Dies ist keine isolierte Vorhersage. Gartners umfassendere Forschung zu KI-Projektfehlschlägen nennt durchgängig nicht-technische Gründe für den Rückzug :

• Explodierende Kosten ohne klares ROI-Modell – KI-Infrastrukturkosten (Rechenleistung, APIs, Integration, laufender Betrieb und menschliche Aufsicht) sind erheblich und geraten oft außer Kontrolle. 90 % der IT-Leiter (CIOs) berichten, dass KI-Kosten ihre Fähigkeit einschränken, den Wert zu maximieren .
• Unklarer Geschäftsnutzen – Viele Projekte werden nach dem Proof-of-Concept aufgegeben, weil Unternehmen keine messbare Auswirkung auf das Geschäftsergebnis nachweisen können .
• Schlechte Datenqualität und unzureichende Risikokontrollen – Schwache Governance, Datenprobleme und mangelhaftes Risikomanagement führen zum Scheitern . Gartner sagt voraus, dass bis 2026 60 % der KI-Projekte mangels KI-fähiger Daten aufgegeben werden .
• „Agent Washing" und Use-Case-Drift – Unternehmen verfolgen KI um ihrer selbst willen, ohne diszipliniertes Business Case-Management. Gartner-Analystin Anushree Verma stellt fest, dass viele Anbieter bestehende Chatbots als KI-Agenten umetikettiert haben, ohne nennenswerte Ergebnisse zu liefern .

Diese Ergebnisse decken sich mit einer separaten Gartner-Schätzung vom April 2026, wonach 57 % der IT-Infrastruktur- und Betriebsmanager mindestens ein gescheitertes KI-Projekt hinter sich haben – jedes fünfte KI-Projekt in diesem Bereich scheitert ganz .

Die Kluft zwischen Ausgaben und Rendite: Belege aus mehreren Quellen

Mehrere große Analystenhäuser bestätigen die wachsende Diskrepanz zwischen massiven KI-Investitionen und messbaren Geschäftsergebnissen:

Goldman Sachs (August 2026): Stratege Ben Snider berichtet, dass KI-Ausgaben stark steigen, die Technologie aber bei den meisten Unternehmen noch keine nennenswerten Gewinnverbesserungen gebracht hat. Nur 2 % der S&P-500-Unternehmen haben die Auswirkungen von KI auf ihre Gewinne beziffert; die meisten melden kaum oder keinen unmittelbaren Nutzen . Analystin Jessica Rindels schätzt die US-KI-Investitionen für 2026 auf fast 600 Milliarden US-Dollar – das entspricht fast 2 % des BIP. Belege für entsprechende wirtschaftliche Gewinne sind jedoch rar .

Goldman Sachs (Mai 2026): Analyst Jim Covello betont, dass die meisten Unternehmen noch keine Rendite aus ihren KI-Ausgaben erzielt haben. Er verweist auf eine MIT-Studie, wonach 95 % aller unternehmenseigenen KI-Pilotprojekte keine messbare Auswirkung auf das Betriebsergebnis hatten . Covello argumentiert, die KI-Ökonomie sei „heute fragwürdiger als vor zwei Jahren" .

Goldman Sachs (Juli 2026): Ökonom Jan Hatzius und Analystin David Peng liefern eine Realitätsprüfung: KI-Einführung und ihr Produktivitätsgewinn könnten viel länger dauern, als der Markt erwartet. Ihre Analyse zeigt, dass der Produktivitätseffekt einer J-Kurve folgt: eine leichte Belastung in den ersten vier Jahren, statistisch signifikante Zuwächse erst nach acht Jahren und ein Spitzeneffekt von etwa 0,6 Prozentpunkten im zwölften Jahr. Wenn der ChatGPT-Start 2022 dem PC-Debüt 1981 entspricht, ist der Durchbruch noch Jahre entfernt .

McKinsey (2026): Weniger als 20 % aller unternehmenseigenen KI-Implementierungen zeigen einen messbaren Geschäftseffekt .

Sequoia Capital: Hat eine Umsatzlücke von rund 600 Milliarden US-Dollar zwischen KI-Investitionen und KI-Rendite festgestellt .

Cashflow-Risiko der Hyperscaler: Goldman Sachs warnt, dass die vier großen Cloud-Anbieter (Amazon, Alphabet/Google, Microsoft, Meta) gemeinsam auf dem besten Weg sind, mehr als ihren gesamten operativen Cashflow für KI-Infrastruktur auszugeben – ohne nachgewiesene Unternehmensrendite, die die Ausgaben rechtfertigt . Die Investitionsausgaben (Capex) dieser vier Unternehmen werden für 2026 auf rund 650 Milliarden Dollar geschätzt .

