Die Produktivitätsgewinne sind belegt, die Kosten transparent. Dennoch überwiegen in vielen Unternehmen noch immer Zögern, Bedenken und bequemes Aufschieben. Eine verhaltensökonomische Analyse zeigt, wie Nichtstun zunehmend zum größten Wettbewerbsrisiko wird. Seit dem Durchbruch von ChatGPT Ende 2022 hat sich die Welt der großen Sprachmodelle in rasantem Tempo weiterentwickelt. Ein Blick auf vergleichende Plattformen zeigt: Die Spitzenplätze werden klar von den USA und China dominiert. US-Modelle wie GPT-5 von Open AI oder Gemini 2.5 Pro von Google führen das Feld an, gefolgt von chinesischen Anbietern, wie Deepseek. Europa bleibt Zuschauer in einem globalen Wettlauf um die besten Basismodelle. Die Anbieterperspektive Der Weg an die Spitze ist sehr teuer. Das Training eines modernen Sprachmodells verschlingt enorme Mengen an Kosten und Energie für Rechenleistung, Strom und Kühlung. Der Energiehunger steigt bisher mit jeder Modellgeneration. Die großen Technologiekonzerne reagieren mit massiven Investitionen in ihre Energieinfrastruktur. Google, Meta und Microsoft schließen langfristige Verträge über Atomstrom-Kapazitäten ab oder beteiligen sich direkt an Projekten für Reaktoren, um den künftigen Energiebedarf ihrer Rechenzentren zu decken. Nach Angaben des „Wall Street Journal“ beliefen sich die Trainingskosten für GPT-5 bei Open AI auf etwa 500 Millionen US-Dollar. Vor diesem Hintergrund ist es fraglich, ob europäische Initiativen in diesem Wettrennen Schritt halten können. Die Ressourcen – finanziell, infrastrukturell und politisch – sind begrenzt, während der technologische Vorsprung der US-amerikanischen und chinesischen Unternehmen immer größer wird. Ambitionierte politisch getriebene Projekte wie Gaia-X oder der Aufbau souveräner Cloud- und Dateninfrastrukturen waren gut gemeint, konnten in den vergangenen Jahren jedoch kaum internationale Sichtbarkeit oder Marktmacht entfalten. Hinzu kommt: Wer ganz oben mitspielen will, braucht nicht nur Kapital, sondern auch die besten Köpfe. Die führenden KI-Labore von Open AI, Google oder Anthropic ziehen die talentiertesten Entwickler der Welt an – mit Forschungsfreiheit, gewaltiger Recheninfrastruktur und Gehaltspaketen, bei denen Europa nicht mithalten kann. Meta-Chef Mark Zuckerberg etwa bietet Spitzenkräften im KI-Bereich laut aktuellen Berichten bis zu 100 Millionen US-Dollar im Jahr. Vor allem die großen US-Techunternehmen bauen ihre Führungsrolle mit bemerkenswerter strategischer Konsequenz aus. Open AI bietet seine GPT-Modelle in Indien gezielt zu Niedrigpreisen an – ein kluger Schachzug, um im bevölkerungsreichsten Land der Welt früh Marktanteile zu erobern und Entwickler-Ökosysteme an sich zu binden. Gleichzeitig investiert Google rund 15 Milliarden Dollar in neue KI-Rechenzentren und zeigt damit, in welchen Dimensionen heute gedacht und gehandelt wird. Im Vergleich dazu fallen die Investitionen in europäischen Staaten eher bescheiden aus. Aus all diesen Gründen ist der Wettbewerb auf der Anbieterseite für Europa faktisch verloren. Die führenden Modelle existieren bereits – sie funktionieren hervorragend, sind global verfügbar und lassen sich rechtssicher einsetzen. Die Anwenderperspektive Doch das bedeutet nicht, dass Europa die KI-Revolution gänzlich verpassen muss. Die eigentliche Jahrhundertchance liegt auf der Anwenderseite. Produktivitätsgewinne in Höhe von zwischen 30 und 40 Prozent plus nachweisbare Qualitätsgewinne bei der Nutzung generativer KI sind durch zahlreiche Studien und Praxisbeispiele belegt. Das gilt branchenübergreifend und für fast alle Jobs, deren Ergebnisse digitalisierbar sind, also zum Beispiel Recherchen, Marktanalysen, Social Media, die Erstellung von Berichten, Überprüfung und Analyse von Dokumenten verschiedenster Art oder die Entwicklung von Software. Google-CEO Sundar Pichai sagt, dass jede dritte Codezeile der neuen Google-Produkte KI-generiert ist. Der Einsatz generativer KI ist aber weit mehr als eine technische Frage – er ist eine strategische Managemententscheidung. Es geht darum, ob Kosten reduziert oder Geschäftsmodelle neu gedacht werden sollten. Wenn beispielsweise die Redaktion eines Verlags durch KI-Nutzung 30 Prozent schneller arbeitet und zudem qualitativ bessere Texte erstellen kann, stellt sich die folgende Entscheidung: Soll der