KI-Investitionen messbar machen: Vier Kennzahlen für den Mittelstand

Ende Juli hat sich an den Börsen etwas verschoben. Die großen Technologiekonzerne haben Quartalszahlen vorgelegt, und die Investitionssummen für KI waren so hoch wie nie. Trotzdem fielen mehrere Kurse. Apple meldete ein Rekordquartal mit 16 Prozent Umsatzplus, die Aktie eröffnete am Folgetag 8,6 Prozent tiefer.¹

Der Markt stellt inzwischen eine andere Frage als vor zwölf Monaten: Was kommt aus der Investition heraus? Diese Frage sollten Sie sich für Ihr eigenes Unternehmen ebenfalls stellen. Dieser Artikel zeigt vier Kennzahlen, mit denen Sie eine KI-Investition messen können, bevor das nächste Budget freigegeben wird.

Was die Quartalszahlen über KI-Ausgaben verraten

Zwei Zahlen aus der letzten Juliwoche 2026 erzählen die Geschichte.

Die erste steht bei Alphabet. Der Konzern wies im Quartal einen negativen freien Cashflow von 5,85 Milliarden Dollar aus, den ersten seit dem Börsengang.³ Freier Cashflow ist das Geld, das nach allen Investitionen übrig bleibt. Negativ heißt: Der KI-Ausbau kostet gerade mehr, als das laufende Geschäft einbringt. Bei Meta zeigt sich derselbe Effekt in der Gewinnzeile. Der Umsatz stieg um 28 Prozent, der Gewinn fiel um 14 Prozent.²

Die zweite Zahl steht bei Amazon. Das Cloud-Geschäft AWS wuchs um 37 Prozent, die Aktie legte nachbörslich rund 7 Prozent zu.⁴ Hier war der Ertrag aus den Investitionen sichtbar, und der Markt hat das honoriert.

Beide Konzerne geben ähnlich viel aus. Unterschieden hat sie der Nachweis, dass etwas dabei herauskommt. Diese Unterscheidung kommt auch in Ihrem Unternehmen an, sobald Beirat, Gesellschafter oder Bank nach dem Ertrag der KI-Ausgaben fragen.

Im Mittelstand fehlt dieser Nachweis meistens

Der Marketing Tech Monitor 2026 hat dazu Anfang 2026 insgesamt 414 Marketing- und Digitalverantwortliche im DACH-Raum befragt.⁵ Drei Befunde daraus sind für die Budgetfrage wichtig.

Der erste betrifft die Trefferquote. 47 Prozent der Befragten geben an, dass in ihrer Organisation 70 bis unter 80 Prozent der Transformations- und Technologieprojekte scheitern oder den angestrebten Erfolg verfehlen.⁵ Fast die Hälfte der Verantwortlichen rechnet also damit, dass sieben bis acht von zehn Vorhaben nicht liefern. Als häufigste Ursache nennen sie fehlendes fachliches Know-how, mit 56 Prozent deutlich vor zu vielen parallelen Projekten und unklaren Zielen.⁵

Der zweite betrifft die Nutzung. 68 Prozent der Unternehmen betreiben ein CRM-System, aber nur 8 Prozent schöpfen dessen Möglichkeiten aus.⁵ Das Werkzeug steht, die Arbeit damit fehlt. Diese Lücke bezahlen Sie jeden Monat mit, ohne sie auf einer Rechnung zu sehen.

Der dritte betrifft die Grundlage. Nur 6 Prozent der Unternehmen verfügen über qualitativ hochwertige Daten.⁵ Als größte Herausforderung nennen die Befragten, Daten aus getrennten Systemen überhaupt zusammenführen zu können. Ohne diese Grundlage liefert auch ein gutes Modell nur Schätzungen.

