SAP erwartet 24 % KI-Rendite 2026 - McKinsey sagt: nur 6 % schöpfen sie wirklich ab

Kurz gefasst: Zwei Studien, eine Erwartungslücke

Zwei Erhebungen aus Juli 2026 zeichnen gemeinsam ein Bild, das sich nicht schönreden lässt, aber auch nicht überraschen sollte: Die Zuversicht in KI-Investitionen wächst schneller als der belegbare finanzielle Nutzen. Für die schnelle Einordnung die zentralen Zahlen im Überblick:

• SAP/Oxford Economics ("The SAP Value of AI Report 2026"): Deutsche Unternehmen erwarten 2026 im Schnitt 24 % ROI aus KI-Investitionen, gegenüber 17 % im Vorjahr. Geplantes Investitionsvolumen: rund 35 Mio. Euro pro Unternehmen – deutlich über dem globalen Schnitt von etwa 24 Mio. Euro.
• Agentische KI: Erwarteter ROI von rund 18 Mio. Euro innerhalb von zwei Jahren, mehr als das Vierfache der Vorjahresschätzung von rund 4 Mio. Euro. Gleichzeitig fühlen sich nur rund 4 % der befragten Unternehmen vollständig gerüstet für den produktiven Einsatz von KI-Agenten.
• McKinsey ("The State of AI: Global Survey 2026", 1.719 Leader weltweit): Nur 37 % schreiben KI überhaupt einen EBIT-Effekt zu – ein Wert, der seit 2025 stagniert. Nur 6 % gelten als "AI High Performer" mit signifikantem, belegtem finanziellen Effekt.
• Kernthese dieses Beitrags: Die Erwartung an KI-Rendite wächst 2026 schneller, als sie sich in nachweisbaren Ergebnissen niederschlägt. Diese Lücke ist keine Randnotiz, sondern der eigentliche Befund beider Studien.

Beide Erhebungen widersprechen sich dabei nicht – sie messen unterschiedliche Dinge zu unterschiedlichen Zeitpunkten im Investitionszyklus. SAP fragt Entscheider nach ihrer Erwartung für das laufende Jahr, McKinsey fragt nach dem tatsächlich messbaren, der Geschäftsleitung gegenüber vertretbaren Ergebnis. Genau im Abstand zwischen diesen beiden Antworten liegt die Geschichte, die 2026 erzählt werden muss.

Die SAP/Oxford-Economics-Zahlen im Detail

Der "SAP Value of AI Report 2026" wurde gemeinsam mit Oxford Economics erstellt und im Juli 2026 veröffentlicht. Grundlage ist eine Befragung von 2.600 Führungskräften aus 13 Ländern, darunter 200 Entscheider aus Deutschland – groß genug, um belastbare Trendaussagen zuzulassen, aber mit einer Stichprobenzusammensetzung, die tendenziell größere Organisationen erfasst, wie sich am Investitionsvolumen leicht ablesen lässt.

Die zentrale Zahl: Deutsche Unternehmen erwarten für 2026 im Durchschnitt eine Rendite von 24 % auf ihre KI-Investitionen. Im Vorjahr lag dieser Wert noch bei 17 %. Ein Sprung von 7 Prozentpunkten innerhalb von zwölf Monaten ist kein marginales Rauschen – er signalisiert, dass sich die Erwartungshaltung der Entscheiderebene binnen eines Jahres um mehr als 40 % relativ verschoben hat. Zum Vergleich: Selbst optimistische IT-Investitionsklassen wie ERP-Modernisierung oder Cloud-Migration bewegen sich bei ROI-Erwartungen üblicherweise in deutlich ruhigeren Bahnen.

