KI in Projekten: Wie gut wird das in Deutschland wirklich umgesetzt?

Erst die gute Nachricht: Der Aufholeffekt ist real

Die Bitkom-Zahlen von Anfang 2026 sind bemerkenswert. 41 Prozent der deutschen Unternehmen mit mindestens 20 Beschäftigten setzen KI aktiv ein – im Vorjahr waren es 17 Prozent. Das ist keine lineare Steigerung. Das ist ein Sprung.

Und es bleibt nicht beim Einsatz: 77 Prozent der KI-nutzenden Unternehmen berichten von einer verbesserten Wettbewerbsposition, 52 Prozent sagen, KI trägt messbar zum Unternehmenserfolg bei. Es sind keine bloßen Pilotprojekte mehr, die auf Hype-Erwartungen reiten – das sind konkrete Ergebnisse.

„KI ist für 81 Prozent der deutschen Unternehmen die wichtigste Zukunftstechnologie – nach 73 Prozent im Jahr 2024.“ – Bitkom, September 2025

Noch interessanter: Nur noch 17 Prozent bezeichnen KI als „überbewerteten Hype“ – 2024 waren es 26 Prozent. Die Skepsis der frühen 2020er Jahre weicht einer nüchterneren, aber deutlich positiveren Haltung.

Kürzere Projektlaufzeiten – aber nur, wenn KI wirklich eingesetzt wird

Was passiert konkret, wenn KI in Projekten zum Einsatz kommt? Die meisten kursierenden Zahlen dazu sind Selbsteinschätzungen aus Umfragen. Es gibt aber eine Messung. Die Harvard Business School hat mit der Boston Consulting Group ein präregistriertes Feldexperiment durchgeführt: 758 Beraterinnen und Berater, zufällig auf drei Gruppen verteilt – ohne KI, mit GPT-4, mit GPT-4 und einer Einführung ins Formulieren von Anweisungen –, dann 18 realistische Aufgaben aus dem Beratungsalltag. Wer mit KI arbeitete, erledigte 12,2 Prozent mehr Aufgaben und brauchte dafür 25,1 Prozent weniger Zeit, bei über 40 Prozent besserer Qualität.

Die zweite Hälfte des Ergebnisses ist die wichtigere. Für eine Aufgabe, die bewusst außerhalb der Fähigkeiten des Modells lag, kamen die KI-Nutzer 19 Prozentpunkte seltener zur richtigen Lösung als die Kontrollgruppe. Die Autoren nennen das die ausgefranste Fähigkeitsgrenze: Innerhalb dessen, was das Modell kann, wird man schneller und besser. Einen Schritt daneben wird man schneller und falscher – und merkt es nicht.

Übertragen lässt sich das nicht eins zu eins: Gemessen wurden Beratungsaufgaben, keine Projektlaufzeiten, und nicht in Deutschland. Für den deutschen Projektalltag gibt es bisher nur Umfragedaten. In einer Capterra-Befragung von 200 deutschen Projektmanagern setzen 44 Prozent KI in ihren Projektmanagement-Werkzeugen ein – die knappe Mehrheit also nicht, und sie sieht entsprechend auch keine Gewinne.

Das deckt sich mit dem, was ich in Projekten beobachte. Wenn KI konsequent genutzt wird – für Statusberichte, für die Aufbereitung von Stakeholder-Feedback, für Risikoanalysen – spart das tatsächlich Zeit. Aber „konsequent nutzen“ erfordert mehr als ein Tool-Abonnement. Es erfordert, dass das gesamte Team eine gemeinsame Vorstellung davon hat, wo und wie KI sinnvoll eingesetzt wird.

Zahlen, die zählen

41 %  

der Unternehmen nutzen KI aktiv – doppelt so viele wie im Vorjahr (Bitkom 2026)

25,1 %  

weniger Zeit pro Aufgabe – gemessen im Feldexperiment, nicht abgefragt (Harvard Business School / BCG, 758 Teilnehmende, 2023)

~80 %  

der KI-Vorhaben liefern nicht den angestrebten Geschäftsnutzen (RAND Corporation, 2024)

65 %  

der Führungskräfte weltweit können keinen klaren Business Case für KI definieren (DXC Technology, August 2025)

Die unbequeme Seite: Warum so viele KI-Projekte scheitern

Jetzt kommt die Zahl, die in keiner Präsentation auftaucht, aber in jeder Retrospektive hätte stehen sollen. Verschiedene Branchenberichte – darunter Analysen aus dem MIT-Umfeld – deuten darauf hin, dass ein Großteil der KI-Pilotprojekte keinen skalierbaren Nutzen erreicht. Die genauen Quoten variieren je nach Definition, bewegen sich aber in den veröffentlichten Erhebungen zwischen 70 und 90 Prozent: Die RAND Corporation nennt rund 80 Prozent, eine viel zitierte MIT-Auswertung für generative KI sogar 95 Prozent der Pilotprojekte. Scheitern bedeutet dabei nicht Chaos – es bedeutet, dass die erhofften Ergebnisse trotz Investition ausbleiben.

