern planen, Tools aufrufen und Workflows ausführen – etwa Tickets priorisieren, Wissen recherchieren oder Reports erstellen. Trotzdem bleibt die AI Agents Skalierung schwierig.
Die McKinsey-Studie zeigt einen klaren Gap zwischen Interesse und Umsetzung: 62 % der Unternehmen experimentieren mit KI-Agenten, aber nur 23 % berichten von einem skalierenden produktiven Einsatz. Ein unternehmensweiter Roll-out ist weiterhin selten, viele Teams testen in isolierten Use-Cases.
„AI‑Agenten verändern Arbeitsabläufe, sind aber noch weit davon entfernt, flächendeckend eingesetzt zu werden.“ — QuantumBlack, AI by McKinsey
Wo Agenten heute wirklich laufen
Am häufigsten starten Agenten in IT und Wissensmanagement. Doch selbst dort erreichen nur einzelne Funktionen einen Skalierungsgrad von >10 %. Beim Adoptionstempo liegen Technologie, Medien, Telekommunikation sowie Healthcare vorn.
Erfolgsfaktoren: Enterprise AI Integration, MLOps, Foundation Models
- Enterprise AI Integration: Anbindung an Systeme, Daten und Berechtigungen statt Standalone-Chatbots.
- MLOps-Reife: Monitoring, Tests, Versionierung und klare Freigabeprozesse für Agenten-Workflows.
- Foundation Model‑Integration: Modellwahl, Kostensteuerung und Guardrails für Qualität und Compliance.
3. Wertschöpfung: Effizienz versus Transformation
2025 dominiert Effizienz: 80 % der Unternehmen nennen Produktivitätsgewinne als Hauptziel. Das zeigt sich besonders in der Back-Office Automatisierung ROI-Logik: Standardprozesse in Finance, HR oder IT lassen sich schneller messen, besser vergleichen und leichter skalieren. Gleichzeitig bleibt der Wertbeitrag oft punktuell: Nur 39 % berichten von einem spürbaren EBIT-Impact, häufig begrenzt auf einzelne Use Cases in Marketing, Vertrieb, Corporate Finance sowie Produkt- und Serviceentwicklung.
AI Geschäftstransformation: Mehr als nur Kosten senken
„AI High Performers“ – definiert als Unternehmen, die >5 % ihres EBIT auf KI zurückführen – setzen stärker auf Innovation und AI Geschäftstransformation. Rund die Hälfte strebt eine grundlegende Neugestaltung von Geschäftsmodellen und Arbeitsabläufen an. Der Bericht betont dabei den Zusammenhang zwischen Erfolg, Budgethöhe und Führung: High Performers investieren >20 % des Digitalbudgets in KI und koppeln dies an klare Prioritäten, agile Teams und eine belastbare Daten-/IT-Basis.
Departmental AI Spending: Wo Budgets landen – und wo Wirkung entsteht
- Departmental AI Spending fließt häufig in Sales & Marketing, weil dort schnelle Wachstumshebel erwartet werden.
- Der höchste kurzfristige ROI entsteht jedoch oft im Back-Office durch Automatisierung und bessere Entscheidungsunterstützung.
- Langfristiger Mehrwert entsteht, wenn Effizienzgewinne in neue Produkte, Services und Operating-Modelle reinvestiert werden.
„Substanzieller Unternehmenserfolg mit KI erfordert mutige Innovations‑ und Transformationsinitiativen.“ — McKinsey & Company
4. People, Skills und der Arbeitsmarktwandel
Mit der breiteren KI-Nutzung verschiebt sich Arbeit spürbar. Laut McKinsey-Umfrage meldet der Median 2025 einen Rückgang von 17 % der Beschäftigten in KI-bezogenen Bereichen; für 2026 liegt die Prognose bei 30 %. Der Netto‑Effekt ist jedoch je nach Rolle und Branche unterschiedlich: Routineaufgaben werden automatisiert, während neue Spezialprofile entstehen. Damit werden KI-Skalierung Herausforderungen zunehmend zu einer People- und nicht nur zu einer Tech-Frage.
