Wertschöpfung durch AI: Warum Technologie allein nicht genügt und welche Strukturen erfolgreiche Unternehmen aufbauen

Ein Artikel von: Mark Gille-Sepehri und Markus Schmidiger

Die Grenzen isolierter AI-Initiativen

Künstliche Intelligenz ist in den Führungsetagen angekommen. Unternehmen haben Chatbots eingeführt, generative AI für Text- oder Bildproduktion aktiviert oder erste Tools zur Automatisierung von Routineaufgaben implementiert. Viele dieser Lösungen erzeugen kurzfristige Effizienzgewinne oder entlasten Mitarbeitende punktuell. Doch auf organisationaler Ebene bleibt der erwartete Durchbruch häufig aus.

Der State of AI Report von McKinsey (2025) bringt dieses Paradox deutlich auf den Punkt: Obwohl der überwiegende Teil der Unternehmen bereits AI nutzt, gelingt es nur einer kleinen Minderheit, diese Technologie wirtschaftlich wirksam zu verankern. Auch andere Untersuchungen – etwa der Stanford AI Index Report (2025), Studien von BCG (2025), Accenture (2025) oder S&P Global (2025) bestätigen diese Diskrepanz.

Die meisten Unternehmen befinden sich in einer Art Zwischenraum: Sie verfügen über AI, aber nicht über die organisatorischen Voraussetzungen, sie strategisch und skalierbar einzusetzen. Pilotprojekte zeigen Potenziale, aber sie entfalten keine Breitenwirkung. Einzelne Mitarbeitende erzielen beeindruckende Quick Wins, doch es fehlen Vision, Struktur und die notwendige Klarheit in Prozessen und Daten, um aus punktuellen Erfolgen eine nachhaltige Transformationslogik zu entwickeln.

In dieser Diskrepanz liegt die eigentliche Herausforderung und auch der Schlüssel zur Lösung. Denn die Forschung zeigt bemerkenswert konsistent, dass die erfolgreichsten Unternehmen nicht jene sind, die am meisten in Technologie investieren, sondern jene, die AI in ihr operatives und strategisches Betriebssystem einbetten: in ihre Prozesse, ihre Governance, ihre Datenarchitektur und nicht zuletzt in die Führungskultur.

2. Was erfolgreiche Unternehmen anders machen

Die Studien zeigen klar, dass sich Untenrehmen, die AI erfolgteich einsetzen und daraus auch messbaren Nutzen ziehen in vier Punkten von den anderen unterscheiden.

2.1. Sie besitzen ein klares Zukunftsbild

Unternehmen, die AI erfolgreich skalieren, verfügen über ein konsistentes, nachvollziehbares Verständnis davon, welche Rolle AI in ihrer zukünftigen Wertschöpfung spielen soll. Thomson Reuters (2025) zeigt in einer breit angelegten Untersuchung, dass Organisationen mit einer expliziten AI-Strategie doppelt so häufig Umsatzsteigerungen im Zusammenhang mit AI-Initiativen verzeichnen wie Unternehmen ohne strategische Leitlinien.

Auch BCG (2025) bestätigt, dass erfolgreiche Unternehmen AI nicht als Sammlung einzelner digitaler Projekte verstehen, sondern als strategischen Hebel, der auf die langfristige Ausrichtung des Geschäfts einzahlt. Ein klares Zukunftsbild ermöglicht es ihnen, technologische Entwicklungen proaktiv zu nutzen, statt opportunistisch auf neue Tools zu reagieren.

In der Praxis bedeutet das: Unternehmen mit starker AI-Performance definieren früh, welche Bereiche ihres Geschäftsmodells, ihrer Kundenerlebnisse und ihrer Prozesse grundlegend durch AI verändert werden sollen – und richten ihre Ressourcen entsprechend darauf aus.

2.2. Sie redesignen Prozesse, statt AI über bestehende Abläufe zu legen

Eine der konsistentesten Erkenntnisse aller Studien lautet: Wert entsteht nicht durch Technologie, sondern durch Prozessgestaltung.

