KI-ROI im IT-Betrieb: Warum nur 28 % der I&O-Projekte ihre Ziele erreichen

Nur 28 % der KI-Initiativen in IT-Infrastruktur und -Betrieb (I&O) erreichen ihre ROI-Ziele vollständig — 20 % scheitern sogar komplett. Das sind die Kernergebnisse einer Gartner-Umfrage unter 782 I&O-Verantwortlichen, durchgeführt im November und Dezember 2025. Der Rest der Projekte dümpelt in einer Grauzone: nicht tot, aber weit davon entfernt, wirtschaftlich relevant zu sein. Die 72-Prozent-Misserfolgsrate, die sich aus diesen Zahlen ableiten lässt, ist kein Zufall — sie ist das direkte Ergebnis struktureller Fehler in der Art, wie IT-Teams KI-Vorhaben aufsetzen und führen.

Der Befund reiht sich in ein breiteres Muster ein. Ältere MIT-Daten aus 2025 bezifferten den Anteil generativer KI-Projekte ohne messbaren finanziellen Rückfluss auf 95 %. Die Gartner-Zahlen für I&O sind etwas weniger düster, aber der Grundkonflikt bleibt identisch: Technologische Möglichkeiten werden mit operativer Bereitschaft verwechselt. Das ist kein Modellproblem — es ist ein Governance- und Strategie-Problem.

Die Anatomie des Scheiterns: Was Gartner wirklich gemessen hat

Melanie Freeze, Director of Research bei Gartner, benennt in ihrer Analyse zwei dominante Versagensmuster. Erstens: überzogene Erwartungen an die Geschwindigkeit und Reichweite der Automatisierung. IT-Teams gehen davon aus, dass KI komplexe Aufgaben sofort übernimmt, Kosten unmittelbar sinken und langjährige Betriebsprobleme sich von selbst lösen. Wenn diese Ergebnisse nach wenigen Wochen ausbleiben, bricht die interne Akzeptanz ein — und Projekte stagnieren.

Zweitens: mangelnde Kompetenz und schlechte Datenqualität während der Pilotphase. 38 % der befragten I&O-Führungskräfte nannten fehlende Skills, unzureichende Datenqualität oder begrenzte Datenverfügbarkeit als konkrete Hindernisse. Das ist bemerkenswert, weil diese Faktoren keine exotischen Randprobleme sind — sie sind die Grundvoraussetzung für jeden produktiven KI-Betrieb. Besonders anfällig sind laut Gartner-Daten Projekte in den Bereichen Auto-Remediation, selbstheilende Infrastruktur und agentenbasiertes Workflow-Management: genau die Anwendungsfelder, auf die I&O-Teams mit den höchsten Erwartungen setzen.

Die Pilot-Falle: Strukturelles Problem, kein Einzelfall

57 % der befragten I&O-Verantwortlichen berichten von mindestens einem gescheiterten KI-Projekt. Das ist keine Randerscheinung — das ist Mehrheitserfahrung. Gartner-Forscherin Freeze beschreibt das Grundmuster präzise: Teams "gehen einfach raus und probieren etwas aus". KI-Initiativen werden als Nebenprojekte geführt, abseits der regulären Betriebsprozesse, ohne vollständige Ressourcenzusage und ohne klar definierte Erfolgskennzahlen.

Das Ergebnis ist strukturell vorhersehbar: Ein Pilot ohne organisatorische Verankerung erzeugt keinen skalierbaren Wert. Er erzeugt Erkenntnisse, die niemand weiterverarbeitet, und Kosten, die schwer zu rechtfertigen sind. Die eigentliche Frage für IT-Entscheider lautet daher nicht, welches Modell das leistungsfähigste ist — die neuesten Modelle wie GPT-5.4 oder Claude Opus 4.6 bieten technisch mehr als ausreichend Leistung für operative I&O-Aufgaben. Die Frage ist, ob die Organisation bereit ist, KI als Kernbetrieb zu führen, nicht als Experiment.

Erfolgsfaktoren: Was die 28 % anders machen

Gartner hat aus den Daten drei konsistente Muster der erfolgreichen Minderheit destilliert. Diese sind operational und organisatorisch — nicht technologisch:

• Integration in bestehende Systeme und Prozesse: 33 % der erfolgreichen Projekte zeichnen sich dadurch aus, dass KI dort eingebettet wird, wo Teams ohnehin arbeiten. KI als Add-on zu bestehenden Workflows senkt die Adoptionshürde und erzeugt sichtbare Wirkung im Tagesbetrieb.
• Vollständiger Executive-Support: 26 % der erfolgreichen Fälle profitieren von aktiver Top-Management-Unterstützung. Diese Unterstützung ist nicht symbolisch — sie beseitigt Ressourcenkonflikte, priorisiert Budgets und schützt Projekte in der kritischen Skalierungsphase vor internem Gegenwind.
• Abteilungsübergreifende Zusammenarbeit: 25 % der Erfolgreichen arbeiten von Beginn an mit Stakeholdern außerhalb der IT zusammen. KI, die isoliert in der IT-Abteilung gebaut wird, löst selten die Probleme, die den Geschäftsbetrieb tatsächlich belasten.

