Laut McKinseys „State of AI in 2025“-Studie (Befragungszeitraum: 25. Juni bis 29. Juli 2025) erzielt die Mehrheit der Unternehmen trotz gestiegener KI-Effizienz und zunehmender agentischer KI-Nutzung noch keine messbaren Gewinnsteigerungen oder erfolgreiche Skalierung. Für Entscheider in B2B-Unternehmen bedeutet das: KI-Investitionen allein reichen nicht aus. McKinsey betont, dass hybride Intelligenz, also die Kombination aus KI und menschlichem Fachwissen, entscheidend ist, um Skalierungshürden zu überwinden. Wer jetzt keine klare Implementierungsstrategie verfolgt, riskiert, Effizienzgewinne nicht in Ergebniswachstum umzuwandeln.

McKinsey AI Index 2025: Warum die Mehrheit der Unternehmen trotz KI-Investitionen noch keine Gewinnsteigerung erzielt

Die meisten Unternehmen setzen inzwischen auf Künstliche Intelligenz, doch laut McKinseys Jahresbericht zur KI 2025 erzielt die Mehrheit von ihnen noch keine messbaren Gewinnsteigerungen und schafft es nicht, KI-Anwendungen im größeren Maßstab zu skalieren. Das ist das zentrale Ergebnis der Studie “The State of AI in 2025: Agents, Innovation, and Transformation”, für die McKinsey zwischen dem 25. Juni und dem 29. Juli 2025 eine gewichtete Online-Umfrage unter Teilnehmenden aus zahlreichen Regionen, Branchen und Unternehmensgrößen durchgeführt hat.

Effizienzgewinne ja, Gewinnwachstum nein

Die Studie beschreibt ein wiederkehrendes Muster: Unternehmen berichten von Effizienzverbesserungen, etwa kürzeren Bearbeitungszeiten oder reduzierten Prozesskosten, doch diese Einsparungen schlagen sich bislang bei den meisten Befragten nicht in einer messbaren Gewinnsteigerung nieder. Die Lücke zwischen operativer Verbesserung und finanzieller Wirkung bleibt ein zentrales Problem der KI-Implementierung.

Parallel dazu beobachtet McKinsey einen deutlichen Trend hin zu agentischen KI-Systemen, also Anwendungen, die eigenständig Aufgaben planen und ausführen können. Roman Belotserkovskiy, der bei McKinsey die globale Neuausrichtung des Beschaffungswesens leitet, begleitet nach eigenen Angaben mehrere Fortune-500-Unternehmen dabei, agentische KI in Bereichen wie Einkauf, Verhandlung und Werterhalt einzubetten. Als konkrete Effekte nennt er verkürzte Durchlaufzeiten, verbesserte Compliance und eine stärkere strategische Ausrichtung der Teams.

Skalierung bleibt die eigentliche Hürde

McKinsey identifiziert die Skalierung als das entscheidende Hindernis. Einzelne Pilotprojekte liefern Ergebnisse, die Ausweitung auf das gesamte Unternehmen gelingt jedoch selten. Laut der Studie setzen erfolgreiche Unternehmen auf hybride Intelligenz: Sie kombinieren KI-Lösungen mit menschlichem Fachwissen und behalten einen “Human in the Loop” bei der Entwicklung und Umsetzung von KI-Systemen. Diese Einbindung menschlicher Expertise gilt McKinsey zufolge als entscheidend für nachhaltige Wirkung.

Externe Beobachtungsdaten aus Frankreich zeigen gemischtes Bild

Ein separater, nicht von McKinsey stammender Datensatz ergänzt die Debatte mit konkreten Zahlen: Denis Atlan (ENDKOO) hat auf GitHub einen selbst publizierten, nicht peer-reviewten Beobachtungsdatensatz zu 200 B2B-KI-Implementierungen in Frankreich aus den Jahren 2022 bis 2025 veröffentlicht. Der Datensatz weist einen medianen Jahresgewinn von 159,8 Prozent des Investitionswertes (1,60x) für die 165 Deployments aus, die in den produktiven Betrieb überführt wurden. Über den gesamten Datensatz inklusive Misserfolge liegt der Medianwert bei 127,4 Prozent (1,27x). Die Produktionsrate beträgt 82,5 Prozent, die 12-Monats-Profitabilitätsrate 60,5 Prozent. Wichtig: Der Autor war nach eigener Aussage bei der Mehrheit der dokumentierten Implementierungen selbst als Berater oder Dienstleister beteiligt. Die Daten wurden nicht unabhängig geprüft. Diese Einschränkungen sind bei der Einordnung der Zahlen zwingend zu berücksichtigen.

Vier praktische Implikationen für Entscheider

1. Effizienz und Gewinn sind verschiedene Messgrößen. Wer KI-Projekte intern nur an Zeitersparnis misst, läuft Gefahr, eine fehlende Gewinnwirkung zu übersehen. McKinsey empfiehlt, von Anfang an klare finanzielle Zielgrößen zu definieren.