Ralf Strauß, Herausgeber der Studie, fasst es so zusammen: „Die bloße Existenz von eingekauften KI-Softwarelizenzen ist noch kein Indikator für KI-Reife."⁵

Die Erhebung stammt vom Jahresanfang. An der Lage hat sich seither wenig geändert, das zeigen zwei neuere Datenpunkte. Der KPMG Global AI Pulse für das zweite Quartal 2026 misst, dass sich der Anteil der Unternehmen mit KI im Tagesgeschäft binnen drei Monaten fast verdoppelt hat, von 13 auf 22 Prozent. Einen belastbaren Return on Investment kann trotzdem nur eine kleine Gruppe nachweisen. Wer die laufenden Kosten seiner KI-Systeme vollständig kennt, erreicht laut derselben Erhebung fünfmal häufiger einen etablierten ROI.⁶ Und noch Ende Juli griff die Fachpresse die Befunde des Monitors als aktuelle Diagnose auf: KI-Projekte scheitern an Organisation und Struktur, selten an der Technik.⁷ Die Nutzung wächst also schneller als der Nachweis. Genau diese Lücke schließen die folgenden Kennzahlen.

Vier Kennzahlen, die den Wert sichtbar machen

Wenn Sie den Wert Ihrer KI-Investition belegen wollen, brauchen Sie Zahlen, die Sie selbst erheben können. Die folgenden vier kommen ohne Analytics-Projekt aus. Sie lassen sich in einer Tabelle führen und quartalsweise fortschreiben.

1. Nutzungsgrad je Lizenz. Wie viele der bezahlten Plätze haben in den letzten 30 Tagen tatsächlich gearbeitet? Maßstab ist die erledigte Aufgabe, nicht der Login. Als Vergleichswert taugt die Studienzahl: Große Marketing- und Vertriebsorganisationen nutzen im Schnitt nur rund ein Drittel der Kapazitäten ihrer vorhandenen Anwendungen.⁵ Liegen Sie darunter, ist die nächste Lizenzverlängerung die falsche Ausgabe.

2. Zeit bis zum Regelbetrieb. Wie viele Wochen vergehen zwischen dem Start eines Piloten und dem Punkt, an dem ein benannter Verantwortlicher das System im Tagesgeschäft betreibt? Setzen Sie eine Frist, zum Beispiel zwölf Wochen. Piloten, die diese Frist reißen und keinen Owner haben, werden beendet oder neu aufgesetzt. Das begrenzt die Zahl paralleler Projekte, die in der Studie als zweithäufigster Grund für gescheiterte Vorhaben auftaucht.⁵

3. Entlastete Stunden pro Rolle und Woche. Messen Sie an einer konkreten Rolle, nicht am Unternehmen. Wie lange hat die Sachbearbeiterin vorher für einen Vorgang gebraucht, wie lange jetzt? In unseren Projekten reichen dafür zwei Stichproben von je einer Woche, eine vor der Einführung und eine nach acht Wochen Betrieb. Geschätzte Zeitersparnis zählt nicht.

4. Datenabdeckung je Anwendungsfall. Listen Sie für den Use Case auf, welche Datenfelder das System braucht. Zählen Sie, wie viele davon vollständig, aktuell und ohne manuellen Export verfügbar sind. Unsere Faustregel aus der Projektarbeit: Unter 80 Prozent Abdeckung wird das Ergebnis unzuverlässig, unabhängig vom Modell. Diese Kennzahl erklärt die meisten enttäuschten Erwartungen, die uns begegnen.

Vier Zahlen, ein Blatt Papier, ein Quartalsrhythmus. Mehr braucht es für den Anfang nicht. Wie ein solcher Einstieg strukturiert abläuft, beschreiben wir im Beitrag zur KI-Umsetzungslücke.

Der blinde Fleck: Führung und Team bewerten sich unterschiedlich

Ein Befund aus derselben Studie verdient eigene Aufmerksamkeit, weil er erklärt, warum Messung im Alltag oft am Widerstand vorbeigeht.

