56 % der CEOs sehen keinen ROI bei AI — und wundern sich ernsthaft?
Eine Industrial Translation des heise-Artikels von Harald Weiss
Harald Weiss hat auf heise online eine nüchterne Analyse veröffentlicht: 56 Prozent der CEOs sehen weder Umsatz- noch Kostenvorteile aus ihren AI-Investitionen. Nur 12 Prozent berichten von messbarem Erfolg auf beiden Seiten. Gleichzeitig erhöhen 67 Prozent der Unternehmen ihre GenAI-Budgets weiter.
Wer in der Fertigungsindustrie unterwegs ist, wundert sich darüber nicht. Wer sich wundert, hat das Problem nicht verstanden.
Ich sage es seit Monaten: Agentic AI ist kein Technologie-Problem. Es ist ein Führungsproblem. Und der heise-Artikel liefert die Zahlen, die das belegen.
Aber Weiss argumentiert — systembedingt — aus der IT-Perspektive. Er beschreibt Orchestrierungs-Stacks, State-Management und Inferenzkosten. Alles korrekt. Aber für den COO eines Mittelständlers mit 800 Mitarbeitern klingt das wie eine Fremdsprache.
Hier ist die industrielle Übersetzung.
Das Grundmissverständnis: Agentic AI ist keine Automatisierung 2.0
Weiss bringt es auf den Punkt: Die Erwartung an Agentic AI basiert auf den Erfahrungen mit klassischer Prozessautomatisierung. Ein stabiler Prozess wird digitalisiert, ein manueller Schritt entfällt, der Effekt ist messbar.
Das ist das Denkmodell der letzten 20 Jahre. Und es ist falsch für Agentic AI.
Ich nutze dafür ein Bild: Klassische Automatisierung ist eine Transferstraße. Werkstück rein, Werkstück raus, immer gleich. Jeder Takt vorhersehbar. Jeder Fehler reproduzierbar.
Agentic AI ist eine Werkstatt mit einem Gesellen, der eigenständig entscheidet. Er wählt das Werkzeug, interpretiert die Zeichnung, entscheidet über die Reihenfolge. Meistens liegt er richtig. Manchmal nicht. Und wenn er falsch liegt, merkt es niemand — bis das Bauteil beim Kunden versagt.
Die Transferstraße können Sie einmal einrichten und vergessen. Den Gesellen müssen Sie führen. Permanent. Das ist der Unterschied, den die meisten Unternehmen nicht eingepreist haben.
Die drei versteckten Kostenblöcke — übersetzt auf die Fabrik
Weiss identifiziert drei Kostentreiber, die in keinem Business Case stehen. Ich übersetze sie in die Sprache der Fertigung:
1. Datenintegration — oder: das Stammdaten-Desaster
Weiss schreibt von „Context Stitching“ — dem Zusammenführen inkonsistenter Daten aus ERP, CRM, MES und proprietären Systemen. Von semantischen Inkonsistenzen, fehlenden Identifikatoren und unterschiedlichen Zeitbezügen.
In der Fabrik klingt das so:
Die Materialstammdaten im SAP sagen, das Teil wiegt 2,4 kg. Die Excel-Liste des Logistikers sagt 2,7 kg. Die tatsächliche Waage an der Rampe zeigt 3,1 kg — weil die Verpackung nie eingepflegt wurde.
Ich habe genau diesen Fall in einem früheren Artikel beschrieben: Ein Automotive-Zulieferer bei Stuttgart, der sein Transport-Management-System nicht zum Laufen brachte — nicht wegen der Software, sondern weil niemand wusste, wie schwer die Teile sind.
Agentic AI potenziert dieses Problem. Ein klassisches System gibt Ihnen eine Fehlermeldung, wenn die Daten fehlen. Ein Agent improvisiert. Er nimmt den nächstbesten Wert, interpoliert, schätzt — und niemand sieht den Fehler, bis die Palette nicht auf den LKW passt oder die Fracht-Kosten explodieren.
Context Stitching ist kein IT-Projekt. Es ist eine operative Grundsanierung. Und wer das nicht vor dem ersten Agenten erledigt, baut ein Haus auf Sand.
2. Schnittstellenlogik — oder: wenn der Agent schreibt statt liest
Die gefährlichste Passage im heise-Artikel ist diese: „Da ein Agent nicht nur liest, sondern auch schreibt — also Tickets schließt, Bestellungen auslöst oder Systemparameter ändert — wird die Transaktionssicherheit zum kritischen Faktor.“
Übersetzen wir das in die Supply Chain:
Ein KI-Agent im Einkauf bewertet einen Lieferanten auf Basis verfügbarer Daten als zuverlässig und löst automatisch einen Rahmenvertrags-Abruf über 50.000 Teile aus. Was der Agent nicht weiß: Der Lieferant hat letzte Woche seine Zahlungsziele von 30 auf 90 Tage verschoben — ein klassisches Frühwarnsignal für Liquiditätsprobleme. Die Information steckt in einer E-Mail des Einkaufsleiters, nicht in einem strukturierten Datenfeld.
Ergebnis: 50.000 Teile bei einem Lieferanten, der in drei Monaten möglicherweise nicht mehr liefern kann. Und das Beste: Der Agent hat alles „richtig“ gemacht — innerhalb seines Entscheidungsraums.
Weiss beschreibt das technisch als Idempotenz, Rollback-Strategien und Race Conditions. In der Fabrik heißt das: Wer einem Agenten Schreibrechte in SAP gibt, ohne die Konsequenzkette zu verstehen, spielt russisches Roulette mit der Lieferkette.
Das ist kein Prompt-Engineering-Problem. Das ist ein Problem fehlender industrieller Erfahrung.
