Welchen ROI KI im Wissensmanagement, in der Prozessautomatisierung und mit Agenten bringt

KI bringt dort ROI, wo sie einen ganzen Vorgang übernimmt oder deutlich verkürzt: im Wissensmanagement über kürzere Suche und schnellere Einarbeitung, in der Prozessautomatisierung über niedrigere Kosten pro Vorgang, mit KI-Agenten über Vorgänge, die ohne Zutun durchlaufen. Wie hoch der ROI ausfällt, entscheiden der gewählte Prozess, die Erfolgsquote und der Betriebsweg, also lokal, im Rechenzentrum oder per API.

Dieser Artikel geht die Bereiche einzeln durch. Für jeden Bereich steht da, woher der Ertrag kommt, was die Forschung belegt, ein durchgerechnetes Beispiel und die Kennzahlen, an denen Sie den Erfolg messen. Danach vergleichen wir die Betriebswege nach Kosten und Datenschutz, denn derselbe Agent kann je nach Betrieb ein Vielfaches kosten oder für sensible Daten gar nicht in Frage kommen.

Welchen ROI bringt KI im Unternehmen?

Gut belegt sind zweistellige Produktivitätsgewinne in Aufgaben, die zur Technik passen. Kontrollierte Experimente zeigen das in Kundenservice, Texterstellung, Beratung und Softwareentwicklung:

Auf Unternehmensebene kommt davon deutlich weniger an. Laut McKinsey ("The State of AI", 2025) nutzen 88 Prozent der befragten Organisationen KI, aber nur 39 Prozent schreiben ihr überhaupt einen Effekt auf das Betriebsergebnis zu. IBM fand 2025 bei rund 2.000 Vorstandsvorsitzenden, dass 25 Prozent der KI-Initiativen den erwarteten ROI geliefert haben. Gleichzeitig messen laut Wharton School 72 Prozent der Unternehmen ihren ROI formal, und drei von vier berichten eine positive Rendite.

Die Lücke zwischen Experiment und Bilanz hat einen einfachen Grund. Ein Chat-Assistent, den jeder nach Belieben nutzt, spart Minuten an vielen Stellen. In einer Studie mit 25.000 Beschäftigten in Dänemark (Humlum und Vestergaard, 2025) lag die selbst berichtete Zeitersparnis bei 2,8 Prozent der Arbeitszeit, ohne messbare Wirkung auf Stunden oder Löhne. Ein Prozess, den ein System von Anfang bis Ende übernimmt, spart dagegen ganze Vorgänge, und die stehen in der Kostenrechnung. Der MIT-Bericht "The GenAI Divide" (2025) fand den größten ROI deshalb nicht im Marketing, wo über die Hälfte der KI-Budgets hinfließt, sondern in der Automatisierung von Backoffice-Prozessen.

Der ROI von KI entsteht im Kern aus vier Quellen:

• weniger Arbeitszeit pro Vorgang, etwa bei Rechnungen, Aufträgen oder Anfragen,
• mehr Durchsatz mit demselben Team, etwa mehr Angebote pro Tag,
• weniger Fehler und Nacharbeit, etwa falsch erfasste Bestellungen,
• kürzere Einarbeitung, weil das Wissen erfahrener Kollegen im System verfügbar ist.

Dagegen stehen Aufbau, laufende Nutzungskosten der Modelle, Betrieb und die Einführung im Team. Die Formel ist die jeder Investition: ROI gleich Nutzen minus Kosten, geteilt durch die Kosten. Die ausführliche Formelsammlung finden Sie im Leitfaden zum ROI von KI-Projekten.

Welchen ROI bringt KI im Wissensmanagement?

KI im Wissensmanagement heißt: Ein System findet die Antwort in Ihren eigenen Dokumenten, Tickets, Verträgen, Produktdaten und Handbüchern und formuliert sie mit Quellenangabe. Fachleute nennen das Retrieval Augmented Generation, kurz RAG. Arbeitet das System selbstständig weiter, beantwortet etwa eine Kundenanfrage direkt im Mailverlauf oder legt eine Rückfrage im Ticketsystem an, wird daraus ein Wissensagent.