Warum Projekte scheitern: Es liegt nicht an der Technik

Ein durchgängiger Befund aller großen Analysen ist: KI-Projektfehlschläge sind organisatorischer und strategischer Natur – nicht technisch. Das KI-Modell versagt fast nie. Aber der Business Case, die Datenbasis und die Kostenkontrolle tun es.

Gartner identifiziert drei Hauptfehlermuster, die seine Vorhersagen untermauern: explodierende Kosten ohne klares ROI-Modell, unklarer Geschäftsnutzen und unzureichende Risikokontrollen . Wie ein Gartner-Analyst es ausdrückt: „Die meisten agentischen KI-Projekte sind derzeit frühe Experimente oder Proof-of-Concepts, die hauptsächlich von Hype getrieben und oft falsch angewendet werden" .

Die Folgen sind bereits sichtbar. Gartner prognostiziert, dass bis 2028 70 % aller KI-Initiativen eingestellt werden – wegen unkontrollierter Kostenexplosionen und Wertverlust in Unternehmen, denen ein dediziertes KI-Finanzmanagement fehlt .

Was das für Führungskräfte bedeutet

Das Muster über Gartner, Goldman Sachs, McKinsey, MIT und Sequoia hinweg ist eindeutig: Die KI-Ausgaben sind historisch hoch, aber die allermeisten Unternehmen können noch keine messbaren, ergebniswirksamen Renditen aus diesen Ausgaben nachweisen. Viele fahren bereits zurück oder scheitern daran, Projekte über die Pilotphase hinauszubringen.

Für Unternehmen, die in KI investieren, zeichnet die Forschung einen klaren Weg vor: Identifizieren Sie einen spezifischen operativen Engpass mit messbaren Kosten- oder Qualitätsauswirkungen, bauen Sie eine KI-Lösung genau für dieses Problem, messen Sie die Vorher-Nachher-Wirkung rigoros, und skalieren Sie nur das, was funktioniert . Projekte, die von Anfang an keine klaren ROI-Kennzahlen festlegen, werden die bevorstehende Abrechnung wahrscheinlich nicht überleben.

Dies ist keine isolierte Vorhersage. Gartners umfassendere Forschung zu KI-Projektfehlschlägen nennt durchgängig nicht-technische Gründe für den Rückzug :

• Explodierende Kosten ohne klares ROI-Modell – KI-Infrastrukturkosten (Rechenleistung, APIs, Integration, laufender Betrieb und menschliche Aufsicht) sind erheblich und geraten oft außer Kontrolle. 90 % der IT-Leiter (CIOs) berichten, dass KI-Kosten ihre Fähigkeit einschränken, den Wert zu maximieren .
• Unklarer Geschäftsnutzen – Viele Projekte werden nach dem Proof-of-Concept aufgegeben, weil Unternehmen keine messbare Auswirkung auf das Geschäftsergebnis nachweisen können .
• Schlechte Datenqualität und unzureichende Risikokontrollen – Schwache Governance, Datenprobleme und mangelhaftes Risikomanagement führen zum Scheitern . Gartner sagt voraus, dass bis 2026 60 % der KI-Projekte mangels KI-fähiger Daten aufgegeben werden .
• „Agent Washing" und Use-Case-Drift – Unternehmen verfolgen KI um ihrer selbst willen, ohne diszipliniertes Business Case-Management. Gartner-Analystin Anushree Verma stellt fest, dass viele Anbieter bestehende Chatbots als KI-Agenten umetikettiert haben, ohne nennenswerte Ergebnisse zu liefern .

Diese Ergebnisse decken sich mit einer separaten Gartner-Schätzung vom April 2026, wonach 57 % der IT-Infrastruktur- und Betriebsmanager mindestens ein gescheitertes KI-Projekt hinter sich haben – jedes fünfte KI-Projekt in diesem Bereich scheitert ganz .

Die Kluft zwischen Ausgaben und Rendite: Belege aus mehreren Quellen

Mehrere große Analystenhäuser bestätigen die wachsende Diskrepanz zwischen massiven KI-Investitionen und messbaren Geschäftsergebnissen:

Goldman Sachs (August 2026): Stratege Ben Snider berichtet, dass KI-Ausgaben stark steigen, die Technologie aber bei den meisten Unternehmen noch keine nennenswerten Gewinnverbesserungen gebracht hat. Nur 2 % der S&P-500-Unternehmen haben die Auswirkungen von KI auf ihre Gewinne beziffert; die meisten melden kaum oder keinen unmittelbaren Nutzen . Analystin Jessica Rindels schätzt die US-KI-Investitionen für 2026 auf fast 600 Milliarden US-Dollar – das entspricht fast 2 % des BIP. Belege für entsprechende wirtschaftliche Gewinne sind jedoch rar .

