Veröffentlicht am

Künstliche Intelligenz: Hohe Investitionen und keine Rendite?

Conceptual technology illustration of artificial intelligence. Abstract futuristic background

Es ist schon erstaunlich: Tag für Tag lesen wir von Milliardeninvestitionen der Unternehmen in GenAI. Es gibt in der Zwischenzeit auch genügend Beispiele aus allen Branchen die zeigen, wie mit Künstlicher Intelligenz (GenAI) produktiver als vorher gearbeitet werden kann. Somit sollten diese Effekte auch betriebswirtschaftlich nachgewiesen werden können.

Die Frage st also: Gibt es auch eine gewisse Rendite auf die Investitionen, die in solche Projekte gesteckt werden?

Eine MIT-Studie vom Juli 2025 zeigt ein überraschendes Ergebnis: Der Erfolg, in Form einer messbaren Rendite (Return on Investment). kann bei 95% der Organisationen nicht nachgewiesen werden. Hier der Originalabsatz aus der Studie:

“Despite $30–40 billion in enterprise investment into GenAI, this report uncovers a surprising result in that 95% of organizations are getting zero return. The outcomes are so starkly divided across both buyers (enterprises, mid-market, SMBs) and builders (startups, vendors, consultancies) that we call it the GenAI Divide. Just 5% of integrated AI pilots are extracting millions in value, while the vast majority remain stuck with no measurable P&L impact. This divide does not seem to be driven by model quality or regulation, but seems to be determined by approach” (MIT NANDA 2025).

Interessant ist, dass der jeweils gewählte Ansatz (determined by approach) wohl das Grundübel ist. Möglicherweise ist es gar nicht so gut, sich nur auf die sehr großen, proprietären KI-Anbieter zu konzentrieren – ja, sich von diesen abhängig zu machen. Siehe dazu beispielsweise auch KI-Modelle: Monitoring einer Entwicklungsumgebung.

Veröffentlicht am

Ein Wust von Indikatoren führt zu einer nicht mehr beherrschbaren Kompliziertheit

Image by Gerd Altmann from Pixabay

In meinem Blogbeitrag Kennzahlen als risikoreiche Reduzierung der Komplexität? ging es schon einmal darum, dass in vielen Bereichen komplexe Sachverhalte in Zahlen ausgedrückt werden. Dazu zählen das Bruttoinlandsprodukt (BIP), der Intelligenz-Quotient (IQ), der Return on Investment (ROI) usw. Und was nicht so recht messbar ist, wird eben messbar gemacht.

Möglicherweise benötigen Menschen Zahlen, um einen gewissen Anker in komplexen Zeiten zu haben (Taleb 2007). Das führt allerdings zu einer paradoxen Situation:

“Hier soll nur in Bezug auf die Vereinfachungsproblematik nachgefragt werden. Denn diesbezüglich landen wir in einer geradezu paradoxen Situation: Die scheinbare Vereinfachung durch Reduktion eines komplexen Messzusammenhangs auf immer elementarere Indikatoren führt zu einem unübersehbaren Wust solcher Indikatoren und damit zu einer nicht mehr beherrschbaren Kompliziertheit. Umgekehrt kommt man, wenn man sich auf die „Indikatorenverschmelzung“ des menschlichen Erkenntnisvermögens verlässt, auf eine sehr einfache Form der Erfassung solcher komplexen Zusammenhänge. Durch komplexe Erfassung zu einem vereinfachten Verständnis, so könnte man die dahinter liegende Strategie kennzeichnen” (Erpenbeck 2010).

Die Indikatoren führen also nicht zu einem besseren Verständnis von Komplexität – im Gegenteil. Komplexere Erfassungen werden der Komplexität eher gerechtet und führen zu einem besseren Verständnis.