Accenture (2025), deren Studie sich intensiv mit den sogenannten „Front-Runners“ beschäftigt, formuliert diese Erkenntnis präzise: Unternehmen, die AI erfolgreich skalieren, gestalten zunächst ihre Prozesse neu und integrieren erst dann AI. Organisationen, die scheitern, tun das Gegenteil – sie versuchen, AI über bestehende Strukturen zu stülpen.

Dieser Unterschied ist entscheidend. Ein Beispiel verdeutlicht das:
Ein Unternehmen, das den bestehenden Rechnungsfreigabeprozess beibehält und lediglich die Dokumentenprüfung automatisiert, spart einige Minuten pro Vorgang. Ein Unternehmen, das jedoch den gesamten Workflow hinterfragt, von der Datenextraktion über die Verantwortlichkeiten bis zum Genehmigungsmodell, kann Bearbeitungszeiten halbieren und den Prozess vollständig digitalisieren. Erst in einem solchen Umfeld entfaltet AI ihr volles Potenzial.

McKinsey (2025) bestätigt, dass Prozess-Redesign der häufigste Unterschied zwischen Organisationen in der Pilotphase und solchen, die AI skaliert einsetzen. Die Produktivitätssteigerungen sind erheblich: Front-Runner berichten laut Accenture von durchschnittlich 13 Prozent höherer Produktivität und 11 Prozent niedrigeren Kosten innerhalb eineinhalb Jahren.

2.3. Sie verfügen über Datenqualität und Governance – nicht nur über Daten

Über alle Studien hinweg findet sich ein Befund, der sich besonders hartnäckig hält: Die größte Barriere für produktive AI ist nicht die Technologie, sondern die Datenbasis.

Der Stanford AI Index Report (2025) nennt Datenqualität, Datenzugänglichkeit und Datenintegration als die drei häufigsten Hindernisse für AI-Skalierung. Iconiq Capital (2025) weist zudem darauf hin, dass viele Unternehmen zwar ihre AI-Budgets stark erhöhen, aber nicht in die notwendige Infrastruktur investieren, um Daten konsistent, verlässlich und strukturiert nutzbar zu machen.

Im KMU-Bereich zeigt sich dieselbe Dynamik: Die Studie von Agbaakin (2025) stellt fest, dass 91 Prozentder KMU, die signifikante AI-Erfolge erzielen, zuvor gezielt ihre Datenmodelle, Datenverantwortlichkeiten und Datenaufbereitungsprozesse professionalisiert haben.

Datenqualität ist nicht nur ein technisches Thema. Sie schafft Vertrauen und Vertrauen ist die Grundlage für Adoption. Wenn Mitarbeitende wissen, dass Empfehlungen eines AI-Modells auf konsistenten Daten beruhen, steigt die Bereitschaft, diese Empfehlungen im Alltag tatsächlich anzuwenden.

2.4. Sie investieren in Führung, Kompetenzen und organisationales Lernen

BCG (2025) bezeichnet die „Leadership Readiness“ als stärksten Einzelprädiktor für erfolgreiche AI-Wertschöpfung. Auch McKinsey (2025) kommt zu dem Ergebnis, dass Unternehmen mit starkem Leadership-Engagement viermal so häufig zu den High-Performern gehören wie Unternehmen mit rein technikgetriebenem Ansatz.

Diese Befunde decken sich mit einer Studie von Li & Zhang (2025), die zeigt, dass AI-Erfolg eng mit der Fähigkeit des Top-Managements zusammenhängt, die technologische Entwicklung in eine kohärente Organisationslogik einzubetten. Führungskräfte müssen nicht technische Experten sein, aber sie müssen bewerten können, welche organisatorischen Voraussetzungen nötig sind.

Dazu gehören u. a.:

• klare Rollenprofile (etwa für Data Stewards oder AI Product Owner),
• koordinierte Weiterbildungsprogramme,
• betriebliche Rahmenbedingungen, die Experimente zulassen,
• und eine Kommunikationskultur, die Veränderungen begleitet.

