Bitkom-Kehrseite: Jedes dritte Unternehmen zahlt mehr für KI als geplant – jedes fünfte streicht Stellen

Bitkom-Studie 2026: Zwei Zahlen, zwei Wahrheiten

Die Meldung, mit der der Digitalverband Bitkom im Frühjahr 2026 durch die Wirtschaftspresse ging, klang nach einer Erfolgsgeschichte: 41 % der deutschen Unternehmen ab 20 Mitarbeitenden setzen mittlerweile aktiv KI ein – 2025 waren es erst 17 %. Eine Verdopplung binnen zwölf Monaten, plus 24 Prozentpunkte, ist ein Adoptionssprung, den es in der jüngeren Digitalisierungsgeschichte des deutschen Mittelstands selten gegeben hat. Wer nur die Pressemitteilung liest, könnte den Eindruck gewinnen, die KI-Frage im Unternehmen sei im Wesentlichen gelöst: Werkzeug einführen, Produktivität heben, fertig.

Dieselbe repräsentative Befragung enthält jedoch zwei Zahlen, die deutlich seltener zitiert werden, obwohl sie aus identischer Quelle stammen und methodisch genauso belastbar sind. Erstens: 33 % der Unternehmen, die KI bereits nutzen, geben an, dass die Technologie sie spürbar teurer zu stehen kommt, als sie ursprünglich kalkuliert hatten. Zweitens, und das ist der Satz, der in Geschäftsführungssitzungen für Stille sorgt: 19 % der KI-Nutzer haben nach eigener Aussage wegen des KI-Einsatzes bereits Personal abgebaut.

Diese beiden Wahrheiten schließen sich nicht aus, sie ergänzen sich. Adoption wächst, weil der Erwartungsdruck – vom Wettbewerber, vom Aufsichtsrat, vom eigenen Vertrieb – hoch ist. Kosten laufen aus dem Ruder, weil die Kalkulation, mit der viele Unternehmen in den Rollout gegangen sind, für ein anderes Nutzungsszenario gerechnet wurde als das, was am Ende tatsächlich eintrat. Dieser Beitrag konzentriert sich bewusst nicht auf die Erfolgsgeschichte, sondern auf die Kehrseite – nüchtern, mit den Zahlen, die Bitkom selbst liefert, und ohne sie zur Panikmache aufzublasen. Für Geschäftsführer und IT-Entscheider im Mittelstand ist die Kostenseite der eigentlich relevante Teil der Studie, weil sie die Frage beantwortet, die eine reine Adoptionsquote nicht beantwortet: Was kostet es wirklich, und wen trifft es, wenn die Kalkulation nicht aufgeht?

Die Kernzahlen im Überblick: 41 %, 33 %, 19 %

Zur Einordnung zunächst die Methodik, weil sie für die Belastbarkeit der Zahlen entscheidend ist: Bitkom hat die Erhebung als repräsentative Telefonbefragung unter 604 Unternehmen ab 20 Mitarbeitenden in Deutschland durchführen lassen, erhoben in den Kalenderwochen 2 bis 6 des Jahres 2026. Das ist eine für Branchenstudien in dieser Größenordnung übliche und methodisch anerkannte Stichprobe – groß genug, um belastbare Prozentsätze auf Gesamtwirtschaftsebene zu bilden, aber zu klein, um verlässliche Aussagen für einzelne Branchen oder Unternehmensgrößenklassen zu treffen. Diese Einschränkung ist wichtig und wird in diesem Beitrag an mehreren Stellen relevant.

Kennzahl	Wert	Bezugsgröße
Aktive KI-Nutzung 2026	41 %	alle befragten Unternehmen (2025: 17 %)
Planen oder diskutieren KI-Einsatz	48 %	alle befragten Unternehmen
KI teurer als erwartet	33 %	nur KI-Nutzer
Stellenabbau wegen KI	19 %	nur KI-Nutzer
Sehen verbesserte Wettbewerbsposition	77 %	nur KI-Nutzer, trotz Kosten

Der letzte Wert der Tabelle relativiert die Kostenzahlen, ohne sie zu entkräften: 77 % der KI-Nutzer sehen ihre Wettbewerbsposition durch den Einsatz verbessert – auch unter denen, die gleichzeitig von höheren Kosten berichten. Das ist keine Widerspruchsauflösung, sondern der eigentliche Punkt dieses Artikels: Der Nutzen ist für die meisten Unternehmen real und wird auch so wahrgenommen. Das Problem liegt nicht im „Ob", sondern im „Wie teuer" – und genau diese Kalkulationsfrage wird in der öffentlichen Debatte regelmäßig unter den Tisch fallen gelassen, weil die Erfolgsmeldung sich besser verkauft.

