bei Google ScholarTitelangaben
Reinkemeyer, Lars ; Röglinger, Maximilian ; Reusch, Benjamin ; Wördehoff, Niklas ; Zetzsche, Felix ; Laumann, Katharina:
Enterprise AI schafft Geschäftswert : Status quo, Werthebel und Umsetzungspfad.
Munich, Germany
,
2026
Volltext
Abstract
Unternehmen in Deutschland, Österreich und der Schweiz haben in den vergangenen Jahren massiv in Datenplattformen, Automatisierung und Künstliche Intelligenz (KI) investiert. Copiloten, spezialisierte KI-Modelle und erste Agenten sind im Einsatz. Der KI-Markt wächst zweistellig, und KI gilt vielerorts als notwendiger Produktivitätshebel gegen Fachkräfte-, Kosten- und Wettbewerbsdruck. Gleichzeitig bleibt der reale Geschäftswert von KI-Anwendungen im Kerngeschäft häufig begrenzt. Viele Initiativen verharren im Pilotmodus, erzeugen lokale Verbesserungen, aber keine ganzheitlichen Effekte auf Produktivität, Servicequalität oder einen messbaren Wertbeitrag. Die vorliegende Studie zeigt: Der Engpass liegt weniger in den verwendeten Modellen oder mangelnder Rechenleistung als in fünf strukturellen Hürden: einem fragmentierten Daten- und Prozessfundament, fehlendem geteiltem Geschäftskontext, unklarem Betriebsmodell und unklarer Governance, diffuser Wertlogik sowie schwacher Change-Verankerung. Zusammengenommen führen diese Hürden dazu, dass KI „intelligent, aber geschäftsblind“ ist und sich ein Action-Value-Gap zwischen Ambition und Ergebnis öffnet. Im Zentrum dieser Studie steht die Hypothese, dass Geschäftskontext zum fehlenden Bindeglied und zur Infrastruktur für Enterprise AI (KI im Unternehmenskontext) wird. Auf Basis von Process Intelligence in Design- und Runtime-Perspektive entsteht eine gemeinsame und geteilte Kontextschicht, die Prozesse, Rollen, Regeln, Kennzahlen und Entscheidungen Ende-zu-Ende verbindet und für KI-Systeme (insbesondere KI-Agenten) maschinenlesbar macht. Die Studie beschreibt, wie Unternehmen diese Kontextschicht systematisch aufbauen, Enterprise AI entlang klarer Handlungsfelder verankern und den Action-Value-Gap Schritt für Schritt durch fünf konkrete Schritte zur Skalierung von Enterprise AI schließen können.