Der Ertrag kommt aus Suchzeit und Einarbeitung. Das McKinsey Global Institute schätzte, gestützt auf IDC-Daten, dass Wissensarbeiter rund 19 Prozent ihrer Arbeitszeit mit der Suche nach Informationen verbringen. In der Atlassian-Umfrage "State of Teams 2025" geben Führungskräfte und Teams 25 Prozent an. Beides sind Schätzungen, die Größenordnung hält sich aber seit über zehn Jahren: rund ein Fünftel der Arbeitszeit.

Den stärksten Beleg liefert das Kundenservice-Experiment von Brynjolfsson: Mitarbeiter mit zwei Monaten Betriebszugehörigkeit leisteten mit KI-Unterstützung so viel wie Kollegen ohne KI mit über sechs Monaten. Das System macht das Wissen der Besten für alle verfügbar. Für deutsche Betriebe wird das dringlicher: Laut Institut der deutschen Wirtschaft erreichen bis 2036 noch 14,1 Millionen Babyboomer das Rentenalter, aber nur 9,8 Millionen junge Menschen das erwerbsfähige Alter. Was nur im Kopf eines Mitarbeiters steht, geht mit ihm. Wie Behörden das lösen, zeigt unser Artikel zum Wissenstransfer in der Verwaltung.

Rechenbeispiel Wissensmanagement

Angenommen, ein Innendienst mit 20 Personen verliert pro Kopf 45 Minuten am Tag mit Suchen und Nachfragen, also weniger als die Hälfte der Studienwerte. Bei 220 Arbeitstagen und 45 Euro pro Stunde sind das 3.300 Stunden oder 148.500 Euro im Jahr.

Ein Wissenssystem halbiert die Suchzeit (Annahme). Weil gesparte Zeit nur zählt, wenn sie genutzt wird, rechnen wir davon nur die Hälfte als Ertrag: 37.125 Euro. Dazu kommen drei Neueinstellungen im Jahr, die vier Wochen früher voll arbeiten, bei halber Produktivität in dieser Zeit sind das 10.800 Euro. Die Nutzungskosten liegen bei 20 Personen mit je 30 Anfragen am Tag und 6.000 Token pro Anfrage bei rund 790 Millionen Token im Jahr, mit einem Spitzenmodell über das EU-Profil von Amazon Bedrock rund 3.500 US-Dollar, die wir vereinfacht als 3.500 Euro ansetzen.

Messen Sie im Wissensmanagement vor und nach dem Start:

• Zeit bis zur Antwort vom Eingang einer Frage bis zur fertigen Auskunft,
• Anteil ohne Rückfrage beim Experten,
• Einarbeitungszeit neuer Kräfte bis zur üblichen Fallzahl,
• gemessene Suchzeit aus den Nutzungsdaten, nicht aus Umfragen.

Welchen ROI bringt Prozessautomatisierung?

Prozessautomatisierung rechnet sich, wenn ein Vorgang häufig vorkommt, nach erkennbaren Regeln läuft und heute an der Übergabe zwischen Systemen oder Menschen hängt. Drei Werkzeuge stehen zur Wahl: ein fester Workflow, der Daten nach Regeln von System A nach System B bringt, eine RPA-Lösung, also ein Software-Roboter, der Bildschirmeingaben nachahmt, wo keine Schnittstelle existiert, und ein KI-Agent, der unstrukturierte Eingänge wie E-Mails oder PDFs versteht. Welches passt, entscheidet der Prozess.

Für klassische Automatisierung gibt es lange Umfragereihen. In der Deloitte-Erhebung "Automation with intelligence" (2022) erwarteten 479 Führungskräfte im Schnitt 31 Prozent Kostensenkung in den betroffenen Bereichen. Mehr als die Hälfte hatte die tatsächliche Kostensenkung allerdings nie berechnet. Wer misst, ist im Vorteil, auch gegenüber der eigenen Bank.

