Geschäftsprozesse mit KI automatisieren
Im Rahmen unserer Weihnachtsaktion erhalten Sie 10% Nachlass für einen RaaS-3-Vertrag für 3 Stellenbesetzungen. Aus unserem Erlös spenden wir 10% an das Kinderprojekt von "Die Arche" in München.
AI ist in den Unternehmen angekommen. Doch zwischen der Einführung neuer Anwendungen und einer messbaren wirtschaftlichen Wirkung liegt weiterhin eine große Lücke.
Laut der PwC Global CEO Survey 2026 berichten 56 Prozent der befragten CEOs bislang weder von zusätzlichen Umsätzen noch von niedrigeren Kosten durch AI. Nur zwölf Prozent sehen positive Effekte auf beiden Seiten.
Das Problem ist dabei selten ein Mangel an Technologie.
Viele Unternehmen starten mit einzelnen Tools, Pilotprojekten und Use Cases. Es fehlt jedoch die Verbindung zu einem relevanten Business Outcome, einem verantworteten Geschäftsprozess und einer klaren unternehmerischen Priorität.
AI ROI entsteht nicht durch die Anzahl eingeführter Anwendungen.
Er entsteht dort, wo AI:
Die entscheidende Frage lautet deshalb nicht:
Was kann AI?
Sondern:
Wo kann AI für unser Unternehmen eine wirtschaftlich relevante Veränderung erzeugen?
Genau an dieser Frage entscheidet sich, ob AI ein weiteres Technologieprojekt bleibt oder zu unternehmerischer Wirkung führt.
Unternehmen investieren in Copilots, generative AI, Automatisierung und AI Agents.
Mitarbeiter erstellen Texte, fassen Dokumente zusammen, analysieren Informationen und automatisieren einzelne Tätigkeiten. Fachbereiche testen Anwendungen. Innovationsteams entwickeln Use Cases. IT-Abteilungen prüfen Plattformen und Governance-Strukturen.
Es gibt viel Aktivität.
Doch Aktivität ist noch keine Wirkung.
Die PwC Global CEO Survey 2026 zeigt, wie groß die Lücke zwischen Investition und Ergebnis weiterhin ist: 56 Prozent der CEOs sehen bislang weder höhere Umsätze noch niedrigere Kosten durch AI. Nur zwölf Prozent berichten von positiven Effekten auf beiden Seiten.
Gleichzeitig ist die Sorge groß, technologisch den Anschluss zu verlieren.
Damit entsteht ein gefährlicher Druck:
Unternehmen glauben, schnell handeln zu müssen. Doch weil die wirtschaftliche Richtung noch nicht klar ist, investieren sie zunächst in sichtbare Aktivität.
Neue Lizenzen werden beschafft.
Pilotprojekte werden gestartet.
Mitarbeiter werden geschult.
AI Agents werden entwickelt.
Das erzeugt Bewegung. Aber nicht automatisch wirtschaftlichen Fortschritt.
Ein Unternehmen wird nicht AI-reifer, weil es mehr AI-Projekte besitzt.
Es wird AI-reifer, wenn es technologische Möglichkeiten systematisch in bessere Entscheidungen, leistungsfähigere Prozesse und neue wirtschaftliche Chancen übersetzt.
AI ROI beschreibt den messbaren wirtschaftlichen Beitrag, der durch den Einsatz künstlicher Intelligenz entsteht.
Dieser Beitrag kann sich unterschiedlich zeigen:
Nicht jeder Nutzen lässt sich sofort als direkter Eurobetrag ausweisen.
Wenn ein Unternehmen beispielsweise Risiken in Kundenprojekten früher erkennt, reduziert es mögliche Umsatzverluste. Wenn Angebote schneller erstellt werden, verkürzt sich der Weg zum Auftrag. Wenn Informationen für Managemententscheidungen automatisch zusammengeführt werden, steigt die Geschwindigkeit der Organisation.
Entscheidend ist, dass vor der Umsetzung geklärt wird, welches Ergebnis sich durch AI verändern soll.
Ohne diese Definition bleibt auch der ROI unklar.
Dann werden Nutzung, Anzahl der Prompts oder produzierte Inhalte gemessen – aber nicht die wirtschaftliche Veränderung.
