Viele KI-Projekte beschleunigen einzelne Abläufe. Ob daraus mehr Umsatz entsteht, bleibt oft offen. Genau diese Lücke zeigt eine neue HCLTech-/Raconteur-Erhebung: 90 Prozent der Befragten berichten mindestens einige oder starke operative Auswirkungen von GenAI und agentischer KI. Eine signifikante Wirkung auf Vertrieb und Umsatzgenerierung sehen bisher 18 Prozent. Die Differenz ist kein Urteil über Erfolg oder Scheitern von KI. Sie zeigt, wie leicht lokale Verbesserungen mit einem belastbaren Geschäftsergebnis verwechselt werden.
Das Wichtigste in 30 Sekunden
- Die 18 Prozent sind Selbstauskünfte zu einer signifikanten Wirkung auf Vertrieb und Umsatzgenerierung, kein geprüfter Mehrumsatz.
- Operative Effekte zeigen sich meist früher als Umsatz oder Marge.
- Wer KI wirtschaftlich bewerten will, braucht vor dem Start eine Zielmetrik, eine Baseline und eine nachvollziehbare Vergleichslogik.
Was die 18-Prozent-Zahl tatsächlich sagt
HCLTech veröffentlichte am 21. Juli 2026 gemeinsam mit Raconteur den Bericht „The Blueprint for AI Leadership“. Grundlage ist eine globale quantitative Befragung im ersten Quartal 2026: 500 Entscheiderinnen und Entscheider aus Unternehmen mit mindestens 1 Milliarde US-Dollar Jahresumsatz nahmen teil. Die Studie richtet den Blick damit auf sehr große Organisationen, nicht auf die Gesamtheit deutscher Unternehmen oder auf KMU.
90 Prozent der Befragten berichten mindestens einige oder starke Auswirkungen von GenAI und agentischer KI auf operative Abläufe und Prozesseffizienz. 18 Prozent sagen, KI habe bisher eine signifikante Wirkung auf Vertrieb und Umsatzgenerierung. Die zweite Zahl bedeutet weder, dass 82 Prozent der KI-Projekte gescheitert sind, noch dass bei 18 Prozent ein kausaler, auditierter Mehrumsatz nachgewiesen wurde. Sie beschreibt, was Befragte über die Wirkung ihrer Initiativen angeben.
Vom Tool zum Geschäftsergebnis liegen mehrere Stufen
Eine KI-Anwendung kann nützlich sein, ohne dass sie sofort in der GuV sichtbar wird. Ein Assistenzsystem verkürzt etwa die Suche nach Informationen. Das ist zunächst ein Prozesssignal. Erst wenn Teams die gewonnene Zeit tatsächlich anders einsetzen, Fehlerquoten sinken, Bearbeitungen schneller abgeschlossen werden oder sich Angebote messbar verändern, entsteht ein wirtschaftlicher Zwischeneffekt. Umsatz und Marge stehen erst am Ende dieser Kette.
Der Abstand zwischen 90 und 18 Prozent passt zu dieser Wirkungskette. Operative Wirkung lässt sich in Teams oft früh wahrnehmen. Für einen kommerziellen Effekt müssen dagegen mehrere Bedingungen zusammenkommen: eine klare Ausgangslage, ein ausreichend langer Vergleichszeitraum, die Berücksichtigung von Kosten und ein nachvollziehbarer Umgang mit anderen Einflussfaktoren. Wenn zeitgleich Preise, Nachfrage, Vertrieb oder Produktangebot wechseln, lässt sich Umsatz nicht einfach einer KI-Anwendung zuschreiben.
Effizienz messen ist nicht dasselbe wie Umsatz messen
Die Studie selbst zeigt, wohin viele Organisationen zuerst schauen. 28 Prozent nennen Prozessgeschwindigkeit oder Effizienz als primäre ROI-Messung, 23 Prozent Kostenersparnis oder Produktivitätsgewinne. Die HCLTech-Landingpage fasst diese beiden Gruppen zu 51 Prozent zusammen. Nur 9 Prozent verknüpfen ihre primäre Messung mit Umsatzwachstum. Diese Werte beschreiben Messpräferenzen, nicht tatsächlich erreichten ROI.