Rechenbeispiel Rechnungseingang

Angenommen, ein Betrieb erfasst 12.000 Eingangsrechnungen im Jahr von Hand, sechs Minuten pro Rechnung, 45 Euro pro Stunde. Das sind 1.200 Stunden oder 54.000 Euro. Eine Automatisierung liest die Rechnungen aus, prüft sie gegen Bestellung und Wareneingang und bereitet die Buchung vor. 70 Prozent laufen ohne Zutun durch (die sogenannte Dunkelverarbeitungsquote), die übrigen 3.600 bearbeitet die Buchhaltung wie bisher, für die automatisch verarbeiteten rechnen wir eine halbe Minute Stichprobe. Neu sind das 430 Stunden oder 19.350 Euro, die Nutzungskosten der Modelle setzen wir mit 600 Euro im Jahr an. Die jährliche Nettoeinsparung beträgt 34.050 Euro.

Die letzte Zeile zeigt, worauf es ankommt. Die Wirtschaftlichkeit hängt an einer Größe, die sich vorab an Ihren eigenen Belegen testen lässt. Wie Sie den heutigen Aufwand eines Prozesses in Euro beziffern, zeigt unsere Anleitung Kosten manueller Prozesse berechnen.

Die passenden Kennzahlen für Prozessautomatisierung:

Welchen ROI bringen KI-Agentensysteme?

Ein KI-Agent ist ein System, das ein Ziel bekommt und die Schritte dorthin selbst wählt: Er liest eine Bestellung, sucht den Kunden im ERP, prüft Preise und Bestand, legt den Auftrag an und meldet sich nur bei einer Ausnahme. Ein Multi-Agenten-System verteilt die Arbeit auf mehrere spezialisierte Agenten, etwa einen für das Auslesen, einen für die Prüfung und einen, der koordiniert. Der Unterschied zum Workflow: Der Workflow folgt festen Regeln, der Agent entscheidet im Rahmen seiner Leitplanken selbst.

Agenten sind der Bereich mit dem größten Wachstum. Laut BCG ("The Widening AI Value Gap", 2025) liefern Agenten heute 17 Prozent des gesamten KI-Werts der befragten Unternehmen, für 2028 erwarten sie 29 Prozent. Laut McKinsey experimentieren 62 Prozent der Organisationen mit Agenten, 23 Prozent setzen sie bereits irgendwo im Unternehmen in größerem Umfang ein. In Deutschland nutzen laut Bitkom (September 2026) 11 Prozent der Unternehmen, die KI nutzen, planen oder diskutieren, bereits Agenten, weitere 29 Prozent planen es.

Unabhängige, gemessene ROI-Zahlen zu Agenten gibt es bisher wenige. Die meisten Erfolgsmeldungen stammen von Herstellern. Was die Forschung zeigt, ist die Stellschraube für den ROI: die Erfolgsquote. Im Benchmark TheAgentCompany der Carnegie Mellon University erledigte der beste Agent 30 Prozent realistischer Büroaufgaben vollständig selbstständig. Im CRM-Test CRMArena-Pro von Salesforce lagen führende Agenten bei Aufgaben in einem Schritt bei rund 58 Prozent, in mehrstufigen Dialogen bei rund 35 Prozent, die Ausführung fest definierter Workflows dagegen bei über 83 Prozent. Daraus folgt eine klare Bauregel: Wo der Ablauf bekannt ist, gibt man dem Agenten einen festen Ablauf mit Leitplanken vor, und nur dort, wo die Eingänge variieren, entscheidet er frei.

Auch die Kostenseite ist bei Agenten anders. Laut Anthropic verbrauchen Einzelagenten etwa viermal, Multi-Agenten-Systeme etwa fünfzehnmal so viele Token wie ein einfacher Chat. Mehr Agenten sind dabei nicht automatisch besser: Eine kontrollierte Studie von Google Research, Google DeepMind und MIT (2025) fand bei gut zerlegbaren Finanzaufgaben 80,8 Prozent bessere Ergebnisse durch mehrere Agenten, bei Aufgaben, die strikt nacheinander ablaufen, dagegen Verschlechterungen von bis zu 70 Prozent. Ein Multi-Agenten-System lohnt sich also für parallele Arbeit wie Recherche oder die Prüfung vieler Dokumente, für eine Auftragskette meist ein einzelner Agent mit klarer Reihenfolge.