Wenn AI-Projekte nicht die erwartete Wirkung erzeugen, wird die Ursache häufig in der Technologie gesucht.
War das Modell nicht leistungsfähig genug?
Benötigen wir eine andere Plattform?
Fehlen uns Daten?
Sollten wir einen eigenen AI Agent entwickeln?
Diese Fragen können relevant sein. Meist beginnen sie jedoch zu früh.
Die eigentliche Ursache liegt häufig an anderer Stelle:
Die Technologie funktioniert möglicherweise genau wie vorgesehen.
Nur verändert sie nichts, was für das Unternehmen wirklich entscheidend ist.
Ein funktionierender AI Use Case ist noch kein funktionierender Business Case.
Pilotprojekte sind sinnvoll, um Annahmen zu testen und Erfahrungen aufzubauen.
Problematisch werden sie, wenn aus dem Test kein klarer Entscheidungsprozess entsteht.
Viele Unternehmen betreiben über Monate zahlreiche AI-Piloten parallel. Jeder Fachbereich sammelt Erfahrungen. Einzelne Mitarbeiter erzielen beeindruckende Ergebnisse. Präsentationen zeigen neue Möglichkeiten.
Doch danach bleiben zentrale Fragen offen:
Die Folge ist eine wachsende Landschaft interessanter Anwendungen ohne gemeinsames wirtschaftliches Ziel.
Auch die McKinsey Global Survey 2025 zeigt dieses Muster: Fast zwei Drittel der befragten Unternehmen haben AI noch nicht unternehmensweit skaliert. Zwar experimentieren bereits 62 Prozent mit AI Agents, doch die Übertragung in messbare Wirkung auf Unternehmensebene bleibt begrenzt.
Der Engpass liegt nicht mehr im Zugang zu AI.
Der Engpass liegt in der Fähigkeit, relevante Möglichkeiten auszuwählen und konsequent in die Organisation zu übersetzen.
Die typische Suche nach wirtschaftlicher Wirkung beginnt mit einer Liste möglicher AI Use Cases.
Wo könnten wir AI einsetzen?
Was könnten wir automatisieren?
Welche Anwendung passt zu unserem Unternehmen?
Diese Fragen wirken pragmatisch. Sie lenken den Blick jedoch bereits auf eine Lösung, bevor das relevante Problem verstanden wurde.
Die bessere Ausgangsfrage lautet:
Wo verlieren wir heute Umsatz, Zeit, Qualität, Geschwindigkeit oder Entscheidungskraft?
Erst danach wird geprüft, ob AI einen relevanten Beitrag leisten kann.
Ein Produktionsunternehmen könnte beispielsweise untersuchen, wo Qualitätsprobleme zu spät erkannt werden.
Ein Handelsunternehmen könnte analysieren, wo Nachfrage und Bestand nicht schnell genug miteinander verbunden werden.
Eine Beratung könnte prüfen, warum Wissen aus Projekten nicht systematisch für neue Angebote genutzt wird.
Ein Logistikunternehmen könnte betrachten, wo manuelle Koordination Lieferzeiten und Marge belastet.
Ein Dienstleistungsunternehmen könnte untersuchen, warum zwischen erbrachter Leistung und Rechnungsstellung zu viel Zeit vergeht.
Keine dieser Fragen beginnt mit AI.
Alle können jedoch zu einem wirtschaftlich relevanten Einsatz von AI führen.
Die Technologie folgt dem Business Outcome – nicht umgekehrt.
Damit aus technologischer Möglichkeit unternehmerische Wirkung entsteht, müssen drei Ebenen miteinander verbunden werden.
Klarheit: Was verändert sich wirklich?
Nicht jede neue Anwendung ist für jedes Unternehmen relevant. Entscheidend ist, welche Entwicklungen Märkte, Kundenverhalten, Geschäftsmodelle oder die eigene Leistungserbringung tatsächlich verändern können.
Klarheit bedeutet auch, Trends von Signalen zu unterscheiden.
Was ist kurzfristiger Hype?
Was wird zur neuen Erwartung von Kunden?
Was verändert die Kostenstruktur einer Branche?
