KI-Ausgaben steigen schneller als der messbare Ertrag
Unternehmen werden 2027 voraussichtlich 20 % ihrer gesamten Technologieausgaben für künstliche Intelligenz aufwenden. Gleichzeitig dürfte mehr als die Hälfte der CIOs die gesetzten Ziele für den Return on Investment, kurz ROI, verfehlen. Zu diesem Ergebnis kommt Forrester auf Basis seiner aktuellen KI-Studie und Technologieprognosen.
Die Erwartungen sind hoch und kurzfristig angelegt. 45 % der befragten KI-Entscheider verlangen innerhalb eines Jahres einen positiven ROI, damit eine Investition als erfolgreich gilt. Einen positiven Einfluss von KI auf das EBITDA konnten in den vergangenen zwölf Monaten jedoch nur 22 % feststellen.
| Kennzahl | Forrester-Prognose oder Studienwert |
|---|---|
| Anteil von KI an den Technologieausgaben 2027 | 20 % |
| CIOs, die ihre KI-Renditeziele voraussichtlich verfehlen | Mehr als 50 % |
| Entscheider mit gefordertem ROI innerhalb eines Jahres | 45 % |
| Entscheider mit positivem KI-Einfluss auf das EBITDA | 22 % |
| Anteil von Open-Weight-Modellen am Token-Volumen | 50 % |
| Anteil von Open-Weight-Modellen an den KI-Ausgaben | 5 % |
Das Problem liegt nicht nur beim Modell
Forrester führt die schwache Rendite nicht allein auf Modellpreise oder technische Grenzen zurück. Viele Unternehmen erzielen einzelne Erfolge, übertragen diese aber nicht auf durchgängige Abläufe. Organisationsstrukturen, Verantwortlichkeiten und Arbeitsweisen bleiben häufig unverändert.
Wie bei früheren neuen Technologien müssen sich Strukturen, Prozesse und Arbeitsweisen verändern, damit KI messbare Ergebnisse im gesamten Unternehmen liefert, so der Forrester-Bericht in sinngemäßer deutscher Übersetzung.
Damit entsteht ein Missverhältnis. Unternehmen investieren in Lizenzen, APIs und Infrastruktur, ohne gleichzeitig die betroffenen Prozesse neu zu gestalten. Ein erfolgreicher Assistent in einer einzelnen Abteilung reicht nicht aus, wenn Übergaben, Freigaben und Datenzugriffe weiterhin manuell organisiert sind.
Für die Budgetplanung bedeutet das: Der Kauf weiterer KI-Abonnements löst kein Integrationsproblem. Vor einer Skalierung müssen Ausgangskosten, Prozessdauer, Fehlerquote und erwartete Einsparung messbar sein. Andernfalls wächst vor allem die Zahl der laufenden Verträge.
Open-Weight-Modelle übernehmen das Volumengeschäft
Als Gegenbewegung erwartet Forrester einen deutlichen Wechsel zu Open-Weight-Modellen wie Gemma, Llama und Qwen. Bei diesen Modellen sind die Gewichte zugänglich, wobei die konkrete Lizenz nicht automatisch alle Freiheiten klassischer Open-Source-Software einräumt. Sie sollen 50 % des Token-Volumens in Unternehmen verarbeiten, aber lediglich 5 % der gesamten KI-Ausgaben verursachen.
Geeignet sind sie laut Prognose vor allem für volumenstarke Routineaufgaben. Dazu zählen Dokumentenverarbeitung, Kundensupport, interne Wissenssuche und standardisierte Teilschritte in Arbeitsabläufen von KI-Agenten. Ähnliche Kosteneffekte zeigen sich bereits bei der Nutzung von Open-Weight-Modellen über zentrale KI-Gateways.
Proprietäre Spitzenmodelle wie Claude Opus 5.5, Claude Sonnet 5.5, GPT-6.1 Sol, GPT-6 Astra und Gemini 4 Argon würden dagegen gezielter eingesetzt. Ihr Platz liegt bei komplexen Wissensaufgaben und kritischen Automatisierungen, bei denen Fehler hohe Folgekosten verursachen.
Modell-Routing statt ein Modell für alles
Wirtschaftlich spricht die Prognose für eine abgestufte Architektur. Ein günstiges oder selbst betriebenes Modell bearbeitet den Großteil der Standardfälle. Nur schwierige oder risikoreiche Anfragen werden an ein proprietäres Spitzenmodell weitergeleitet.
Wie groß der Hebel sein kann, zeigt die Kostensenkung durch Modell-Routing bei LegalOn. Die konkrete Ersparnis hängt jedoch vom Anwendungsfall, der Modellqualität und den benötigten Kontrollmechanismen ab.
Self-Hosting kann Abhängigkeiten reduzieren
Für Unternehmen im DACH-Raum ist neben den Kosten auch der Betriebsort relevant. Open-Weight-Modelle lassen sich grundsätzlich in der eigenen Infrastruktur oder in europäischen Rechenzentren betreiben. Das kann die Kontrolle über Datenflüsse verbessern und die Abhängigkeit von einzelnen US-Plattformen verringern.
Self-Hosting ist allerdings nicht kostenlos. Hardware, Betrieb, Überwachung, Updates und spezialisiertes Personal müssen in die Gesamtrechnung einfließen. Die Forrester-Zahlen nennen keine detaillierten absoluten Infrastrukturkosten und erlauben deshalb keinen pauschalen Kostenvergleich für jedes Unternehmen.
Auch ein europäischer Betriebsort garantiert nicht automatisch DSGVO-Konformität. Datenkategorien, Aufbewahrungsfristen, Zugriffsrechte und Verträge bleiben entscheidend. Die Debatte um eine souveräne europäische Cloud-Infrastruktur zeigt zudem, dass regionale Kontrolle selbst erhebliche Investitionen erfordert.
Was in die KI-Budgetplanung gehört
Die Zahlen sprechen gegen pauschale KI-Abonnements für jede Abteilung. Sinnvoller ist eine Aufteilung nach Volumen, Risiko und Qualitätsanforderung. Routineaufgaben können mit offenen oder selbst betriebenen Modellen abgedeckt werden, während teure APIs auf wenige kritische Vorgänge begrenzt bleiben.
Entscheidend bleibt die Prozessarbeit. Ohne klare Zuständigkeiten, geeignete Daten und messbare Ziele wird auch ein günstiges Modell keinen unternehmensweiten Ertrag liefern. Der wichtigste Kostenhebel liegt daher nicht nur beim Modellpreis, sondern in der Kombination aus Prozessanpassung, Modellwahl und kontrollierter Nutzung.