Was steckt dahinter? Drei Muster tauchen immer wieder auf.

1. Das erste ist das fehlende Warum. Eine DXC-Technology-Umfrage unter 2.496 Führungskräften in 23 Ländern zeigt: 77 Prozent sehen KI als strategische Priorität – aber 65 Prozent können nicht konkret sagen, was KI für ihr Unternehmen erreichen soll. Das ist kein KI-Problem. Das ist ein Strategieproblem.

2. Das zweite Muster ist schlechte Datenreife. KI-Systeme sind so gut wie die Daten, mit denen sie arbeiten. Viele Unternehmen starten Piloten, ohne ihre Datenbasis vorher zu klären. Das Ergebnis: Die KI liefert – aber was sie liefert, taugt nichts.

3. Das dritte Muster ist der Kompetenzgap – und er verstärkt sich im KI-Kontext zusätzlich. McKinsey zeigt, dass 33 Prozent der deutschen Mitarbeitenden nicht über die erforderlichen Fähigkeiten für ihre aktuelle Rolle verfügen und 44 Prozent im vergangenen Jahr keinen einzigen Tag für Weiterbildung genutzt haben. Wenn Teams nicht wissen, wie sie mit KI-Ergebnissen umgehen sollen, bleibt der Nutzen aus – unabhängig davon, wie gut das Tool ist.

Was ich immer wieder sehe: Wenn nur einzelne Personen im Team KI aktiv nutzen und der Rest abwartet, entsteht kein Effizienzgewinn – sondern ein neues Koordinationsproblem.

Philip Müller

Wo KI in Projekten heute wirklich landet

Eine GPM-Studie von 2025 mit 176 Teilnehmern zeigt, wo KI im Projektmanagement heute tatsächlich genutzt wird: hauptsächlich in der Kommunikation. Zusammenfassungen erstellen, Protokolle aufbereiten, Standardantworten formulieren. Das ist nicht nichts – aber es ist weit entfernt von dem, was möglich wäre.

Das höchste Potenzial sehen die Befragten im Risikomanagement. Das ergibt Sinn: Risikobewertungen hängen oft an strukturierten Informationsmengen, die KI gut verarbeiten kann. Trotzdem ist genau das der Bereich, in dem die wenigsten Teams bisher systematisch mit KI arbeiten.

Mehr als die Hälfte der deutschen Unternehmen nennt KI-Funktionen als Hauptgrund für Investitionen in neue Projektmanagement-Software. Der Markt bewegt sich – die Frage ist, ob die tatsächliche Nutzung mit den Investitionen mithält.

Was in der Praxis funktioniert – und was ich daraus mitnehme

Ich bin nicht überrascht, dass die Misserfolgsquoten hoch sind. Was mich überrascht: Wie viele Unternehmen danach weitermachen, dieselben Fehler wiederholen und das Ergebnis als „KI-Problem“ bezeichnen.

Einen entscheidenden Unterschied macht es, KI nicht als Technologie-Initiative zu behandeln, sondern als Arbeitsmethode. Nicht „Wir testen KI“ – sondern „Wie lösen wir dieses konkrete Problem, und kann KI dabei helfen?“ Das klingt wie eine semantische Feinheit. Ist es nicht.

Drei Dinge, die ich für mich mitgenommen habe:

1. Kleine, konkrete Einsatzbereiche schlagen große Visionen. Wer mit „KI soll unsere gesamte Projektarbeit verändern“ startet, scheitert. Wer mit „KI soll unsere Sprint-Retros zusammenfassen“ startet, hat nach zwei Wochen verwertbare Ergebnisse.

2. Der Mensch entscheidet – KI schlägt vor. Die GPM-Studie bestätigt, was ich aus der Praxis kenne: Hybridmodelle funktionieren. KI für Informationsverarbeitung und Strukturierung, Mensch für Urteil und Kontext.

3. Datenschutz ist in Deutschland ein echter Faktor, kein Vorwand. 43 Prozent der deutschen Projektmanager nennen Datenschutz und Sicherheit als eine ihrer drei größten Herausforderungen beim KI-Einsatz – weltweit sind es 32 Prozent. Ganz oben steht in beiden Gruppen die Datenqualität. Das gehört von Anfang an in jede KI-Strategie, nicht als nachträglicher Gedanke.

