← cd ~/blog

KI treibt IT-Transformation an — aber 82 % der Projekte sprengen das Budget

Was passiert ist

Eine Transformationsstudie von NTT DATA Business Solutions und Natuvion (beides SAP-Beratungshäuser) zeigt: Künstliche Intelligenz ist der wichtigste Auslöser für IT-Transformationen — aber die Projekte scheitern regelmäßig an Budget, Zeitplan und unterschätzten Grundlagen.

Befragt wurden Anfang 2026 über 1.100 Fach- und Führungskräfte aus 15 Ländern, die in den vergangenen zwei Jahren an IT-Transformationen beteiligt waren. Die Studie zeichnet ein Erfahrungsbild von Verantwortlichen in laufenden oder abgeschlossenen Projekten.

Die Kernzahlen

MetrikWert
Befragte Unternehmen1.100+ aus 15 Ländern
KI als Transformationsgrund60 %
Budget überschritten82,2 %
Zeitplan überschritten79,5 %
Migrationsmethodik angepasst71 % (davon 26,5 % grundlegend)
Greenfield-Projekte mit Änderungen83,4 %
Planung > 1 Jahr64 %
Budget typisch10–20 Mio. € (52,7 % zwischen 5 und 50 Mio. €)
Geopolitische Einflüsse auf Transformation94,8 %
Daten-/Technologiesouveränität als Anforderung72,1 %

KI als Transformationsmotor — und ihr Paradoxon

KI ist kein Add-on, sondern ein Umbau-Auslöser

60 % der Unternehmen nennen die Einführung moderner Technologien — insbesondere KI — als zentralen Grund für ein Transformationsprojekt. Kostensenkung rangiert nur auf Platz 5. Das bedeutet: Unternehmen setzen KI nicht als Zusatzfunktion ein, sondern nutzen sie als Anlass, Datenhaushalt, Schnittstellen, Kernsysteme und Betriebsmodelle grundlegend zu überarbeiten.

Für produktive KI-Anwendungen reicht ein isolierter Chatbot nicht. Ein Assistent für Einkauf, Kundenservice oder Finanzprozesse muss auf konsistente Stamm- und Bewegungsdaten zugreifen, braucht klar geregelte Berechtigungen und muss Prozesse und Schnittstellen der beteiligten Systeme verstehen. Bei agentischer KI, die mehrstufige Aufgaben ausführt und Folgeaktionen anstößt, steigen diese Anforderungen weiter.

Das KI-Paradoxon

Die Studie spricht von einem KI-Paradoxon: KI treibt die Transformation an, aber ihre Voraussetzungen zählen zugleich zu den meist unterschätzten Problemen.

Unerwartete HerausforderungAnteil der Befragten
Datenqualität26,4 %
Regulatorische Anforderungen23,9 %
Testmanagement23,5 %

Datenqualität bedeutet hier mehr als fehlende Werte oder Dubletten. Schwierigkeiten entstehen, wenn Begriffe in verschiedenen Systemen unterschiedlich definiert sind, Datenherkünfte unklar bleiben oder Berechtigungen nicht zu den neuen Prozessen passen. Werden diese Probleme nicht bereinigt, liefert ein KI-System formal plausible Antworten, die fachlich falsch sind — weil sie auf unvollständigen oder inkonsistenten Daten basieren.

SAP/Oxford Economics: Hohe Erwartungen, wenig Vorbereitung

Eine parallele Studie von SAP und Oxford Economics liefert eine mögliche Erklärung: Deutsche Unternehmen erwarten für 2026 im Mittel einen KI-ROI von 24 Prozent. Aber nur 4 Prozent der Befragten sahen sich für den Einsatz von KI-Agenten vollständig vorbereitet. Hohe Erwartungen treffen auf begrenzte Vorbereitung — das ist die Lücke, die Transformationen sprengen.

