Deutschlands KI-Ziele bis 2030: Achtzehn Maßnahmen schaffen noch keinen einzigen profitablen KI-Markt – Was Unternehmen wirklich brauchen – Kreativbild zum Thema, mit KI: Xpert.Digital
KI in Deutschland: Der entscheidende Schritt fehlt zwischen Pilotprojekt und Produktivität
Mehr KI, aber zu wenig Wirkung? Worauf es für Deutschlands Wirtschaft jetzt ankommt
KI-Offensive der Bundesregierung: So wird aus Förderung ein echter Markt
Deutschland will bis 2030 zu einer führenden KI-Nation werden. Die Bundesregierung hat dafür 18 Schlüsselmaßnahmen und ambitionierte Ziele formuliert: KI soll in Unternehmen und Behörden deutlich häufiger zum Einsatz kommen und einen größeren Beitrag zur Wirtschaftsleistung leisten. Doch politische Beschlüsse, Förderprogramme und zusätzliche Rechenzentren schaffen für sich genommen noch keinen wirtschaftlichen Erfolg. Entscheidend ist, ob Unternehmen mit KI messbar produktiver werden, Behörden ihre Aufgaben besser erfüllen und Technologieanbieter aus Pilotprojekten dauerhaft tragfähige Geschäftsmodelle entwickeln können.
Genau hier liegt die Herausforderung. Die Nutzung von KI nimmt zu, doch zwischen dem ersten Experiment und einer tiefen Integration in Arbeitsabläufe klafft oft eine Lücke. Besonders kleine und mittlere Unternehmen stehen vor hohen Kosten, knappen personellen Ressourcen und schwierigen Fragen rund um Daten, Sicherheit und technische Einbindung. Zugleich muss der Staat klären, wo er als verlässlicher Kunde und Förderer helfen kann – und wo neue Programme lediglich bestehende Angebote verdoppeln oder Abhängigkeiten schaffen.
Dieser Beitrag prüft Deutschlands KI-Strategie aus wirtschaftlicher Sicht: Was verhindert den Schritt von der Anwendung zur Wertschöpfung? Welche Rolle spielen öffentliche Nachfrage, europäische Anbieter und industrielle Kooperationen? Und woran lässt sich erkennen, ob Fördermaßnahmen tatsächlich etwas bewirken? Die zentrale These: Nicht die Zahl der Maßnahmen entscheidet über den Erfolg, sondern ob sie konkrete Engpässe beseitigen und messbare, dauerhaft tragfähige Ergebnisse ermöglichen.
Deutschlands KI-Strategie im Wirtschaftstest: Wie aus politischen Maßnahmen wettbewerbsfähige Märkte werden
Deutschland braucht keine möglichst umfangreiche Sammlung von KI-Programmen. Es braucht Unternehmen, die mit künstlicher Intelligenz produktiver werden, öffentliche Einrichtungen, die ihre Aufgaben besser erledigen, und Technologieanbieter, die aus wiederholbaren Lösungen tragfähige Geschäftsmodelle entwickeln. Genau daran entscheidet sich, ob eine nationale KI-Strategie wirtschaftlich erfolgreich ist. Die Zahl politischer Maßnahmen ist dafür ebenso wenig ein verlässlicher Maßstab wie die Anzahl geförderter Projekte oder die Größe angekündigter Rechenzentren.
Mit dem Zielbild einer KI-Nation bis 2030 hat die Bundesregierung 18 ressortübergreifende Schlüsselmaßnahmen gebündelt. Zu den öffentlich genannten Zielen gehören eine KI-Nutzung durch mindestens 80 Prozent der Großunternehmen und 55 Prozent der kleinen und mittleren Unternehmen. Außerdem sollen 90 Prozent der Bundesbehörden mindestens eine KI-Anwendung für ihre Kernaufgaben einsetzen. Mehr als zehn Prozent der Wirtschaftsleistung sollen KI-basiert erwirtschaftet werden. Diese Zielsetzungen sind ambitioniert. Ob sie tatsächlich eine wirtschaftliche Transformation beschreiben, hängt allerdings wesentlich davon ab, wie Nutzung, Wertschöpfung und Erfolg definiert werden.
Ein Unternehmen kann einen Textassistenten bereitstellen und damit bereits als KI-Anwender gelten. Daraus folgt noch nicht, dass seine Produktionskosten sinken, sein Vertrieb erfolgreicher arbeitet oder seine Innovationsgeschwindigkeit steigt. Eine Behörde kann einen einzelnen Vorgang mit KI unterstützen, während der überwiegende Teil ihrer Prozesse unverändert bleibt. Und eine KI-basierte Wirtschaftsleistung lässt sich nur sinnvoll messen, wenn zwischen Umsätzen von KI-Anbietern, KI-unterstützten Tätigkeiten und tatsächlich zusätzlich entstandener Wertschöpfung unterschieden wird.
Die entscheidende ökonomische Frage lautet deshalb nicht, ob Deutschland genug Maßnahmen beschlossen hat. Sie lautet, ob diese Maßnahmen die richtigen Engpässe beseitigen. Dazu gehören fehlende Nachfrage, unzureichend aufbereitete Daten, hohe Integrationskosten, unsichere Geschäftsmodelle und ein zu langsamer Übergang von Forschungsergebnissen in marktfähige Produkte.
Eine wirksame KI-Politik muss diese Probleme unterschiedlich behandeln. Sie darf weder jede unternehmerische Schwierigkeit zum Förderfall erklären noch darauf vertrauen, dass ein Markt ohne geeignete Infrastruktur und verlässliche Rahmenbedingungen automatisch international konkurrenzfähige Anbieter hervorbringt.