Wo entstehen neue Wettbewerber oder alternative Leistungsmodelle?
Strategie: Was bedeutet das für unser Unternehmen?
Eine technologische Entwicklung besitzt noch keine strategische Bedeutung, solange sie nicht mit dem eigenen Unternehmen verbunden wird.
Welche Chancen entstehen für unser Geschäftsmodell?
Welche Fähigkeiten werden wichtiger?
Welche Prozesse verlieren an Bedeutung?
Wo verändern sich Erwartungen unserer Kunden?
Welche Risiken entstehen, wenn wir nicht handeln?
Und in welchem Bereich sollten wir bewusst noch nicht investieren?
Strategie bedeutet nicht, möglichst viele Initiativen zu starten.
Strategie bedeutet auch, Möglichkeiten auszuschließen.
Wirkung: Was machen wir daraus?
Am Ende benötigt jede strategische Einordnung eine konkrete Konsequenz.
Das kann ein Pilotprojekt sein.
Es kann aber ebenso eine Prozessanalyse, ein neues Angebot, eine Investitionsentscheidung, eine Partnerschaft oder die bewusste Entscheidung sein, eine Entwicklung zunächst weiter zu beobachten.
Wirkung entsteht, wenn aus Erkenntnis eine verantwortete nächste Handlung wird.
Bevor ein Unternehmen ein weiteres AI-Projekt startet, sollte die Geschäftsführung fünf Fragen beantworten können.
1. Welches wirtschaftliche Problem lösen wir?
Die Formulierung „Wir wollen AI einsetzen“ beschreibt kein Problem.
Ein belastbarer Ausgangspunkt ist beispielsweise:
Je klarer das Problem, desto besser lässt sich prüfen, ob AI die richtige Lösung ist.
2. Welches Business Outcome soll sich verändern?
Soll Umsatz steigen?
Soll ein Prozess schneller werden?
Soll die Qualität verbessert werden?
Soll eine Entscheidung früher möglich sein?
Soll ein Risiko reduziert werden?
Das gewünschte Ergebnis muss vor der technischen Umsetzung beschrieben werden.
3. Wie messen wir die Veränderung?
Ein Projekt ohne Ausgangswert kann seine Wirkung kaum belegen.
Wenn die Erstellung eines Angebots heute fünf Tage dauert, lässt sich eine Verkürzung messen. Wenn ein Prozess regelmäßig Fehler erzeugt, kann die Fehlerquote erfasst werden. Wenn qualifizierte Mitarbeiter einen hohen Anteil ihrer Zeit für Koordination verwenden, kann diese Belastung sichtbar gemacht werden.
Messbarkeit schafft eine Grundlage für Entscheidungen.
4. Was muss sich organisatorisch verändern?
AI wird selten wirtschaftliche Wirkung erzeugen, wenn sie lediglich zusätzlich in einen bestehenden Prozess eingebaut wird.
Möglicherweise müssen Abläufe, Rollen, Freigaben, Datenzugänge oder Verantwortlichkeiten verändert werden.
Die entscheidende Frage lautet:
Wie würde dieser Prozess aussehen, wenn wir ihn heute mit den Möglichkeiten von AI neu gestalten würden?
5. Wer trägt die unternehmerische Verantwortung?
Ein AI-Projekt benötigt technische Kompetenz.
Die wirtschaftliche Verantwortung darf jedoch nicht ausschließlich bei IT, Innovation oder einem externen Dienstleister liegen.
Jemand muss für das Ergebnis einstehen.
Wer entscheidet über Priorität, Budget und Skalierung?
Wer bewertet Nutzen und Risiko?
Wer beendet das Projekt, wenn die Wirkung ausbleibt?
Ohne klare Verantwortung bleibt AI häufig ein Experiment.
AI erzeugt ihre größte Wirkung selten innerhalb einer isolierten Tätigkeit.
Ein Text wird schneller erstellt.
Ein Dokument wird automatisch zusammengefasst.
Eine E-Mail wird vorbereitet.
Ein Datensatz wird klassifiziert.
Das kann hilfreich sein. Die wirtschaftliche Wirkung bleibt jedoch begrenzt, solange der umgebende Prozess unverändert bleibt.