gleiche Output mit weniger Mitarbeitenden erstellt werden, oder sollen frei werdende Kapazitäten für neue Geschäftsmodelle beziehungsweise Angebote genutzt werden? Ein anderes Beispiel: Ein Versicherer kann Gen AI nutzen, um Schadensberichte automatisch zu bearbeiten und Kosten zu senken – oder um personalisierte Risikoanalysen, dynamische Tarife und rund um die Uhr verfügbare KI-Berater anzubieten. Technologisch ist beides möglich; der Unterschied liegt allein in der unternehmerischen Entscheidung. Darüber hinaus ist die Nutzung von Industriedaten für KI-Anwendungen gerade für deutsche Unternehmen und den Mittelstand eine historische Chance. Kaum ein anderes Land verfügt über eine derart dichte industrielle Wertschöpfung, präzise dokumentierte Produktionsprozesse und jahrzehntelang gewachsene Maschinenparks – ein Datenschatz, den viele Unternehmen bislang nur zu einem Bruchteil heben. Wer diese Daten nun systematisch erschließt, verknüpft und für KI-Modelle nutzbar macht, kann nicht nur Effizienzgewinne realisieren, sondern völlig neue Geschäftsmodelle entwickeln: von vorausschauender Wartung über intelligente Qualitätskontrolle bis hin zu datengetriebenen Services, die weltweit skalierbar sind. Eine Chance für den Mittelstand Gerade der Mittelstand, lange Zeit eher zögerlich beim Thema Digitalisierung, kann mit der strategischen Nutzung seiner Industriedaten zum Innovationsmotor werden – und damit seine internationale Wettbewerbsfähigkeit nachhaltig stärken. Der Einstieg in Gen AI ist zudem niedrigschwellig, Lock-in-Effekte existieren kaum. Die Kombination aus klar messbaren Effizienzgewinnen und verlässlicher Kostentransparenz führt dazu, dass Investitionen in Gen AI in aller Regel sehr rentabel sind, bei vergleichsweise geringer Unsicherheit. Dennoch wird die Einführung in vielen Organisationen verzögert oder gar blockiert – häufig begleitet von der eifrigen Suche nach Gründen, warum gerade jetzt angeblich nicht der richtige Zeitpunkt sei und man bloß nicht in Aktionismus verfallen dürfe. Bemerkenswert dabei: Die Einwände ähneln sich erstaunlich und folgen fast immer demselben Muster. Rechtliche Vorbehalte – vor allem mit Blick auf Datenschutz und den EU AI Act, Studien, die vermeintliche Probleme bei der Einführung generativer KI belegen sollen, und der Hinweis auf angeblich fehlende Wettbewerbsvorteile. Schauen wir uns dieses Repertoire an Bedenken näher an. 1. Rechtliche Bedenken Für Klaus Müller, Präsident der Bundesnetzagentur, sind viele Ängste vor einer harten Regulierung übertrieben. „Es gibt eine massive Diskrepanz zwischen Selbstwahrnehmung und dem, was der AI Act wirklich vorschreibt“, sagt er im KI-Podcast der Frankfurter Allgemeinen Zeitung. Die Folge sei eine unnötige Zurückhaltung. Hinzu kommt: Gen AI lässt sich heute sicher und datenschutzkonform betreiben – intern, aber auch in der Cloud. Dennoch zeigen verschiedene Umfragen, dass Datenschutz von vielen Befragten als das größte Risiko oder als Ausrede Nummer eins des KI-Einsatzes gesehen wird. 2. Selektive Studiennutzung Oft werden Studien als scheinbar neutrale Belege genutzt, um Einführungsvorhaben zu bremsen. Ein aktuelles Beispiel ist der vielfach zitierte „MIT-Report“, der behauptet, 95 Prozent aller Gen-AI-Projekte erzielten keinen geschäftlichen Nutzen. Mehrere Fachbeiträge – vom Marketing AI Institute bis zur Harvard Business Review – zeigen, dass der MIT-Bezug unklar ist, die Methodik im Dunkeln bleibt und viele positive Effekte gar nicht berücksichtigt wurden. Der Bericht gibt überhaupt nicht her, was viele Kritiker daraus ableiten. Dennoch wird er gerne genutzt, um Skepsis zu untermauern. 3. Fehlende Wettbewerbsvorteile? Häufig wird argumentiert, generative KI könne keine Wettbewerbsvorteile mehr schaffen, da alle Unternehmen Zugang zu denselben Modellen hätten. Richtig ist: Modelle wie Gemini 2.5 oder GPT-5.1 sind breit verfügbar. Aber genau daraus folgt: Vorteile entstehen nicht durch exklusiven Zugang, sondern durch die Fähigkeit, dieselben Modelle schneller, intelligenter und konsequenter zu nutzen. Wer nicht investiert, überlässt den Vorsprung den anderen. In einem internationalen Umfeld, in dem andere längst produktiv mit Gen AI arbeiten, wird Nichtstun zum strategischen Risiko und zu einem großen Wettbewerbsnachteil. Diese abwartende und zögerliche