von Die Zahlen klingen vertraut: 41 Prozent der deutschen Unternehmen nutzen aktiv KI, weitere 48 Prozent planen den Einsatz. Damit liegt der kombinierte Adoption-Fokus bei 89 Prozent. Was diese DIHK-Digitalisierungsumfrage 2026 von vielen anderen Studien unterscheidet, ist die Stichprobe: 5.000 befragte Unternehmen. Und es ist nach Bitkom und IfM bereits die dritte unabhängige Quelle, die im Frühjahr 2026 zu dieser 41-Prozent-Marke kommt.
Das macht die Zahl belastbar. Aber sie ist nicht die wichtigste Erkenntnis der Umfrage.
Drei Studien, eine Zahl — und ein anderes Bild bei der KfW
Wer die Adoptions-Quote im deutschen Mittelstand verstehen will, muss die Studienlage nebeneinanderlegen. Bitkom kommt auf 41 Prozent, das IfM ebenfalls auf 41 Prozent, die DIHK jetzt mit 5.000 Unternehmen auf dieselbe Marke. Drei verschiedene Erhebungsmethoden, drei verschiedene Stichproben, dasselbe Ergebnis.
Interessant wird es im Vergleich mit der KfW-Studie, die nur 20 Prozent aktive Nutzung ermittelt hat. Der Unterschied liegt in der Definition: KfW fragt nach produktivem, geschäftskritischem Einsatz — Bitkom, IfM und DIHK zählen jede Form aktiver Nutzung. Beides ist legitim. Beides erzählt eine andere Geschichte.
Für die strategische Planung heißt das: Wenn ein Beratungspitch mit „90 Prozent der Unternehmen setzen schon KI ein“ beginnt, ist das technisch korrekt — und praktisch irreführend. Der relevante Vergleichswert für die meisten KMU-Entscheider ist nicht „Wer hat schon mal ChatGPT geöffnet?“, sondern „Wer holt damit messbaren Geschäftsnutzen heraus?“. Und da sind wir näher an den 20 Prozent.
Die eigentliche Schlagzeile: 81 Prozent können den ROI nicht messen
Die wirklich harte Zahl der DIHK-Umfrage steht selten in den Pressemeldungen: 81 Prozent der Unternehmen empfinden die Quantifizierung des KI-ROI als schwierig. Über 75 Prozent erzielen mit der bereits eingesetzten KI noch keinen messbaren Return.
Das ist kein Marketing-Versäumnis. Das ist ein strukturelles Mess-Problem.
In klassischen IT-Projekten gibt es klare Baselines: Lizenzkosten vorher, Lizenzkosten nachher. Tickets pro Tag vorher, Tickets pro Tag nachher. Bei KI-Einsätzen verschwimmt das. Wenn ein Vertriebsmitarbeiter mit KI-Unterstützung schneller Angebote schreibt — wie genau misst man das? Stoppuhr? Geschätzte Stundenanzahl pro Monat? Und was passiert, wenn der Output qualitativ besser, aber nicht schneller produziert wird?
Genau hier setzt das Argument für Eval-Infrastruktur an, das wir bereits unter „Man kann nicht automatisieren, was man nicht messen kann“ ausgeführt haben. Bevor ein Unternehmen die nächste KI-Initiative startet, gehört die Frage „Wie würden wir Erfolg überhaupt erkennen?“ in das Konzept — nicht in die Retrospektive.
63 Prozent der KMU melden Kostenüberschreitungen
Der zweite Reality-Check der Umfrage: 63 Prozent der kleinen und mittleren Unternehmen berichten von Kostenüberschreitungen bei KI-Projekten. Das ist eine bemerkenswert hohe Quote — und sie passt zur ROI-Problematik.
Wer den Nutzen nicht beziffern kann, hat keine harte Grenze, ab wann ein Projekt „zu teuer“ wird. Budgets werden dann nicht durch Business-Cases, sondern durch Geduldsschwellen begrenzt. Das erklärt, warum so viele Pilotprojekte länger laufen als geplant — und warum die Gespräche oft in „Wir haben jetzt schon so viel investiert, jetzt müssen wir auch zum Abschluss kommen“ enden.