Der eigentliche Rückstand liegt zwischen erster Nutzung und wirtschaftlicher Durchdringung
Die verfügbaren Unternehmensdaten zeigen zunächst eine wichtige Entwicklung: KI ist in Deutschland kein ausschließlich experimentelles Thema mehr. Im Jahr 2025 nutzten 26 Prozent der erfassten Unternehmen künstliche Intelligenz. Bei kleinen Unternehmen mit zehn bis 49 Beschäftigten lag der Anteil bei 23 Prozent, bei mittleren Unternehmen mit 50 bis 249 Beschäftigten bei 36 Prozent und bei Großunternehmen ab 250 Beschäftigten bei 57 Prozent. Diese Werte beziehen sich auf die statistisch erfassten Größenklassen und dürfen nicht ohne Weiteres auf sämtliche Kleinstunternehmen und Selbstständigen übertragen werden.
Zwischen kleinen und großen Unternehmen lag damit ein Abstand von 34 Prozentpunkten. Das ist wirtschaftlich bedeutsamer als eine isolierte Betrachtung der durchschnittlichen Nutzungsquote. Große Unternehmen können die Kosten für Datenaufbereitung, technische Integration, Rechtsprüfung und Mitarbeiterschulung auf mehr Beschäftigte und Geschäftsvorgänge verteilen. Sie verfügen außerdem häufiger über eigene IT-Abteilungen und ausreichende finanzielle Reserven, um mehrere Anwendungsfälle zu testen.
Für einen kleineren Betrieb kann derselbe Einstieg eine deutlich größere organisatorische Belastung darstellen. Die Geschäftsführung muss nicht nur die Technologie beurteilen, sondern gleichzeitig Anbieter auswählen, Datenzugänge klären und laufende Abläufe absichern. Selbst wenn eine KI-Anwendung technisch funktioniert, kann ihre Einführung an fehlender Zeit und unklaren Zuständigkeiten scheitern.
Auch die Art der Nutzung ist entscheidend. Unter den KI-nutzenden Unternehmen setzten 2025 insgesamt 27 Prozent entsprechende Technologien zur Automatisierung von Arbeitsabläufen oder zur Entscheidungsfindung ein. Sechs Prozent nutzten sie für die autonome Bewegung von Maschinen. Diese Anteile beziehen sich ausdrücklich auf die bereits KI-nutzenden Unternehmen, nicht auf die gesamte Unternehmenspopulation. Sie zeigen, dass eine allgemeine Nutzungsquote und die tiefe Integration in operative Prozesse unterschiedliche Sachverhalte sind.
Damit wird der wirtschaftspolitische Handlungsbedarf klarer: Deutschland muss nicht nur mehr Unternehmen an KI heranführen. Es muss den Übergang von einer gelegentlichen Nutzung zu belastbaren, wiederholbaren und wirtschaftlich relevanten Anwendungen erleichtern.
Ein Textwerkzeug kann einen sinnvollen Einstieg darstellen. Der größere Produktivitätsgewinn entsteht jedoch häufig erst dann, wenn Informationsflüsse, Verantwortlichkeiten und betriebliche Prozesse mitverändert werden. Genau dieser zweite Schritt ist anspruchsvoller, teurer und für politische Erfolgsstatistiken weniger bequem.
Warum kleine Einstiegsbudgets keine industrielle Umsetzung finanzieren
Die Diskussion über niedrig dotierte KI-Projekte berührt ein reales Kalkulationsproblem. Zwischen einer kurzen Orientierungshilfe und einer produktionsreifen Anwendung liegen erhebliche Unterschiede. Ein Budget von beispielsweise 2.000 Euro kann für einen klar begrenzten Workshop, eine erste Potenzialanalyse oder die Einrichtung eines einfachen Standardwerkzeugs ausreichen. Es ist aber kein realistischer Finanzierungsrahmen für eine individuell integrierte Lösung mit anspruchsvollen Sicherheitsanforderungen.
Eine beispielhafte Rechnung verdeutlicht die Größenordnung. Bei einem angenommenen externen Tagessatz von 1.000 Euro finanziert ein solches Budget zwei Arbeitstage. Daraus müssen gegebenenfalls Vorbereitung, Abstimmung, Durchführung und Dokumentation bezahlt werden. Für eine gründliche Prozessaufnahme, mehrere Systemanbindungen, eine belastbare Testphase und die Schulung verschiedener Nutzergruppen bleibt dann kaum Spielraum. Die Rechnung ist eine illustrative Kalkulation und keine Aussage über einen allgemeinen Marktpreis.
Das Problem liegt deshalb nicht zwingend in der Existenz kleiner Einstiegsbudgets. Problematisch wird es, wenn ein Orientierungsinstrument mit einem Umsetzungsinstrument verwechselt wird. Wer mit einem geringen Betrag eine umfassende Transformation erwartet, erzeugt Enttäuschungen auf beiden Seiten: Der Kunde erhält keine produktive Lösung, und der Anbieter kann keine auskömmliche Leistung erbringen.
Ein durchdachtes Unterstützungsmodell müsste unterschiedliche Reifegrade berücksichtigen. Am Anfang steht die Frage, welcher Anwendungsfall wirtschaftlich sinnvoll ist. Danach folgt ein begrenzter Test mit klaren Erfolgskriterien. Erst anschließend sollte die Integration in den laufenden Betrieb finanziert werden. Die Skalierung auf weitere Standorte, Abteilungen oder Kunden ist wiederum eine eigenständige Aufgabe.
Entscheidend ist außerdem, was nach dem finanzierten Einstieg passiert. Eine einmalige Beratung schafft noch keinen dauerhaft tragfähigen Markt. Erst wenn Unternehmen bereit sind, eine Lösung aus eigenen Mitteln weiterzubezahlen, entsteht ein belastbares Signal für ihren wirtschaftlichen Nutzen.
Öffentliche Unterstützung sollte daher nicht möglichst viele unverbindliche Erstkontakte erzeugen, sondern den Übergang zu eigenfinanzierten Folgeinvestitionen erleichtern. Der Erfolg eines Einstiegsprogramms wäre dann nicht an der Zahl ausgegebener Gutscheine zu messen, sondern an produktiven Anwendungen, ihrer weiteren Nutzung und ihrem nachweisbaren Beitrag zum Unternehmensergebnis.