„Der Personalwandel ist kein Nullsummenspiel: Arbeitsplätze verschieben sich, neue Kompetenzen entstehen.“ — QuantumBlack, AI by McKinsey
Neue Rollen und die Enterprise Integration Lernkurve
Parallel zum Abbau in einzelnen Tätigkeiten steigt die Nachfrage nach Rollen, die Modelle produktiv machen und sicher betreiben. Besonders größere Unternehmen investieren stärker in spezialisierte Teams, um die Enterprise Integration Lernkurve zu verkürzen.
- Software Engineers und Dateningenieure
- Data Scientists und ML Engineers
- MLOps- und Datenintegrations-Spezialisten
- KI‑Ethik, Validierung und Governance
Human-in-the-Loop und Branchenfokus (Healthcare Vertical AI)
Erfolgreiche Organisationen setzen auf Human‑in‑the‑Loop, um Qualität, Nachvollziehbarkeit und Ethik abzusichern—gerade bei agentenbasierten Workflows. In regulierten Feldern wie Healthcare Vertical AI sind hybride Rollenmodelle, Umschulung und klare Freigabeprozesse zentral, damit Skalierung nicht an Risiko- und Compliance-Anforderungen scheitert.
5. Risiken, Governance und Compliance
Mit der breiteren Nutzung steigen auch die KI-Skalierung Herausforderungen. Laut McKinsey erhöhte sich die Zahl der aktiv gemanagten KI-Risiken je Unternehmen von 2 (2022) auf 4 (2025). Damit wird klar: Risiko‑Management muss Teil jeder KI Implementierung Strategien sein – nicht erst nach dem Pilot.
Risikofelder und Finanzielle Risikoanalyse
Im Fokus stehen Datenschutz, Explainability, Reputation, Compliance und Ungenauigkeit. Diese Themen beeinflussen Investitionsentscheidungen direkt, weil Fehler schnell zu Kosten, Vertrauensverlust oder regulatorischem Druck führen. Eine saubere Finanzielle Risikoanalyse bewertet daher nicht nur Einsparungen, sondern auch potenzielle Schäden durch Fehlentscheidungen, Datenabfluss oder falsche Outputs.
Negative Konsequenzen sind verbreitet
51 % der Unternehmen berichten mindestens eine negative Folge beim KI-Einsatz. AI High Performers sind häufiger betroffen, reagieren jedoch systematischer – und schaffen damit oft schneller Akzeptanz und Skalierung.
Governance, die Skalierung unterstützt
- Klare Validierungsprozesse vor Produktivsetzung (Tests, Freigaben, Dokumentation)
- Monitoring für Drift, Bias, Datenqualität und Sicherheitsereignisse
- Human-in-the-Loop für kritische Entscheidungen und Eskalationspfade
- Rollen für KI‑Ethik, Recht und Compliance als operative Partner
„Risiko‑Management ist kein Nice‑to‑have mehr, sondern zentral für nachhaltige KI‑Adoption.“ — McKinsey & Company
6. Branchenfälle & konkrete Use‑Cases (mit Überraschungen)
Healthcare AI Adoption: Vertical AI als Investitionsmotor
Im Gesundheitswesen steigt die Healthcare AI Adoption besonders schnell, weil spezialisierte Modelle direkt an klinische Prozesse andocken. 2025 fließen 1,5 Mrd. US‑$ in Vertical AI in Healthcare – eine Verdreifachung gegenüber dem Vorjahr. Typische KI‑Anwendungsfälle Industrien sind Triage‑Assistenz, Kodierung/Abrechnung, Dokumentationsentlastung und Risiko‑Scoring.
„Healthcare führt bei Vertical AI – Investitionen zeigen, wo spezialisierte Lösungen echten Unterschied machen.“ — McKinsey & Company
Departmental AI Spending: Warum Coding das Budget zieht
Das Departmental AI Spending erreicht 2025 7,3 Mrd. US‑$. Überraschend klar dominiert Coding mit >4 Mrd. US‑$. Das erklärt, warum viele Firmen zuerst in Entwickler‑Workflows investieren: schnellerer Release‑Takt, weniger Fehler, bessere Testabdeckung.
- Agenten für Ticket‑Triage, Refactoring und Testgenerierung
- Wissensmanagement über Code‑ und Architektur‑Suche
Retail: Reife Computer Vision Anwendungen
Im Handel gelten Computer Vision Anwendungen als „bereit für Umsetzung“: Bestandsverwaltung in Echtzeit, checkout‑freie Stores und Kundenanalytics. Zusätzlich wird Computer Vision für Qualitätskontrolle und Regal‑Compliance genutzt.
