München, 29. Juli 2026 - Viele KI-Initiativen bleiben hinter den Erwartungen zurück. Die Gründe dafür haben Celonis und das Fraunhofer-Institut für Angewandte Informationstechnik FIT nun in einer gemeinsamen Studie untersucht. Das Forschungsteam nutzte eine Kombination aus qualitativen Leitfadeninterviews mit Führungskräften aus internationalen Unternehmen verschiedener Branchen und der Auswertung empirischer Daten sowie aktueller Markt- und Forschungsstudien zu KI, Process Intelligence und Object-centric Process Mining.
Die zentrale Erkenntnis: Der erfolgreiche KI-Einsatz hängt nicht vom Modell ab, sondern von der Fähigkeit eines Unternehmens, relevanten Kontext für Geschäftsprozesse zu verstehen, zu steuern und ihn als gemeinsame und geteilte Grundlage für Unternehmens-KI bereitzustellen. Diese Kontextschicht wird zum entscheidenden Bindeglied zwischen Unternehmensdaten und Infrastruktur und ermöglicht so einen messbaren Mehrwert.
Strukturelle Hürden bremsen Wertschöpfung
Ein Schwerpunkt der Studie ist die Untersuchung des Action-Value-Gaps, also des Spannungsfeldes zwischen Ambition und Ergebnis bei der KI-Implementierung. Die Analyse zeigt, dass dieser nicht primär durch leistungsschwache Modelle oder mangelnde KI-Expertise entsteht, sondern strukturell bedingt ist.
Als größte Hürden identifiziert die Erhebung folgende Aspekte:
- Fragmentierte Daten- und Prozessfundamente verhindern ganzheitliche Prozessansicht: Aufgrund fragmentierter Systeme, übergreifender Prozesse und Datensilos sehen KI-Anwendungen nur Ausschnitte statt durchgängiger Prozessketten.
- Gemeinsamer Geschäftskontext fehlt: Begriffe, Objekte, KPIs und Regeln sind nicht in einer zentralen Kontextschicht verankert. Stattdessen erstellt jeder KI-Anwendungsfall seinen eigenen Teilkontext.
- Betriebsmodell und Governance bleiben unklar: Rollen und Verantwortlichkeiten sind häufig nicht eindeutig definiert, Governance und Entscheidungswege halten mit der Innovationsgeschwindigkeit von KI nicht Schritt.
- Diffuse Wertlogik sowie steigende Kosten: Klare Ziel-KPIs und eine durchgängige Wertmesslogik fehlen, Effekte werden häufig nur punktuell beschrieben und selten belegt. Gleichzeitig steigen Plattform-, Cloud- und Token-Kosten. Ohne eine transparente Verknüpfung mit unternehmensweiten, strategischen Steuerungsgrößen wächst die Zurückhaltung, KI-Anwendungen zu skalieren.
- Change-Management, Sponsorship und Nutzung sind unzureichend im Alltag verankert: Obwohl KI die Art verändert, wie Arbeit organisiert wird und Entscheidungen getroffen werden, wird sie häufig als isoliertes Technologieprojekt betrieben und Process Intelligence auf Reporting reduziert.
Diese Hürden führen dazu, dass KI-Anwendungen zwar technisch leistungsfähig sind, im Kerngeschäft aber oft nicht verlässlich und skalierbar wirken. „Viele KI-Anwendungen scheitern nicht an ihrer technischen Leistungsfähigkeit, sondern daran, dass ihnen das Verständnis für die realen Abläufe im Unternehmen fehlt“, sagt Prof. Dr. Maximilian Röglinger, stellvertretender Institutsleiter des Fraunhofer-Instituts für Angewandte Informationstechnik FIT. „Für den Schritt vom Pilotprojekt zum produktiven Einsatz braucht es einen expliziten Geschäftsprozesskontext: Welche Objekte bewegen sich durch welche Prozesse, welche Regeln gelten, wer ist verantwortlich und woran wird Erfolg gemessen? Erst wenn dieses Wissen maschinenlesbar verfügbar ist, kann KI im Unternehmen verlässlich, wiederverwendbar und skalierbar Wert schaffen.“
Kontextschicht ermöglicht skalierbaren KI-Einsatz
Die Studie kommt zu dem Schluss, dass ein punktueller KI-Einsatz nicht ausreicht, um diese Hürden zu überwinden. Vielmehr braucht es eine gemeinsame Kontextschicht, die die Bereiche Daten (Data), Erkenntnisse (Insight), Maßnahmen (Action) und Wertschöpfung (Value) so miteinander verbindet, dass sich Verbesserungen kontinuierlich auf nachgelagerte Schritte übertragen lassen. So entsteht ein Kaskadeneffekt, der auf zwei Hebeln beruht: Einerseits verbessert der Geschäftskontext die Datengrundlage, auf der jede Stufe aufsetzt, andererseits erschließt der KI-Einsatz auf jeder Stufe zusätzliche Potenziale.
„Die Studie bestätigt einmal mehr, dass der Einsatz von Unternehmens-KI ohne relevanten Prozesskontext hinter seinen Möglichkeiten zurückbleibt“, sagt Lars Reinkemeyer, Chief Evangelist bei Celonis. „Um die Grundlage für skalierbare Unternehmens-KI zu legen, müssen Unternehmen die Logik einzelner, isolierter KI-Projekte hinter sich lassen und eine belastbare Prozess- und Kontextdatenbasis aufbauen. Nur so lassen sich Pilotprojekte in messbaren Geschäftswert für das Kerngeschäft überführen.“
Handlungsempfehlungen: Action-Value-Gap schrittweise schließen
Die Untersuchung zeigt, wie sich eine solche Kontextschicht systematisch aufbauen lässt und welche Rolle Process Intelligence dabei spielt. Auf Basis von Interviews und Fallbeispielen verdeutlicht sie, wie Organisationen Unternehmens-KI entlang klar definierter Handlungsfelder verankern können. Daraus entwickelt das Forschungsteam einen Umsetzungspfad, der beschreibt, wie Anwender Unternehmens-KI organisationsweit ausrollen und messbaren Mehrwert realisieren können. Um den Einstieg zu strukturieren, liefert die Studie zudem einen Fragenkatalog zur Selbsteinschätzung. Dieser hilft Unternehmen, ihre Bereitschaft zum Einsatz von KI zu prüfen. So wird Enterprise AI zu einem skalierbaren Betriebsmodell – und der Action-Value-Gap schrumpft Schritt für Schritt.
Die vollständige Studie ist hier verfügbar.
Methodik
Die Studie ist eine gemeinsame Initiative von Celonis und dem Fraunhofer-Institut für Angewandte Informationstechnik FIT. Sie basiert auf qualitativen Interviews mit Führungskräften aus internationalen Unternehmen verschiedener Branchen sowie auf der Auswertung empirischer Daten aus bestehenden Befragungen von über 1.600 Führungskräften, wissenschaftlicher Literatur und aktueller Marktstudien zu Künstlicher Intelligenz, Process Intelligence und Object-centric Process Mining.