Freeze fasst den übergeordneten Befund prägnant zusammen: "KI, die nicht in die bestehenden Abläufe passt, kann keinen ROI liefern." Der ROI-Treiber ist nicht die Sophistication des Modells, sondern die Qualität der Integration, der Governance und der Ausrichtung auf echte operative Bedürfnisse.

EU AI Act: Regulatorische Dimension für I&O-Teams

Für IT-Entscheider in Deutschland, Österreich und der Schweiz kommt eine regulatorische Ebene hinzu, die den Druck auf saubere Governance-Strukturen weiter erhöht. Seit August 2025 gelten die GPAI-Regeln des EU AI Acts, inklusive Governance-Anforderungen und Strafrahmen. Ab August 2026 tritt der Hauptteil der Verordnung in Kraft — mit verbindlichen Vorgaben für Hochrisiko-KI-Systeme, die in vielen I&O-Kontexten relevant werden: automatisierte Infrastrukturentscheidungen, KI-gestützte Incident-Response und agentenbasierte Betriebssysteme können unter die Hochrisiko-Klassifizierung fallen.

Wer KI-Initiativen heute als ungovernte Side-Projects führt, riskiert nicht nur fehlenden ROI — er baut auch eine Compliance-Schuld auf, die ab August 2026 mit Bußgeldern von bis zu 15 Millionen Euro oder 3 % des globalen Jahresumsatzes sanktioniert werden kann. Die Gartner-Daten und der regulatorische Rahmen zeigen in dieselbe Richtung: Governance ist kein bürokratischer Overhead, sondern eine operative Notwendigkeit.

So What? Die strategische Konsequenz für IT-Entscheider

Die Gartner-Daten liefern keine Überraschung für jeden, der KI-Projekte jenseits der Marketingpräsentation begleitet hat. Aber sie sind jetzt quantifizierbar und damit argumentierbar auf Boardroom-Ebene. Der strategische Fehler, den 72 % der I&O-Teams machen, ist identisch: Sie behandeln KI als Technologieprojekt statt als Betriebsveränderung. Technologieprojekte enden mit einem Deliverable. Betriebsveränderungen enden mit einer neuen Normalität im Kernbetrieb — oder sie enden nicht.

Für C-Level-Entscheider bedeutet das konkret: KI-Initiativen brauchen dieselbe Führungsaufmerksamkeit wie Kerninfrastruktur-Transformationen. Das schließt klare OKRs mit messbaren operativen Kennzahlen ein, nicht vage "KI-Adoption"-Metriken. Es schließt Cross-functional-Ownership ein, bei dem IT und Fachbereich gemeinsam verantworten. Und es schließt ehrliche Portfoliobereinigung ein: Piloten ohne klaren Pfad in den Produktivbetrieb binden Ressourcen, die anderswo mehr bewegen würden.

Fazit: Drei Prioritäten für den nächsten Planungszyklus

Die Daten sind eindeutig: Der Engpass liegt nicht in der KI-Technologie. Modellkapazität ist heute kein limitierender Faktor mehr — weder für einfache Automatisierungsaufgaben noch für komplexere operative Anwendungsfälle. Der Engpass liegt in der Fähigkeit von Organisationen, KI in ihren Kernbetrieb zu hinterlegen, realistisch zu governen und mit messbaren Zielen zu führen.

Für den nächsten Planungszyklus empfehlen die Gartner-Befunde drei konkrete Prioritäten: Erstens, laufende Piloten einem ehrlichen Reifegrad-Assessment unterziehen — Projekte ohne klare Integrationsstrategie und Executive-Sponsor beenden oder pausieren. Zweitens, Erfolgskennzahlen auf operative Geschäftsmetriken ausrichten, nicht auf technische Modellperformance. Drittens, AI-Governance-Strukturen jetzt aufbauen, um die regulatorischen Anforderungen des EU AI Acts ab August 2026 nicht im laufenden Betrieb nachrüsten zu müssen. Wer diese drei Stellschrauben ignoriert, wird in zwölf Monaten dieselben Zahlen diskutieren — mit höheren Sunk Costs und weniger politischem Kapital für den nächsten Anlauf.