Quick Wins einzelner Mitarbeitender, etwa die Nutzung generativer AI zur Textproduktion oder Recherche, sind wertvoll und steigern die digitale Kompetenz. Doch sie sind kein Ersatz für eine strukturierte organisatorische Entwicklung.

3. Warum AI-Projekte scheitern: Die fünf zentralen Stolpersteine

Auch zu den Gründen, die dazu führen, dass Unternehmen es nicht schaffen, AI erfolgreich einzuführen, sind klare Muster erkennbar.

3.1. Die Pilotfalle

Die überwältigende Mehrheit der AI-Initiativen bleibt in der Pilotphase. Das liegt nicht daran, dass die Technologien nicht funktionieren würden, sondern daran, dass Unternehmen sie nicht in die Breite tragen.

S&P Global (2025) stellt fest, dass weniger als ein Viertel der Unternehmen systematisch misst, welchen Beitrag AI leistet. Ohne Messbarkeit gibt es keine Legitimation für Skalierung und viele Pilotprojekte werden als punktuelle Experimente behandelt, statt als Bausteine einer Gesamttransformation.

3.2. Unzureichende Daten- und Systemintegration

Stanford HAI (2025) zeigt, dass die häufigsten Engpässe nicht algorithmischer Natur sind, sondern in Infrastruktur und Integration liegen. Wenn Daten isoliert, unvollständig oder widersprüchlich sind, bleibt AI entweder unzuverlässig oder wird von Mitarbeitenden nicht akzeptiert.

In vielen Fällen funktionieren Modelle im Testbetrieb hervorragend, scheitern aber im Alltag, weil notwendige Daten nicht automatisiert verfügbar sind. Unternehmen benötigen daher integrierte Datenlandschaften, in denen die Daten nicht nur gesammelt, sondern gepflegt und verantwortet werden.

3.3. Fehlende Rollen und Verantwortlichkeiten

BCG (2025) weist darauf hin, dass rund 60 Prozent der Unternehmen keine formal definierten Rollen für AI-Verantwortlichkeiten besitzen. Das führt dazu, dass AI-Initiativen als „Projekt“ verstanden werden und nicht als Teil der Unternehmensarchitektur.

Wenn unklar ist, wer Modelle überwacht, wer Datenqualität sicherstellt und wer Workflows aktualisiert, verliert AI nach kurzer Zeit ihre operative Wirksamkeit. Die Folge ist ein Vertrauensverlust und eine sinkende Nutzung.

3.4. Einseitiger Fokus auf Effizienz

McKinsey (2025) konstatiert, dass Unternehmen, die primär Effizienzsteigerungen anstreben, deutlich geringere wirtschaftliche Wirkung erzielen als Unternehmen, die AI auch für Innovation, neue Geschäftsmodelle oder Kundenlösungen einsetzen.

Effizienzprojekte sparen Kosten – aber sie verändern die Organisation nicht. Innovationsorientierte Projekte schaffen zusätzliche Wertschöpfung. Erfolgreiche Unternehmen verfolgen deshalb beide Perspektiven und verbinden sie zu einer integrierten Transformationslogik.

3.5. Unsichere Governance

Die systematische Analyse der SEC-Berichte durch Uberti-Bona Marin et al. (2025) zeigt, dass die Anzahl der Unternehmen, die AI-Risiken benennen, in den vergangenen Jahren stark gestiegen ist. Dennoch sind Governance-Strukturen selten klar definiert. Unternehmen wissen, dass Risiken existieren, aber nicht, wie sie ihnen begegnen sollen.

Die Folge ist eine oft kontraproduktive Vorsicht, die Innovation hemmt, statt Risiken aktiv zu managen.