Ein Feldexperiment im Kundenservice von Alibaba (2026) zeigt schließlich, warum der Mensch in der Schleife in die ROI-Rechnung gehört: Die Agenten verkürzten die Chats, die Kundenbewertungen dieser Chats sanken aber deutlich. Griffen Mitarbeiter ein, hielten sie die Qualität vor allem bei technischen Problemen, weniger bei verärgerten Kunden, und frühes Eingreifen wirkte besser als spätes. Gartner erwartet, dass über 40 Prozent der Agentenprojekte bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklaren Nutzens und fehlender Risikokontrolle. Alle drei Punkte lassen sich vor dem Bau klären. Wie ein sauberer Freigabeschritt aussieht, beschreiben wir gesondert.

Rechenbeispiel KI-Agent in der Auftragserfassung

Angenommen, ein Großhändler erfasst 30.000 Aufträge im Jahr aus Kundenmails, acht Minuten pro Auftrag, 45 Euro pro Stunde. Das sind 4.000 Stunden oder 180.000 Euro. Ein Agent liest die Mails, ordnet Kunde und Artikel zu und legt den Auftrag an. Was er nicht sicher zuordnen kann, gibt er vorbereitet an den Innendienst, der dann sechs statt acht Minuten braucht. Die Nutzungskosten setzen wir wegen des höheren Tokenverbrauchs mit 15 Cent pro Auftrag an, durchgerutschte Fehler mit 0,5 Prozent der Aufträge zu je 40 Euro Folgekosten. Für die automatisch angelegten Aufträge rechnen wir eine halbe Minute Stichprobe.

Der Agent rechnet sich in beiden Fällen, weil die Eskalation gut gebaut ist: Der Mensch bekommt eine vorbereitete Akte statt einer leeren Maske. Die Erfolgsquote verschiebt den Ertrag um über 40.000 Euro im Jahr. Deshalb gehört ein Test mit echten Mails vor die Investitionsentscheidung.

Für Agentensysteme gehören diese Kennzahlen in die ROI-Rechnung:

• Kosten pro erfolgreich erledigtem Vorgang, einschließlich Token, Betrieb und menschlicher Prüfung,
• Erfolgsquote über viele Durchläufe, nicht aus einer Vorführung,
• Eskalationsquote und Aufwand pro Eskalation,
• Fehler- und Folgekosten,
• Kundenzufriedenheit als Gegenkennzahl zur Bearbeitungszeit.

Lokal, Rechenzentrum oder API: Welcher Betrieb rechnet sich?

Derselbe Agent kann auf vier Wegen laufen, und der Weg verändert sowohl die laufenden Kosten als auch die Frage, welche Daten er verarbeiten darf. Die Preise stammen von den Anbietern, Stand November 2026. Sie ändern sich schnell.

Ab wann rechnet sich eigene Hardware?

Rechnen wir mit drei Teilen Eingabe auf einen Teil Ausgabe, kostet Claude Sonnet 5.5 über Bedrock in der EU im Mittel etwa 4,40 US-Dollar pro Million Token. Ein gemieteter Server bei Hetzner für 999 Euro im Monat ist ab etwa 260 Millionen Token im Monat günstiger, sofern ein offenes Modell fachlich reicht. Vergleicht man mit dem offenen Modell gpt-oss-120b über dieselbe API (rund 0,35 US-Dollar pro Million Token im Mittel), liegt der Punkt erst bei etwa 3,3 Milliarden Token im Monat. Zur Einordnung: 500 Nutzer mit je 20 Anfragen à 3.000 Token an 22 Arbeitstagen ergeben rund 660 Millionen Token.

Daraus folgt: Bei kleinem und mittlerem Volumen ist die API fast immer günstiger, die Kosten wachsen mit der Nutzung und es gibt keine Anfangsinvestition. Eigene Hardware im Haus rechnet sich selten über den Tokenpreis, sondern über die Datenhoheit, etwa in Kliniken. Personal für Betrieb und Aktualisierung kommt bei eigenen Servern hinzu. Wie die Nutzungskosten eines Agenten entstehen, zeigt unser Artikel zu den laufenden Kosten eines KI-Agenten, die Grundsatzfrage behandelt Self-hosted oder Cloud-KI.