Nachfrage ist für junge KI-Unternehmen oft wertvoller als zusätzliche Projektförderung
Für einen Technologieanbieter unterscheiden sich Fördermittel und Kundenerlöse grundlegend. Eine Förderung finanziert bestimmte Entwicklungsarbeiten. Ein zahlender Kunde bestätigt dagegen, dass eine konkrete Leistung unter realen Bedingungen einen ausreichenden Nutzen stiftet.
Dieser Unterschied wirkt sich auf das gesamte Geschäftsmodell aus. Wiederkehrende Umsätze ermöglichen Personalplanung, verbessern die Verhandlungsposition gegenüber Kapitalgebern und liefern Informationen darüber, welche Funktionen Kunden tatsächlich benötigen. Ein erfolgreich abgeschlossener Entwicklungsauftrag kann hilfreich sein. Ein dauerhaft genutztes Produkt ist jedoch die stärkere Grundlage für Wachstum.
Gerade im KI-Markt besteht die Gefahr, dass Unternehmen zu viele individuelle Demonstrationsprojekte durchführen, ohne ein skalierbares Angebot aufzubauen. Jeder neue Kunde erhält dann eine Sonderlösung. Der Umsatz wächst möglicherweise, aber der Personalaufwand wächst im gleichen Tempo. Das Unternehmen bleibt wirtschaftlich ein projektgetriebener Dienstleister, obwohl es nach außen als skalierbarer Softwareanbieter auftritt.
Das ist nicht grundsätzlich schlecht. Auch spezialisierte Beratung und Integration können wertvolle Geschäftsmodelle sein. Wirtschaftspolitisch muss jedoch klar unterschieden werden, ob ein Programm Dienstleistungen finanziert, ein standardisierbares Produkt entstehen lässt oder den Aufbau einer grundlegenden Technologie unterstützt.
Für skalierbare KI-Anbieter ist besonders relevant, ob eine Lösung bei weiteren Kunden mit deutlich geringerem Zusatzaufwand eingesetzt werden kann. Wiederverwendbare Schnittstellen, standardisierte Sicherheitsfunktionen und klar definierte Betriebsmodelle sind dafür oft wichtiger als eine weitere spektakuläre Demonstration.
Eine wirtschaftlich orientierte KI-Politik sollte deshalb nicht nur Entwicklungsaktivitäten fördern. Sie muss auch Bedingungen verbessern, unter denen aus Pilotkunden wiederkehrende Kunden werden. Dazu gehören klare Anforderungen, verlässliche Zahlungsbedingungen, übertragbare technische Standards und eine Nachfrage, die nicht mit dem Ende eines Programms verschwindet.
Der Staat als Ankerkunde muss verlässlich sein, ohne neue Abhängigkeiten zu schaffen
Die Bundesregierung beschreibt den Staat ausdrücklich als möglichen Ankerkunden für KI-Modelle und Anwendungen. Dahinter steht ein nachvollziehbarer wirtschaftlicher Mechanismus: Öffentliche Einrichtungen benötigen leistungsfähige digitale Werkzeuge, während junge Anbieter belastbare Nachfrage, Praxiserfahrung und Referenzen brauchen. Werden beide Seiten sinnvoll zusammengebracht, kann daraus ein sich selbst verstärkender Markt entstehen.
Allerdings genügt es nicht, den Staat zum Ankerkunden zu erklären. Seine Nachfrage muss für Anbieter planbar und wirtschaftlich bearbeitbar sein. Wenn jede Einrichtung eigene technische Sonderwege verfolgt, vervielfachen sich die Anpassungskosten. Ein Anbieter gewinnt dann zwar einzelne Kunden, aber keine skalierbare Grundlage.
Gemeinsame Schnittstellen und wiederverwendbare Komponenten können dieses Problem verringern. Eine Lösung zur Unterstützung bei der Dokumentenbearbeitung sollte nicht für jede Behörde vollständig neu entwickelt werden müssen. Zugleich müssen unterschiedliche fachliche Anforderungen berücksichtigt werden. Standardisierung bedeutet daher nicht, alle Verwaltungsprozesse gleichzumachen, sondern gemeinsame technische Grundlagen zu schaffen.
Der Staat muss dabei zwei Interessen austarieren. Einerseits kann es sinnvoll sein, europäische Anbieter gezielt als ernsthafte Marktteilnehmer aufzubauen. Andererseits darf daraus keine dauerhafte Abnahmegarantie für wirtschaftlich oder technisch unzureichende Produkte entstehen. Eine Herkunftsentscheidung ersetzt keine Leistungsbewertung.
Auch ein europäischer Anbieter kann seine Kunden in eine starke Abhängigkeit bringen. Geschlossene Datenformate, schwer übertragbare Anpassungen und unklare Wechselmöglichkeiten bleiben problematisch, unabhängig vom Unternehmenssitz. Eine souveräne öffentliche KI-Nutzung verlangt deshalb nicht nur eine bestimmte geografische Herkunft, sondern auch Austauschbarkeit und Kontrolle.
Der Staat wäre dann ein guter Ankerkunde, wenn er anspruchsvolle, realistische Anforderungen stellt, erfolgreiche Lösungen verlässlich nutzt und gleichzeitig einen späteren Anbieterwechsel technisch möglich hält. So entsteht Nachfrage, ohne dass Wettbewerb und Innovationsdruck verloren gehen.
Mistral ist ein europäischer Hoffnungsträger, aber keine vollständige Souveränitätsstrategie
Mistral steht exemplarisch für die Frage, ob Europa eigene leistungsfähige KI-Anbieter aufbauen kann. Das Unternehmen entwickelt Modelle und verbindet diese zunehmend mit Angeboten für den Unternehmenseinsatz. Gemeinsam mit SAP arbeitet es an einer souveränen KI-Plattform für europäische Geschäftskunden. Damit wird versucht, Modellentwicklung, Unternehmenssoftware und kontrollierbare Betriebsumgebungen zusammenzuführen.