4. Ein systemischer Handlungsrahmen: Von der Strategie bis zur Skalierung

Die Auswertung der Studien ergibt ein konsistentes Bild: AI-Erfolg entsteht dort, wo Unternehmen ihre Transformation entlang eines systemischen Pfades gestalten. Ein solcher Pfad umfasst sechs Phasen.

4.1. Zukunftsbild und Priorisierung

Transformation beginnt mit Klarheit. Unternehmen benötigen ein gemeinsames Zukunftsbild, das den Rahmen für alle nachfolgenden Entscheidungen bildet. Es beschreibt, wo AI echten Mehrwert erzeugen kann, und dient als Grundlage für die Priorisierung der ersten Projekte.

Priorisierung folgt dabei drei Kriterien, die in mehreren Studien betont werden: strategischer Wert, technische Machbarkeit und Datenverfügbarkeit. Unternehmen, die diese Logik konsequent anwenden, vermeiden, sich in zu vielen Projekten zu verzetteln.

4.2. Prozessdesign und Workflow-Transformation

Bevor AI eingeführt wird, müssen Prozesse neu gedacht werden. Accenture (2025) zeigt, dass erfolgreiche Unternehmen ihre Prozesse systematisch neu aufbauen: Sie entfernen redundante Schritte, definieren Verantwortlichkeiten neu und integrieren AI in jene Abschnitte, in denen sie den größten Nutzen stiftet.

Dieses Vorgehen verhindert, dass AI nur als „digitales Pflaster“ auf bestehenden Problemen eingesetzt wird.

4.3. Datenarchitektur und Governance

Daten brauchen klare Verantwortlichkeiten. Stanford HAI (2025) betont, dass Unternehmen Daten als strategisches Asset begreifen müssen – nicht als Nebenprodukt operativer Systeme. Das schließt ein:

• Rollenmodelle wie Data Owners oder Data Stewards,
• definierte Qualitätsstandards,
• dokumentierte Datenflüsse,
• und integrierte technologische Systeme.

Je klarer diese Grundlagen sind, desto stabiler sind AI-Anwendungen.

4.4. Aufbau eines integrierten Tech-Stacks

Technologie muss architektonisch sinnvoll verknüpft sein. Iconiq Capital (2025) zeigt, dass erfolgreiche Unternehmen zunehmend modulare, API-basierte Infrastrukturen bevorzugen, die sich nahtlos in bestehende Systeme integrieren lassen. Unternehmen können dadurch Innovation schneller in die Breite tragen und Systeme flexibel erweitern.

4.5. Leadership, Skills und Change-Management

Die wichtigste Voraussetzung für AI-Skalierung ist die Entwicklung von Führung und Kompetenzen. BCG (2025) betont, dass Transformation immer organisationsbezogen ist. Es geht darum:

• Kompetenzen im Management aufzubauen,
• Mitarbeitende zu befähigen,
• neue Rollen zu etablieren,
• und eine Lernkultur zu verankern.

Viele Unternehmen unterschätzen den psychologischen und organisatorischen Teil der Transformation und verlieren deshalb Momentum.

4.6. Monitoring und kontinuierliche Verbesserung

S&P Global (2025) zeigt, dass viele Unternehmen zwar AI einsetzen, aber kaum prüfen, welche Wirkung sie entfaltet. Ohne systematische Messung bleibt Transformation unscharf und schwer steuerbar.

Unternehmen brauchen daher definierte Kennzahlen, regelmäßige Überprüfungen und eine transparente Erfolgskommunikation. AI muss im Alltag sichtbar und nachvollziehbar wirken, damit sie Vertrauen und Akzeptanz erzeugt.

5. Schlussfolgerung: AI ist Organisationsentwicklung – keine Technologieeinführung

Die Studien lassen keinen Zweifel: Der Unterschied zwischen Unternehmen, die AI produktiv nutzen, und jenen, die hinter ihren Erwartungen zurückbleiben, ist selten technologisch. Er ist strukturell, kulturell und strategisch.