Warum KI teurer wird als geplant: Die Pay-per-Use-Kalkulationsfalle

Die Bitkom-Studie benennt keine Einzelursachen für die 33-%-Zahl – das ist eine Lücke, die an dieser Stelle offen bleiben muss, statt sie mit erfundenen Kausalketten zu füllen. Was sich aber unabhängig von der Studie technisch und kaufmännisch erklären lässt, ist der Mechanismus, der bei nahezu jedem Cloud-KI-Abo mit nutzungsabhängiger Abrechnung zu Kostenüberschreitungen führt: Pay-per-Use- beziehungsweise Pay-per-Token-Modelle koppeln die Kosten nicht an ein Budget, sondern an tatsächliche Nutzung. Ein Budget ist eine Obergrenze. Ein Token-Verbrauch ist eine Variable, die mit jedem zusätzlichen Prompt, jedem zusätzlichen Nutzer und jedem zusätzlichen Anwendungsfall weiterläuft – unabhängig davon, was ursprünglich geplant war.

Vier Kostentreiber tauchen in der Praxis regelmäßig auf und werden in Erstangeboten fast immer unterschätzt:

• Token-Verbrauch bei komplexen Prompts und RAG-Anwendungen. Ein einfacher Chat-Prompt verbraucht wenige hundert Token. Eine Inferenz mit angehängtem Kontext aus einer Retrieval-Augmented-Generation-Pipeline – mehrere Dokumentauszüge, Systemprompt, Gesprächsverlauf – kann leicht das Zehn- bis Zwanzigfache verbrauchen. Wer seinen Piloten mit kurzen Testfragen kalkuliert hat, unterschätzt den Produktivbetrieb systematisch.
• GPU-Hosting-Gebühren der Anbieter. Anbieter reichen die eigenen GPU-Kosten über Preisanpassungen oder Nutzungsstaffeln weiter, besonders bei Modellen mit hohem Rechenbedarf. Diese Anpassungen erfolgen oft mit kurzer Vorlaufzeit und sind in Jahresbudgets kaum vorwegzunehmen.
• Integrations- und Beratungskosten. Das Lizenzangebot ist selten der teuerste Posten. Anbindung an bestehende Systeme, Datenaufbereitung, Prompt-Engineering und Change-Begleitung tauchen im Erstangebot häufig gar nicht oder nur als Schätzposten auf – und übersteigen in der Praxis nicht selten die reinen Nutzungskosten.
• Fehlender Durchsatz-Puffer. Wird ein Anwendungsfall erfolgreich, steigt die Zahl gleichzeitiger Anfragen. Ohne Planung für den nötigen Durchsatz greifen bei vielen Anbietern automatisch teurere Kapazitätsstufen – der Preis pro Anfrage bleibt gleich, die Rechnung wächst trotzdem, weil das Volumen wächst.

Das Grundmuster ist immer dasselbe: Die Pilotphase läuft mit einer Handvoll Nutzern und einfachen Anwendungsfällen wirtschaftlich unauffällig. Der Rollout auf die gesamte Belegschaft oder auf komplexere Anwendungsfälle vervielfacht Token-Verbrauch und Anfragevolumen – während das Budget, das dem Vorstand präsentiert wurde, noch auf den Pilotzahlen beruht.

