Der AI Value Gap, die Lücke zwischen dem, was Unternehmen von generativer und agentischer KI erwarten, und dem, was am Ende messbar beim EBIT ankommt, ist bislang vor allem eine Zahlen-Geschichte gewesen: BCG-, Gartner- und McKinsey-Statistiken, die zeigen, dass individuelle Produktivitätsgewinne selten in nachweisbaren Unternehmenserfolg übersetzt werden. Zwei aktuelle Praxisfälle zeigen, wie sich diese Lücke konkret anfühlt, wenn Unternehmen versuchen, sie zu schließen, und was das für die Bewertung internationaler KI-Anbieter im DACH-Vertrieb bedeutet.
AWS lernt vom eigenen Umbau
McKinsey hat kürzlich beschrieben, was Amazon Web Services beim eigenen internen Umbau auf agentische KI-Systeme gelernt hat („Lessons from our alliances: What AWS’s agentic journey can teach CEOs about rewiring for AI“). Bemerkenswert daran ist weniger, dass AWS Agenten einführt, das würde man von einem Cloud-Anbieter dieser Größe erwarten, sondern was der Fall über die eigentliche Herausforderung verrät: Selbst ein Unternehmen mit tiefster technischer Kompetenz und uneingeschränktem Zugang zu den eigenen Modellen musste seine internen Prozesse, Verantwortlichkeiten und Freigabewege grundlegend neu ordnen, bevor Agenten echten Wert lieferten. Die Technologie war nie der limitierende Faktor. Das Rewiring der Organisation war es.
Das ist die praktische Bestätigung einer These, die in Beratungsstatistiken oft abstrakt bleibt: KI-Wert entsteht nicht durch Einführung, sondern durch Umbau. Wer ein Tool über bestehende Prozesse legt, bekommt bestenfalls die individuelle Produktivität, die auch die McKinsey-Zahlen dokumentieren. Wer die Prozesse selbst verändert, wie AWS es intern getan hat, bekommt etwas anderes.
Rippling: das günstigste Modell war das teuerste
Ein zweiter, deutlich handfesterer Beleg kommt aus der Praxis von Rippling, öffentlich diskutiert über SaaStr. Rippling hat für eine konkrete Aufgabe, die Verarbeitung von Payroll-Daten durch KI-Agenten, 2.100 Agent-Runs über verschiedene Modelle hinweg getestet. Das Ergebnis widerspricht der naheliegenden Annahme, dass Modellkosten pro Token die relevante Kennzahl sind: Das nominell günstigste Modell erwies sich in der Gesamtrechnung als das teuerste.
Für DACH-Vertriebsgespräche ist das ein direkt nutzbares Argument. Internationale Anbieter, die ihr Preismodell primär über niedrige Token- oder Nutzungskosten verkaufen, adressieren damit nicht zwangsläufig die Frage, die ein Buying Center tatsächlich stellt: Was kostet die Aufgabe am Ende wirklich, inklusive Fehlerquote, Nacharbeit und Kontrollaufwand? Der Rippling-Fall zeigt, dass diese beiden Fragen, Preis pro Einheit und tatsächliche Gesamtkosten, systematisch auseinanderfallen können. Wer als Anbieter nur die erste Frage beantwortet, überlässt die zweite dem Buyer, und riskiert damit genau die Art von Vertrauensverlust, die sich später als Compliance- oder Pricing-Einwand im Sales-Zyklus zeigt.
Die Zahlen dahinter: 37 Prozent, 40 Prozent, 80 Prozent
McKinseys „State of AI 2026“-Report liefert die quantitative Klammer um beide Fälle. Die EBIT-Zuschreibung an KI-Initiativen liegt mit 37 Prozent auf Vorjahresniveau, trotz spürbar breiterer Einführung: 40 Prozent der Unternehmen mit mehr als 1 Milliarde Dollar Umsatz skalieren inzwischen Agenten, nach 27 Prozent im Vorjahr. Gleichzeitig berichten 80 Prozent der Unternehmen individuelle Produktivitätsgewinne, aber ohne durchgängigen organisationalen ROI-Nachweis.
Das ist der AI Value Gap in einer einzigen Zahlenreihe: mehr Einführung, gleichbleibender Unternehmenswert, hohe individuelle Zufriedenheit. Genau das Muster, das AWS durch organisatorisches Rewiring und Rippling durch echte Gesamtkostenmessung zu durchbrechen versucht haben, jeweils auf ihre eigene Art.
Die Entscheidungs-Dividende statt der Personal-Dividende
McKinseys Folgeartikel „The decision dividend: How AI creates economic value“ liefert die methodische Erklärung dafür, warum reine Personalkosten-Argumente an dieser Stelle zu kurz greifen. Die größten Wertbeiträge von KI stammen laut dieser Analyse selten allein aus Personaleinsparungen. Sie entstehen aus schnelleren Entscheidungen, besserer Nutzung vorhandener Assets und Chancen, die ohne KI-gestützte Analyse schlicht verpasst worden wären.
Für internationale SaaS- und KI-Anbieter, die im deutschen Markt Vertrauen aufbauen wollen, ist das ein wichtiger Positionierungspunkt. Eine Wertargumentation, die primär auf Headcount-Reduktion aufbaut, adressiert nicht die Kennzahl, an der ein DACH-Buying-Center den tatsächlichen Business Case später misst. Eine Wertargumentation, die auf Entscheidungsgeschwindigkeit, Asset-Nutzung und vermiedene verpasste Chancen zielt, trifft näher an das, was McKinseys eigene Daten als den eigentlichen Werttreiber identifizieren.
Was das für den DACH-Markteintritt bedeutet
Beide Praxisfälle liefern denselben Rat aus zwei unterschiedlichen Richtungen. AWS zeigt: Der Business Case für KI entsteht im organisatorischen Umbau, nicht im Tool selbst, ein Argument, das in Verkaufsgesprächen mit Change-Management- statt reiner Produkt-Sprache geführt werden sollte. Rippling zeigt: Wer im Pricing-Gespräch nur über Kosten pro Einheit spricht, überlässt die Gesamtkostenfrage dem Buyer, und die stellt sich in DACH-Vertriebszyklen erfahrungsgemäß früher als anderswo.
Wer beide Lehren in die eigene GTM-Story für den deutschen Markt einbaut, adressiert die Frage, die hinter den 37 Prozent steht, bevor der Buyer sie selbst stellen muss.
Wer die eigene DACH-GTM-Story an diesen beiden Praxisfällen prüfen möchte: In einem 30-minütigen Strategiegespräch schauen wir uns das konkret anhand Ihres Produkts und Ihrer Zielgruppe an. Strategiegespräch buchen
