KI-Integration: Warum das Operating Model über den Erfolg entscheidet

Im Juli 2026 hat McKinsey eine Analyse veröffentlicht, deren Kernbefund unbequem ist: KI-Transformationen, die primär als Technologieprogramme geführt werden, scheitern in mehr als 80 Prozent der Fälle – weil sie Werkzeuge optimieren, statt die Arbeitsweise des Unternehmens zu verändern (McKinsey, The operating model advantage). Die Zahl bestätigt, was sich seit zwei Jahren in nahezu allen großen Studien abzeichnet: Nicht das Modell entscheidet über den Wert von KI, sondern das Operating Model – die Art, wie ein Unternehmen Prozesse, Daten, Verantwortung und Entscheidungen um KI herum organisiert.

KI ist ein CEO- und Board-Thema, kein IT-Projekt

Der erste Unterschied zwischen Gewinnern und dem Rest liegt in der Verankerung. In der McKinsey-Erhebung vom März 2025 ist die Aufsicht des CEO über die KI-Governance der Faktor, der am stärksten mit einer messbaren Ergebniswirkung korreliert – in großen Unternehmen sogar der Faktor mit dem größten Einfluss auf das KI-zurechenbare EBIT. Trotzdem liegt die Verantwortung nur bei 28 Prozent der Unternehmen beim CEO, nur 17 Prozent verankern sie im Board (McKinsey State of AI, März 2025).

BCG kommt in einer Untersuchung von über 1.250 Unternehmen zum selben Ergebnis, nur schärfer formuliert: Nahezu 100 Prozent der Unternehmen, die KI-Wert im Maßstab erzielen, haben ein tief involviertes C-Level – bei den Nachzüglern sind es 8 Prozent. Und: Ausschließliches IT-Ownership ist laut BCG ein Schlüsselindikator für stagnierende Unternehmen (BCG, The Widening AI Value Gap). Wer KI an die IT delegiert, behandelt sie als Infrastruktur. Wer sie im Vorstand verankert, behandelt sie als das, was sie ist: eine Frage des Geschäftsmodells.

Wenige Use Cases, konsequent zu Ende gebaut

Der zweite Unterschied ist Fokus. Eine MIT-Studie aus dem Projekt NANDA kam 2025 zu dem Befund, dass rund 95 Prozent der GenAI-Piloten keinen messbaren Ertrag liefern – nicht wegen der Modellqualität, sondern weil generische Tools nicht aus den Workflows lernen, in die sie gesteckt werden (Fortune zur MIT-Studie). S&P Global Market Intelligence maß im selben Jahr, dass der Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen abbrechen, von 17 auf 42 Prozent gestiegen ist.

Die Gewinner machen das Gegenteil von Breite: Sie konzentrieren ihre KI-Investitionen auf ein bis drei wirtschaftlich relevante Domänen. McKinsey nennt den verbreiteten Gegenentwurf den „Erdnussbutter-Ansatz" – eine dünne KI-Schicht über viele Bereiche verteilt, die inkrementelle Verbesserungen bringt, aber keine strategische Differenzierung. Unternehmen, die in ihren Prioritätsdomänen ambitionierte Ergebnisziele setzten, erzielten dagegen rund drei US-Dollar zusätzliches EBITDA pro investiertem Dollar, mit Break-even innerhalb von ein bis zwei Jahren (McKinsey, Juli 2026).

Der Prozess muss mit KI laufen – nicht neben ihr

Der dritte und wichtigste Unterschied betrifft die Prozesse selbst. Von 25 getesteten Faktoren hat das Neudesign von Workflows den größten Effekt darauf, ob ein Unternehmen aus generativer KI eine EBIT-Wirkung erzielt. Doch nur 21 Prozent der Unternehmen haben ihre Abläufe fundamental neu gestaltet. Rund 79 Prozent überspringen sogar den grundlegendsten Schritt: bestehende Workflows in einzelne Aufgaben zu zerlegen und bewusst zu entscheiden, was an KI übergeht und was beim Menschen bleibt.

Das Muster dahinter beschreibt McKinsey präzise: Die meisten Organisationen schrauben KI an bestehende Strukturen an – die Komplexität bleibt intakt, der Wert bleibt auf Task-Ebene gefangen. Gemessen wird dann in Lizenzen, Piloten und Deployments statt in schnelleren Entscheidungszyklen oder niedrigeren Koordinationskosten. Die empfohlene Reihenfolge ist die Umkehrung der üblichen Praxis: erst die Workflows neu gestalten, dann das Talentmodell aufbauen, zuletzt die Technologie auswählen. BCG fasst dieselbe Logik in der 10-20-70-Regel zusammen: 70 Prozent des strategischen Fokus gehören auf Menschen und Prozesse, 20 Prozent auf die Technologie, 10 Prozent auf Algorithmen.