19 % bauen Stellen ab: Wo genau, und warum

Die 19-%-Zahl braucht eine präzise Lesart, weil sie in der öffentlichen Debatte gerne verkürzt wiedergegeben wird. Sie bezieht sich nicht auf alle befragten Unternehmen, sondern ausschließlich auf die Untergruppe der KI-Nutzer. Von den 41 % aktiven Nutzern haben knapp ein Fünftel bereits Stellen abgebaut – umgerechnet auf die Gesamtstichprobe sind das rund 8 % aller Unternehmen. Das ist immer noch eine erhebliche Zahl, aber eine andere als „jedes fünfte Unternehmen in Deutschland baut wegen KI Stellen ab", wie es mancherorts verkürzt kursiert.

Eine belastbare Branchen- oder Funktionsaufschlüsselung, welche Abteilungen konkret betroffen sind, liefert die Studie nicht – das muss an dieser Stelle transparent bleiben, statt es zu erfinden. Was sich einordnen lässt, sind die Anwendungsfelder, in denen laut Bitkom KI im Unternehmen überhaupt am häufigsten eingesetzt wird: Marketing und Vertrieb führen mit 38 %, Verwaltung und IT folgen mit jeweils rund 30 %. Es liegt nahe, dass sich Stellenabbau eher dort konzentriert, wo KI-Einsatz am intensivsten ist – standardisierte Textarbeit, einfache Kundenanfragen, repetitive Verwaltungsvorgänge –, aber das ist eine plausible Vermutung, kein von Bitkom belegter Zusammenhang.

Bemerkenswert ist außerdem der zeitliche Zusammenhang zur Kostenfrage: Ein Unternehmen, das mit einer Pay-per-Use-Kalkulation in den KI-Rollout gestartet ist und dann eine Kostenüberschreitung von 33 % feststellt, hat naheliegenderweise zwei Stellschrauben, um das Budget wieder ins Lot zu bringen – die Nutzung drosseln oder anderswo sparen. Personal ist in vielen Betrieben die größte variable Kostenposition. Der Verdacht liegt nahe, dass ein Teil der 19-%-Zahl nicht aus geplanter Automatisierungsstrategie stammt, sondern aus einer nachträglichen Budgetkorrektur, nachdem die KI-Rechnung höher ausfiel als gedacht. Auch das ist Einordnung, kein Studienbefund – aber sie passt zu dem, was Kalkulationsfehler bei Pay-per-Use-Modellen typischerweise auslösen.

Konzerne vs. Mittelstand: Die Adoptionslücke bei über 60 % vs. Nachzüglern

Die Bitkom-Zahlen zeigen ein deutliches Gefälle nach Unternehmensgröße. Unternehmen mit 500 oder mehr Mitarbeitenden weisen eine KI-Adoptionsrate von über 60 % auf – deutlich höher als der Gesamtschnitt von 41 %. Der klassische Mittelstand zwischen 20 und 500 Mitarbeitenden hinkt dagegen spürbar hinterher. Diese Einordnung stützt sich auf die Sekundärauswertung von drweb.de zur selben Erhebung und ist damit teilweise, nicht direkt aus der Bitkom-Primärquelle bestätigt.

An dieser Stelle ist Sorgfalt bei der Quellentrennung wichtig, weil zwei unterschiedliche Bitkom-Erhebungen leicht durcheinandergeraten: Die separat kursierende Kennzahl, wonach sich 46 % der Industrieunternehmen selbst als KI-Nachzügler einschätzen, stammt nicht aus der hier besprochenen 604-Unternehmen-Studie zu Kosten und Stellenabbau, sondern aus einer eigenständigen Bitkom-Erhebung zum industriellen Digitalisierungsindex, die im April 2026 zur Hannover Messe veröffentlicht wurde. Beide Studien zeichnen zwar ein konsistentes Gesamtbild – der Mittelstand hängt in der KI-Adoption zurück –, sollten aber nicht als eine einzige Datenquelle behandelt oder in derselben Statistik vermischt werden.