Der Ausweg ist nicht weniger Ambition, sondern härtere Vorabarbeit: klare Erfolgskriterien, dokumentierte Baseline-Messungen, definierte Abbruchkriterien. Drei Sätze auf einer Seite reichen oft schon.
Future-Built Firms: Doppeltes Umsatzwachstum
Die DIHK-Umfrage enthält neben den ernüchternden Zahlen auch einen Lichtblick: Unternehmen, die als „future-built“ klassifiziert werden — also systematisch in KI-Reife investieren — verzeichnen doppeltes Umsatzwachstum und 40 Prozent höhere Kosteneinsparungen gegenüber dem Durchschnitt.
Das ist kein Zufall, und es ist kein Survivorship-Bias. Diese Unternehmen unterscheiden sich nicht durch das eingesetzte Modell oder die Tool-Auswahl, sondern durch den Reife-Ansatz: klare Governance, kontinuierliche Schulung, eingebaute Mess-Mechanismen, definierte Eskalationswege. Es ist der Unterschied zwischen „Wir probieren mal ChatGPT“ und „Wir bauen ein KI-Programm“.
Der entscheidende Punkt: Reife ist nicht teurer. Sie ist anders strukturiert. Die Investition fließt früher in Konzept und Governance, später weniger in nachträgliche Korrekturen.
Update Mai 2026: Vertrauen, Souveränität, Datenqualität
Die DIHK hat in einer Nachveröffentlichung Anfang Mai weitere Datenpunkte ergänzt, die das Bild präzisieren:
50 Prozent der Unternehmen sind besorgt um die eigene Datensicherheit beim KI-Einsatz. Das ist die Hälfte aller Befragten — kein Randthema. Es geht dabei nicht nur um DSGVO-Konformität, sondern um die grundlegende Frage, welche Daten in welcher Form an externe Dienste fließen.
53 Prozent misstrauen nicht-europäischen KI-Anbietern. Diese Zahl ist im aktuellen geopolitischen Klima eine harte Marktrealität. Sie ist auch ein Argument für hybride Architekturen — etwa die Integration europäischer Modelle in bestehende Produktivumgebungen, wie sie Microsoft mit Agent 365 als Control Plane vorbereitet. Die Diskussion verlagert sich von „Welches Modell ist das beste?“ zu „Welche Daten dürfen wo verarbeitet werden?“.
76 Prozent der KMU kämpfen mit unzureichender Datenqualität und Datensilos. Das ist die unbequemste Zahl der gesamten Umfrage, und sie wird am häufigsten ignoriert. Kein KI-System der Welt kompensiert eine zersplitterte Datenlandschaft. Bevor ein Unternehmen über Modellauswahl nachdenkt, gehört eine ehrliche Bestandsaufnahme der Daten-Hausaufgaben in die Agenda. Wer hier nicht aufräumt, wird auch mit dem besten Modell keinen messbaren ROI sehen.
Was Mittelstandsentscheider aus diesen Zahlen mitnehmen sollten
Erstens: Die 41-Prozent-Adoption ist real, aber sie sagt nichts über Wertschöpfung aus. Die relevante Frage ist nicht „Setzen wir schon KI ein?“, sondern „Können wir messen, was sie uns bringt?“.
Zweitens: ROI-Messung ist kein Reporting-Problem, sondern ein Designentscheidungs-Problem. Sie muss vor dem Projektstart definiert werden, nicht danach.
Drittens: Daten-Hausaufgaben kommen vor KI-Strategie. Wer 76 Prozent Datenqualitätsprobleme hat, sollte nicht mit dem nächsten LLM-Pilot starten, sondern mit einer Daten-Inventur.
Viertens: Souveränitäts-Themen sind keine Compliance-Folklore. Sie sind ein realer Auswahlfaktor — und ein Wettbewerbsvorteil für Anbieter, die europäische Datenverarbeitung glaubhaft nachweisen können.
Die DIHK-Umfrage ist keine Erfolgsgeschichte. Sie ist eine Standortbestimmung. Und sie ist deutlich nüchterner als die KI-Adoptions-Geschichten, die in den letzten zwölf Monaten den Diskurs dominiert haben. Genau das macht sie wertvoll.
—
Weitere Hintergründe zum Thema KI-Reife und Mess-Infrastruktur im Mittelstand finden sich in unserer laufenden Serie zu KI im Mittelstand.