Ökonomisch ist diese Verbindung sinnvoll. Ein leistungsfähiges Modell allein löst noch kein Unternehmensproblem. Es braucht Zugang zu relevanten Daten, eine Einbindung in bestehende Software und klare Regeln für Berechtigungen, Protokollierung und Verantwortung. Ein etablierter Anbieter von Unternehmenssoftware kann hier einen wesentlich besseren Marktzugang bieten als ein isolierter Modellanbieter.
Dennoch wäre es riskant, europäische KI-Souveränität mit dem Erfolg eines einzelnen Unternehmens gleichzusetzen. Ein national oder europäisch bevorzugter Anbieter kann strategisch wichtig sein, aber er bleibt ein Unternehmen mit eigenen wirtschaftlichen Interessen, technischen Grenzen und Finanzierungsrisiken.
Außerdem besteht ein KI-System aus mehreren Ebenen. Auch ein europäisches Modell kann auf außereuropäischer Hardware trainiert werden, von bestimmten Beschleunigerchips abhängen oder über eine Infrastruktur betrieben werden, deren wesentliche Komponenten außerhalb Europas kontrolliert werden. Souveränität ist deshalb keine binäre Eigenschaft.
Sie sollte vielmehr daran gemessen werden, welche Abhängigkeiten bestehen, welche davon wirtschaftlich akzeptabel sind und für welche kritischen Funktionen Alternativen verfügbar bleiben. Ein europäisches Modell erhöht die Auswahl. Es beseitigt aber nicht automatisch alle anderen Abhängigkeiten.
Die sachlich begründete Position lautet daher: Europa sollte leistungsfähige Anbieter wie Mistral als reale Wettbewerbsoption entwickeln und einsetzen. Gleichzeitig braucht es mehrere Anbieter, offene Betriebsoptionen und technische Wechselmöglichkeiten. Aus einem berechtigten industriepolitischen Interesse darf keine neue Ein-Anbieter-Strategie entstehen.
Industrielle KI gewinnt dort, wo sie konkrete Prozessprobleme löst
Deutschlands industrielle Basis bietet einen wichtigen Ansatzpunkt für wirtschaftlich relevante KI. Der Vorteil liegt jedoch nicht einfach darin, dass viele Maschinen vorhanden sind. Er liegt im Zusammenspiel von Fachwissen, Prozessverständnis, Kundenbeziehungen, technischen Daten und langjähriger Erfahrung mit komplexen Systemen.
Die Zusammenarbeit zwischen Airbus und Mistral veranschaulicht diese Logik. Zu den benannten Anwendungsfeldern gehören industrielle Abläufe, technische Dokumentation, Engineering, Design und KI-gestützte Unterstützung während Entwicklungs-, Test- und Zertifizierungsphasen. Dabei handelt es sich nicht um eine einzige allgemeine Anwendung, sondern um unterschiedliche Aufgaben mit jeweils eigenen Qualitäts- und Sicherheitsanforderungen.
Besonders interessant sind Tätigkeiten, bei denen Fachkräfte viel Zeit mit dem Suchen, Zusammenführen und Prüfen von Informationen verbringen. Wenn technische Unterlagen schneller ausgewertet werden können, entsteht nicht automatisch ein neues Produkt. Es kann aber die Entwicklungsarbeit beschleunigen und knappe Expertenkapazität für anspruchsvollere Aufgaben freisetzen.
Ähnliches gilt für die Intralogistik. Eine KI-Anwendung könnte Störungsmeldungen strukturieren, Wartungsinformationen zusammenführen oder bei der Analyse wiederkehrender Anlagenprobleme unterstützen. Der Nutzen hängt dann weniger von einer beeindruckenden Sprachleistung ab als von der Qualität der Anbindung an reale Anlagen- und Prozessdaten.
Dabei müssen unterschiedliche technische Aufgaben getrennt werden. Ein Sprachmodell kann bei Dokumentation und Wissenszugang hilfreich sein. Für die unmittelbare Regelung einer Maschine oder eine sicherheitskritische Entscheidung sind andere Anforderungen zu erfüllen. Nicht jede industrielle KI-Anwendung ist ein generatives Sprachsystem.
Bestehende Partnerschaften zwischen Industrieunternehmen, Softwareanbietern und Modellentwicklern können deshalb wertvoller sein als ein zusätzliches abstraktes Förderprogramm. Allerdings muss ihre Leistungsfähigkeit an konkreten Ergebnissen gemessen werden. Eine bekannte Unternehmensgruppe ist noch kein Beweis für eine funktionierende Lösung.
Zudem sollte ein erfolgreiches industrielles Ökosystem nicht nur Großkonzerne einbinden. Spezialisierte Mittelständler, Integratoren und kleinere Softwareunternehmen müssen Zugang zu Schnittstellen und Märkten erhalten. Andernfalls entstehen geschlossene Plattformen, deren Vorteile nur begrenzt in die Breite der Wirtschaft gelangen.
Unsere EU- und Deutschland-Expertise in Business Development, Vertrieb und Marketing
Unsere EU- und Deutschland-Expertise in Business Development, Vertrieb und Marketing - Bild: Xpert.Digital
Branchenschwerpunkte: B2B, Digitalisierung (von KI bis XR), Maschinenbau, Logistik, Erneuerbare Energien und Industrie
Mehr dazu hier:
Ein Themenhub mit Einblicken und Fachwissen:
- Wissensplattform rund um die globale wie regionale Wirtschaft, Innovation und branchenspezifische Trends
- Sammlung von Analysen, Impulsen und Hintergründen aus unseren Schwerpunktbereichen
- Ein Ort für Expertise und Informationen zu aktuellen Entwicklungen in Wirtschaft und Technologie
- Themenhub für Unternehmen, die sich zu Märkten, Digitalisierung und Brancheninnovationen informieren möchten
Der Produktivitätsgewinn bei KI-Anwendungen in Unternehmen
Der Produktivitätsgewinn entsteht erst nach Abzug aller zusätzlichen Kosten
Viele KI-Diskussionen betrachten ausschließlich die eingesparte Bearbeitungszeit. Für eine ökonomische Bewertung reicht das nicht aus. Entscheidend ist, welcher Nutzen nach Berücksichtigung sämtlicher zusätzlicher Kosten und Risiken verbleibt.