Was sagt die DSGVO zu den vier Wegen?

Lokal gibt es keinen externen Dienstleister und keine Übermittlung in Drittländer. Die Datenschutzkonferenz bezeichnet in ihrer Orientierungshilfe "KI und Datenschutz" (2024) technisch geschlossene Systeme ausdrücklich als vorzugswürdig. Die übrigen Pflichten wie Rechtsgrundlage und gegebenenfalls eine Datenschutz-Folgenabschätzung bleiben.

Im europäischen Rechenzentrum ist der Anbieter Auftragsverarbeiter, ein Vertrag zur Auftragsverarbeitung genügt. Gehört der Anbieter zu einem Konzern außerhalb der EU, verlangt die Datenschutzkonferenz eine sorgfältige Prüfung im Einzelfall, ein pauschales Verbot gibt es nicht.

Über AWS mit EU-Region bleibt die Verarbeitung in der EU. Laut AWS haben die Modellanbieter keinen Zugriff auf Eingaben und Antworten, die Speicherung lässt sich abschalten. Claude Sonnet 5.5 ist bei Bedrock nur über das EU-Profil verfügbar, das in mehreren EU-Regionen verarbeitet, nicht nur in Frankfurt. Da die Konzernmutter in den USA sitzt, bleibt ein Restrisiko durch US-Zugriffsrechte, das in die Risikobewertung gehört. Seit Januar 2026 betreibt AWS zusätzlich die European Sovereign Cloud in Brandenburg, mit Betrieb ausschließlich durch EU-Personal. Dort ist bisher nur eine kleine Modellauswahl verfügbar, etwa Amazon Nova und offene Modelle wie Gemma 4.

Die direkte API eines US-Modellanbieters ist mit Vertrag zur Auftragsverarbeitung und einer anerkannten Grundlage für den Datentransfer in die USA rechtlich zulässig und für unkritische Daten gängige Praxis. Für Gesundheitsdaten, Daten unter Berufsgeheimnis oder streng regulierte Bereiche scheidet sie aber meist aus, weil die Daten die EU verlassen können und das Transferabkommen mit den USA (Data Privacy Framework) vor dem Europäischen Gerichtshof angefochten ist. Hinzu kommen Unterschiede zwischen den Anbietern: Die direkte Anthropic-API verarbeitet und speichert laut eigener Dokumentation nur in den USA oder global, eine EU-Option gibt es dort nur über AWS oder Google. OpenAI bietet für API-Projekte EU-Datenresidenz mit 10 Prozent Aufpreis.

Für Kliniken und Arztpraxen kommen die Pflichten aus dem Berufsgeheimnis und die Cloud-Vorgaben des Sozialrechts hinzu (§ 393 SGB V: Verarbeitung im Inland, in der EU oder in einem Staat mit Angemessenheitsbeschluss, Niederlassung in Deutschland, aktuelles C5-Testat). Für diese Daten sind lokaler Betrieb oder ein Rechenzentrum in Deutschland der direkte Weg. Mehr dazu auf unserer Seite für Kliniken.

Wie messen Sie den ROI von KI sauber?

Mit einem Ausgangswert, einem Vergleich und einer Kennzahl, die im Ergebnis ankommt. Brynjolfsson und Kollegen konnten den Effekt im Kundenservice nur belegen, weil das Werkzeug gestaffelt an verschiedene Teams ging und die Teams ohne Werkzeug als Vergleich dienten. Für Ihren Betrieb heißt das:

• Ausgangswert erheben, bevor gebaut wird: Kosten pro Vorgang, Durchlaufzeit, Fehlerquote, am besten aus Zeitstempeln im ERP, Ticketsystem oder Postfach.
• Eine Kennzahl festlegen, die zählt: Kosten pro Rechnung, Aufträge pro Tag, Anfragen ohne Rückfrage, nicht "gesparte Minuten".
• Vergleichen statt glauben: ein Team, Standort oder Belegtyp mit System, ein vergleichbarer ohne, oder vorher und nachher in derselben Saison.
• Laufende Kosten mitschreiben: Token-Kosten pro Vorgang gehören ins selbe Dashboard wie die Einsparung.
• Freie Zeit verplanen: Rückstände abbauen, Überstunden senken, eine offene Stelle nicht extern besetzen.