| Behauptung | Nötiger Nachweis | Offene Unsicherheit |
|---|---|---|
| „Der Prozess wurde schneller“ | Baseline, Durchlaufzeit und vergleichbare Fälle vor und nach dem Einsatz | Ob die Zeitersparnis an anderer Stelle wieder verloren geht |
| „Die KI senkt Kosten“ | Vollkosten für Betrieb, Integration, Kontrolle und Nacharbeit | Ob sich Kosten nur zwischen Teams verlagern |
| „Die KI erhöht den Umsatz“ | Vergleichsgruppe oder plausibler Vergleichszeitraum mit Vertriebs- und Marktbedingungen | Einfluss von Preis, Nachfrage, Produkt und Vertrieb |
Das ist keine methodische Nebensache. Wer nur Nutzung, Klicks oder einzelne Zeitwerte verfolgt, kann ein Projekt zu früh als Erfolg ausrufen – oder ein sinnvolles Vorhaben zu früh verwerfen. Umsatz ist zudem nicht für jeden Einsatz die richtige Zielgröße. Bei Risikoerkennung, Qualitätssicherung oder internem Wissenszugang kann der Nutzen real sein, obwohl er sich erst später oder indirekt in Geschäftszahlen zeigt.
Fünf Fragen vor dem nächsten KI-Projekt
- Welches Ergebnis soll sich ändern? Eine Zielmetrik muss vor dem Start feststehen: etwa Bearbeitungszeit, Fehlerquote, Kosten, Conversion oder Kundenbindung.
- Womit wird verglichen? Ohne Baseline und einen vergleichbaren Zeitraum bleibt unklar, ob eine Veränderung wirklich neu ist.
- Welche Kosten gehören dazu? Lizenz, Integration, Datenarbeit, Kontrolle, Schulung und Nacharbeit gehören in dieselbe Rechnung.
- Welche Risiken verändern das Bild? Qualitätsfehler, Datenschutz, Sicherheitsfragen und Verlagerungseffekte können einen lokalen Gewinn relativieren.
- Wer verantwortet die Messung? Fachbereich, IT, Controlling und Vertrieb müssen dieselben Begriffe verwenden, sonst entstehen mehrere Wahrheiten über dasselbe Projekt.
Der NIST AI Risk Management Framework bietet dafür einen allgemeinen Denkrahmen mit den Funktionen Govern, Map, Measure und Manage. Er liefert keine Umsatzbenchmark und keine Rechtsberatung für Europa. Als Erinnerung ist er trotzdem nützlich: Ziele, Messung, Validierung und Risikomanagement gehören zusammen, bevor aus einem Pilotprojekt eine wirtschaftliche Aussage wird.
Was deutsche und europäische Unternehmen daraus mitnehmen können
Die HCLTech-Erhebung erlaubt keine Deutschlandquote, keine EU-Hochrechnung und keine Aussage über KMU. Gerade deshalb lohnt der Blick auf ihre Messfrage statt auf eine vermeintliche Rangliste. Auch kleinere Organisationen müssen unterscheiden, ob sie einen einzelnen Arbeitsablauf verbessert haben oder ob sich daraus ein messbarer Beitrag zu Kosten, Qualität, Kundenbindung oder Umsatz ergibt.
Das ist eine andere Perspektive als die allgemeine Frage, wie verbreitet KI bereits ist. Zum Kontext: Der EU-Digitalbericht 2026 zur Cloud- und KI-Lücke im Mittelstand behandelt Verbreitung und Voraussetzungen. Hier geht es um den nächsten Schritt: den Nachweis, dass eine Veränderung im Arbeitsalltag auch wirtschaftlich trägt.
Der faire Einwand: Nicht jeder Nutzen muss sofort Umsatz bringen
Der stärkste Einwand gegen einen engen Umsatzfokus ist berechtigt. Ein Projekt kann Zeit sparen, Risiken senken oder die Qualität im Kundenservice verbessern, ohne dass der Effekt im selben Quartal im Umsatz auftaucht. Bei langen Vertriebszyklen oder komplexen Produkten kann kommerzielle Wirkung später folgen. Umgekehrt macht ein später möglicher Umsatz den Nachweis nicht überflüssig.
Die Konsequenz ist deshalb nicht, jede KI-Initiative an einer Umsatzquote zu messen. Sie lautet: Für jedes Vorhaben sollte klar sein, welche Wirkung erwartet wird, welche Belege dazu passen und welche Unsicherheit bleibt. Erst dann wird aus einem operativen Signal eine belastbare geschäftliche Aussage.
Quellen und weiterführende Informationen
- HCLTech: Pressemitteilung zum Bericht „The Blueprint for AI Leadership“
- HCLTech / Raconteur: The Blueprint for AI Leadership (PDF)
- HCLTech: AI ROI Report Landingpage
- Raconteur: „Who’s really winning the AI race?“ (Sponsored Content)
- Technology Magazine: Research from HCLTech
- NIST: Artificial Intelligence Risk Management Framework (AI RMF 1.0)
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-07-26