Ein vereinfachtes Beispiel macht den Unterschied deutlich. Ein Unternehmen mit 100 Beschäftigten spart durch eine Anwendung rechnerisch täglich zehn Minuten je Person. Bei 220 Arbeitstagen entspricht das rund 3.667 Stunden im Jahr. Bei angenommenen Vollkosten von 50 Euro pro Stunde ergibt sich ein rechnerisches Zeitwertpotenzial von etwa 183.000 Euro jährlich.
Diese Größenordnung ist aber weder automatisch ein zusätzlicher Gewinn noch eine entsprechende Einsparung im Zahlungsverkehr. Wenn die frei werdenden Minuten über viele Tätigkeiten verstreut sind, lassen sie sich möglicherweise nur teilweise produktiv nutzen. Außerdem fallen Lizenzkosten, Einführungskosten, Betreuung und Kontrollaufwand an.
Angenommen, die laufenden Kosten betragen 60.000 Euro im Jahr und nur die Hälfte des rechnerischen Zeitpotenzials wird tatsächlich wirtschaftlich wirksam. Dann verbleibt ein jährlicher Nutzen von ungefähr 31.500 Euro vor Berücksichtigung der anfänglichen Einführungskosten. Das Beispiel ist bewusst hypothetisch. Es zeigt, wie stark sich ein zunächst eindrucksvoller Bruttowert nach einer realistischen Betrachtung verändern kann.
Bei qualitätskritischen Aufgaben kommt hinzu, dass Fehler nicht nur Zeit kosten. Eine unzutreffende technische Information kann Nacharbeit, Verzögerungen oder Haftungsrisiken auslösen. Umgekehrt kann eine bessere Fehlererkennung einen erheblichen Nutzen schaffen, der sich nicht unmittelbar in Minuten ausdrückt.
Unternehmen benötigen deshalb eine Bewertung, die Zeit, Qualität, Geschwindigkeit und Risiko zusammenführt. Sinnvolle Messgrößen sind beispielsweise die Durchlaufzeit eines Vorgangs, die Zahl notwendiger Korrekturen, die Auslastung knapper Fachkräfte oder die Kosten pro bearbeitetem Fall.
Politische Programme sollten diese Betrachtung unterstützen, anstatt möglichst hohe theoretische Einsparpotenziale zu belohnen. Wirtschaftlich entscheidend ist nicht, wie schnell eine KI einen Entwurf erzeugt, sondern wie effizient der gesamte Prozess bis zum verwendbaren Ergebnis wird.
Europäische Zusammenarbeit ist eine Größenfrage und kein diplomatischer Wettbewerb
Die Gegenüberstellung einer stärkeren Orientierung an Frankreich und einer Kooperation mit Kanada greift zu kurz, wenn sie als ausschließliche Wahl verstanden wird. Die Bundesregierung nennt sowohl europäische Fähigkeiten als auch internationale Partnerschaften als Bestandteile ihres Ansatzes. In diesem Zusammenhang werden unter anderem die Zusammenarbeit mit Kanada und die Unterstützung von LawZero bei sicherheitsorientierter KI-Entwicklung hervorgehoben.
Aus ökonomischer Sicht muss jede Partnerschaft nach ihrem konkreten Beitrag bewertet werden. Frankreich ist für Deutschland ein naheliegender Partner beim Aufbau eines größeren europäischen Marktes und bei der Zusammenarbeit mit europäischen Modellanbietern. Kanada kann in bestimmten Forschungs- und Technologiefeldern zusätzliche Fähigkeiten einbringen.
Die relevante Frage ist deshalb nicht, welches Land mehr politische Aufmerksamkeit erhält. Sie lautet, ob eine Kooperation Zugang zu Technologie, Fachkräften, Kunden oder komplementärem Wissen eröffnet. Eine Partnerschaft ohne operative Verbindungen bleibt symbolisch. Eine kleinere, aber produktive Kooperation kann dagegen einen messbaren Nutzen stiften.
Gleichzeitig darf internationale Zusammenarbeit nicht darüber hinwegtäuschen, dass Europa seine eigenen Größenprobleme lösen muss. Unterschiedliche technische Anforderungen und voneinander getrennte nationale Märkte können dazu führen, dass ein europäischer Anbieter für jeden neuen Kundenkreis erhebliche Anpassungen vornehmen muss.
Für ein wachsendes KI-Unternehmen ist ein tatsächlich nutzbarer europäischer Markt daher häufig wichtiger als ein weiterer politischer Kooperationsrahmen. Gemeinsame Anforderungen, übertragbare Nachweise und kompatible Infrastrukturen können Skalierung ermöglichen, ohne nationale Besonderheiten vollständig aufzuheben.
Eine kluge Strategie verbindet daher zwei Ebenen: Sie bündelt europäische Nachfrage und Fähigkeiten dort, wo Größe entscheidend ist, und bleibt zugleich offen für internationale Partner, die konkrete technologische Ergänzungen bieten. Offenheit und strategische Eigenständigkeit sind keine Gegensätze, solange Abhängigkeiten bewusst bewertet werden.
Chipkompetenz verlangt spezialisierte Infrastruktur und eine klare Arbeitsteilung
Der Wunsch nach größerer Unabhängigkeit bei KI-Chips ist nachvollziehbar. Er wird jedoch unpräzise, sobald Chipdesign, Halbleiterforschung, Fertigung und der Betrieb von KI-Rechenzentren als eine einzige Aufgabe behandelt werden.
Ein Chip muss entworfen werden. Sein Design benötigt geeignete Werkzeuge und technologische Grundlagen. Die Fertigung erfordert wiederum spezialisierte Anlagen, Materialien und Prozesse. Hinzu kommen Speicher, Verpackungstechnologien und die Integration in vollständige Rechensysteme. Fortschritte auf einer Ebene ersetzen nicht automatisch fehlende Fähigkeiten auf den anderen.
