it's promp.td ist McKinsey für lau (und schneller) 😉

Normalerweise braucht man für eine überzeugende Managementstudie ein globales Beratungsunternehmen, 1.719 Befragte aus 97 Ländern und vermutlich mehr PowerPoint-Folien, als ein durchschnittlicher Drucker während seines gesamten Lebens verkraftet.

Oder man liest it's promp.td.

Das ist natürlich nicht ganz ernst gemeint. McKinsey besitzt eine empirische Reichweite, die ein unabhängiger Blog nicht bieten kann. Die neue Studie „The State of AI in 2026: On the Road to ROI" beruht auf einer weltweiten Befragung vom Mai und Juni 2026 und zeigt, wie weit Unternehmen bei Nutzung, Skalierung und wirtschaftlicher Verwertung von KI tatsächlich gekommen sind.

Ein kleines bisschen ernst gemeint ist es trotzdem. Denn McKinseys Zahlen beschreiben erstaunlich genau mehrere Probleme, deren Mechanismen auf it's promp.td bereits früher analysiert wurden. Und einige Fragen, die hier längst gestellt werden, tauchen im Messmodell der Studie noch gar nicht auf.

89 Prozent nutzen KI – aber wo bleibt der ROI?

89 Prozent der befragten Organisationen nutzen KI regelmäßig in mindestens einer Geschäftsfunktion. 44 Prozent skalieren sie bereits unternehmensweit. Trotzdem schreiben nur 37 Prozent der KI überhaupt einen positiven EBIT-Beitrag zu – praktisch genauso viele wie 2025. Lediglich 6 Prozent (!) gelten als „AI High Performers" mit mindestens 5 Prozent EBIT-Wirkung und signifikantem Wertbeitrag.

Auf individueller Ebene sieht es ganz anders aus: 80 Prozent berichten von höherer persönlicher Produktivität, rund die Hälfte von besseren Entscheidungen und neuen Fähigkeiten.

Das ist kein Widerspruch. Es ist der Unterschied zwischen einer beschleunigten Aufgabe und einem verbesserten Unternehmen. Wer eine Präsentation statt in einem Tag in einer Stunde erstellt, sie anschließend aber weiterhin durch sieben Freigabeschleifen und vier Meetings schicken muss, hat seine Aufgabe optimiert – nicht den Prozess.

Oder, wie es hier bereits 2025 hieß:

It's always the Process, Stupid!

KI repariert keinen schlechten Workflow. Sie lässt ihn nur schneller Unsinn produzieren.

Dahinter steckt die POC-Falle: Ein Tool wird entdeckt, ein Team baut einen beeindruckenden Proof of Concept, das Management applaudiert – und danach passiert erstaunlich wenig. Denn ein POC beantwortet nur, ob eine Technologie unter Laborbedingungen etwas kann. Nicht, ob ein Unternehmen seinen realen End-to-End-Prozess, seine Rollen, Daten und Anreizsysteme so verändern kann, dass daraus dauerhaft Wert entsteht.

McKinseys High Performer bestätigen genau das: Fast drei Viertel von ihnen haben ihre Workflows durch KI grundlegend neu gestaltet – unter den übrigen Unternehmen nur etwa ein Viertel. Zudem sind sie 3,3-mal häufiger auf eine grundlegende Transformation des Geschäfts ausgerichtet statt auf bloße Effizienz.

Die Erfolgreichen installieren KI also nicht in die bestehende Organisation. Sie verändern die Organisation.

Der entscheidende Skalierungsgegenstand ist nicht das Modell, der Prompt oder der Copilot. Es ist der neu entworfene End-to-End-Prozess.

McKinsey hat dafür jetzt die Balkendiagramme geliefert. Danke – die waren hier nicht im Budget. 😉

Coding verändert „Build or buy"

Auch die These, dass Coding die Killer-App der generativen KI wird, erhält bemerkenswerte Unterstützung.

Etwa ein Fünftel der Unternehmen skaliert bereits Coding-Agenten; bei Unternehmen mit mehr als einer Milliarde US-Dollar Umsatz sind es 31 Prozent. Noch wichtiger: 32 Prozent haben auf mindestens einen Softwarekauf verzichtet, weil sie die benötigte Funktion mit agentischen Coding-Tools intern entwickeln konnten. Bei den High Performern ist es fast die Hälfte.

Das bedeutet mehr als „Entwickler programmieren schneller". Es verändert die Softwareökonomie. Wenn individuelle Software günstiger entsteht, müssen Unternehmen nicht mehr jedes Prozessproblem in eine Standardlösung pressen. Die Frage verschiebt sich von „Welche Software können wir kaufen?" zu „Welchen Prozess brauchen wir – und welchen Teil davon können wir selbst erzeugen?"

Damit wandern Budgets möglicherweise von Lizenzen zu interner Prozesslogik, Integration, Architektur und Qualitätssicherung. Genau diese Verschiebung hatte it's promp.td vorhergesagt.

Agenten sind Organisationsdesign

Bei Großunternehmen ist der Anteil derjenigen, die KI-Agenten in mindestens einer Funktion skalieren, innerhalb eines Jahres von 27 auf 40 Prozent gestiegen. Bei kleineren Unternehmen blieb er mit 22 Prozent nahezu unverändert.

