Was die Studie untersucht

Die im Juli 2026 veröffentlichte Studie Enterprise AI schafft Geschäftswert: Status quo, Werthebel und Umsetzungspfad fragt, wie KI im Kerngeschäft messbaren Nutzen erzeugen kann. Die Autoren verbinden bestehende Unternehmensbefragungen und Forschungsliteratur mit qualitativen Interviews und Praxisbeispielen. Ihre zentrale Hypothese: Eine gemeinsam nutzbare, maschinenlesbare Beschreibung der Geschäftsprozesse kann die Lücke zwischen vielen KI-Initiativen und begrenztem wirtschaftlichem Ergebnis verkleinern.

Fünf Hürden zwischen Pilot und Alltag

Die Autoren beschreiben fünf wiederkehrende Hindernisse:

  • Verteilte Daten und Prozesse: Eine Anwendung sieht nur Ausschnitte eines Ablaufs.
  • Uneinheitliches Geschäftswissen: Begriffe, Regeln und Kennzahlen werden für jedes Projekt neu interpretiert.
  • Unklare Zuständigkeiten: Entwicklung, Freigabe und Betrieb haben keine eindeutigen Verantwortlichen.
  • Schwache Nutzenmessung: Erfolgskriterien und Gesamtkosten bleiben unscharf.
  • Fehlende Verankerung: Mitarbeitende und Führungskräfte übernehmen die Anwendung nicht dauerhaft in ihren Arbeitsalltag.

Was mit Geschäftskontext gemeint ist

Gemeint sind konkrete Informationen: Welche Bestellung gehört zu welcher Rechnung? Wer darf eine Ausnahme genehmigen? Welche Frist gilt, und in welchem Zustand befindet sich der Vorgang?

Die Studie unterscheidet den vorgesehenen Ablauf mit Regeln, Rollen und Zielkennzahlen (Design-Time-Kontext) vom tatsächlichen Geschehen mit Ereignissen, Bearbeitungsständen und Abweichungen (Runtime-Kontext). Process Intelligence bezeichnet hier die datenbasierte Analyse und Steuerung von Geschäftsprozessen, die beide Perspektiven zusammenführt.

Eine gemeinsame Kontextschicht stellt dieses Wissen strukturiert bereit. Neue Anwendungen können darauf aufbauen. Änderungen am Geschäftswissen müssen dabei fachlich geprüft, versioniert und nachvollziehbar freigegeben werden.

Der vorgeschlagene Weg: SCALE

Die Studie bündelt ihren Umsetzungspfad in fünf Schritten:

  1. Select: Zwei bis drei geschäftskritische Prozesse mit konkretem Verbesserungspotenzial auswählen.
  2. Context: Die benötigten Objekte, Regeln, Rollen und Kennzahlen festlegen und schrittweise verfügbar machen.
  3. Assemble: Ein kleines Team aus Fachbereich und Technik mit klarer Verantwortung für Kontext und Betrieb einsetzen.
  4. Launch: Drei bis fünf priorisierte Anwendungen umsetzen, ihre Wirkung messen und erfolgreiche Ansätze ausweiten.
  5. Establish: Sicherheitsregeln, Nutzenmessung und Rückmeldungen aus dem Betrieb dauerhaft verankern.

Meine Einordnung für die Praxis

Für mich liegt der Wert dieser Arbeit in ihrer konkreten Architekturfrage: Welches Wissen braucht eine Anwendung, damit ihre nächste Handlung fachlich sinnvoll ist?

Ein illustratives Beispiel: Ein Assistent zur Rechnungsklärung müsste neben dem Rechnungsdokument auch die Bestellung, den Wareneingang, Zahlungsbedingungen und Freigaberechte kennen. Fehlt der Wareneingang, könnte er eine Rückfrage vorbereiten. Ob er sie senden darf, bestimmt eine ausdrücklich definierte Berechtigung. Dieses Beispiel ist meine Übertragung des Konzepts, kein Ergebnis der Studie.

Bei einem kleineren Unternehmen würde ich zunächst einen klar begrenzten Ablauf erproben. Dafür braucht es eine verlässliche Quelle für Regeln, aktuelle Vorgangsdaten, einen Verantwortlichen und einen Vergleich mit dem bisherigen Vorgehen. Ob dafür eine umfassende Process-Intelligence-Plattform erforderlich ist, sollte aus der Aufgabe folgen.

Als Erfolgskriterien würde ich Bearbeitungszeit, fachliche Fehler, Nacharbeit und tatsächliche Nutzung messen – einschliesslich Integrations-, Kontroll- und Betriebskosten. Eine schnellere Antwort allein belegt noch keinen wirtschaftlichen Nutzen.

Wie belastbar sind die Aussagen?

Die Arbeit liefert einen konzeptionellen Rahmen mit Praxisbelegen. Sie ist kein kontrolliertes Experiment, das einen bestimmten Produktivitätsgewinn oder eine allgemeine Rendite kausal nachweist. Celonis ist Mitautor und Anbieter von Process Intelligence; diese Perspektive prägt den vorgeschlagenen Ansatz. Die Aussagen zu Skalierung und wirtschaftlichem Nutzen sollten deshalb im eigenen Prozess überprüft werden.

Quelle und Vertiefung

Lars Reinkemeyer, Maximilian Röglinger, Benjamin Reusch, Niklas Wördehoff, Felix Zetzsche und Katharina Laumann: Enterprise AI schafft Geschäftswert: Status quo, Werthebel und Umsetzungspfad. Celonis und Fraunhofer FIT, Juli 2026.

Lesestellen im Original: Studiendesign S. 7; Hürden S. 10–12; Geschäftskontext S. 13–17; Umsetzung und Governance S. 23–27; SCALE S. 29.

Publikation bei der Universität Bayreuth ↗

Eigenständige Zusammenfassung und persönliche fachliche Einordnung. Aussagen der Autoren und eigene Umsetzungsvorschläge sind getrennt gekennzeichnet.

Weitere Artikel ansehen →