Überraschung: Wachstum nicht nur in USA/China
Bei Geschäftskunden zeigen Australien, Brasilien, Niederlande und Frankreich ein >140 % jährliches Wachstum. Das unterstreicht: Internationale Märkte haben eigene Adoptionspfade – und branchenspezifische Lösungen liefern oft höheren ROI als generische Tools.
7. Handlungsempfehlungen für Führungskräfte
KI Implementierung Strategien: Von Effizienz zu AI Geschäftstransformation
Führungskräfte sollten KI nicht nur zur Kostensenkung nutzen, sondern gezielt für neue Produkte, Services und Prozesse. Da nur 39 % einen klaren EBIT-Impact sehen, braucht es ein Portfolio aus Quick Wins und Transformationsinitiativen. Priorität haben Use-Cases mit messbarem ROI, z. B. Back-Office-Automatisierung, Coding-Unterstützung und vertikale Lösungen im Gesundheitswesen.
Enterprise AI Integration: Führung, agile Organisation, Validierung
Breite Skalierung gelingt erst bei klarer Verantwortung: Sponsor auf C-Level, produktnahe Teams und kurze Iterationen. Da erst rund ein Drittel KI breit skaliert, sollten Unternehmen Validierungsprozesse (Qualität, Sicherheit, Nutzen) standardisieren und Agenten nur dort produktiv setzen, wo Datenzugang und Kontrolle gesichert sind.
Investitionen: Budget als Skalierungshebel
AI High Performers investieren häufig >20 % des Digitalbudgets in KI. Führungskräfte sollten dieses Niveau als Benchmark prüfen und Mittel auf Datenplattform, MLOps und wiederverwendbare Komponenten bündeln.
Talent & Governance: Human-in-the-Loop und Risikokontrollen
- Upskilling für Fachbereiche, plus Rollen für Data Engineering, MLOps und KI-Risiko.
- Human-in-the-Loop für kritische Entscheidungen und klare Eskalationswege.
- Monitoring von EBIT-Beitrag, Skalierungsgrad und Risikoindikatoren (Datenschutz, Genauigkeit, Compliance).
„Mutige Investitionen und klare Führung entscheiden über den Unterschied zwischen Pilot und Transformation.“ — McKinsey & Company
8. Wild Cards: Szenarien, Zitate und kreative Analogien
Szenario: Checkout-Free Store Technologie trifft Computer Vision Anwendungen
Ein Einzelhändler ersetzt klassische Kassen durch Computer Vision Anwendungen und KI-Agenten: Kameras erkennen Produkte, ein Agent plant Ausnahmen (Altersprüfung, Fehlbuchungen) und löst Tickets im Support. Kurzfristig sinken Personalkosten und Warteschlangen, der ROI wirkt greifbar. Gleichzeitig steigen die Fragen: Welche Daten werden gespeichert, wie wird Einwilligung gelöst, und wie erklärt das Unternehmen Fehler, ohne Vertrauen zu verlieren? Genau hier zeigt sich die Lernkurve: Enterprise‑Integration ist mehr als ein Pilot, sie braucht Prozesse, Governance und saubere Schnittstellen.
Analogie: KI als Motor im Hybridflugzeug
KI liefert zusätzliche Schubkraft wie ein Motor im Hybridflugzeug. Doch die Steuerung wird komplexer: mehr Sensorik, mehr Regeln, mehr Tests. Wer nur „mehr Power“ will, aber das Cockpit nicht umbaut, riskiert Turbulenzen. Deshalb ist der Fokus auf wenige, skalierbare Use‑Cases oft wirksamer als viele parallele Experimente.
„95% der Generative AI Pilotprogramme sind fehlgeschlagen.“ — Fortune (2025, CFO‑Analyse)
Diese Zahl ist kein Grund für Stillstand, sondern ein Warnschild: Generative AI Pilotprogramme scheitern oft an Datenzugang, Sicherheit, Ownership und Change. In einem Gespräch erwähnte eine CTO stolz 15 Piloten. Die entscheidende Lektion kam später: Nicht FOMO skaliert, sondern ein klarer Pfad von Pilot zu Produkt—mit einem Use‑Case, der wirklich in Betrieb, Budget und Verantwortung passt.