Die interessante Frage ist aber nicht nur, ob Agenten kommen. Sie lautet: Was geschieht, wenn Software nicht mehr nur antwortet, sondern zu einem handelnden Teilnehmer der Organisation wird?

Ein Agent benötigt Kontext, Systemzugänge, Rollen, Berechtigungen, Eskalationsregeln, überprüfbare Zwischenschritte und eine klare Grenze zwischen autonomem Handeln und menschlicher Entscheidung.

Genau diese organisatorische Reife findet McKinsey häufiger bei den High Performern: Human-in-the-loop-Regeln, Risikomanagement, Wirkungsmessung, strategische Personalplanung, Workflow-Redesign und semantische Datenstrukturen. In den meisten untersuchten Funktionen skalieren sie Agenten mehr als dreimal so häufig wie andere Unternehmen.

Agentic AI ist deshalb kein gewöhnlicher Software-Roll-out. Es ist Organisationsdesign.

Ein Agent ohne Kontext, Rechte und Kontrolle ist schließlich kein digitaler Mitarbeiter. Er ist ein sehr eloquenter Praktikant, dem jemand versehentlich den Generalschlüssel gegeben hat.

Jetzt wird die Prompt-Steuer sichtbar

McKinsey stellt außerdem fest, dass KI-bezogene Betriebskosten einschließlich Tokens die Nutzung bereits bei 20 Prozent der Organisationen einschränken – bei High Performern besonders beim intensiven Einsatz von Coding-Agenten. Gleichzeitig planen 60 Prozent, ihre KI-Investitionen weiter zu erhöhen.

Damit wird ein Problem sichtbar, das hier als Prompt-Steuer beschrieben wurde: Wenn ein Unternehmen bei jedem Aufruf dieselben Regeln, Beispiele, Dokumente und Erfahrungen an ein externes Modell übermitteln muss, bezahlt es immer wieder dafür, der KI das eigene Unternehmen zu erklären.

Sinkende Tokenpreise lösen das nicht automatisch. Kontextmengen, Reasoning-Schritte, Agentenschleifen und Nutzung können schneller wachsen als die Stückkosten sinken. AI ist nicht „too cheap to meter".

Die relevante Kennzahl ist daher nicht der Preis pro Million Tokens. Es sind die Kosten pro korrekt abgeschlossener Prozessinstanz – einschließlich Wiederholungen, Kontrolle, Integration und menschlicher Nacharbeit.

McKinsey misst nun das Symptom. Die strukturelle Frage dahinter lautet: Wie lange will ein Unternehmen sein eigenes Wissen auf Abruf zurückmieten?

Was McKinsey noch nicht misst

Hier ist Präzision wichtig. Wenn eine Studie eine These nicht bestätigt, gibt es drei mögliche Gründe: Die These ist falsch. Das Phänomen ist noch nicht sichtbar genug. Oder die Studie hat gar nicht die Kategorien erhoben, mit denen man es erkennen könnte.

Bei mehreren Thesen von it's promp.td trifft vor allem der dritte Punkt zu:

• McKinsey misst, ob Unternehmen spezialisierte AI-Tools nutzen – aber nicht, ob kleine Spezialmodelle bei Routineprozessen wirtschaftlicher arbeiten als Frontier-Modelle.
• Die Studie misst AI-Betriebskosten – zerlegt sie aber nicht nach wiederholtem Kontext, RAG, Fine-Tuning, lokalem Betrieb oder Eigentum an Modellen und Feedbackdaten.
• Sie misst den Gesamt-Headcount – aber nicht, ob Einstiegsaufgaben verschwinden und die Kompetenzpipeline erodiert.

Letzteres ist die hier beschriebene „Seniorisierung der Junioren": 2025 erwarteten 32 Prozent einen KI-bedingten Personalrückgang; eingetreten ist er 2026 nur bei 14 Prozent. Das widerlegt die These aber nicht – sie handelt nicht von Massenentlassungen, sondern von der Karriereleiter. Wenn KI Recherche, Standardcode und erste Analysen übernimmt, bleibt der Headcount zunächst stabil, während genau die Aufgaben verschwinden, an denen Berufseinsteiger bisher gelernt haben. McKinsey zählt Köpfe. Die spannendere Frage lautet:

Woher kommen künftig die Senior-Köpfe, wenn die Junior-Aufgaben verschwinden?

McKinsey misst Symptome – it's promp.td beschrieb Mechanismen

McKinsey zeigt sehr gut, was geschieht. it's promp.td hatte in mehreren Fällen früher beschrieben, warum es geschehen würde.

Ein kurzer Beipackzettel: McKinseys Studie basiert überwiegend auf Selbstauskünften, die High-Performer-Gruppe umfasst nur 92 Befragte, und Korrelation ist auch in einer hübschen Grafik keine Kausalität. Umgekehrt wird eine Blogthese nicht zur empirischen Forschung, nur weil spätere Daten zu ihr passen. Seriös ist der Vergleich nur, wenn frühere Aussage, Veröffentlichungszeitpunkt und späterer Befund nachvollziehbar nebeneinanderstehen – einschließlich der Prognosen, die offen oder falsch sind.