3. Absicherungsaufwand — oder: der Mythos der Personaleinsparung
Der verlockendste Aspekt von Agentic AI ist die Personaleinsparung. Salesforce hat 4.000 Stellen gestrichen. Die Schlagzeile wirkt. Aber Weiss zerlegt den Mythos: „Human-in-the-Loop wird häufig durch Human-on-Call ersetzt.“
Übersetzt: Der Disponent, der bisher 200 Bestellungen pro Tag manuell bearbeitet hat, bearbeitet jetzt 20 Eskalationsfälle, die der Agent nicht lösen konnte. Die 20 Fälle sind aber die schwierigsten, die ambivalentesten, die riskantesten. Der Disponent arbeitet weniger — aber unter höherem Druck, mit höherer Komplexität und mit weniger Routine als Anker.
Ich kenne dieses Muster aus der Lean-Welt. In den 2000er Jahren haben wir in der Möbelindustrie Fertigungslinien automatisiert und Personal reduziert. Was übrig blieb, waren die Störfälle. Die verbleibenden Mitarbeiter brauchten mehr Qualifikation, nicht weniger. Wer die besten Leute abgebaut hatte, stand vor Maschinen, die niemand mehr beherrschen konnte.
Bei Agentic AI wiederholt sich genau dieses Muster — nur schneller und mit höheren Einsätzen.
Und dann kommt der Kostenblock, den niemand im Business Case stehen hat: Monitoring, Incident-Handling, Compliance-Prüfungen, Drift-Erkennung, Versionskonflikte zwischen Modell, Prompt und Tooling. Weiss nennt es Observability. Ich nenne es: die unsichtbare Fabrik hinter der KI-Fabrik. Und diese unsichtbare Fabrik braucht Personal, Prozesse und Budget — dauerhaft.
Warum 56 % kein ROI sehen — die eigentliche Ursache
Die Zahlen von PwC und Deloitte erzählen eine klare Geschichte: Die Mehrheit der Unternehmen hat die Gesamtkosten von Agentic AI systematisch unterschätzt. Nicht weil die Technologie versagt. Sondern weil das mentale Modell falsch ist.
Die Unternehmen kalkulieren so:
Kosten = Lizenz + Inferenz + Integration Nutzen = eingesparte Stellen × Jahresgehalt
Das ist die Kalkulation einer Transferstraße. Nicht eines autonomen Systems.
Die richtige Kalkulation wäre:
Kosten = Lizenz + Inferenz + Integration + Stammdatensanierung + Schnittstellenabsicherung + Monitoring-Infrastruktur + Eskalations-Personal + Compliance + fortlaufendes Training Nutzen = Entscheidungsgeschwindigkeit × Entscheidungsqualität × Skalierbarkeit — minus Fehlerkosten bei Halluzination
Aber diese Kalkulation kann nur jemand aufstellen, der sowohl die Technologie als auch die operative Realität versteht. Jemand, der weiß, was eine falsche Disposition kostet. Was ein Lieferausfall in Woche 37 bedeutet. Was passiert, wenn ein Agent einen gesperrten Bestand als verfügbar interpretiert.
Das ist der Business Quotient. Und er fehlt in den meisten AI-Projekten — nicht auf der technischen Seite, sondern auf der Entscheidungsebene.
Was das für den Mittelstand bedeutet
Der heise-Artikel beschreibt ein Problem, das vor allem den Mittelstand trifft — und zwar härter als die Konzerne.
Konzerne können sich den Absicherungsaufwand leisten. Sie haben eigene ML-Ops-Teams, Compliance-Abteilungen, Testinfrastruktur. Wenn ein Agent schiefläuft, ist das ein Vorfall. Kein Existenzrisiko.
Mittelständler haben diese Puffer nicht. Ein fehlgeschlagener Agent im Einkauf, der fünf falsche Bestellungen in einer Nacht auslöst, kann den Cashflow eines 50-Millionen-Unternehmens für ein Quartal belasten. Und es gibt niemanden im Haus, der den Drift im Modell erkennt, bevor der Schaden entsteht.
Die Lösung ist nicht, Agentic AI zu vermeiden. Die Lösung ist Adult Supervision — erfahrene Menschen, die den Motor nicht nur bewundern, sondern wissen, in welches Fahrwerk er gehört. Die die Gesamtkosten kalkulieren, bevor das Budget freigegeben wird. Die den Agenten nicht als Ersatz für den Disponenten sehen, sondern als Werkzeug, das der Disponent führt.
Fazit: Der ROI liegt nicht im Modell — er liegt in der Führung
Harald Weiss schließt mit der Erkenntnis, dass Agentic AI kein Selbstläufer ist. Ich gehe weiter:
Agentic AI ist eine Führungsaufgabe. Keine IT-Aufgabe.
Die 56 Prozent der CEOs, die keinen ROI sehen, haben nicht das falsche Tool gekauft. Sie haben die falsche Frage gestellt. Die Frage war: „Was kann die KI für uns tun?“ Die richtige Frage wäre gewesen: „Sind unsere Prozesse, Daten und Menschen bereit für ein System, das eigenständig entscheidet?“
Wer diese Frage nicht beantworten kann, sollte kein Budget freigeben. Wer sie beantworten kann, braucht meistens weniger Budget als geplant — weil die Hälfte der geplanten Agenten überflüssig wird, sobald man die Prozesse versteht.
Das ist Industrial Translation. Und es ist das, was der Mittelstand jetzt braucht — nicht mehr Agenten, sondern die richtigen Menschen, die sie steuern.
Der Originalartikel von Harald Weiss ist auf heise online erschienen.
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
