Zwei aktuelle Studien werfen ein Licht auf diesen Zwiespalt: die Gemeinschaftsstudie von VDMA Großanlagenbau und Strategy& sowie die internationale Analyse „The GenAI Divide“ des MIT. Beide zeigen hohe Erwartungen – aber auch klare Diskrepanzen zwischen Ambition und Umsetzung. Die VDMA-Studie zeigt: 84 Prozent der befragten Unternehmen bewerten GenAI als wichtig oder sehr wichtig für ihre künftige Profitabilität. Im Schnitt erhofft man sich einen Anstieg der EBIT-Marge um 6,7 Prozentpunkte – vor allem durch Kostenreduktion, weniger durch Umsatzsteigerung. Doch trotz dieser Einschätzung bleibt der tatsächliche Rollout verhalten: Denn KI ist mehr als Copilot und ChatGPT. Lediglich 33 Prozent der Unternehmen mit GenAI-Aktivitäten haben einen unternehmensweiten, systematischen Rollout umgesetzt; ein Großteil verbleibt in Pilotprojekten oder der Ideensammlung.
Diese Zahlen offenbaren einen Widerspruch zwischen strategischer Bedeutung und Investitionspraxis. Die Technologie ist da, das Wissen ebenfalls – aber Skalierung und Integration scheitern häufig an fehlenden Ressourcen, unklarer Strategie oder kulturellen Barrieren. Doch machen wir uns nichts vor: Engineering-Vorgänge im Maschinen– und Anlagenbau sind stark regelbasiert, und damit prädestiniert für einen KI-Einsatz.
Die „Pilotfalle“: Wenn Use-Cases nicht wachsen dürfen
Viele Unternehmen bleiben in der sogenannten „Pilotfalle“ gefangen: Einzelne Abteilungen testen GenAI-Anwendungen in der Projektierung, im Engineering oder Vertrieb, doch der Schritt zur unternehmensweiten Integration wird nicht gegangen. Dabei zeigen Use Cases durchaus Potenzial: Von KI-generierter technischer Dokumentation bis zur automatisierten Angebotskalkulation reichen die Ansätze, die innerhalb weniger Monate Wirkung zeigen könnten.
Der Grund für das Zögern ist den Studien zufolge vielschichtig: Es fehlen spezialisierte Fachkräfte, eine klare Zielarchitektur und oft auch die digitale Infrastruktur. Hinzu kommen Zweifel an der Datenqualität sowie interne Widerstände gegenüber Automatisierung. Die Autoren empfehlen daher, GenAI zur Chefsache zu machen und Leuchtturmprojekte mit klarem Return on Invest zu priorisieren.
Die US-amerikanische MIT-Studie kommt zu ähnlichen, aber noch deutlich schärfer gezeichneten Schlussfolgerungen. Sie spricht von einem „GenAI Divide“: Während nahezu alle Unternehmen mit generativer KI experimentieren, bringen nur etwa 5 Prozent der integrierten GenAI‑Piloten messbaren wirtschaftlichen Mehrwert. Der Grund? Fehlende Kontextanpassung, mangelnde Lernfähigkeit der Tools und ein zu starker Fokus auf generische Large Language Models (LLMs), die sich nicht in operative Prozesse integrieren lassen. Interessant ist dabei, dass sich selbst in Unternehmen mit hoher Pilotaktivität enorme Skalierungsprobleme zeigen. Vor allem große Unternehmen tun sich schwerer als mittelständische, deren agilere Struktur offenbar schnellere Implementierungen ermöglicht.