Unternehmen, die AI erfolgreich einsetzen, teilen fünf Eigenschaften:

1. Sie besitzen ein klares Zukunftsbild.
2. Sie bauen Prozesse neu, statt sie nur zu digitalisieren.
3. Sie verfügen über robuste Datenqualität und Governance.
4. Sie investieren in Führung und Kompetenz.
5. Sie entwickeln AI als kontinuierlichen Organisationsprozess und nicht als IT-Projekt.

Die empirischen Ergebnisse zeigen, dass Unternehmen, die diesen systemischen Weg gehen, drei- bis fünfmal höhere wirtschaftliche Wirkung erzielen (BCG 2025, Accenture 2025) als jene, die sich auf einzelne Pilotprojekte beschränken.

Damit wird klar: AI ist kein Werkzeug, das man „einführt“ sondern ein Entwicklungspfad, der die strategische Ausrichtung, die Prozesse, die Kultur und die Dateninfrastruktur eines Unternehmens gleichermaßen betrifft.

Organisationen, die diesen Pfad bewusst gestalten, schaffen die Voraussetzungen, um das Potenzial von AI langfristig zu nutzen. Diejenigen, die ihn ignorieren, riskieren, trotz hoher Investitionen in der Pilotphase stecken zu bleiben.

Das Quellenverzeichnis finden Sie hier.

Der HSLU Transformation Circle: Ein strukturierter Rahmen für nachhaltige AI-Entwicklung

Viele der oben beschriebenen Erfolgsfaktoren entstehen nicht zufällig, sondern durch ein bewusst gestaltetes Vorgehen. Hier setzt der AI Transformation Circle der Hochschule Luzern an. Das Programm richtet sich an Unternehmen, die AI nicht nur testen, sondern systematisch in ihre Wertschöpfung integrieren möchten. 

In einem mehrstufigen, praxisorientierten Rahmen arbeiten Führungskräfte und Fachverantwortliche gemeinsam an einem klaren Zukunftsbild, definieren priorisierte Anwendungsfelder, analysieren Prozesse und Datenstrukturen, entwickeln Governance-Modelle und erarbeiten konkrete Umsetzungsschritte für die eigene Organisation. Durch den Austausch mit anderen Unternehmen, die ähnliche Herausforderungen bearbeiten, entsteht zudem ein wertvoller Lernraum, der den Transfer in den Alltag erleichtert.

Für Unternehmen, die AI nicht als isolierte Technologieeinführung, sondern als strategische Organisationsentwicklung begreifen möchten, bietet der Transformation Circle eine fundierte, strukturierte und praxisnahe Begleitung. Er schafft genau jene Klarheit, Tiefe und Systematik, die in den Studien als entscheidend identifiziert wurden und unterstützt Organisationen dabei, AI aus der Pilotphase herauszuführen und langfristig produktiv zu machen.

Wenn Sie mehr zu AI in Real Estate erfahren möchten:

• In unserer Webinarreihe beleuchten wir regelmässig relevante Themen. Die nächsten beiden sind wie folgt:
  
  19.1.2026 zum Thema «Warum AI nicht liefert und was das über Ihre Organisation aussagt». Infos und Anmeldung.
  
  5.2.2026 zum Thema «AI-Entscheidungen im Blindflug: Wie weit kann man AI vertrauen?». Infos und Anmeldung.

• In diversen Seminaren und Workshops bieten wir Ihnen vertiefte Erkenntnisse und insbesondere auch konkrete Umsetzungsuntersützung an. Alles zu unseren Angeboten rund um AI @ Real Estate finden Sie hier.

Lesen Sie hier die kürzlich veröffentlichten Blogbeiträge:

Generative Einzellösungen vs. Agentensysteme: Eine (eher kurze) Schlammschlacht
Digitale Planung: Wie BIM das Bauen revolutioniert
Lebendige Quartiere – wie Vielfältigkeit und Nutzungsmix harmonisieren
„Anleitung zum Nicht-Coden“ – Warum die Immobilienwelt jetzt eine neue Schlüsselkompetenz braucht