Parallel dazu wächst das geplante Investitionsvolumen. Deutsche Unternehmen planen laut Studie mit rund 35 Mio. Euro pro Unternehmen für KI – deutlich über dem globalen Durchschnitt von etwa 24 Mio. Euro. Für den deutschen Mittelstand mit typischerweise 50 bis 500 Mitarbeitern sind Summen dieser Größenordnung unrealistisch; sie deuten darauf hin, dass die befragte deutsche Teilstichprobe überproportional aus Konzernen und gehobenem Mittelstand mit eigener IT- und Digitalisierungsabteilung besteht. Das schmälert die Aussagekraft der Erwartungswerte nicht – ROI-Prozentsätze sind größenunabhängig –, relativiert aber die absoluten Investitionssummen für kleinere Betriebe. Wer mit 5 bis 8-stelligen Investitionsbudgets plant statt mit siebenstelligen, sollte die 35-Mio.-Zahl als Signal für die Investitionsrichtung lesen, nicht als Blaupause für die eigene Bilanz.

Merkmal	SAP / Oxford Economics 2026	McKinsey State of AI 2026
Stichprobe	2.600 Executives, 13 Länder, davon 200 aus Deutschland	1.719 Leader weltweit
Fokus der Erhebung	ROI-Erwartung und Investitionsplanung	Tatsächlich realisierter EBIT-Effekt
Kernzahl	24 % erwarteter ROI (DE), 17 % im Vorjahr	6 % "AI High Performer", 37 % mit EBIT-Effekt
Geografischer Bezug	Deutschland-Teilstichprobe ausgewertet	Global, keine DE-spezifische Auswertung
Veröffentlicht	Juli 2026	2026 (laufende Erhebungsreihe)

Agentische KI: Vierfacher Erwartungssprung, aber kaum Vorbereitung

Der auffälligste Einzelwert der SAP-Studie betrifft nicht generative KI im Allgemeinen, sondern konkret agentische KI: Deutsche Unternehmen erwarten aus Agenten-Projekten innerhalb der nächsten zwei Jahre einen ROI von rund 18 Mio. Euro – mehr als das Vierfache der Vorjahresschätzung von rund 4 Mio. Euro. Eine Vervierfachung der Erwartung binnen zwölf Monaten ist ein Ausschlag, den man normalerweise bei jungen, noch unbewiesenen Technologiekategorien sieht, nicht bei etablierten IT-Investitionen.

Dem steht ein Befund gegenüber, der in der öffentlichen Berichterstattung regelmäßig untergeht: Rund 90 % der befragten deutschen Unternehmen sehen zwar grundlegendes Transformationspotenzial durch agentische KI – aber nur etwa 4 % fühlen sich für den produktiven Einsatz von KI-Agenten tatsächlich gerüstet. Zwischen "wir glauben daran" und "wir können es sicher betreiben" liegt eine Lücke von rund 86 Prozentpunkten. Das ist die eigentliche Kennzahl dieses Abschnitts, nicht die 18 Mio. Euro.

Die Konsequenz für die Investitionsplanung: Wer die 18-Mio.-Erwartung eins zu eins in eine Rollout-Roadmap übersetzt, ohne die Governance-Frage vorher zu klären, baut auf einer Zahl auf, die von 96 % der Vergleichsunternehmen selbst nicht für erreichbar gehalten wird. Genau hier entscheidet sich in den kommenden Quartalen, welche Organisationen zu den wenigen zählen, die tatsächlich realisieren, was sie budgetieren.

McKinsey State of AI 2026: Das nüchterne Gegenstück

McKinseys "The State of AI: Global Survey 2026" befragte 1.719 Führungskräfte weltweit – eine globale Erhebung ohne gesonderten Deutschland-Fokus, aber gerade deshalb ein nützlicher Kontrapunkt zur SAP-Studie: Sie misst nicht Erwartung, sondern Ergebnis.