Die belastbare Behauptung lautet deshalb nicht, McKinsey schreibe hier ab. Das wäre Unsinn – wenn auch ausgesprochen schmeichelhaft. 😉 Sie lautet:

McKinseys Daten von 2026 stützen mehrere Erklärungen zur KI-Implementierung, die auf it's promp.td zuvor formuliert wurden. Andere Thesen reichen über das Messmodell der Studie hinaus und bleiben überprüfbare Prognosen.

Warum kann ein Blog hier schneller sein? Nicht wegen besserer Daten – im Gegenteil. Eine große Befragung braucht stabile Begriffe und ausreichend verbreitete Phänomene; sie arbeitet a posteriori. Ein analytischer Blog kann ex ante fragen: Wenn Technik, Kosten und Organisationslogik in diese Richtung laufen – welches Problem entsteht morgen daraus? Das ist schneller, aber auch riskanter. Deshalb gilt: Prognosen dokumentieren, Treffer nicht mit Gewissheit verwechseln, Irrtümer genauso sichtbar machen wie Bestätigungen.

Was vermutlich als Nächstes kommt

Besonders interessant ist McKinseys Beobachtung, dass High Performer häufiger eine semantische Datenschicht oder einen Knowledge Graph verwenden. Ein Knowledge Graph beantwortet die Frage: Wie machen wir unser Unternehmenswissen für KI zugänglich? Denn Frontier-Modelle kennen das Internet – nicht Ihr Unternehmen, nicht seine ungeschriebenen Regeln, vergangenen Entscheidungen und kundenspezifischen Ausnahmen.

Der Beitrag „Intelligence Ownership wird zum Business Case" denkt das weiter. Die nächste strategische Frage lautet nicht nur, wie das Wissen zur KI gelangt, sondern wo die daraus entstehende Intelligenz lebt und wem sie gehört. Solange der Kontext bei jedem Vorgang erneut an ein fremdes Modell übertragen wird, bleibt das Unternehmen Mieter seiner eigenen Intelligenz.

Der nächste Reifegrad dürfte in einer hybriden Architektur liegen:

• Frontier-Modelle bearbeiten seltene, offene und kreative Aufgaben.
• Knowledge Graphs und RAG liefern aktuelle, überprüfbare Fakten.
• Kleine Spezialmodelle lernen häufige, klar messbare Entscheidungen.
• Agenten orchestrieren die Komponenten entlang des Prozesses.
• Menschen kontrollieren Ausnahmen und folgenreiche Entscheidungen.

Der nachhaltige Vorteil liegt dann weniger im Namen des Basismodells. Modelle werden austauschbarer. Nicht austauschbar sind die gelabelten Urteile der eigenen Experten, Taxonomien, Ausnahmeregeln und Feedbackschleifen – kurz: das institutionelle Gedächtnis.

Darum lautet die nächste Frage nach „Build or buy?" möglicherweise:

Welche Intelligenz dürfen wir mieten – und welche sollte uns gehören?

Was nun?

Die Studie macht vor allem eines deutlich: Die erste Phase der Enterprise AI ebbt ab. Der Zugang zu Tools ist nicht mehr das Problem – 89 Prozent nutzen KI bereits irgendwo. Die zweite Phase beginnt mit unangenehmeren Fragen:

• Welcher vollständige Geschäftsprozess soll sich verändern?
• Welche Schritte werden abgeschafft – nicht nur beschleunigt?
• Wie wird individuelle Zeitersparnis in Umsatz, Marge oder bessere Leistungen übersetzt?
• Welches institutionelle Wissen benötigt die KI dauerhaft?
• Welche Entscheidungen darf ein Agent treffen – und wer kontrolliert das Ergebnis?
• Was kostet ein korrekt abgeschlossenes Ergebnis, nicht bloß ein Token?
• Wie entstehen morgen Experten, wenn KI heute die Anfängerarbeit übernimmt?

Wer auf diese Fragen nur mit dem Namen seines bevorzugten Modells antwortet, hat keine KI-Strategie. Er hat ein Abonnement.

Vielleicht fragt McKinsey in einer kommenden Studie deshalb nicht mehr nur nach Knowledge Graphs, Agenten und Tokenkosten, sondern nach eigenen Spezialmodellen, Trainingsdaten, Expertenlabels und einer Strategie für Intelligence Ownership. Wenn es so weit ist, werden die Leserinnen und Leser von it's promp.td das Thema bereits verinnerlicht haben. 😉

Denn 2025 startete ich das Leitmotiv:

It's always the Process, Stupid!

2026 kam die Ergänzung:

But it's also the Data. And in the end, it's about who owns your Intelligence.

Gleiche Richtung. Weniger Slides. Etwas früher veröffentlicht.

Und, nun ja … für lau. 😉

Too Long, Don't Read? Kein Problem: hier ist das Promptcast 😉

Promptcast · 12:31

McKinsey für lau - Teil 1

Promptcast · 10:25

McKinsey für lau - Teil 2