Im zurückliegenden Jahr wurden Stimmen lauter, die die hohen KI-Investitionen von Unternehmen infrage stellen. Der Nutzen sei überschaubar, der Return on Investment (ROI) allenfalls gering, hieß es da. Folgt auf die große KI-Euphorie nun also die große KI-Ernüchterung?
1. LLMs befinden sich auf dem Weg zum Alltagsprodukt
Der Markt für LLMs wird langsam erwachsen, mit Langeweile ist dennoch nicht zu rechnen. Auf der einen Seite bemühen sich Anbieter wie OpenAI um Diversifizierung und wollen im Hardware-Bereich mitspielen, etwa bei Chips, KI-Bricks für Rechenzentren oder KI-Geräten für Verbraucher. Auf der anderen Seite nutzen Tech-Giganten wie Google ihre vertikalen Stacks und finanziellen Ressourcen, um einen Chip-Riesen wie NVIDIA herauszufordern. Darüber hinaus können jederzeit neue Anbieter auf der Bildfläche erscheinen. Die besten Chancen, sich durchzusetzen, haben dabei innovative Newcomer, denen es gelingt, aus der Spirale auszubrechen, dass eine höhere Modellqualität nach immer mehr Rechenleistung und Trainingsdaten verlangt. Da überdies chinesische Modelle wie DeepSeek und Qwen im Open-Source-Bereich an Momentum gewinnen, ist der Weg bereitet für ein breiteres Angebot an Basismodellen, die besser, günstiger und schneller sind. Dadurch werden LLMs austauschbarer und ein Stück weit zu einem Alltagsprodukt.
2. KI-Regulierung wird nicht verschwinden
Viele Unternehmen und Politiker plädieren für ein Zurückfahren der KI-Regulierung, und tatsächlich arbeitet die EU-Kommission mit dem „Digital Omnibus“ an einer Vereinfachung und Abschwächung des AI Act. Aber diese Änderungen sind noch nicht final beschlossen und überdies weniger weitreichend, als es scheint. Im Grunde werden nur Fristen verschoben, Ausnahmen für mittelständische Unternehmen ausgeweitet und der Aufbau von KI-Kompetenzen für Systeme mit begrenztem oder minimalem Risiko von einer Anforderung zu einer Empfehlung herabgestuft. Das sind wichtige und positive Signale für die Wirtschaft. Der grundlegende risikobasierte Ansatz des AI Act bleibt bestehen, sodass Unternehmen die entsprechenden Anforderungen mit ihren KI-Systemen erfüllen müssen – und das, solange die neuen Vorschriften nicht beschlossen sind, innerhalb der ursprünglichen Fristen. Um Unsicherheiten zu vermeiden, sollte die EU ihren Vorschlag zügig finalisieren und verabschieden.
3. Bei der Amortisierung von GenAI-Investitionen ist Geduld gefragt
Im Laufe der zweiten Jahreshälfte 2025 wurde verstärkt über den Nutzen von GenAI-Projekten diskutiert und ob diese jemals den erhofften Mehrwert bringen werden. Verschiedene Studien kamen zu dem Ergebnis, dass sich die hohen Investitionen für die meisten Unternehmen bislang nicht auszahlen, was die Fragen aufwirft: Ist der große KI-Hype also vorbei und 2026 wird ein Jahr der Enttäuschung? Oder ist ein wenig Ernüchterung nur natürlich nach der vorherigen Aufregung? Letztlich wird 2026 wohl ein Übergangsjahr werden, in dem die Erwartungen an KI wieder realistischer formuliert sind. Ein Jahr, in dem KI vor allem dort ihren Wert beweisen wird, wo sie in Prozesse eingebunden ist, um die betriebliche Effizienz und den Service zu verbessern. Solche Projekte benötigen jedoch Zeit und sind nicht in wenigen Monaten abgeschlossen – der übliche Zeitrahmen liegt eher bei zwölf bis 18 Monaten. Zudem verlangen die Projekte nach sorgfältiger Vorbereitung und Umsetzung, vor allem in Bereichen wie Daten, Prozesse und Change Management. Schnelle und einfache Lösungen, wie manche Anbieter sie gerne versprechen, bringen nur selten einen signifikanten ROI.
4. Bei Agentic AI kommt es auf die Use Cases an
Die vergangenen Monate haben bereits angedeutet, wozu Agentic AI fähig ist. Doch 2026 wird es nicht einfach nur darum gehen, mehr Agenten auf ein Problem loszulassen – das ist ineffektiv und führt in der Regel nicht zur Problemlösung. Zumal die einzelnen Agenten gar nicht so leistungsfähig sind: Selbst die besten von ihnen lösen in Benchmarks weniger als die Hälfte der Aufgaben. Natürlich sind diese Benchmarks bewusst herausfordernd gestaltet, mit mehrdeutigen Zielen oder unspezifischen Aufgaben, aber sieht so nicht auch der Alltag in vielen Unternehmen aus? Um Agentic AI erfolgreich einzusetzen, kommt es deshalb auf eine überlegte Auswahl der Use Cases an. So kann Agentic AI die Spezialisten aus den Fachbereichen etwa gut beim Design neuer oder zu modernisierender Anwendungen unterstützen und damit Ressourcen für Innovationen freimachen. Außerdem kann sie überall dort helfen, wo die Kreativität von KI-Agenten wichtig ist, es zugleich aber auch auf vorhersagbare und wiederholbare Ergebnisse ankommt, also das genaue Einhalten von Workflows und geschäftlichen Regeln. In jedem Fall sind Transparenz und Erklärbarkeit unerlässlich und wahrscheinlich werden automatisierte Benchmarks bald dafür sorgen, dass sich agentenbasierte Systeme besser überwachen lassen und sich die Agenten in Echtzeit anpassen können.
5. Echte autonome Intelligenz ist noch weit entfernt
Die große Herausforderung im KI-Bereich liegt gar nicht mehr so sehr darin, KI in Workflows zu integrieren oder zu skalieren. Vielmehr ist es die Gestaltung einer echten autonomen Intelligenz, die weit über die Fähigkeiten heutiger, auf LLMs basierender KI-Systeme hinausgeht. Diese besitzen zwar durchaus beeindruckende Fähigkeiten, sind aber eher passiv – zumindest gemessen an den frühen kybernetischen Systemen der 1950er Jahre, die eingebettet in eine Umgebung selbst Daten zusammentragen, Entscheidungen fällen, auf Feedback reagieren und daraus lernen konnten. Agentic AI ist nun ein Schritt hin zu mehr Autonomie bei aktueller KI, muss aber so gestaltet werden, dass sie aktiv die richtigen Daten erfasst, Ziele nicht aus den Augen verliert und sich kontinuierlich an dynamische Gegebenheiten anpasst. Und sie muss mit Menschen, anderen Agenten und mit IT-Systemen interagieren – ja, sie sogar verstehen – können, sprich: Dinge koordinieren und aushandeln sowie Interessen abwägen. Und das alles in einer sicheren und zuverlässigen Art und Weise, entsprechend ethischer Normen, unter Einhaltung von Governance-Vorgaben und mit eingebauter Transparenz. Die nächste Herausforderung besteht nun darin, eine KI zu entwickeln, die sich anpasst, verbessert, sozial kompetent ist und sich in komplexen Umgebungen zurechtfindet – und das verantwortungsbewusst und ausgerichtet an den Bedürfnissen und Werten von Menschen, anderen Agenten, der Gesellschaft und geschäftlichen Anforderungen.
