Die 78%-Falle: Warum GenAI in der Industrie scheitert — und was die erfolgreichen 22% anders machen
Gartner bestätigt 2026, was auf dem Shopfloor seit Jahren sichtbar ist: Nur 22% der Unternehmen ziehen signifikanten Wert aus Generative AI. Die restlichen 78% verbrennen Budget — nicht weil die Technologie versagt, sondern weil die Grundlagen fehlen.
Die unbequeme Zahl
Der aktuelle Gartner-Report „Predicts 2026: Intelligent Applications“ liefert eine Zahl, die in jeder Vorstandsetage für Unruhe sorgen sollte:
Nur 22% der Unternehmen berichten, dass GenAI-Tools signifikanten Wert für ihre Organisation liefern.
Das bedeutet im Umkehrschluss: Mehr als drei Viertel aller Organisationen, die in Generative AI investieren, sehen keinen nennenswerten Return. Und das nach zwei Jahren intensivem Hype, nach Milliarden an Investitionen, nach Hunderten von Pilotprojekten.
Die Frage ist nicht, ob diese Zahl stimmt. Die Frage ist: Warum?
Der Reflex — und warum er falsch ist
Die typische Reaktion auf ausbleibende AI-Ergebnisse folgt einem vorhersehbaren Muster:
- „Wir brauchen ein besseres Modell.“
- „Wir brauchen mehr Trainingsdaten.“
- „Wir brauchen einen anderen Anbieter.“
In 30 Jahren Industrieerfahrung — von der Fertigungsstraße über SAP-Implementierungen bis zur heutigen AI-Strategiearbeit — habe ich gelernt: Wenn Technologieprojekte scheitern, liegt das Problem fast nie in der Technologie selbst.
Es liegt davor. In den Prozessen. In den Daten. In der Organisation.
Oder, um es mit einem Bild zu sagen: Wir diskutieren über die Motorleistung, während das Fahrwerk nicht existiert.
Die drei Ursachen der 78%-Falle
1. AI wird als IT-Projekt aufgesetzt — nicht als Führungsaufgabe
Gartner selbst liefert den passenden Befund: 56% der IT-Leader sagen, dass sie GenAI-Adoption nicht allein treiben können. Sie brauchen das Business. Sie brauchen Führung.
In der Praxis sieht das so aus: Die IT-Abteilung bekommt den Auftrag, „mal was mit AI zu machen“. Es entsteht ein Proof of Concept. Ein Chatbot. Eine Demo. Der Vorstand nickt. Und dann? Dann passiert nichts — weil niemand den Chatbot in einen operativen Prozess eingebettet hat.
AI ist kein Tool, das man der IT übergibt. AI ist eine strategische Entscheidung, die der Geschäftsführung gehört. Wer soll was automatisieren? Mit welchem Ziel? Welche Prozesse verändern sich? Welche Rollen verschieben sich? Das sind keine IT-Fragen. Das sind Führungsfragen.
Ich nenne das „Adult Supervision“: Die erfahrene, strategische Hand, die steuert, wo AI eingesetzt wird — und wo bewusst nicht.
2. Die Daten sind nicht bereit — und keiner will es hören
Gartner prognostiziert: Bis 2030 werden 35% der großen Unternehmen die Qualität ihrer AI-fähigen Daten verbessert haben. Stand 2025: 14%.
Das ist keine abstrakte Statistik. Das ist Alltag.
Ein Beispiel aus meiner Praxis: Ein großer Automobilzulieferer im Raum Stuttgart. Wir implementierten ein Transport Management System — technisch sauber, professionell konzipiert. Dann kam der Realitätscheck: Das System konnte keine optimierten Routen berechnen. Nicht weil der Algorithmus schlecht war. Sondern weil niemand wusste, wie viel die Teile wiegen.
Gewichte und Abmessungen — die fundamentalsten Stammdaten in der Logistik — fehlten. Oder sie waren falsch. Oder sie lagen in einer Excel-Datei, die seit Jahren nicht gepflegt wurde.
Wir mussten den gesamten Projektumfang neu definieren.
AI ist nur so gut wie die Daten, die sie bekommt. Und in den meisten Industrieunternehmen sind diese Daten fragmentiert, veraltet oder schlicht nicht vorhanden. Kein LLM der Welt kompensiert fehlende Stammdaten.