Selbstauskünfte genügen nicht. In einem Experiment der Organisation METR (2025) waren erfahrene Entwickler mit KI 19 Prozent langsamer, glaubten aber, 20 Prozent schneller gewesen zu sein. Rechnen Sie die Investition mit dem harten ROI, also mit Größen in Euro, und nennen Sie den weichen ROI wie Zufriedenheit oder weniger Abhängigkeit von einzelnen Personen als Zusatz.

Wie führen Sie KI ein und binden sie an Ihre Systeme an?

Die Studien sind sich hier ungewöhnlich einig. Laut McKinsey gestalten die erfolgreichsten Unternehmen ihre Abläufe fast dreimal so häufig grundlegend um, statt KI auf alte Verfahren zu setzen. Laut BCG (2024) verfolgen die führenden 26 Prozent der Unternehmen etwa halb so viele Anwendungsfälle wie der Rest und stecken nach der Faustregel 70, 20, 10 den größten Teil der Mittel in Menschen und Prozesse, nicht in Algorithmen. Laut MIT gelangen zugekaufte Lösungen und Partnerschaften deutlich häufiger in den produktiven Betrieb als reine Eigenentwicklungen.

Der Engpass ist fast immer die Anbindung. Laut Bitkom nennen 54 Prozent der Logistikunternehmen fehlende Expertise, um KI in ihre Prozesse einzubinden. Anbindung an die Infrastruktur heißt konkret: Zugriff über dokumentierte Schnittstellen oder, wo es keine gibt, über eine Ersatzlösung (siehe Systeme ohne Schnittstelle verbinden), Anmeldung über die bestehende Benutzerverwaltung, Protokoll jedes Schritts und eine klare Regel, wer bei einer Ausnahme übernimmt. Autonomie steigt in Stufen: zuerst bereitet das System vor und ein Mensch entscheidet, erst bei gemessen niedriger Fehlerquote entscheidet es Routinefälle selbst. Jede Stufe hebt die Dunkelverarbeitungsquote und damit den ROI.

Beim Rechtsrahmen gilt der EU AI Act seit dem 2. August 2026 weitgehend, einschließlich der Transparenzpflichten für KI-erzeugte Inhalte. Mit dem sogenannten Digital Omnibus hat die EU die Pflichten für eigenständige Hochrisiko-Systeme auf den 2. Dezember 2027 verschoben. Die typische Büroautomatisierung wie Rechnungseingang, Auftragserfassung oder Angebotserstellung ist kein Hochrisiko-System.

Wo rechnet sich KI in welcher Branche?

Bei der Implementierung von KI in Versicherungsunternehmen entscheiden dieselben Erfolgsfaktoren wie überall: ein abgegrenzter Prozess mit hoher Stückzahl wie die Schadenbearbeitung, ein Ausgangswert für Bearbeitungszeit und Kosten pro Fall, Freigaberegeln für Grenzfälle und ein Betriebsweg, der zu den Daten passt. Laut EIOPA hatten in der im Februar 2026 veröffentlichten Umfrage 49 Prozent der europäischen Versicherer eine eigene KI-Richtlinie. Mehr auf unserer Seite für Versicherungen.

Was heißt das für Ihre Entscheidung?

Beginnen Sie mit dem Bereich, der den klarsten Vorgang hat. In den meisten Betrieben ist das eine Prozessautomatisierung oder ein Agent mit hoher Stückzahl, etwa Rechnungseingang, Auftragserfassung oder Angebote. Wissensmanagement lohnt sich dort, wo viele Menschen dieselben Fragen an dieselben Dokumente stellen und Einarbeitung teuer ist. Messen Sie den Ausgangswert, testen Sie mit echten Vorgängen und wählen Sie den Betriebsweg nach den Daten: unkritisch über API, sensibel im europäischen Rechenzentrum oder lokal.