Der größere Hebel entsteht, wenn Unternehmen betrachten, wie Arbeit insgesamt organisiert wird.
Welche Informationen werden benötigt?
Aus welchen Systemen stammen sie?
Welche Entscheidungen sind regelbasiert?
Wo ist menschliche Urteilskraft erforderlich?
Welche Tätigkeiten können automatisiert werden?
Wann muss ein Mensch eingreifen?
Wie wird das Ergebnis zurück in den Prozess übertragen?
Genau deshalb gewinnen AI Agents und agentische Systeme an Bedeutung. Sie können nicht nur Inhalte erzeugen, sondern innerhalb definierter Grenzen Aufgaben vorbereiten, Informationen verarbeiten und Aktionen ausführen.
Doch auch hier gilt:
Mehr Agents erzeugen nicht automatisch mehr Wirkung.
Vier einzelne AI Agents ergeben noch keinen funktionierenden End-to-End-Prozess.
Erst wenn Ziele, Daten, Systeme, Entscheidungen, Kontrollen und Verantwortlichkeiten miteinander verbunden werden, entsteht ein neues Operating Model.
Eine PwC-Studie zur AI Performance 2026 zeigt eine deutliche Konzentration: Rund 20 Prozent der untersuchten Unternehmen realisieren etwa 74 Prozent des wirtschaftlichen AI-Werts.
Diese Unternehmen setzen nicht einfach mehr Tools ein.
Sie unterscheiden sich vor allem in ihrer Vorgehensweise.
Sie richten AI nicht nur auf Produktivität, sondern auch auf Wachstum und neue Geschäftsmodelle aus.
Sie gestalten Workflows neu, statt AI lediglich auf bestehende Abläufe aufzusetzen.
Sie verbinden technologische Investitionen mit Daten, Governance und Vertrauen.
Sie integrieren AI stärker in Produkte, Leistungen und strategische Entscheidungen.
Und sie betrachten AI nicht als isolierte Initiative, sondern als Bestandteil der zukünftigen Unternehmensarchitektur.
Der Unterschied liegt damit weniger in der Verfügbarkeit der Technologie.
Der Unterschied liegt in der Qualität der unternehmerischen Einordnung und Umsetzung.
Die Verantwortung für AI kann nicht allein an die IT delegiert werden.
IT kann bewerten, welche Plattformen sicher und integrierbar sind.
Fachbereiche kennen Prozesse und operative Anforderungen.
Datenschutz und Governance definieren notwendige Rahmenbedingungen.
Doch die Frage, wo AI wirtschaftlich relevant wird, ist eine Führungsfrage.
Die Geschäftsführung muss entscheiden:
Diese Fragen besitzen selten eindeutige Antworten.
Sie lassen sich auch nicht ausschließlich aus einer technischen Perspektive beantworten.
Sie benötigen unternehmerische Erfahrung, unterschiedliche Sichtweisen und die Bereitschaft, Entscheidungen unter Unsicherheit zu treffen.
AI entwickelt sich schneller, als Unternehmen belastbare Erfahrungswerte aufbauen können.
Viele Entscheidungen müssen getroffen werden, bevor vollständige Gewissheit besteht.
Welche Entwicklung wird für unsere Branche relevant?
Welche Investition ist zu früh?
Wo warten wir bereits zu lange?
Welche Erfahrungen machen andere Unternehmer?
Wie verändert AI Führung, Organisation und Geschäftsmodelle außerhalb unserer eigenen Branche?
Gerade in dieser Situation gewinnt der Austausch mit Menschen an Bedeutung, die selbst Unternehmen führen, Märkte gestalten und Verantwortung für Entscheidungen tragen.
Nicht als permanente Informationsquelle.
Nicht als weiterer Newsfeed.
Und nicht als Networking um des Networkings willen.
Sondern als Raum, um technologische Veränderungen gemeinsam aus einer unternehmerischen Perspektive einzuordnen.
Genau hier setzt Momentum.Circle an.
Momentum.Circle verbindet Unternehmer, Geschäftsführer, Vorstände und vergleichbare Entscheider, die relevante Veränderungen früh verstehen, strategisch einordnen und in unternehmerische Handlung übersetzen wollen.