Das belgische Forschungszentrum imec ist in diesem Zusammenhang ein bedeutender europäischer Knotenpunkt. Die NanoIC-Pilotlinie ist mit einer angekündigten gemeinsamen Investition von 2,5 Milliarden Euro verbunden und soll unter anderem Unternehmen, Start-ups, Hochschulen sowie Design- und Systemanbietern Zugang zu fortgeschrittener Technologie und Prototyping ermöglichen.
Im Februar 2026 eröffnete imec eine zusätzliche Reinraumfläche von 2.000 Quadratmetern im Rahmen dieses Ausbaus. Das Vorhaben ist ausdrücklich europäisch organisiert und umfasst Partnerstandorte, darunter Fraunhofer in Deutschland. Deutschland gehört zudem zu den beteiligten finanzierenden Staaten. Die Vorstellung, nationale Forschung und eine stärkere Nutzung von imec seien grundsätzlich alternative Wege, bildet diese Verflechtung daher nicht angemessen ab.
Wirtschaftlich sinnvoll ist eine Arbeitsteilung, bei der spezialisierte Großinfrastruktur konzentriert genutzt und gleichzeitig ein breiter Zugang für Forschung und Unternehmen ermöglicht wird. Teure Anlagen an vielen Standorten parallel aufzubauen, kann ineffizient sein. Umgekehrt nützt eine Spitzeninfrastruktur wenig, wenn kleinere Unternehmen sie praktisch nicht erreichen können.
Die richtigen Fragen lauten deshalb: Welche Fähigkeiten fehlen tatsächlich? Wo bestehen bereits international relevante Stärken? Wie gelangen junge Unternehmen an Entwurfswerkzeuge, Testmöglichkeiten und Fertigungspartner? Und welche Anwendungen rechtfertigen langfristig die erheblichen Entwicklungskosten?
Eine erfolgversprechende Halbleiterstrategie braucht Prioritäten. Sie muss nicht jede Wertschöpfungsstufe vollständig national abbilden, sondern kritische Kompetenzen sichern und belastbare Zugänge zu komplementären Fähigkeiten schaffen.
Forschung ist unverzichtbar, doch ihre Finanzierung braucht unterschiedliche Erfolgsmaßstäbe
Die Kritik an langwierigen Forschungsprojekten enthält einen berechtigten Kern, wenn sie auf fehlende Anschlussfähigkeit und eine unklare Verwendung öffentlicher Mittel zielt. Unzutreffend wäre jedoch die Schlussfolgerung, dass wissenschaftliche Ausbildung grundsätzlich weniger wertvoll sei als eine direkte Unternehmensförderung.
Forschung und unternehmerische Entwicklung erfüllen unterschiedliche Funktionen. Grundlagenforschung kann Wissen erzeugen, dessen wirtschaftliche Anwendung zunächst offen ist. Ein marktnahes Entwicklungsprojekt sollte dagegen wesentlich genauer erklären können, welches Problem gelöst wird und wie eine anschließende Nutzung aussehen könnte.
Beides anhand derselben Kennzahl zu bewerten, wäre ein Fehler. Würde jedes Forschungsprojekt nach kurzfristigem Umsatz beurteilt, gingen längerfristige Erkenntnismöglichkeiten verloren. Würde hingegen jedes anwendungsnahe Projekt allein anhand wissenschaftlicher Veröffentlichungen bewertet, bliebe die wirtschaftliche Umsetzung zweitrangig.
Auch die Qualität einer Person oder eines Vorhabens lässt sich nicht verlässlich aus der Art der Hochschule oder einer einzelnen Abschlussnote ableiten. Für industrielle KI können praktische Erfahrung, systematisches Testen und ein gutes Verständnis des Einsatzfeldes ebenso wichtig sein wie theoretische Spitzenleistung.
Das eigentliche Problem liegt häufig an den Übergängen. Forschungsergebnisse müssen technisch stabilisiert, in Produkte übersetzt und mit realen Kundenanforderungen verbunden werden. Diese Arbeit ist weder klassische Grundlagenforschung noch bereits routinemäßiger Vertrieb. Sie benötigt andere Kompetenzen und häufig auch eine andere Finanzierung.
Eine ausgewogene Politik sollte daher wissenschaftliche Qualität schützen und gleichzeitig den Transfer ernst nehmen. Gemeinsame Projekte mit klaren Verantwortlichkeiten, zeitweise personelle Wechsel zwischen Forschung und Unternehmen sowie ein nachvollziehbarer Umgang mit Nutzungsrechten können dabei wichtiger sein als eine weitere organisatorische Förderebene.
Ein KI-Sicherheitsinstitut muss öffentliche Risiken bearbeiten, nicht bestehende Märkte verdrängen
Mit dem deutschen KI-Sicherheitsinstitut AISI verbindet die Bundesregierung eine analytisch-operative Funktion. Es soll keine Regulierungsbehörde sein, sondern ein Kompetenzzentrum für Technologieanalyse, Risikobewertung und strategische Beratung. Dazu gehören Lagebilder und Frühwarninformationen mit Blick auf Gesellschaft, Wirtschaft und nationale Sicherheit.
Für die ökonomische Bewertung ist diese Aufgabenabgrenzung entscheidend. Ein öffentlicher Sicherheitsauftrag unterscheidet sich von der Prüfung eines konkreten Unternehmensprodukts. Systemische Risiken, neue Angriffsmöglichkeiten oder sicherheitsrelevante Entwicklungen können Erkenntnisse erfordern, die kein einzelner privater Kunde vollständig finanzieren würde.
Hier besteht ein nachvollziehbarer Grund für staatliche Tätigkeit. Wenn viele Akteure von einer besseren Risikobewertung profitieren, aber keiner die gesamten Kosten übernehmen möchte, kann eine öffentliche Institution eine Versorgungslücke schließen.
Anders liegt der Fall bei standardisierten Prüfleistungen für klar definierte Kundenbedürfnisse. Dort können privatwirtschaftliche Prüf- und Beratungsangebote sinnvoll sein. Ein staatliches Institut sollte diese Tätigkeiten nicht ohne erkennbaren Zusatznutzen duplizieren.