Für die Kostenfrage ergibt sich daraus eine These, die sich sauber begründen, aber nicht abschließend belegen lässt: Der eigentliche Kostenschock steht dem klassischen Mittelstand möglicherweise erst noch bevor. Große Unternehmen mit über 60 % Adoptionsquote haben bereits Erfahrungswerte, eigene Einkaufsmacht gegenüber Anbietern und in der Regel dedizierte IT-Beschaffung, die Verträge kritischer prüft. Mittelständische Betriebe, die jetzt erst nachziehen, treffen häufig auf dieselben Pay-per-Use-Angebote, aber mit weniger Verhandlungsmasse und häufig ohne eigene KI-Kostenexpertise im Haus. Wenn die Adoptionskurve im Mittelstand in den kommenden zwei Jahren aufholt, ist zu erwarten, dass die 33-%-Kostenüberschreitungsquote in dieser Gruppe eher steigt als fällt – schlicht, weil die Lerneffekte der Vorreiter dort noch fehlen.

Die häufigsten Kalkulationsfehler bei Cloud-KI-Abos

Aus der Projektpraxis lassen sich fünf wiederkehrende Fehler benennen, die für einen erheblichen Teil der Kostenüberschreitungen verantwortlich sind – unabhängig davon, welcher Anteil davon exakt auf die Bitkom-33-%-Zahl entfällt:

• Keine Obergrenze für Token-Verbrauch. Viele Verträge werden ohne technisches oder vertragliches Cap abgeschlossen. Ohne harte Obergrenze gibt es keinen automatischen Stopp, wenn ein fehlerhafter Prompt-Loop oder ein unerwartet beliebter Anwendungsfall den Verbrauch explodieren lässt.
• Pilot-Kosten linear auf Vollbetrieb hochgerechnet. Die Rechnung „Pilot mit 10 Nutzern kostet X, also kostet Vollbetrieb mit 200 Nutzern das Zwanzigfache" ignoriert, dass Nutzungsintensität mit Vertrautheit steigt und dass Vollbetrieb zusätzliche Anwendungsfälle erschließt, die im Pilot noch gar nicht getestet wurden.
• Integrations- und Wartungsaufwand unterschätzt. Laufende Prompt-Pflege, Modell-Updates, Anpassung an geänderte API-Preise und Support binden dauerhaft Personal – Kosten, die in der ursprünglichen ROI-Rechnung selten als wiederkehrender Posten auftauchen.
• Wechselkosten und Lock-in ignoriert. Wer Prompts, Workflows und Datenanbindungen tief in eine proprietäre Plattform integriert, zahlt beim Anbieterwechsel eine Ablösesumme, die im Erstvertrag nirgends steht, aber real ist, sobald der Preis steigt oder das Modell abgekündigt wird.
• Kein laufendes Kosten-Monitoring. Ohne dedizierte Instanz, die Nutzung und Rechnung monatlich gegen Budget abgleicht, fällt eine schleichende Kostensteigerung häufig erst bei der Quartalsabrechnung auf – wenn der Rahmen bereits überschritten ist.

On-Premise als Kalkulationssicherheit: Fixkosten statt Preisschock

Eine der strukturellen Antworten auf die Pay-per-Use-Kalkulationsfalle ist der Wechsel des Kostenmodells selbst: On-Premise-Betrieb ersetzt nutzungsabhängige laufende Kosten durch eine einmalige Investition in Hardware und Lizenzen plus planbare Betriebskosten. Wer die Inferenz auf eigener GPU-Infrastruktur betreibt, zahlt für den tausendsten Prompt im Monat nicht mehr als für den ersten – die Grenzkosten pro Anfrage sinken mit steigender Auslastung gegen null, statt linear mit dem Anbieterpreis weiterzulaufen. Das ist der Kern des unteren Diagramms im Aufmacherbild dieses Beitrags: Während die Cloud-Rechnung mit wachsender Nutzung ansteigt, bleibt die On-Premise-Kostenlinie über den Zeitverlauf nahezu flach.

Wichtig für eine seriöse Einordnung: On-Premise ist eine von mehreren Optionen, kein Allheilmittel. Die Gesamtbetriebskosten (Total Cost of Ownership) müssen ehrlich gerechnet werden – inklusive Anschaffung der GPU-Server, Stromverbrauch, Kühlung, Wartung, Ersatzteil-Vorhaltung und der Personalkapazität, die den Betrieb verantwortet. Bei niedrigem, unregelmäßigem Nutzungsvolumen kann ein Cloud-Abo weiterhin günstiger sein, weil die Fixkosten der eigenen Hardware nicht ausgelastet werden. Der Umschlagpunkt hängt vom tatsächlichen Anfragevolumen, vom benötigten Durchsatz und von der Nutzungsdauer der Hardware ab – Faustregel aus der Projektpraxis ist ein Zeithorizont von drei bis vier Jahren, ab dem sich eine mittlere GPU-Serverinvestition gegenüber einem vergleichbaren Cloud-Volumen amortisiert.