Genau hier entscheidet sich, ob KI ein zusätzliches Tool bleibt oder Teil des Betriebssystems wird. Ein Prozess, der grundsätzlich mit KI sauber läuft – mit definierten Übergabepunkten, Kontrollen und Verantwortlichkeiten – produziert bei jedem Durchlauf verwertbare Daten. Ein Prozess, dem KI nur angeheftet wurde, produziert vor allem Ausnahmen.

Das Flywheel: Jeder produktive Einsatz stärkt den nächsten

Erst auf dieser Grundlage entsteht der Effekt, der den Vorsprung dauerhaft macht. Jede produktive KI-Anwendung erzeugt neue Daten, neue Erfahrung im Umgang mit KI-gestützten Entscheidungen und neues organisatorisches Wissen. McKinsey beschreibt das als kumulativen Effekt: Jede Transformation macht die nächste schneller, günstiger und wahrscheinlicher erfolgreich – bis hin zu „proprietary data flywheels", die Wettbewerber nicht einfach kopieren können, selbst wenn sie dieselben Werkzeuge einsetzen. PwC beobachtet denselben Mechanismus auf der Datenseite: Mit wiederverwendbaren Bausteinen baut jedes neue Deployment auf dem vorherigen auf, die Umsetzung beschleunigt sich, die Datenumgebung verbessert sich selbst (PwC, AI Data Strategy). Das Ergebnis ist eine massive Konzentration: Die besten 20 Prozent der Unternehmen vereinnahmen laut PwC 74 Prozent des KI-getriebenen Werts.

Umgekehrt erklärt das Flywheel auch die 95-Prozent-Quote gescheiterter Piloten: Wo KI nicht in produktive Prozesse integriert ist, entsteht kein Lerneffekt – und ohne Lerneffekt springt das Schwungrad nie an.

Die Studienlage im Überblick

Stand August 2026; Werte aus den verlinkten Studien.

Der Wettbewerb läuft zwischen Betriebsmodellen, nicht zwischen Modellen

Die strategische Konsequenz formuliert McKinsey explizit: Unternehmen mit vergleichbarer Technologie erzielen bereits heute sehr unterschiedliche Ergebnisse – der Wettbewerbsvorteil verlagert sich von den Werkzeugen zu den Organisationen, die sie einsetzen. Modellfähigkeiten, die eine Plattform heute differenzieren, sind oft innerhalb von Monaten Standard. Ein Operating Model dagegen lässt sich nicht kaufen und nicht über Nacht kopieren – es entsteht aus akkumulierten Entscheidungen über Workflows, Governance, Menschen und Daten.

Für Banken ist diese Rechnung besonders konkret: KI-Pioniere könnten laut dem Global Banking Annual Review einen um vier Prozentpunkte höheren ROTE erreichen als Nachzügler – bei einer Bank mit 100 Milliarden US-Dollar Bilanzsumme bis zu 250 Millionen US-Dollar zusätzlicher Jahresgewinn. Ohne Anpassung des Geschäftsmodells drohen der Branche zugleich 170 Milliarden US-Dollar bzw. 9 Prozent der globalen Profit-Pools verloren zu gehen (McKinsey Global Banking Annual Review 2025). Auch hier benennt McKinsey als eine der Hauptursachen ausbleibender Wirkung, dass die Geschäftsseite die Führung der IT überlässt.

Was das für die Architektur bedeutet

Wenn der Vorsprung im Operating Model liegt und nicht im Modell, ergibt sich daraus ein Architekturprinzip: Das organisatorische Wissen – Daten, Kontexte, Workflows, Konfigurationen – muss unabhängig vom jeweils eingesetzten KI-Modell aufgebaut und erhalten werden. Genau darauf ist Acceleraid ausgelegt: Der Assistant ist modell-agnostisch, das zugrunde liegende Modell lässt sich jederzeit wechseln, während Wissen, Kontexte und Konfigurationen erhalten bleiben. So wird der Flywheel-Effekt zum Eigentum des Unternehmens statt zum Nebenprodukt eines einzelnen Anbieters – und jeder Modellfortschritt zahlt auf das bestehende Betriebsmodell ein, statt es zu ersetzen.

Die Prüffragen für den Vorstand

Ob ein Unternehmen KI als Tool oder als Betriebsmodell behandelt, lässt sich an wenigen Fragen ablesen: Liegt die Verantwortung für KI-Governance beim CEO und ist das Thema regelmäßig im Board? Sind die KI-Investitionen auf wenige, wirtschaftlich relevante Domänen konzentriert – mit Ergebniszielen statt Pilotzählung? Wurden die betroffenen Prozesse von Grund auf neu gestaltet, bevor die Technologie ausgewählt wurde? Erzeugt jeder produktive Einsatz Daten und Wissen, die den nächsten Einsatz beschleunigen? Und: Bleibt dieses Wissen erhalten, wenn das Modell gewechselt wird? Wer diese Fragen mit Ja beantworten kann, konkurriert bereits dort, wo der Wettbewerb der kommenden Jahre entschieden wird – zwischen Betriebsmodellen, nicht zwischen Modellen.

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.