2. Agentische KI erfordert angepasste Betriebsmodelle. Der Einsatz autonomer KI-Systeme im Einkauf oder in der Vertragsverhandlung funktioniert laut McKinsey nur dann, wenn gleichzeitig das Operating Model angepasst wird. Technologie allein reicht nicht.

3. Skalierung braucht eine Datenbasis. Belotserkovskiy beschreibt eine “moderne Datenbasis” als Voraussetzung, um agentische KI unternehmensbreit zu skalieren. Ohne saubere, zugängliche Datenarchitektur bleibt KI im Pilotmodus.

4. Misserfolgsquoten einkalkulieren. Der französische Beobachtungsdatensatz zeigt, dass rund 17,5 Prozent der Deployments nicht in den produktiven Betrieb gelangen. Auch wenn diese Daten methodische Grenzen haben, unterstreichen sie: Eine realistische Projektplanung muss Scheitern als Option einpreisen.

Quellen

• McKinsey: Jahresbericht zu Künstlicher Intelligenz 2025 – The State of AI in 2025
• Roman Belotserkovskiy – Profil bei McKinsey & Company
• Denis Atlan (ENDKOO): ai-roi-dataset – Observational dataset of 200 B2B AI deployments in France (2022–2025), GitHub / Zenodo, CC BY 4.0, DOI: 10.5281/zenodo.17795133

Häufige Fragen

Was sagt der McKinsey AI Index 2025 zur Gewinnwirkung von KI in Unternehmen?

Laut der McKinsey-Studie “The State of AI in 2025”, die auf einer Online-Umfrage vom 25. Juni bis 29. Juli 2025 basiert, erzielt die Mehrheit der befragten Unternehmen trotz messbarer Effizienzgewinne und des Einsatzes agentischer KI bislang keine signifikanten Gewinnsteigerungen. Auch die Skalierung von KI-Initiativen bleibt für viele Organisationen eine offene Herausforderung.

Wie setzen Fortune-500-Unternehmen agentische KI konkret im Einkauf und in der Beschaffung ein?

McKinsey-Experten wie Roman Belotserkovskiy, der das globale Procurement-Programm der Beratung leitet, berichten, dass Fortune-500-Unternehmen agentische KI in Bereichen wie Sourcing, Verhandlungsführung und Werterhaltung einsetzen. Ziel ist es, Durchlaufzeiten zu verkürzen, die Compliance zu verbessern und Einkaufsteams für strategische Aufgaben freizustellen. Der Ansatz verbindet eine moderne Datenbasis mit agentischen KI-Modellen und veränderten Betriebsmodellen.

Welche ROI-Daten gibt es zu B2B-KI-Implementierungen, und wie belastbar sind sie?

Ein beobachtendes Datensatz-Projekt von Denis Atlan (ENDKOO) dokumentiert 200 B2B-KI-Einsätze in Frankreich zwischen 2022 und 2025. Bei den 165 Projekten, die den Produktivbetrieb erreichten, lag der mediane jährliche Gewinn beim 1,60-Fachen des eingesetzten Kapitals. Über das gesamte Kohort von 200 Projekten beträgt dieser Wert 1,27x. Wichtig: Der Datensatz ist selbst veröffentlicht, nicht peer-reviewed und wurde nicht unabhängig geprüft. Der Autor war zudem an einem Großteil der dokumentierten Projekte als Berater beteiligt, was die Aussagekraft einschränkt.

Wie hoch ist die Erfolgsquote bei KI-Projekten laut verfügbaren Beobachtungsdaten?

Aus dem Datensatz von Denis Atlan geht hervor, dass 82,5 Prozent der beobachteten 200 KI-Projekte den Produktivbetrieb erreichten. Allerdings erwirtschafteten innerhalb von zwölf Monaten nur 60,5 Prozent aller Projekte einen jährlichen Gewinn, der mindestens dem eingesetzten Kapital entsprach. Bei den gescheiterten Projekten lag der mediane Gewinn-Investitions-Quotient bei minus 3,4 Prozent. Diese Zahlen stammen aus einer nicht unabhängig verifizierten, selbst publizierten Quelle und sind nicht ohne Weiteres verallgemeinerbar.

Welche organisatorischen Faktoren entscheiden laut McKinsey über den KI-Erfolg?

Die McKinsey-Studie 2025 hebt hybride Intelligenz als wesentlichen Erfolgsfaktor hervor: Unternehmen, die KI-Lösungen gezielt mit menschlichem Fachwissen kombinieren, schneiden besser ab. Besonders die Einbindung eines “Human in the Loop” bei Entwicklung und Implementierung gilt laut McKinsey als entscheidend. Gleichzeitig verändert die KI-Einführung die Personalstruktur: Während einige Unternehmen Stellenabbau erwarten, steigt die Nachfrage nach KI-spezifischen Rollen, vor allem in größeren Organisationen.