Aspekt	Cloud Pay-per-Use	On-Premise-Betrieb
Kostenverlauf bei Nutzungswachstum	steigt linear bis progressiv mit Volumen	weitgehend flach nach Investition
Planungssicherheit im Budget	gering bis mittel, abhängig von Nutzung	hoch, Fixkosten kalkulierbar
Vorabinvestition	niedrig bis keine	mittel bis hoch (Hardware, Lizenzen)
DSGVO / Datenverbleib	abhängig von Anbieter und Standort	Daten bleiben im eigenen Haus
Wirtschaftlich sinnvoll ab	niedrigem, unregelmäßigem Volumen	konstant hohem Anfragevolumen

Der zusätzliche Datenschutzvorteil ist real, sollte aber nicht als alleiniges Argument stehen: Wer On-Premise ausschließlich wegen der DSGVO wählt und dabei die tatsächlichen Betriebskosten schönrechnet, begeht denselben Kalkulationsfehler nur in umgekehrter Richtung. Eine seriöse Gegenüberstellung rechnet beide Modelle über denselben Nutzungshorizont und dieselbe Nutzerzahl – nicht Bestpreis-Cloud gegen Worst-Case-Hardware oder umgekehrt.

Handlungsempfehlungen: So vermeiden Mittelständler die Kostenfalle

Aus den vorangegangenen Abschnitten lassen sich fünf konkrete Schritte ableiten, die sich vor jedem KI-Rollout durchführen lassen:

1. Pilotphase mit realistischem Nutzungsvolumen kalkulieren. Nicht mit acht Testnutzern und einfachen Fragen, sondern mit einem repräsentativen Ausschnitt der späteren Produktivnutzung, einschließlich typischer RAG-Kontextlängen und Spitzenlast.
2. TCO-Rechner statt Bauchgefühl nutzen. Eine strukturierte Gegenüberstellung von Cloud- und On-Premise-Gesamtkosten über drei bis vier Jahre deckt Fehlannahmen auf, bevor sie zum Vertrag werden.
3. Kostenobergrenzen vertraglich fixieren. Ein hartes Nutzungs-Cap mit automatischer Benachrichtigung ist güns­tiger als eine böse Überraschung auf der Quartalsrechnung.
4. On-Premise-Option parallel prüfen, nicht nachträglich. Ein Make-or-Buy-Vergleich gehört in die Angebotsphase, nicht in die Krisensitzung, wenn die Cloud-Rechnung bereits explodiert ist.
5. Mitarbeiter frühzeitig einbinden statt Stellenabbau als erste Reaktion. Wer Teams in die Auswahl und Ausgestaltung des KI-Einsatzes einbezieht, findet häufiger produktivitätssteigernde statt personalersetzende Anwendungsfälle – und vermeidet die Akzeptanzprobleme, die überstürzte Automatisierungsentscheidungen regelmäßig auslösen.

Fazit: KI-Kosten realistisch planen statt Stellen abbauen

Die Bitkom-Studie 2026 liefert zwei Botschaften, und beide sind wahr. Die Adoption von KI im deutschen Mittelstand wächst real und schnell – von 17 % auf 41 % innerhalb eines Jahres ist ein Wert, den kaum eine andere Technologie in vergleichbarer Geschwindigkeit erreicht hat. Gleichzeitig zeigt dieselbe Erhebung, dass ein Drittel der Nutzer die Kosten falsch eingeschätzt hat und ein Fünftel davon bereits mit Personalabbau reagiert hat. Der unterschätzte Erfolgsfaktor ist nicht die Technologieauswahl, sondern die Kostenkontrolle vor dem Rollout.