Warum Projekte scheitern: Drei unterschätzte Bereiche

1. Testing (32,4 % am häufigsten unterschätzt)

Ein technisch erfolgreicher Migrationstest genügt nicht. Ein System kann Daten vollständig übertragen haben und dennoch nach dem Go-live Probleme verursachen — bei Konditionen, Steuerlogiken, Berechtigungen oder Ausnahmefällen in Schnittstellen. Neben technischen Tests brauchen große Umstellungen:

  • Fachliche Prozess-Tests
  • Integrations-Tests
  • Berechtigungs-Tests
  • Performance-Tests

Das bindet Fachbereiche oft stärker und länger als in der ursprünglichen Planung vorgesehen.

2. Technische Umsetzung (32,3 %)

Die Migration selbst erweist sich als aufwendiger als geplant — besonders wenn Datenstrukturen, Customizing und Schnittstellen komplexer sind als in der Planung angenommen.

3. Projektplanung (30,3 %) und Kommunikation (29,6 %)

Die Kommunikation zwischen Abteilungen und Geschäftsbereichen wird unterschätzt. Transformationen sind nicht nur IT-Projekte — sie berühren Geschäftsprozesse, Berechtigungen und Verantwortlichkeiten quer durchs Haus. Ohne klare Entscheidungsgremien und nachvollziehbare Auswirkungen auf Prozesse und Daten geraten Projekte ins Trudeln.

Anpassungen während des Projekts

71 % der Befragten nahmen Teil- oder Substanzanpassungen an ihrer Migrationsmethodik vor. 26,5 % änderten sie grundlegend. Auch bei Greenfield-Projekten (neuer Aufbau der Zielsysteme) kam es in 83,4 % der Fälle zu Änderungen.

Das ist kein Argument für ungeplante Kurswechsel — sondern für kontrollierten Umgang mit Änderungen: klare Entscheidungsgremien, nachvollziehbare Auswirkungen, belastbares Testkonzept.

Parallele Befunde

Eine Horváth-Studie zu SAP-S/4HANA-Umstiegen (2025) kam zu einem ähnlichen Ergebnis: Die Umstellungen dauerten im Mittel 30 % länger als geplant, mit starken Abweichungen. Ursachen: wachsende Projektumfänge, Komplexität der Migration, zu knapp kalkulierte Aufwände.

Budget und Zeitplan: Mehr Geld hilft nicht allein

Die Unternehmen planen inzwischen mit längeren Laufzeiten: 64 % setzen mehr als ein Jahr an, 44 % kalkulieren ein bis zwei Jahre, fast 20 % mehr als zwei Jahre. Die Budgets steigen — am häufigsten 10 bis 20 Millionen Euro, 52,7 % der Projekte liegen zwischen 5 und 50 Millionen.

Trotzdem: 82,2 % überschreiten das Budget, 79,5 % den Zeitplan. Mehr Geld und mehr Zeit allein reichen nicht. Was fehlt, sind Reserven für Datenbereinigung, Tests, Änderungen im Projektumfang und organisatorische Konflikte.

Ein praktischer Lerneffekt: Nicht jede Prozessverbesserung gleichzeitig mit der Systemumstellung umsetzen. Kritische Geschäftsprozesse sollten zum Go-live belastbar laufen. Weitere Optimierungen besser nach der Stabilisierung priorisieren — genau dies nannten 32,3 % der Befragten als Punkt, den sie bei künftigen Transformationen stärker beachten würden.

Souveränität wird zur Architekturfrage

94,8 % der Befragten berichten von geopolitischen und wirtschaftspolitischen Einflüssen auf ihre Transformationsprojekte. An erster Stelle: Anforderungen an Daten- und Technologiesouveränität (72,1 %). Danach: Sicherheitsaspekte und geopolitische Spannungen (44,6 %), Energie- und Industriepolitik (44,3 %).

Souveränität bedeutet hier nicht nur Rechenzentrumsstandort. Unternehmen müssen prüfen:

  • Wer kann auf Daten und Systeme zugreifen?
  • Wie lassen sich Workloads und Daten exportieren?
  • Welche Abhängigkeiten zu Plattformdiensten bestehen?
  • Ist im Störfall ein Ersatzbetrieb möglich?

Das macht Souveränität zu einem Thema für Architektur, Verträge und Migrationsplanung — nicht nur für Compliance.