So arbeitet auch Sophera Consulting. Im kostenlosen Automations-Check wählen wir gemeinsam den Prozess aus, der sich für den Anfang eignet, und klären, welche Zugänge gebraucht werden. Das Angebot kommt mit Kosten-Nutzen-Analyse und zum Festpreis, ohne Abo. Je nach Prozess bauen wir einen Workflow, eine RPA-Lösung oder einen KI-Agenten; ein Agent ist in ein bis zwei Tagen aufgebaut, der Test mit echten Fällen läuft in derselben Woche. Die Modelle laufen DSGVO-konform über europäische Infrastruktur oder auf Wunsch lokal auf Ihrer Hardware. Danach zahlen Sie nur die Nutzungskosten der Modelle, direkt abgerechnet, und ein Wartungsagent im Festpreis überwacht die Schnittstellen. Je nach Prozess sparen wir im Durchschnitt 20 bis 80 Prozent der Prozesskosten ein. Das ist unsere eigene Angabe, keine Studie, und genau deshalb messen wir sie an Ihrem Ausgangswert.

Quellen

• Afshar, M. u. a.: Ambient-KI-Dokumentation in einer pragmatischen Studie, NEJM AI 2(12), 2025
• Alibaba/Taobao: Agentic AI and Human-in-the-Loop Interventions, Feldexperiment, arXiv 2605.14830, 2026
• Anthropic: How we built our multi-agent research system, Juni 2025
• AWS: Amazon Bedrock Preise (eu-central-1) und Dokumentation zu Datenschutz und Datenaufbewahrung, abgerufen November 2026; Start der AWS European Sovereign Cloud, Januar 2026
• Becker, J. u. a. (METR): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025
• BCG: Where's the Value in AI?, Oktober 2024; The Widening AI Value Gap, September 2025
• Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI, September 2026; Die Logistik investiert in KI, September 2026; Industrie 4.0, März 2025
• Brynjolfsson, E.; Li, D.; Raymond, L.: Generative AI at Work, NBER Working Paper 31161, 2023; Quarterly Journal of Economics 140(2), 2025
• Choi, J.; Monahan, A.; Schwarcz, D.: Lawyering in the Age of Artificial Intelligence, Minnesota Law Review 109, 2024
• Cui, Z.; Demirer, M. u. a.: The Effects of Generative AI on High-Skilled Work, Management Science
• Datenschutzkonferenz: Orientierungshilfe KI und Datenschutz, Mai 2024; Beschluss zu extraterritorialen Zugriffen, Januar 2023
• Dell'Acqua, F. u. a.: Navigating the Jagged Technological Frontier, Organization Science, 2026
• Deloitte: Automation with intelligence, 2022
• EBA: Rising application of AI in EU banking and payments sector, 2025
• EIOPA: Umfrage zu generativer KI bei Versicherern, Februar 2026
• Gartner: Pressemitteilung zu Agentic AI vom 25.06.2025
• Google Research, Google DeepMind, MIT: Towards a Science of Scaling Agent Systems, 2025
• Hetzner, OVHcloud, Nvidia, Anthropic, OpenAI: Preislisten, abgerufen Oktober und November 2026
• Humlum, A.; Vestergaard, E.: Large Language Models, Small Labor Market Effects, NBER Working Paper 33777, 2025
• IBM Institute for Business Value: CEO Study 2025
• Institut der deutschen Wirtschaft: IW-Kurzbericht 39/2026, Die Babyboomer erreichen das Rentenalter
• Lukac, P. u. a.: Ambient AI Scribes in Clinical Practice, NEJM AI, 2025
• McKinsey Global Institute: The social economy, 2012
• McKinsey: The State of AI 2025
• MIT NANDA: The GenAI Divide, State of AI in Business 2025
• Noy, S.; Zhang, W.: Experimental evidence on the productivity effects of generative artificial intelligence, Science 381, 2023
• Salesforce AI Research: CRMArena-Pro, 2025
• Xu, F. F. u. a. (Carnegie Mellon University): TheAgentCompany, 2024/2025
• Verordnung (EU) 2024/1689 (AI Act) und Verordnung (EU) 2026/1744 (Digital Omnibus on AI)
• Wharton School und GBK Collective: Accountable Acceleration, Oktober 2025