Haltung lässt sich gut durch verhaltensökonomische Ansätze erklären. Verhaltensökonomische Erklärungsansätze von Daniel Kahneman System-1- vs. System-2-Denken Der Einsatz von Gen AI ist mit weitreichenden Veränderungen verbunden. Daniel Kahneman zeigt, dass Menschen häufig eine geringe Bereitschaft zum Wandel zeigen, weil sie tief im Status quo verankert sind und die mentale Anstrengung meiden, die neues Denken erfordert. Das schnelle System-1-Denken liefert schnelle Gründe für das Nichtstun („jetzt nicht“, „kein Aktionismus“), während das langsame System 2 nur mühsam aktiviert wird. Ausreden entstehen so als bequeme psychologische Schutzmechanismen. Sie vermitteln rationale Vorsicht, dienen aber vor allem dazu, überfällige Schritte aufzuschieben. Wie kann die Bereitschaft zu einem neuen Denken erhöht werden? Diese Frage führt zu einem zweiten verhaltensökonomischen Erklärungsansatz: Kompetenzen als Einflussfaktor Studien weisen seit Jahren darauf hin, dass der wahrgenommene Nutzen neuer Technologien eng mit dem eigenen Kompetenz- und Erfahrungsniveau verknüpft ist. Der KI-Monitor der TU Darmstadt aus dem Jahr 2025 bestätigt dies im KI-Kontext. Zum einen hängen die wahrgenommenen Produktivitätsgewinne durch KI vom Alter ab, wie die folgende Abbildung zeigt. Ein noch stärkerer Zusammenhang ergibt sich jedoch, wenn man die erwarteten Produktivitätsgewinne in Abhängigkeit der KI-Kenntnisse der Teilnehmenden analysiert. Sind Sie der Meinung, dass Sprachmodelle die Produktivität der Anwender steigern können, oder können sie dies nicht? Bedenken sind kein Generationen-, sondern ein Kompetenzproblem Die Ergebnisse sind verhaltensökonomisch plausibel: Menschen beurteilen Technologien häufig weniger nach objektiven Kriterien als nach der Selbstwirksamkeit, die sie im Umgang damit erleben. Mit wachsender Erfahrung verschiebt sich diese Wahrnehmung fast automatisch – von Bedenken hin zu Begeisterung über die Chancen, die sich ergeben. Zögernde Entscheidungen in Unternehmen sind insofern kein Generationenproblem, sondern ein Kompetenzproblem. Sobald Mitarbeitende die Gelegenheit erhalten, KI selbst auszuprobieren, Schulungen zu besuchen oder erste konkrete Erfolgserlebnisse zu sammeln, kippt die Wahrnehmung spürbar. Die anfängliche Skepsis – ob zum Datenschutz oder zur Qualität der Ergebnisse – reduziert sich meist erheblich, sobald real erfahrbar wird, wie stark Gen AI Routinearbeit erleichtert, Fehler reduziert oder kreative Impulse liefert. Unternehmen, die diesen Kompetenzaufbau gezielt fördern – etwa durch niedrigschwellige Trainings, Pilotprojekte oder interne „KI-Sprechstunden“ –, reduzieren nicht nur Widerstände, sondern steigern auch ihre Lern- und Transformationsgeschwindigkeit erheblich. Inhalte eines solchen, auch vom EU AI Act geforderten Kompetenzaufbaus sind unter anderem die Grundlagen und Anwendungsfelder des Maschinellen Lernens, die Möglichkeiten und Wirtschaftlichkeit generativer KI sowie ethische und juristische Fragestellungen. Wer das Grundprinzip des Maschinellen Lernens einmal auf Basisebene verstanden hat, reagiert gelassener und zeigt deutlich weniger Vorbehalte, als wenn der Begriff „Künstliche Intelligenz“ abstrakt bleibt und in der Vorstellung durch jahrzehntelange Popkultur-Narrative von „Terminator“, „Alien“ und Co. überlagert wird – ein Effekt, den ebenfalls Daniel Kahneman im Rahmen seiner Arbeiten als Verfügbarkeitsheuristik beschrieben hat: Menschen greifen auf das zurück, was ihnen am schnellsten einfällt, und überschätzen dadurch Risiken systematisch. Europa mag das Rennen um die führenden Basismodelle verloren haben. Aber das entscheidende Wettrennen findet nicht in den Forschungslaboren der USA oder Chinas statt, sondern in den Unternehmen, die diese Modelle produktiv nutzen. Die Chancen sind enorm, die Kosten transparent, der Nutzen empirisch belegt, der Preis des Zögerns hoch. Die entscheidende Frage lautet daher nicht mehr, ob Unternehmen generative KI einsetzen sollten. Sondern: Wie lange können sie es sich noch leisten, es nicht zu tun? Wolf Matthias Mang ist Familienunternehmer, Aufsichtsratsvorsitzender der Oechsler AG und Geschäftsführer der Arno Arnold GmbH. Zudem ist er Präsident der Vereinigung der hessischen Unternehmerverbände und ehrenamtlicher Vorstandsvorsitzender von Hessenmetall.
06:50 Uhr