Die praktische Herausforderung besteht deshalb in einer präzisen Arbeitsteilung. Öffentliche Stellen könnten übergreifende Risiken untersuchen, Testmethoden weiterentwickeln und Erkenntnisse zugänglich machen. Private Anbieter könnten darauf aufbauend konkrete Prüfungen, Implementierungsbegleitung und wiederkehrende Kontrollen anbieten.
Wichtig ist außerdem, Mehrfacharbeit zu vermeiden. Wenn Unternehmen für verschiedene Kunden und Einrichtungen immer wieder nahezu identische Nachweise erstellen müssen, entstehen zusätzliche Kosten, ohne dass die Sicherheit entsprechend steigt. Anerkannte und übertragbare Ergebnisse wären wirtschaftlich wertvoller als eine wachsende Zahl voneinander getrennter Prüfprozesse.
Ein Sicherheitsinstitut ist somit weder automatisch notwendig noch automatisch überflüssig. Sein Nutzen hängt daran, ob es eine klar benannte Lücke schließt, seine Ergebnisse praktisch verwendbar sind und seine Aufgaben von vorhandenen Marktangeboten abgegrenzt bleiben.
Mehr Rechenleistung ist notwendig, aber noch kein Geschäftsmodell
Die Bundesregierung verfolgt das Ziel, die allgemeine Rechenzentrumskapazität in Deutschland bis 2030 mindestens zu verdoppeln und die Kapazität für KI beziehungsweise Hochleistungsrechnen zu vervierfachen. Damit wird ein zentraler infrastruktureller Engpass adressiert. Allerdings beschreibt zusätzliche Kapazität zunächst ein Angebot und noch keinen wirtschaftlichen Erfolg.
Für Anwender zählt, ob Rechenleistung zu passenden Preisen, mit geeigneten Werkzeugen und unter den erforderlichen Betriebsbedingungen verfügbar ist. Ein mittelständischer Maschinenbauer benötigt nicht zwingend direkten Zugang zu einem großen Trainingssystem. Er braucht möglicherweise eine verlässliche, bezahlbare Umgebung für eine spezialisierte Anwendung.
Auch müssen Training und laufender Betrieb unterschieden werden. Die Entwicklung eines großen Modells kann enorme Rechenressourcen benötigen. Eine eng umrissene Unternehmensanwendung lässt sich dagegen unter Umständen mit einem kleineren Modell betreiben. Welche Architektur wirtschaftlich sinnvoll ist, hängt von der Aufgabe, der Auslastung und den Qualitätsanforderungen ab.
Deshalb sollte die Kapazitätsplanung mit einer realistischen Nachfrageanalyse verbunden werden. Zu berücksichtigen sind Stromversorgung, Netzanschlüsse, Kühlung, verfügbare Fachkräfte und die Geschwindigkeit technologischer Veränderungen. Eine Anlage kann technisch leistungsfähig sein und dennoch wirtschaftlich ungünstig arbeiten, wenn ihre Auslastung zu gering bleibt.
Umgekehrt wäre es ebenso problematisch, mit Investitionen zu warten, bis jede künftige Anwendung sicher feststeht. Infrastruktur muss häufig vor der vollständigen Nachfrage entstehen. Entscheidend sind daher flexible Konzepte, unterschiedliche Nutzungsmodelle und eine nachvollziehbare Verteilung des Investitionsrisikos.
Der wirtschaftliche Maßstab sollte nicht allein die installierte Leistung sein. Ebenso relevant sind tatsächliche Nutzung, Kosten pro sinnvoller Rechenaufgabe, Verfügbarkeit und der Zugang für kleinere Unternehmen. Infrastruktur wird erst dann zum Standortvorteil, wenn sie produktive Aktivitäten ermöglicht, die sonst nicht oder nur schlechter stattfinden würden.
Gute KI-Politik braucht weniger Symbolzahlen und bessere Wirkungsdaten
Die angekündigten Zielwerte bieten eine Grundlage für politische Kontrolle. Sie bergen aber die Gefahr, dass leicht erfassbare Aktivitäten mit tatsächlichen Ergebnissen verwechselt werden.
Eine Nutzungsquote sagt zunächst, wie verbreitet eine Technologie ist. Sie erklärt nicht, wie intensiv sie eingesetzt wird oder ob sich die Investition rechnet. Eine Zahl geförderter Unternehmen beschreibt die Reichweite eines Programms. Sie belegt noch nicht, dass diese Unternehmen ohne Förderung schlechter abgeschnitten hätten.
Gerade dieser zusätzliche Effekt ist zentral. Wenn ein Unternehmen eine ohnehin geplante Investition lediglich mit öffentlichen Mitteln finanziert, entsteht möglicherweise nur ein Mitnahmeeffekt. Wenn eine Unterstützung dagegen eine wirtschaftlich sinnvolle Einführung ermöglicht, die andernfalls an einem klaren Engpass gescheitert wäre, kann sie einen echten Zusatznutzen schaffen.
Eine belastbare Bewertung müsste deshalb bereits vor Beginn eines Programms festlegen, welche Veränderung erwartet wird. Bei einem Einstiegsprogramm könnte dies die anschließende eigenfinanzierte Nutzung sein. Bei industriellen Anwendungen könnten Durchlaufzeiten, Qualitätsverbesserungen oder eine geringere Fehlerquote im Mittelpunkt stehen. Bei Infrastruktur wären Zugänglichkeit und Auslastung wichtige Größen.
Auch die Zielgröße einer KI-basierten Wirtschaftsleistung von mehr als zehn Prozent benötigt eine transparente Definition. Wird jede mit KI unterstützte Tätigkeit vollständig zugerechnet, fällt der Wert anders aus als bei einer Betrachtung ausschließlich zusätzlich entstandener Wertschöpfung. Ohne klare Abgrenzung wäre die Kennzahl politisch eindrucksvoll, analytisch aber schwach.