Das zentrale Resultat: Nur 37 % der befragten Unternehmen schreiben KI überhaupt einen Effekt auf das EBIT zu – irgendeinen, nicht notwendigerweise einen großen. Dieser Wert ist gegenüber der Vorjahreserhebung nicht gestiegen. Nach mehreren Jahren generativer KI im Unternehmenseinsatz, nach Milliardeninvestitionen weltweit, bleibt die Mehrheit der Organisationen bei der Frage "Hat sich das finanziell bemerkbar gemacht?" bei einem Nein.

Noch schärfer wird der Kontrast bei der Definition von McKinseys "AI High Performern": Unternehmen, die mindestens 5 % ihres EBIT der KI-Nutzung zuschreiben und deren Effekt als signifikant beschreiben. Diese Gruppe umfasst gerade einmal 6 % aller Befragten – ebenfalls ein Wert, der seit 2025 flach geblieben ist. Zwei Jahre in Folge dieselbe Größenordnung bedeutet: Es handelt sich nicht um einen vorübergehenden Einschwingprozess, sondern um eine strukturelle Hürde, die die meisten Organisationen bislang nicht überwunden haben.

Ein zusätzlicher Befund liefert die plausibelste Erklärung für die Diskrepanz zwischen individuellem Erleben und Unternehmenszahlen: 80 % der Befragten berichten von einer spürbar verbesserten individuellen Produktivität durch KI. Trotzdem übersetzt sich das bei der großen Mehrheit nicht in einen organisationsweiten, bilanzwirksamen Effekt. Dieses Muster – spürbarer Nutzen auf Arbeitsplatzebene, ausbleibender Nutzen auf Unternehmensebene – ist als Produktivitätsparadox aus früheren IT-Wellen bekannt und wiederholt sich bei generativer und agentischer KI in nahezu identischer Form: Einzelne Mitarbeitende sparen Zeit, aber niemand strukturiert die freigewordene Kapazität so um, dass daraus ein Ergebnis wird, das in der Gewinn- und Verlustrechnung sichtbar ist.

Warum ROI-Erwartung und Realisierung auseinanderfallen

Die Erwartungslücke zwischen 24 % geplanter Rendite und 6 % tatsächlich nachweisbarer Spitzenleistung hat keine einzelne Ursache, sondern entsteht aus dem Zusammenspiel mehrerer, gut dokumentierter Muster:

• Die Pilotitis-Falle. Proof-of-Concepts werden erfolgreich abgeschlossen, aber selten in die Fläche skaliert. Ein Pilot mit fünf Nutzern beweist technische Machbarkeit, nicht organisationsweiten Nutzen – trotzdem wird sein Ergebnis in Vorstandspräsentationen häufig hochgerechnet, als wäre es bereits Rollout-Realität.
• Fehlende Workflow-Neugestaltung. Laut McKinsey haben High Performer ihre Arbeitsabläufe fast dreimal häufiger fundamental neu gestaltet als der Durchschnitt. Wer ein KI-Werkzeug lediglich in einen unveränderten Prozess einfügt, erhält bestenfalls marginale Effizienzgewinne – der eigentliche Hebel liegt im Redesign, nicht im Tool.
• Fehlende Data-Readiness. Ein Modell, das auf unvollständigen, veralteten oder in Silos verteilten Daten operiert, liefert Ergebnisse mit entsprechender Unsicherheit – bis hin zu Halluzinationen, die in produktiven Prozessen teurer sind als der ursprüngliche manuelle Aufwand.
• Governance-Lücken bei Agenten. Wie im vorigen Abschnitt gezeigt, wird agentische KI ohne belastbare Guardrails, Zugriffsrechte-Konzept und Monitoring zum Risiko statt zum Renditetreiber – ein Agent, der falsch handelt, verursacht reale Kosten, nicht nur falsche Antworten.
• Fehlendes Change Management. Technologie-Rollouts scheitern regelmäßig nicht an der Technik, sondern an Akzeptanz, Schulung und der stillen Weiternutzung alter Prozesse parallel zum neuen System.

Bemerkenswert ist die deutsche Ausgangslage in diesem Muster: hohe Investitionsbereitschaft (35 Mio. Euro im Schnitt, deutlich über dem globalen Wert) trifft auf dieselben strukturellen Realisierungshürden wie überall sonst. Kapital allein löst keines der fünf genannten Probleme – es verschiebt lediglich, wie teuer eine ausbleibende Realisierung am Ende wird.

Was die 6 % AI High Performer anders machen

McKinsey liefert für die kleine Gruppe der High Performer eine ungewöhnlich konkrete Merkmalsliste – konkret genug, um daraus tatsächlich Handlungspunkte abzuleiten, statt nur eine weitere Erfolgsgeschichte zu erzählen.

Merkmal	AI High Performer (6 %)	Übrige Unternehmen (94 %)
Workflows fundamental neu gestaltet	≈ 75 %	≈ 25 %
Plant fundamentale Transformation binnen 3 Jahren	3,3x häufiger	Referenzwert
>15 % des IT-Budgets für KI	>2x häufiger	Referenzwert
Definierte Prozesse zur Wirkungsmessung	2x häufiger	Referenzwert

Kein einzelnes Merkmal in dieser Tabelle ist überraschend. Bemerkenswert ist die Kombination: High Performer verändern nicht nur, was sie mit KI tun, sondern wie ihre Organisation um KI herum strukturiert ist – Budget, Prozesse, Messbarkeit und strategische Ausrichtung ziehen gemeinsam in dieselbe Richtung. Ein einzelnes gutes KI-Projekt reicht nicht; es braucht eine Organisation, die dafür gebaut ist, aus Projekten wiederholbaren Nutzen zu ziehen.

Die praktische Schlussfolgerung ist unbequem, aber eindeutig: Erfolg mit KI ist zu einem großen Teil eine Frage struktureller Verankerung, nicht der Modellwahl oder der Toolauswahl. Ein Unternehmen, das das leistungsfähigste verfügbare Modell einsetzt, aber weder Workflows anpasst noch Wirkung misst, wird mit hoher Wahrscheinlichkeit bei den 94 % landen – unabhängig vom technischen Anspruch der eingesetzten Systeme.

Kontrolle über Daten und Modelle als Realisierungshebel

Ein Teil der niedrigen Realisierungsquote lässt sich auf einen Faktor zurückführen, der in beiden Studien nicht im Zentrum steht, aber in der Beratungspraxis regelmäßig auftaucht: mangelnde Kontrolle über die eingesetzten KI-Systeme. Wer Modelle über externe Cloud-APIs bezieht, deren interne Funktionsweise eine Blackbox bleibt, tut sich schwerer, die von McKinsey als High-Performer-Merkmal identifizierten "definierten Prozesse zur Wirkungsmessung" tatsächlich umzusetzen – schlicht, weil Logging-Tiefe, Zugriffskontrollen und Auswertungsmöglichkeiten von den Vorgaben des Anbieters abhängen, nicht vom eigenen Bedarf.

On-Premise oder anderweitig souverän betriebene KI-Systeme kehren dieses Verhältnis um: Monitoring, Guardrails und Auswertungslogik liegen vollständig in der eigenen Hand. Das ist kein Selbstzweck, sondern eine direkte Voraussetzung für genau die Disziplin, die laut McKinsey zwischen High Performern und dem Rest unterscheidet – wer jeden Agentenaufruf, jede Modellantwort und jede Eskalation lückenlos protokollieren kann, hat die Datenbasis für belastbare Wirkungsmessung von Anfang an, statt sie nachträglich aus fremden API-Logs rekonstruieren zu müssen. Auch die im vorigen Abschnitt beschriebene Agent-Orchestration lässt sich mit granularen, selbst definierten Zugriffsrechten und Sandbox-Umgebungen deutlich enger führen als in einem geteilten Cloud-Dienst.

Das ist ausdrücklich kein Automatismus: On-Premise-Betrieb ersetzt weder Workflow-Redesign noch Change Management noch definierte Messprozesse – er schafft lediglich die technische Voraussetzung, diese Disziplinen sauber umzusetzen, wo Compliance-Anforderungen, Datensensibilität oder Kontrollbedarf hoch sind. Für Unternehmen, die ohnehin aus regulatorischen Gründen (etwa im Umfeld des EU AI Act) genaue Nachweise über ihre KI-Systeme führen müssen, fällt dieser Aufwand mit dem Aufbau der Wirkungsmessung zusammen – ein Grund mehr, beides gemeinsam zu planen statt nacheinander.

Handlungsempfehlungen: Von der Erwartung zur Realisierung

Aus den Befunden beider Studien lassen sich fünf konkrete Schritte für Unternehmen ableiten, die 2026 nicht bei der Erwartung stehen bleiben wollen:

1. Realistische ROI-Baseline statt Studien-Durchschnitt. 24 % ist ein Erwartungswert von Führungskräften, kein garantierter Zielkorridor. Planen Sie mit einer konservativen Baseline, die auf Ihrer eigenen Datenlage, Prozessreife und Branchensituation beruht – nicht auf dem Mittelwert einer internationalen Umfrage.
2. Agenten-Pilotprojekte mit klarer Governance statt Vollausrollung. Definieren Sie vor dem produktiven Start Freigabegrenzen, Eskalationspfade und eine Sandbox-Phase mit begrenztem Nutzerkreis. Ein Agent, der erst nach dem Fehler korrigiert wird, ist teurer als einer, der von Anfang an begrenzt läuft.
3. Workflow-Redesign vor Tool-Kauf. Fragen Sie zuerst, welcher Arbeitsablauf sich grundlegend ändern soll, und erst danach, welches Werkzeug dafür passt. Die McKinsey-Zahlen zeigen unmissverständlich, dass die Reihenfolge über Erfolg oder Misserfolg entscheidet.
4. Wirkungsmessung und KPIs vor dem Rollout definieren. Legen Sie fest, welche Kennzahl den EBIT-Bezug herstellt, bevor das System live geht – nicht danach, wenn die Zahlen bereits zur Rechtfertigung gebraucht werden.
5. On-Premise-Betrieb prüfen, wo Compliance oder Datensensibilität hoch sind. Nicht jedes Projekt braucht Datenkontrolle im eigenen Haus – aber überall dort, wo Kundendaten, geistiges Eigentum oder regulatorische Nachweispflichten im Spiel sind, verkürzt es den Weg zu belastbarer Wirkungsmessung erheblich.

Wer diese fünf Punkte in dieser Reihenfolge abarbeitet, bewegt sich strukturell in Richtung der Merkmale, die laut McKinsey die 6 % High Performer von den übrigen 94 % unterscheiden – unabhängig davon, welches Modell oder welcher Anbieter am Ende zum Einsatz kommt.

Fazit: Erwartungslücke als Weckruf, nicht als Bremse

Die Zahlen aus beiden Studien lassen sich in einem Satz zusammenfassen: Deutsche Unternehmen sind 2026 bereit, mehr in KI zu investieren und mehr davon zu erwarten als je zuvor – während weltweit nur eine kleine Minderheit belegen kann, dass sich dieser Optimismus finanziell auszahlt. 24 % erwarteter ROI, 35 Mio. Euro geplantes Investitionsvolumen und ein vervierfachter Erwartungswert für agentische KI treffen auf 37 % mit überhaupt nachweisbarem EBIT-Effekt und 6 % echte High Performer.

Eine Erwartungslücke dieser Größenordnung ist für eine neue Technologiewelle nicht ungewöhnlich – frühere IT-Transformationen zeigten ähnliche Muster zwischen Ankündigung und Ergebnis. Ungewöhnlich wäre es, diese Lücke zu ignorieren, statt sie als Ausgangspunkt für die eigene Planung zu nutzen. Die Unternehmen, die jetzt in Workflow-Redesign, Governance für Agenten, belastbare Wirkungsmessung und – wo angebracht – in Kontrolle über die eigene KI-Infrastruktur investieren, verschaffen sich einen strukturellen Vorsprung, bevor der nächste Erhebungszyklus 2027 zeigt, ob sich die 6-Prozent-Quote überhaupt bewegt hat.

Quellen & Primärbelege

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

1. SAP News: KI-Studie 2026 (deutsch) Bestätigt - Originalquelle für 24 % ROI, 17 % Vorjahr, 35 Mio. Euro Investitionsplan, Agentic-KI-ROI 18 Mio. Euro.
2. SAP/Oxford Economics: Value of AI Report 2026 (Originalstudie) Tatsächlich existierende SAP-Dokumentquelle zur Studie.
3. ad-hoc-news: 24 % ROI-Erwartung Bestätigt - existiert, Inhalt deckt sich mit SAP-Zahlen.
4. McKinsey: The State of AI - Global Survey 2026 Bestätigt - Quelle für 1.719 Leader, 37 % EBIT-Zuschreibung, 6 % AI High Performer.
5. SAP News (englisch): Business Value of AI Is Spiking Zusätzliche Quelle zur Absicherung internationaler Vergleichszahlen (globaler Investitionsschnitt ca. 24 Mio. Euro vs. 35 Mio. Euro in Deutschland).

Häufig gestellte Fragen zur KI-ROI-Erwartungslücke

Woher stammt die Zahl von 24 % erwarteter KI-Rendite für deutsche Unternehmen?

Sie stammt aus dem "SAP Value of AI Report 2026", erstellt gemeinsam mit Oxford Economics. Befragt wurden 2.600 Führungskräfte aus 13 Ländern, darunter 200 Entscheider aus Deutschland. Die deutschen Teilnehmer erwarten für 2026 im Schnitt 24 % ROI aus ihren KI-Investitionen – ein deutlicher Sprung gegenüber 17 % im Vorjahr.

Widersprechen sich die SAP- und die McKinsey-Studie?

Nicht direkt, sie messen unterschiedliche Dinge. SAP fragt nach der ROI-Erwartung von Entscheidern für die eigene Organisation, McKinsey fragt nach dem tatsächlich nachweisbaren EBIT-Effekt über 1.719 Leader weltweit. Die Kombination zeigt aber eine reale Erwartungslücke: hohe Zuversicht (24 % erwarteter ROI) trifft auf eine ernüchternde Realisierungsquote (nur 6 % "AI High Performer", nur 37 % mit überhaupt messbarem EBIT-Effekt).

Was unterscheidet die 6 % "AI High Performer" laut McKinsey von den anderen?

Laut McKinsey haben AI High Performer ihre Workflows fundamental neu gestaltet (fast 75 % vs. 25 % bei anderen), planen 3,3x häufiger eine grundlegende Transformation des Geschäftsmodells binnen drei Jahren, geben mehr als doppelt so oft über 15 % ihres IT-Budgets für KI aus und verfügen doppelt so häufig über definierte Prozesse zur Wirkungsmessung von KI-Initiativen.

Warum bleibt die Realisierungsquote bei agentischer KI besonders niedrig?

Laut SAP-Studie sehen rund 90 % der befragten deutschen Unternehmen grundlegendes Transformationspotenzial durch agentische KI, doch nur etwa 4 % fühlen sich für den produktiven Einsatz von KI-Agenten tatsächlich gerüstet. Der erwartete ROI aus Agenten-Projekten in Deutschland liegt für die nächsten zwei Jahre bei rund 18 Mio. Euro – mehr als das Vierfache der Vorjahresschätzung –, was zeigt, dass die Erwartungen schneller wachsen als die organisatorische und technische Reife (Governance, Datenqualität, Sicherheit, Betriebsmodell).