53 Prozent der Führungskräfte halten ihre Teams für eher schlecht befähigt, Daten und Werkzeuge wirksam zu nutzen. 45 Prozent gehen zudem von einer eher niedrigen Akzeptanz für neue Technologien bei ihren Mitarbeitenden aus. Die Mitarbeitenden schätzen genau das anders ein: 49 Prozent stufen ihre eigene Akzeptanz gegenüber Veränderung als hoch oder sehr hoch ein.⁵

Auch die Begründungen laufen auseinander. Führungskräfte verweisen auf zu allgemeine, wenig praxisnahe Schulungen. Mitarbeitende nennen unklare Anweisungen, zu komplexe Werkzeuge und fehlende Ansprechpartner.⁵

Für Sie heißt das: Bevor Sie ein weiteres Schulungsbudget freigeben, erheben Sie die Wahrnehmung auf beiden Seiten. Fünf Fragen an die Führungsebene, dieselben fünf Fragen an die Anwender. Wo die Antworten weit auseinanderliegen, liegt der eigentliche Handlungsbedarf. Diese Arbeit an Rollen und Befähigung ist der Rock Organisation in unserer Methodik. Nach unserer Projekterfahrung entscheidet sie häufiger über den Projekterfolg als die Auswahl des Modells. Wie wir Reifegrad und Lücken systematisch erheben, zeigt der Beitrag zur KI-Souveränität im Mittelstand.

Was Sie tun können

1. Schritt 1: Ziehen Sie für jedes bezahlte KI-Werkzeug den Nutzungsbericht der letzten 30 Tage. Notieren Sie aktive Nutzer gegen bezahlte Plätze.
2. Schritt 2: Listen Sie alle laufenden KI-Vorhaben auf. Tragen Sie je Vorhaben Startdatum, benannten Verantwortlichen und Status ein. Vorhaben ohne Verantwortlichen bekommen einen oder werden gestoppt.
3. Schritt 3: Wählen Sie einen Anwendungsfall und messen Sie eine Woche lang die Bearbeitungszeit an der betroffenen Rolle. Das ist Ihr Ausgangswert.
4. Schritt 4: Prüfen Sie die vier Kennzahlen in einem festen Rhythmus erneut, etwa quartalsweise, und entscheiden Sie auf dieser Grundlage über Verlängerung, Ausbau oder Abbruch.
5. Schritt 5: Klären Sie vor der nächsten Budgetfreigabe die Datenabdeckung des geplanten Anwendungsfalls, bevor Sie eine Lizenz kaufen.

Eine Ergänzung mit Blick auf den Kalender: Seit dem 2. August 2026 gelten die Transparenzpflichten des EU AI Act für KI-generierte Inhalte. Wer KI-Ausgaben ohnehin gerade prüft, sollte die Kennzeichnung im selben Durchgang mitnehmen. Details dazu in unserem Beitrag zum 2. August.

Vom Messen zur Entscheidung

Messbarkeit ist eine Entscheidungsgrundlage. Wenn Sie wissen, welche vier Zahlen Sie ansehen, wird die Diskussion über das KI-Budget deutlich kürzer.

Quellen & Verweise

1. 9to5Mac, „Apple stock opens down roughly 10% following mixed Q3 2026 results", 31.07.2026: 9to5mac.com
2. Meta Platforms, „Meta Reports Second Quarter 2026 Results", 29.07.2026: stocktitan.net
3. Search Engine Journal, „Google Q2 earnings show 5.85 billion negative free cash flow", 23.07.2026 (Zahl aus Alphabets Investor-Unterlagen): searchenginejournal.com
4. Yahoo Finance, „Amazon stock soars after earnings", 30.07.2026: finance.yahoo.com
5. Marketing Tech Lab GmbH, „Marketing Tech Monitor 2026", Erhebung Januar/Februar 2026, n = 414 vollständige Antworten (DACH) aus 1.562 Eingeladenen, zusätzlich 2.822 befragte Mitarbeitende; Herausgeber Dr. Ralf Strauß. Studienseite: marketingtechlab.de · Ergebnisbericht via absatzwirtschaft, 27.05.2026: absatzwirtschaft.de
6. KPMG, „Global AI Pulse: Q2 2026" (Erhebung 2. Quartal 2026): kpmg.com
7. t3n, „KI-Projekte im Marketing: 85 Prozent scheitern – und das liegt nicht an der Technologie", 29.07.2026: t3n.de