Ein gutes Berichtssystem sollte deshalb wenige, aussagekräftige Kennzahlen mit nachvollziehbaren Methoden verbinden. Dazu gehören auch gescheiterte Projekte und beendete Maßnahmen. Eine Strategie, in der jedes Programm unabhängig vom Ergebnis weiterläuft, lernt nicht aus ihren eigenen Erfahrungen.
Politische Verantwortung zeigt sich in Umsetzungskompetenz und klaren Zuständigkeiten
Pauschale Generationenkritik erklärt die Probleme der KI-Politik nur unzureichend. Technologische Kompetenz lässt sich nicht zuverlässig am Alter festmachen. Junge Entscheidungsträger können oberflächlich argumentieren, während erfahrene Führungskräfte Veränderungen wirksam organisieren können.
Die wichtigere Frage lautet, welche Kompetenzen in politische Entscheidungen eingehen und wer für die Ergebnisse verantwortlich ist. KI-Politik benötigt technisches Wissen, ein Verständnis betrieblicher Abläufe und die Fähigkeit, unter Unsicherheit Prioritäten zu setzen.
Dabei darf auch die Wirtschaft nicht als einheitlicher Block behandelt werden. Modellanbieter, Cloudunternehmen, Integratoren, Industriekonzerne und kleine Anwender haben unterschiedliche Interessen. Ein Programm, das für einen Anbieter attraktiv ist, muss nicht automatisch für die Gesamtwirtschaft sinnvoll sein.
Eine enge Einbindung von Unternehmen ist deshalb notwendig, ersetzt aber keine unabhängige Abwägung. Sonst droht eine Politik, die vorhandene Geschäftsmodelle absichert, anstatt Wettbewerb und Produktivität zu stärken.
Die Bundesregierung sieht vor, dass ihre KI-Taskforce die Umsetzung der Maßnahmen weiter steuert und dafür mindestens vierteljährlich auf Staatssekretärsebene zusammenkommt. Ob daraus eine wirksame Steuerung entsteht, hängt nicht an der Sitzungshäufigkeit, sondern an Entscheidungsrechten, verbindlichen Zuständigkeiten und der Fähigkeit, Hindernisse tatsächlich zu beseitigen.
Verantwortung bedeutet in diesem Zusammenhang auch, Prioritäten gegen Widerstände durchzusetzen. Nicht jede gute Idee kann gleichzeitig finanziert werden. Nicht jede bestehende Einrichtung muss eine neue KI-Aufgabe erhalten. Und nicht jedes begonnene Programm verdient eine dauerhafte Fortsetzung.
Eine tragfähige Strategie verbindet Marktöffnung, Spezialisierung und konsequente Auswahl
Aus ökonomischer Sicht sollte Deutschlands KI-Politik drei unterschiedliche Aufgaben miteinander verbinden.
Zunächst muss sie die Anwendung in der Breite erleichtern. Dafür braucht es verständliche Angebote, geeignete Qualifizierung, gut zugängliche Betriebsmodelle und Unterstützung bei Daten- und Integrationsproblemen. Gerade kleinere Unternehmen profitieren davon, wenn bewährte Lösungen nicht jedes Mal neu entwickelt werden müssen.
Daneben muss sie Unternehmen unterstützen, die international skalierbare Produkte und grundlegende Technologien entwickeln. Diese Aufgabe verlangt größere finanzielle Volumina, längere Zeithorizonte und eine höhere Bereitschaft, technologische Risiken einzugehen. Sie darf nicht mit einer kleinteiligen Digitalisierungsförderung verwechselt werden.
Schließlich muss der Staat öffentliche Grundlagen bereitstellen, die einzelne Unternehmen nicht ausreichend finanzieren können. Dazu gehören bestimmte Forschungsinfrastrukturen, übergreifende Sicherheitsanalysen und gemeinsame technische Standards.
Diese Aufgaben benötigen unterschiedliche Instrumente. Ein kleines Unternehmen mit einem konkreten Automatisierungsproblem braucht keine nationale Modellstrategie. Ein europäischer Modellentwickler kann umgekehrt nicht allein durch einige Beratungsgutscheine international konkurrenzfähig werden. Und ein Sicherheitsinstitut sollte nicht danach beurteilt werden, ob es kurzfristig Softwareumsätze erzielt.
Die klare Perspektive lautet deshalb: Deutschland sollte weniger versuchen, jede Aktivität unter einem gemeinsamen KI-Etikett zu organisieren, und stärker zwischen Marktaufbau, Technologieentwicklung und öffentlichen Aufgaben unterscheiden. Vorhandene leistungsfähige Kooperationen verdienen Unterstützung, sofern sie offen genug für weitere Unternehmen bleiben und messbare Ergebnisse liefern.
Der Staat muss dort verlässlich handeln, wo er selbst Nachfrage schafft, und dort Zurückhaltung üben, wo zusätzliche Strukturen bestehende Angebote lediglich verdoppeln. Europäische Spezialisierung ist dabei häufig sinnvoller als der Versuch, jede Fähigkeit national vollständig nachzubauen.
Ob Deutschland bis 2030 eine wirtschaftlich starke KI-Nation wird, entscheidet sich letztlich nicht an der Vollständigkeit eines Maßnahmenkatalogs. Entscheidend ist, ob Unternehmen aus Anwendungen dauerhafte Erträge erzielen, Beschäftigte produktiver arbeiten und öffentliche Einrichtungen ihre Leistungen spürbar verbessern. Eine Strategie ist dann erfolgreich, wenn sie diese Ergebnisse ermöglicht und überflüssige Aktivitäten beendet — nicht, wenn sie nur immer neue hinzufügt.
🎯🎯🎯 Datengetriebener B2B-Industry-Hub als Quasi-Inhouse-Lösung
Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business - Bild: Xpert.Digital
Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.
Mehr dazu hier:
Ihr globaler Marketing und Business Development Partner
☑️ Unsere Geschäftssprache ist Englisch oder Deutsch
☑️ NEU: Schriftverkehr in Ihrer Landessprache!
Konrad Wolfenstein
Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.
Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital
Ich freue mich auf unser gemeinsames Projekt.