Goldman Sachs (Mai 2026): Analyst Jim Covello betont, dass die meisten Unternehmen noch keine Rendite aus ihren KI-Ausgaben erzielt haben. Er verweist auf eine MIT-Studie, wonach 95 % aller unternehmenseigenen KI-Pilotprojekte keine messbare Auswirkung auf das Betriebsergebnis hatten . Covello argumentiert, die KI-Ökonomie sei „heute fragwürdiger als vor zwei Jahren" .

Goldman Sachs (Juli 2026): Ökonom Jan Hatzius und Analystin David Peng liefern eine Realitätsprüfung: KI-Einführung und ihr Produktivitätsgewinn könnten viel länger dauern, als der Markt erwartet. Ihre Analyse zeigt, dass der Produktivitätseffekt einer J-Kurve folgt: eine leichte Belastung in den ersten vier Jahren, statistisch signifikante Zuwächse erst nach acht Jahren und ein Spitzeneffekt von etwa 0,6 Prozentpunkten im zwölften Jahr. Wenn der ChatGPT-Start 2022 dem PC-Debüt 1981 entspricht, ist der Durchbruch noch Jahre entfernt .

McKinsey (2026): Weniger als 20 % aller unternehmenseigenen KI-Implementierungen zeigen einen messbaren Geschäftseffekt .

Sequoia Capital: Hat eine Umsatzlücke von rund 600 Milliarden US-Dollar zwischen KI-Investitionen und KI-Rendite festgestellt .

Cashflow-Risiko der Hyperscaler: Goldman Sachs warnt, dass die vier großen Cloud-Anbieter (Amazon, Alphabet/Google, Microsoft, Meta) gemeinsam auf dem besten Weg sind, mehr als ihren gesamten operativen Cashflow für KI-Infrastruktur auszugeben – ohne nachgewiesene Unternehmensrendite, die die Ausgaben rechtfertigt . Die Investitionsausgaben (Capex) dieser vier Unternehmen werden für 2026 auf rund 650 Milliarden Dollar geschätzt .

Warum Projekte scheitern: Es liegt nicht an der Technik

Ein durchgängiger Befund aller großen Analysen ist: KI-Projektfehlschläge sind organisatorischer und strategischer Natur – nicht technisch. Das KI-Modell versagt fast nie. Aber der Business Case, die Datenbasis und die Kostenkontrolle tun es.

Gartner identifiziert drei Hauptfehlermuster, die seine Vorhersagen untermauern: explodierende Kosten ohne klares ROI-Modell, unklarer Geschäftsnutzen und unzureichende Risikokontrollen . Wie ein Gartner-Analyst es ausdrückt: „Die meisten agentischen KI-Projekte sind derzeit frühe Experimente oder Proof-of-Concepts, die hauptsächlich von Hype getrieben und oft falsch angewendet werden" .

Die Folgen sind bereits sichtbar. Gartner prognostiziert, dass bis 2028 70 % aller KI-Initiativen eingestellt werden – wegen unkontrollierter Kostenexplosionen und Wertverlust in Unternehmen, denen ein dediziertes KI-Finanzmanagement fehlt .

Was das für Führungskräfte bedeutet

Das Muster über Gartner, Goldman Sachs, McKinsey, MIT und Sequoia hinweg ist eindeutig: Die KI-Ausgaben sind historisch hoch, aber die allermeisten Unternehmen können noch keine messbaren, ergebniswirksamen Renditen aus diesen Ausgaben nachweisen. Viele fahren bereits zurück oder scheitern daran, Projekte über die Pilotphase hinauszubringen.

Für Unternehmen, die in KI investieren, zeichnet die Forschung einen klaren Weg vor: Identifizieren Sie einen spezifischen operativen Engpass mit messbaren Kosten- oder Qualitätsauswirkungen, bauen Sie eine KI-Lösung genau für dieses Problem, messen Sie die Vorher-Nachher-Wirkung rigoros, und skalieren Sie nur das, was funktioniert . Projekte, die von Anfang an keine klaren ROI-Kennzahlen festlegen, werden die bevorstehende Abrechnung wahrscheinlich nicht überleben.