Fazit: Deutschland bewegt sich – aber nicht gleichmäßig

Der Aufholeffekt ist real. Die Erfolge bei denen, die KI konsequent einsetzen, sind real. Aber die Lücke zwischen „KI als Priorität benennen“ und „KI so einsetzen, dass Projekte besser laufen“ ist noch groß.

Was mich optimistisch stimmt: Die Unternehmen, die es richtig machen, existieren. Sie sind selten, aber sie sind real. Und was sie gemeinsam haben, ist kein größeres Budget oder bessere Tools – sondern klarere Fragen zu Beginn und mehr Geduld im Prozess.

Die ehrlichste Antwort auf die Frage, wie gut KI in deutschen Projekten umgesetzt wird: besser als vor zwei Jahren, schlechter als in den Präsentationen – und mit einem erkennbaren Muster für alle, die genau hinschauen.

Quellen

• Bitkom: Digitalisierung der Wirtschaft 2026 — 604 Unternehmen ab 20 Beschäftigten, telefonisch befragt in den Kalenderwochen 2 bis 6 2026, veröffentlicht am 11. März 2026. Daraus: 41 Prozent KI-Einsatz (Vorjahr 17 Prozent), 77 Prozent verbesserte Wettbewerbsposition, 52 Prozent messbarer Beitrag zum Unternehmenserfolg.
• Bitkom: Durchbruch bei Künstlicher Intelligenz — 604 Unternehmen ab 20 Beschäftigten, Kalenderwochen 27 bis 32 2025, veröffentlicht am 15. September 2025. Daraus: 81 Prozent halten KI für die wichtigste Zukunftstechnologie (2024: 73 Prozent), 17 Prozent für einen vorübergehenden Hype (2024: 26 Prozent).
• Capterra: 2024 Most Impactful Project Management Tools Survey — 2.500 Befragte weltweit, davon 200 Projektmanager in Deutschland, erhoben im Mai 2024, veröffentlicht am 4. September 2024. Daraus: 44 Prozent KI-Einsatz in Projektmanagement-Werkzeugen, 89 Prozent positive Rendite, Datenschutz als Herausforderung in Deutschland 43 Prozent gegenüber 32 Prozent weltweit.
• DXC Technology: Befragung von 2.496 Führungskräften aus Technologie und Wirtschaft in 23 Ländern, August 2025. Daraus: 77 Prozent KI als Priorität, 65 Prozent ohne klaren Business Case, 94 Prozent mit erheblichen Skalierungshürden. Die Erhebung ist international, nicht deutsch.
• McKinsey: HR-Monitor 2025, veröffentlicht am 21. Juli 2025 — rund 2.000 Unternehmen und über 4.000 Beschäftigte aus Europa und den USA, davon etwa 1.000 aus Deutschland. Daraus: 33 Prozent ohne die für ihre Rolle nötigen Fähigkeiten, 44 Prozent ohne einen einzigen Weiterbildungstag im Vorjahr.
• GPM: Erhebung von 2025 mit 176 Teilnehmenden zum Einsatz von KI im Projektmanagement.
• Dell’Acqua, F. / McFowland III, E. / Mollick, E. / Lifshitz-Assaf, H. / Kellogg, K. / Rajendran, S. / Krayer, L. / Candelon, F. / Lakhani, K. (2023): Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013 — präregistriertes, randomisiertes Feldexperiment mit 758 Beraterinnen und Beratern der Boston Consulting Group über 18 Aufgaben. Daraus: 12,2 Prozent mehr erledigte Aufgaben, 25,1 Prozent weniger Zeit, über 40 Prozent bessere Qualität innerhalb der Fähigkeitsgrenze; 19 Prozentpunkte weniger richtige Lösungen außerhalb davon.
• Zur Scheiterquote von KI-Vorhaben: RAND Corporation (rund 80 Prozent ohne den angestrebten Geschäftsnutzen) sowie eine viel zitierte MIT-Auswertung zu generativer KI (95 Prozent der Pilotprojekte).
• Nicht verwendet, weil nicht auffindbar: Der zuvor hier zitierte „PMI Global AI Report 2025“ existiert unter diesem Namen nicht. Auch die verbreitete Angabe, laut PMI lieferten KI-nutzende Organisationen 61 Prozent ihrer Projekte termingerecht gegenüber 47 Prozent ohne KI, steht nicht im Pulse of the Profession 2025 — dieser Bericht behandelt Geschäftsverständnis, und die Zahl 47 kommt darin nicht vor.