Cloud-Abhängigkeit: Viele haben keinen Plan B

Eine Lünendonk-&-Hossenfelder-Studie zeigte: 83 % der DACH-Unternehmen halten es für realistisch, dass ein Cloud-Anbieter den Zugang zu kritischen Diensten einseitig einschränkt oder abschaltet. Aber nur 57 % verfügen über eine Exit-Strategie für den Anbieterwechsel.

KI-Abhängigkeit: Unklare Verflechtungen

Eine IBM-Studie ergab: In Deutschland haben nur 13 % der befragten Unternehmen einen guten Überblick über ihre Verflechtungen zwischen KI-Anbietern, Modellen und Infrastruktur. Wer KI als Transformationsgrund nennt, muss nicht nur Daten für Modelle bereitstellen, sondern auch Wechselmöglichkeiten, Schnittstellen und Betriebsrisiken berücksichtigen.

Erfolgsfaktoren

Die Studie nennt drei zentrale Erfolgsfaktoren:

  1. Transformations-Know-how — Erfahrung mit großen Umstellungen, nicht nur Technik, sondern auch Methodik
  2. Transparenz über relevante Daten — wissen, wo welche Daten liegen, wer sie pflegt, welche Qualität sie haben
  3. Kontinuität im Projektteam — Fluktuation in Schlüsselpositionen ist ein Hauptrisiko

KI erscheint in der Studie nicht als Abkürzung durch die Transformation. Sie erhöht vielmehr den Druck, die Grundlagen — Datenmanagement, Tests, Projektsteuerung, Governance — belastbar umzusetzen.

Einordnung

Für IT-Verantwortliche

  • Budget- und Zeitplan-Überschreitungen sind die Norm, nicht die Ausnahme. Wer das nicht einplant, plant falsch. Reserven von 30 %+ für Datenbereinigung, Tests und Umfangsänderungen sind realistisch.
  • Datenqualität ist keine Nebensache. Sie ist die Voraussetzung für jedes KI-Projekt — und der häufigste Grund, warum KI-Anwendungen fachlich falsche Ergebnisse liefern.
  • Testing ist der unterschätzteste Teil. Fachliche Tests brauchen Fachbereiche, nicht nur IT. Das muss in der Planung stehen.
  • Souveränität ist Architektur. Wer KI einführt, muss wissen, welche Abhängigkeiten entstehen — und wie man sie im Notfall auflöst.

Für Geschäftsführung

  • KI ist kein Kostensenkungsprojekt. Sie ist ein Transformationsauslöser. Wer nur Kosten sparen will, wird enttäuscht. Wer die Grundlagen aufräumt, bekommt KI als Hebel.
  • Greenfield ist kein Garant für einfache Projekte. 83,4 % der Greenfield-Projekte hatten Änderungen. Die Entscheidung für einen Neuaufbau nimmt nicht die Arbeit ab — sie verlagert sie.
  • Kontinuität im Team zählt mehr als Methodik. Der häufigste Methodenwechsel nützt nichts, wenn die Schlüsselpersonen wechseln.

Für uns im DRK

  • IT-Transformation ist auch für den Rettungsdienst relevant. Einsatzplatzformen, Dokumentationssysteme, Abrechnung — alles ist Gegenstand von Modernisierungsprojekten.
  • Datenqualität ist das Fundament. Wenn Stamm- und Bewegungsdaten inkonsistent sind, wird jede KI-Anwendung im Rettungsdienst (z.B. automatisierte Einsatzprotokolle, Auswertung von Antwortzeiten) falsche Ergebnisse liefern.
  • Souveränität ist im Gesundheitswesen besonders sensibel. Patientendaten dürfen nicht durch KI-Abhängigkeiten in Systeme gelangen, die nicht DSGVO-konform sind. Die Wahl der KI-Anbieter und -Infrastruktur ist eine Architekturentscheidung, keine Beschaffungsentscheidung.
  • Testmanagement wird unterschätzt. Bei Einsatzsystemen ist das kritisch — ein fehlerhaftes Go-live kann Menschenleben gefährden. Fachliche Tests im Rettungsdienst brauchen Einsatzerfahrene, nicht nur IT-Tester.

Quellen: