KI war lange ein IT-Thema.
Ein Pilotbudget.
Ein Softwaretool.
Ein Innovationsprojekt.
Ein Cloud-Experiment.
Diese Phase endet.
Der neue Applied AI Index 2026 der Boston Consulting Group zeigt, wie deutlich sich die wirtschaftliche Verantwortung inzwischen verschoben hat. BCG befragte 1.330 CxOs und Senior Leaders. Laut Studie ist der durchschnittliche AI-Spend innerhalb eines Jahres von rund 1,7 Prozent auf 3,3 Prozent des Umsatzes gestiegen.
Noch wichtiger:
80 Prozent der AI-Ausgaben liegen inzwischen außerhalb des Enterprise-IT-Budgets.
Das ist eine bemerkenswerte Verschiebung.
Denn damit wird AI nicht mehr nur zu einer Technologieinvestition.
Sie wird zu einem verteilten Unternehmensbudget.
Und genau dort beginnt ein neues Steuerungsproblem.
Wenn jeder Bereich KI kauft, sieht niemand automatisch die Gesamtsumme
Marketing kauft ein GenAI-Tool.
Sales führt einen Copilot ein.
Customer Service testet Voice AI.
Finance automatisiert Rechnungsprozesse.
HR nutzt AI im Recruiting.
Operations startet Agenten für Prozesssteuerung.
Die IT stellt Infrastruktur bereit.
Data Teams bereiten Daten auf.
Externe Beratungen und Integrationspartner unterstützen einzelne Projekte.
Jede Entscheidung kann für sich sinnvoll sein.
Trotzdem kann auf Unternehmensebene ein Problem entstehen:
Wer sieht eigentlich die gesamte AI-Investition?
Eine Kostenstelle sieht Software.
Eine andere Beratung.
Eine dritte Cloud.
Ein Projektbudget enthält Integration.
Ein Fachbereich bezahlt Lizenzen.
Ein Plattformvertrag enthält AI-Funktionen, die gar nicht separat ausgewiesen werden.
Der Gesamt-Spend entsteht verteilt.
AI Spend ist nicht gleich IT Spend
BCG formuliert deshalb einen wichtigen Punkt:
Unternehmen, die AI weiterhin ausschließlich als IT-Kostenkategorie betrachten, unterschätzen möglicherweise sowohl ihre tatsächlichen Investitionen als auch den potenziellen Wert.
Diese Aussage stammt aus einer Beratungsstudie und ist keine allgemeingültige Messung jedes Unternehmens.
Die zugrunde liegende Logik ist jedoch relevant:
Ein modernes AI-Portfolio besteht nicht nur aus Modellen und Software.
Es umfasst beispielsweise:
- Cloud und Rechenleistung,
- Datenaufbereitung,
- Integrationen,
- interne Projektkapazität,
- externe Beratung,
- Softwarelizenzen,
- API- und Consumption-Kosten,
- Governance,
- Quality Assurance,
- Schulung,
- Prozessumbau.
Bitkom bestätigt für Deutschland, dass gerade diese indirekteren Kostenblöcke relevant sind. In einer repräsentativen Befragung von 603 Unternehmen ab 20 Beschäftigten nannten unter den KI-Anwendern 51 Prozent Infrastruktur wie Cloud und Rechenleistung als großen Kostenpunkt, 50 Prozent Datenaufbereitung und 41 Prozent Integration in bestehende Systeme. KI-Software-Abos und Lizenzen waren dagegen nur für 21 Prozent ein großer Kostenpunkt – gleichauf mit externer Beratung.
Das bedeutet:
Die KI-Rechnung ist nicht die KI-Gesamtkostenrechnung.
Ein einzelner Use Case kann sauber gesteuert sein – das Portfolio trotzdem nicht
Nehmen wir fünf AI-Projekte.
Jedes besitzt:
- einen Owner,
- ein freigegebenes Budget,
- einen Business Case,
- einen Supplier,
- einen Projektplan.
Auf Projektebene sieht alles sauber aus.
Doch drei Projekte verwenden denselben externen Anbieter.
Vier nutzen dieselbe Cloud-Infrastruktur.
Zwei Fachbereiche kaufen ähnliche Lösungen.
Ein Projekt verursacht zusätzliche Datenkosten in einem zentralen Team.
Ein anderes nutzt einen bestehenden SaaS-Vertrag, dessen AI-Aufpreis im Fachbereich gar nicht sichtbar wird.
Dann entsteht eine Lücke zwischen Projektsteuerung und Portfoliosteuerung.
Das einzelne Projekt weiß, was es ausgibt.
Das Unternehmen weiß trotzdem nicht automatisch, was AI insgesamt kostet.
Die wichtigste neue Frage lautet: Wem gehört das AI-Budget?
Früher war die Antwort häufig einfach:
der CIO.
Heute kann sie lauten:
Marketing. Operations. Finance. HR. Customer Service. Digital. Innovation. Data. Procurement. IT.
Oder mehrere gleichzeitig.
Diese Dezentralisierung ist nicht automatisch schlecht.
Im Gegenteil: Wenn Fachbereiche AI dort einsetzen, wo konkrete Prozesse und Probleme liegen, kann das sehr sinnvoll sein.
Problematisch wird es erst, wenn dezentrale Verantwortung ohne zentrale Transparenz entsteht.
Dezentraler Spend braucht keine zentrale Kontrolle jeder Entscheidung – aber eine gemeinsame Sicht auf die Gesamtheit.
Sieben typische blinde Flecken bei verteiltem AI Spend
1. Derselbe Supplier taucht in mehreren Budgets auf
Ein Technologieanbieter kann in IT, Marketing und Customer Service gleichzeitig genutzt werden.
Wenn jede Kostenstelle separat betrachtet wird, bleibt die tatsächliche Supplier-Konzentration unsichtbar.
2. Pilotbudgets werden zu Dauerbudgets
Ein kleiner Test startet über Innovation.
Später läuft der Use Case produktiv.
Die ursprüngliche Budgetlogik bleibt jedoch bestehen.
So können temporäre Ausgaben schleichend Teil des operativen Kostenmodells werden.
3. Fachbereich und IT sehen unterschiedliche Kosten
Der Fachbereich sieht Lizenz oder Dienstleister.
Die IT sieht Infrastruktur, Integration und Support.
Beide können deshalb unterschiedliche Vorstellungen davon haben, was der Use Case tatsächlich kostet.
4. AI-Funktionen verstecken sich in bestehenden Verträgen
Viele SaaS-Anbieter ergänzen bestehende Produkte um AI-Features.
Dadurch entstehen neue Preisbestandteile in Verträgen, die ursprünglich gar nicht als AI-Budget geführt wurden.
5. Externe Leistungen werden nicht als AI Spend erkannt
Beratung, Datenarbeit, Prozessdesign oder Integrationsleistungen erscheinen häufig als Professional Services.
Wirtschaftlich gehören sie trotzdem zum Aufbau eines AI-Use-Cases.
6. Consumption wächst nach dem Vertragsabschluss
Bei verbrauchsabhängigen Modellen können Kosten mit der Nutzung steigen.
Damit wird das genehmigte Vertragsvolumen nicht automatisch zur tatsächlichen Kostenobergrenze.
7. Mehrere Projekte finanzieren dieselbe Grundlage
Data Platforms, Governance, Cloud-Infrastruktur oder gemeinsame Integrationen dienen häufig mehreren Use Cases.
Wer sie nur einem einzelnen Projekt zurechnet, verzerrt den Vergleich.
Vom AI Budget zum AI Investment Portfolio
Die logische Konsequenz ist nicht, sämtliche AI-Ausgaben wieder in die IT zu verschieben.
Das würde die organisatorische Realität ignorieren.
Die bessere Lösung ist eine Portfolioebene.
Sie verbindet:
USE CASE → PROJECT → BUSINESS UNIT → SUPPLIER → COST TYPE → SPEND → VALUE → OWNER
USE CASE
Wofür wird AI eingesetzt?
PROJECT
In welchem Projekt oder Programm wird der Use Case umgesetzt?
BUSINESS UNIT
Welcher Fachbereich trägt Verantwortung?
SUPPLIER
Welche externen Anbieter sind beteiligt?
COST TYPE
Handelt es sich um Software, Cloud, Daten, Beratung, Integration oder andere Kosten?
SPEND
Wie hoch sind Plan, Commitment und Ist-Kosten?
VALUE
Welcher wirtschaftliche oder operative Nutzen wird erwartet beziehungsweise gemessen?
OWNER
Wer darf über Scale, Stop oder zusätzliche Investitionen entscheiden?
Erst diese Verbindung zeigt das Gesamtportfolio.
Budget Ownership und Value Ownership dürfen nicht auseinanderfallen
Ein besonderes Risiko entsteht, wenn eine Funktion bezahlt, eine andere aber den Nutzen realisiert.
Beispiel:
Die IT finanziert Infrastruktur.
Der Fachbereich realisiert Produktivitätsgewinne.
Procurement verhandelt den Vertrag.
Finance sieht die Kosten.
Das Transformationsteam bewertet den Business Case.
Wer entscheidet dann, ob weiter investiert wird?
Ohne gemeinsame Logik entstehen Diskussionen über Zuständigkeit statt Entscheidungen über Wert.
Deshalb braucht jeder relevante AI-Use-Case mindestens zwei klare Verantwortlichkeiten:
Budget Ownership – Wer verantwortet die Kosten?
Value Ownership – Wer verantwortet das Ergebnis?
Im besten Fall liegen beide nah beieinander.
Wenn nicht, muss die Verbindung explizit gemacht werden.
80 Prozent außerhalb der IT bedeuten auch neue Supplier-Risiken
Die BCG-Zahl hat eine zweite Dimension.
Wenn der Großteil der AI-Ausgaben außerhalb eines zentralen IT-Budgets liegt, entstehen möglicherweise auch mehr dezentrale Supplier-Beziehungen.
Das können sein:
- AI-SaaS-Anbieter,
- spezialisierte Start-ups,
- Beratungen,
- Agenturen,
- Cloud-Services,
- API-Anbieter,
- Datenprovider,
- Integrationspartner.
Procurement sieht möglicherweise den Vertrag.
Die IT sieht die technische Architektur.
Der Fachbereich sieht den Use Case.
Finance sieht die Rechnung.
Supplier Governance braucht deshalb dieselbe Portfolioebene wie Budget Governance.
Warum die reine Spend-Summe noch nicht reicht
Ein Unternehmen kann seine gesamten AI-Ausgaben exakt kennen und trotzdem schlecht steuern.
Denn 10 Millionen Euro AI Spend sagen noch nicht:
Welche Projekte funktionieren?
Welche sind doppelt?
Welche Supplier sind kritisch?
Welche Kosten steigen dynamisch?
Welche Use Cases erzeugen Wert?
Welche sollten skaliert werden?
Welche sollten gestoppt werden?
Die Spend-Summe ist deshalb nur der Anfang.
Das Management braucht Kontext.
BCG verbindet bessere AI-Performance mit klarer Programmsteuerung
BCG argumentiert im Applied AI Index, dass fortgeschrittene Unternehmen AI stärker als unternehmensweites Programm führen.
Die Beratung beschreibt unter anderem:
- strategische Klarheit über wertstiftende Use Cases,
- Konzentration auf wenige hochwertige Workflows,
- Governance und Workforce-Entwicklung,
- sowie direkte Messung der finanziellen Wirkung.
BCG berichtet außerdem, dass „future-built“ Unternehmen deutlich häufiger ein einziges mehrjähriges Programm finanzieren als schwächere Unternehmen.
Das ist keine Garantie, dass zentrale Programme grundsätzlich besser sind.
Aber es unterstreicht einen wichtigen Unterschied:
Dezentrale Umsetzung ist etwas anderes als fragmentierte Steuerung.
CIO und CFO brauchen eine gemeinsame AI-Sicht
Der CIO versteht Plattformen, Architektur und technische Abhängigkeiten.
Der CFO versteht Budget, Forecast und Wertbeitrag.
Procurement versteht Verträge und Supplier.
Der Fachbereich versteht den Use Case.
PMO beziehungsweise Transformation Office versteht Projektfortschritt.
Keiner dieser Bereiche besitzt allein die vollständige Wahrheit.
Deshalb ist AI Portfolio Governance vor allem eine Integrationsaufgabe.
Nicht technisch.
Managementseitig.
Project Intelligence für verteilte AI-Budgets
Aus Ramp7-Perspektive ist genau diese Verbindung relevant:
PROJECT → USE CASE → SUPPLIER → BUDGET → ACTUAL → VALUE → DECISION
Eine IT-Kostenstelle allein reicht nicht.
Ein Projektstatus allein reicht nicht.
Ein Vertragsregister allein reicht nicht.
Ein AI-Inventar allein reicht nicht.
Die Managementsicht entsteht dort, wo diese Informationen auf derselben Ebene zusammenkommen.
Daraus wird ausdrücklich nicht abgeleitet, dass Ramp7 heute AI-Spend automatisch erkennt, Rechnungen klassifiziert, SaaS-Verträge scannt, ROI berechnet, Cloudkosten importiert oder AI-Portfolios automatisch priorisiert.
Acht Fragen für den nächsten AI Budget Review
- Wie hoch ist unser gesamter AI-Spend über alle Fachbereiche?
- Welcher Anteil liegt außerhalb des IT-Budgets?
- Können wir jeden relevanten Kostenblock einem Use Case oder Projekt zuordnen?
- Welche Supplier tauchen in mehreren Fachbereichen gleichzeitig auf?
- Welche AI-Kosten sind fix – und welche wachsen mit Nutzung?
- Wo werden zentrale Infrastrukturkosten von mehreren Projekten gemeinsam genutzt?
- Wer besitzt je Use Case Budget- und Value-Verantwortung?
- Welche Investitionen würden wir heute skalieren, reduzieren oder stoppen, wenn wir das gesamte Portfolio nebeneinander sehen könnten?
Wenn Frage eins bereits schwer zu beantworten ist, fehlt nicht nur ein AI-Budget.
Es fehlt eine gemeinsame Steuerungsebene.
Fazit: KI ist aus der IT herausgewachsen – die Steuerung muss folgen
Der BCG Applied AI Index 2026 liefert dafür einen deutlichen aktuellen Hinweis:
AI-Spend wächst – und ein großer Teil davon liegt inzwischen außerhalb der klassischen Enterprise-IT.
Das ist grundsätzlich ein Zeichen dafür, dass KI in den Fachbereichen angekommen ist.
Aber es schafft eine neue Managementaufgabe.
Je verteilter die Investitionen, desto wichtiger wird eine gemeinsame Sicht auf Projekte, Supplier, Budgets, tatsächliche Kosten und Wert.
Denn dezentrale Innovation ist sinnvoll.
Dezentrale Unsichtbarkeit ist es nicht.