3. Embedded AI erzeugt Rauschen statt Wirkung
Eine weitere Erkenntnis aus dem Gartner-Report:
„Much of the embedded intelligence will create more noise for users to process than actually help them to get things done.“
Jeder Softwareanbieter klebt derzeit ein AI-Feature auf sein Produkt. Ein Copilot hier, ein Assistent dort. Klingt gut im Vertriebsgespräch. Aber in der operativen Realität bedeutet das: Zehn verschiedene AI-Features in zehn verschiedenen Applikationen, die nicht miteinander sprechen.
Das ist, als würde man in jedes Fahrzeug einer Flotte einen anderen Motor einbauen — ohne gemeinsames Tankstellennetz, ohne einheitliche Ersatzteile, ohne durchgängige Wartungslogik.
Der Wert von AI entsteht nicht im Feature. Er entsteht im Prozess. Nicht innerhalb einer einzelnen Applikation, sondern über den gesamten Workflow hinweg — von Source-to-Contract, von der Bedarfsmeldung bis zur Rechnungsprüfung.
Was die erfolgreichen 22% anders machen
Wenn man die Gartner-Befunde zusammenliest, ergibt sich ein klares Bild. Die Unternehmen, die tatsächlich Wert aus GenAI ziehen, unterscheiden sich in drei Punkten:
Sie behandeln AI als Chefsache, nicht als IT-Spielwiese. AI-Strategie, Governance und Umsetzung sind zentralisiert und an Geschäftsziele gekoppelt — nicht an technische Neugier.
Sie investieren in Datenqualität, bevor sie in Modelle investieren. Sie wissen: Der beste Motor nützt nichts, wenn der Tank leer ist. Also räumen sie ihre Stammdaten auf, definieren Datenstandards und schaffen die Grundlage, auf der AI überhaupt arbeiten kann.
Sie integrieren AI in bestehende Prozesse, statt sie daneben zu stellen. Kein isolierter Chatbot. Keine Demo, die im Meetingraum beeindruckt und im Tagesgeschäft verstaubt. Sondern AI, die tief in die operativen Abläufe eingreift — mit klaren Regeln, klarer Governance und klarer Verantwortung.
Die Brücke: Vom Motor zum Fahrwerk
Ich nutze oft das Bild von Motor und Karosserie: Das Large Language Model ist der Motor. Der Chatbot ist die Karosserie. Beides zusammen sieht beeindruckend aus — aber ohne Fahrwerk kommt man nirgendwo hin.
Das Fahrwerk — das sind die bestehenden Prozesse: SAP, MES, Stücklisten, Lieferantenbewertungen, Verträge, Qualitätsdaten. Wer AI industriell nutzen will, muss den Motor in das Fahrwerk einbauen. Nicht daneben. Nicht darüber. Mittendrin.
Und genau das ist die Arbeit, die die meisten scheuen. Weil sie nicht glamourös ist. Weil sie Prozesswissen erfordert. Weil sie bedeutet, sich die Hände schmutzig zu machen — an Stammdaten, an Schnittstellen, an organisatorischen Widerständen.
Aber genau hier entsteht der Wert.
Die eigentliche Frage
Die 78%-Falle ist kein Technologieproblem. Sie ist ein Führungsproblem, ein Datenproblem und ein Integrationsproblem. Und sie wird nicht durch ein besseres Modell gelöst — sondern durch Menschen, die beide Welten verstehen: die Technologie und den operativen Alltag.
Genau das ist die Rolle des Industrial Translator: Die Brücke zwischen dem, was AI kann — und dem, was das Unternehmen tatsächlich braucht.
Die Frage, die sich jeder Entscheider heute stellen sollte, ist nicht: „Haben wir genug AI-Projekte?“
Die Frage ist: „Gehören wir zu den 22% — oder zu den 78%?“
E-Mail: sven.vollmer@business-quotient.com
Sven Vollmer ist „The Industrial Translator“. Er baut Brücken zwischen der operativen Realität der Industrie (SAP, Supply Chain) und den Möglichkeiten generativer KI. Sein Fokus liegt auf wertschöpfenden Anwendungen abseits des Hypes.
Transparenz-Hinweis: Dieser Artikel entstand mit redaktioneller Unterstützung von KI (Gemini/Claude). Die Ideen, fachliche Prüfung, die Auswahl der Use Cases und die Bewertung (‚Adult Supervision‘) oblagen zu 100% dem Autor.
LinkedIn: www.linkedin.com/in/sven-vollmer-bq
