Goldman Sachs und die KI-Rendite: die falsch gestellte Frage

Im Sommer 2024 stellte Goldman Sachs eine Frage, die seither die gesamte Debatte prägt: Rechnet sich das eigentlich? Die Studie trug den Titel „Gen AI: too much spend, too little benefit?” und stellte einer geplanten Investitionssumme von rund einer Billion US-Dollar einen bislang schwer messbaren Nutzen gegenüber. Jim Covello, Leiter des globalen Aktienresearchs, formulierte den härtesten Satz: Um solche Kosten zu rechtfertigen, müsse die Technologie sehr komplexe Probleme lösen — und dafür sei sie nicht gebaut.

Seitdem läuft ein Stellungskrieg. Die eine Seite hält Covello für den nüchternen Analysten, der den Kaiser ohne Kleider beschreibt. Die andere verweist auf frühe Phasen jeder Basistechnologie, in denen die Rendite naturgemäß hinterherhinkt. Bemerkenswerterweise standen beide Positionen schon in der Studie selbst nebeneinander. Der Streit ist also alt, gut dokumentiert — und meiner Ansicht nach in einem entscheidenden Punkt falsch angelegt.

Beide Lager machen denselben Denkfehler

Optimisten und Skeptiker diskutieren die Frage, ob die KI sich rechnet. Sie behandeln Rendite damit als Eigenschaft der Technologie — so, wie man die Effizienz eines Motors diskutiert. Ein Motor liefert unter definierten Bedingungen einen bestimmten Wirkungsgrad; er ist eine Eigenschaft des Bauteils.

Bei KI ist das nicht so. Zwei Unternehmen kaufen dieselbe Lizenz desselben Modells, zum selben Preis, im selben Monat. Ein Jahr später hat das eine messbar kürzere Durchlaufzeiten, das andere eine Sammlung beeindruckender Pilotprojekte und keinen veränderten Ablauf. Das Werkzeug war identisch. Die Rendite unterscheidet sich um Größenordnungen. Was sich unterschied, war die Organisation, in die es hineingekauft wurde.

Rendite ist bei KI keine Eigenschaft des Werkzeugs. Sie ist eine Eigenschaft des Käufers.

Damit ist die Ausgangsfrage nicht falsch gestellt, sondern falsch adressiert. „Rechnet sich KI?” ist so präzise wie die Frage, ob sich ein Klavier rechnet. Es kommt darauf an, wer darauf spielt — und ob im Haus überhaupt jemand spielen gelernt hat.

Der Befund, der das bestätigt

Man muss das nicht glauben, man kann es nachlesen. Der MIT-Bericht „State of AI in Business” hat 2025 den heute meistzitierten Wert dieser Debatte geliefert: Rund 95 Prozent der Pilotprojekte mit generativer KI erzielen keinen messbaren Effekt auf Umsatz oder Produktivität. Diese Zahl wird gern als Beleg für die Skeptiker gelesen. Tatsächlich belegt sie das Gegenteil.

Denn entscheidend ist die Begründung. Die Projekte scheitern dem Bericht zufolge nicht an den Modellen — die sind verfügbar, leistungsfähig und werden laufend billiger. Sie scheitern an fehlender strategischer Verankerung, an Prozessen, die unverändert weiterlaufen, an Menschen, die nicht mitgenommen werden, und an einer Steuerung, die Wirkung nie misst. Das sind ausnahmslos organisationale Größen. Wären die Modelle das Problem, müssten alle scheitern. Es scheitern aber 95 von 100 — und fünf gelingen. Diese Streuung ist die eigentliche Nachricht.

Eine Technologie, die bei identischer Beschaffenheit derart unterschiedliche Ergebnisse erzeugt, stellt keine Technologiefrage. Sie stellt eine Organisationsfrage.

Warum das mehr ist als eine Begriffsklärung

Der Unterschied ist nicht akademisch, er entscheidet über das Verhalten von Vorständen. Wer die Rendite für eine Eigenschaft der Technologie hält, hat genau zwei Handlungsoptionen: kaufen oder warten. Er wartet auf das nächste Modell, die nächste Version, den Moment, in dem die Technik „endlich reif” ist. Diese Haltung ist ökonomisch bequem, weil sie die eigene Verantwortung auslagert — reif wird die Technik anderswo.

Wer dagegen versteht, dass die Rendite in der eigenen Aufnahmefähigkeit entsteht, hat eine dritte Option, und es ist die einzige wirksame: die Organisation so umbauen, dass sie das Gekaufte tragen kann. Zuständigkeiten klären, Entscheidungswege anpassen, Kompetenz aufbauen. Das ist unbequemer, weil es die Verantwortung dort belässt, wo sie hingehört. An genau dieser Stelle wächst der Abstand zwischen technischer Ambition und organisatorischer Aufnahmefähigkeit, wenn man ihn nicht aktiv schließt.

Die nüchterne Schlussfolgerung

Goldman Sachs hat eine notwendige Frage gestellt, und die Skepsis war heilsam gegen einen überhitzten Markt. Aber die Antwort wird nicht in Investitionsvolumina liegen und auch nicht in der nächsten Modellgeneration. Sie liegt in den Organisationen, die diese Technik einsetzen — und in deren Fähigkeit, sich so weit zu verändern, dass die gekaufte Leistungsfähigkeit überhaupt ankommt. Solange wir über die Rendite von KI streiten, ohne über Organisationsdesign zu sprechen, diskutieren wir eine Kennzahl ohne ihren Nenner. Die ehrlichste Version der Goldman-Frage lautet deshalb nicht „Rechnet sich KI?”, sondern: Rechnen wir uns?

Hat Goldman Sachs mit der Skepsis recht? In der Beobachtung ja, in der Schlussfolgerung nicht ganz. Dass dem Investitionsvolumen bislang wenig messbarer Nutzen gegenübersteht, ist gut belegt. Der Fehlschluss liegt darin, das als Urteil über die Technologie zu lesen. Dieselben Modelle erzeugen in unterschiedlichen Organisationen völlig unterschiedliche Ergebnisse — die Streuung liegt beim Anwender, nicht beim Werkzeug.

Warum scheitern 95 Prozent der KI-Pilotprojekte? Laut dem MIT-Bericht „State of AI in Business“ (2025) nicht an den Modellen — die sind verfügbar, leistungsfähig und werden günstiger. Es fehlt an strategischer Verankerung, an angepassten Prozessen, an Menschen, die den Wandel tragen, und an einer Steuerung, die Wirkung überhaupt misst. Das sind sämtlich Fragen des Organisationsdesigns.

Heißt das, man soll weniger in KI investieren? Nein — aber anders. Wer ausschließlich in Lizenzen, Plattformen und Piloten investiert und nichts in Rollen, Entscheidungswege und Kompetenzen, kauft Leistungsfähigkeit, die die Organisation nicht abrufen kann. Die Investitionssumme ist selten das Problem, ihre Verteilung fast immer.

Wie misst man die Rendite von KI dann richtig? Nicht am Werkzeug, sondern an der Veränderung im Ablauf: Welche Entscheidung fällt schneller, welcher Prozessschritt entfällt, welche Qualität steigt nachweisbar? Wenn sich diese Frage nicht beantworten lässt, ist nicht die Rendite unklar — es wurde nichts verändert, das eine Rendite tragen könnte.