Im Mittelpunkt stehen drei Fragen:
Was verändert sich wirklich?
Was bedeutet das für unser Unternehmen?
Was machen wir daraus?
Wie lässt sich der ROI von AI messen?
Der AI ROI wird anhand der wirtschaftlichen Veränderung gemessen, die eine Anwendung erzeugt. Dazu gehören beispielsweise zusätzlicher Umsatz, geringere Kosten, kürzere Durchlaufzeiten, höhere Qualität, reduzierte Risiken oder freigesetzte Kapazität. Entscheidend ist, vor Projektbeginn einen Ausgangswert und das gewünschte Business Outcome zu definieren.
Warum erzielen viele AI-Piloten keine wirtschaftliche Wirkung?
Häufig fehlt die Verbindung zu einem relevanten Geschäftsproblem. Weitere Ursachen sind unklare Verantwortlichkeiten, isolierte Anwendungen, fehlende Prozessveränderungen und nicht definierte Erfolgskennzahlen.
Welche AI-Projekte sollte ein Unternehmen zuerst umsetzen?
Priorisiert werden sollten Initiativen, bei denen wirtschaftliche Relevanz, verfügbare Daten, organisatorische Umsetzbarkeit und ein messbares Ergebnis zusammenkommen. Nicht der technisch interessanteste Use Case sollte zuerst umgesetzt werden, sondern der mit dem überzeugendsten Business Case.
Wer sollte AI im Unternehmen verantworten?
AI benötigt eine gemeinsame Verantwortung von Geschäftsführung, Fachbereichen, IT und Governance-Funktionen. Die Verantwortung für das wirtschaftliche Ergebnis sollte bei einer Person oder Einheit liegen, die Budget, Priorität und organisatorische Veränderung tatsächlich steuern kann.
Ist AI ROI nur über Kostensenkung möglich?
Nein. AI kann neben Effizienz auch Umsatzwachstum, bessere Kundenentscheidungen, schnellere Innovation, neue Leistungen und veränderte Geschäftsmodelle ermöglichen. Führende Unternehmen betrachten AI deshalb als Wachstums- und Transformationshebel, nicht ausschließlich als Instrument zur Automatisierung.
Die wirtschaftliche Wirkung von AI beginnt nicht mit einer Technologieentscheidung.
Sie beginnt mit Klarheit.
Wo verändert AI unseren Markt?
Wo entsteht eine relevante wirtschaftliche Chance?
Welches Problem sollten wir lösen?
Welche Entscheidung müssen wir heute treffen?
Und welche Entwicklung sollten wir gemeinsam mit anderen Unternehmern weiter beobachten?
Unternehmen benötigen dafür nicht mehr Informationen.
Sie benötigen bessere Einordnung.
Momentum.Circle schafft einen kuratierten Raum für genau diesen Austausch – mit Menschen, die nicht nur über Veränderung sprechen, sondern Verantwortung für Entscheidungen und deren Konsequenzen tragen.
Richard Diks ist Unternehmer und AI Revenue Architect. Er unterstützt Technologieunternehmen dabei, Innovation systematisch in Wachstum zu übersetzen. Mit über 20 Jahren Erfahrung im Aufbau von Go-to-Market-Modellen, im Vertrieb komplexer Technologien und in der Skalierung neuer Geschäftsmodelle hilft er Organisationen, ihre Revenue-Systeme neu zu strukturieren, Umsatzrisiken sichtbar zu machen und skalierbare Revenue Architectures aufzubauen. Sein Fokus liegt darauf, Marketing, Vertrieb und Innovation so zu operationalisieren, dass aus technologischen Möglichkeiten messbarer Umsatz entsteht.
Der Newsletter für Unternehmer und Führungskräfte, die Wachstum und Transformation im AI-Zeitalter aktiv gestalten. Erhalten Sie exklusive Einblicke in AI Revenue, AI Leadership und AI Innovation – strategisch fundiert, praxisnah und mit klarem Blick auf die wirtschaftliche Wirkung. Für alle, die AI nicht nur als Technologie verstehen, sondern als Hebel für bessere Entscheidungen, neue Geschäftsmodelle und messbares Wachstum nutzen wollen.