Für Geschäftsführer im Mittelstand heißt das konkret: Eine seriöse TCO-Kalkulation, ein realistischer Pilotmaßstab und eine ehrliche Prüfung der On-Premise-Alternative kosten deutlich weniger Zeit und Geld, als eine nachträgliche Budgetkorrektur im laufenden Betrieb – und sie verhindern, dass Personalabbau zur ersten statt zur letzten Reaktion auf eine falsch kalkulierte KI-Rechnung wird. Wer diese Kalkulation nicht selbst im Haus abbilden kann, sollte sie sich extern absichern lassen, bevor der Vertrag unterschrieben ist, nicht danach.

Quellen & Primärbelege

Alle Zahlen, Fristen und Studienangaben in diesem Beitrag wurden vor der Veröffentlichung gegen die folgenden Quellen geprüft.

1. drweb.de: Bitkom-Zahlen 2026 Existiert und ist inhaltlich passend; bestätigt 41 %/17 %, 33 %, 19 %, Stichprobe 604 Unternehmen, sowie Adoptionsgefälle Großunternehmen (>60 %) vs. Mittelstand. Als Quelle geeignet.
2. Skill Sprinters: Bitkom-Studie 2026 Existiert, referenziert dieselben Kernzahlen (41 %/33 %) und liefert Zusatzkontext (48 % planen KI, 21 % haben KI-Strategie). Als Sekundärquelle geeignet.
3. CollectiveBrain: Bitkom KI-Nachzügler Existiert, behandelt aber eine andere Bitkom-Erhebung zum Industrie-Digitalisierungsindex (46 % sehen sich als Nachzügler, publiziert auf der Hannover Messe April 2026) – nicht dieselbe 604-Unternehmen-Studie zu 41 %/33 %/19 %. Im Artikel explizit als separate, ergänzende Bitkom-Quelle gekennzeichnet.
4. Bitkom e.V. Presseinformation (Primärquelle) Offizielle Bitkom-Pressemitteilung zur zugrundeliegenden Studie; zusätzliche Primärquelle neben den drei genannten Sekundärquellen zur direkten Belegung der Zahlen.

Häufig gestellte Fragen zur Bitkom-Kostenstudie 2026

Stimmen die Bitkom-Zahlen 41 % Nutzung und 19 % Stellenabbau wirklich?

Ja. Beide Zahlen stammen aus derselben Bitkom-Studie 2026, einer repräsentativen Telefonbefragung von 604 Unternehmen ab 20 Mitarbeitenden in den Kalenderwochen 2 bis 6 des Jahres. 41 % der Unternehmen nutzen KI aktiv (2025: 17 %), und unter den KI-Nutzern geben 19 % an, deswegen bereits Stellen abgebaut zu haben – beide Werte sind offiziell von Bitkom bestätigt und werden unter anderem von drweb.de und Skill Sprinters unabhängig referenziert.

Warum wird KI für 33 % der Unternehmen teurer als erwartet?

Die Bitkom-Studie nennt keine Einzelursachen, doch Marktbeobachter wie drweb.de führen es auf versteckte Kosten bei Pay-per-Use-Modellen zurück: unvorhersehbarer Token-Verbrauch, GPU-Hosting-Gebühren und Integrationsaufwand, die in der ursprünglichen Kalkulation meist fehlen – nicht die reinen Softwarelizenzen.

Betrifft der Stellenabbau vor allem Konzerne oder den Mittelstand?

Die Studie selbst schlüsselt Stellenabbau nicht nach Unternehmensgröße auf. Klar ist aber: Unternehmen ab 500 Mitarbeitenden haben mit über 60 % eine deutlich höhere KI-Adoptionsrate als der klassische Mittelstand (20-500 MA), der laut Bitkom mehrheitlich noch als Nachzügler gilt – das Kostenrisiko trifft also aktuell eher die fortgeschritteneren, meist größeren Nutzer.

Wie lässt sich die Kostenfalle bei KI-Projekten vermeiden?

Zentral ist eine realistische TCO-Kalkulation vor dem Rollout: Token-Verbrauch im Pilotbetrieb messen, Kosten pro Anwendungsfall hochrechnen und Fixkosten-Alternativen wie On-Premise-Betrieb gegenrechnen, bei denen die Inferenzkosten nicht mit jeder Anfrage weiter steigen.