Die Zahlen zu KI-Ausgaben, nach denen Ihr Vorstand bald fragen wird

Eine Befragung von 500 Finance-Verantwortlichen in US- und UK-Großunternehmen zeigt: KI-Investitionen wurden institutionalisiert, lange bevor die Fähigkeit bestand, sie zu steuern. Jede befragte Organisation investiert bereits in KI, 79 % verzeichneten in den vergangenen zwölf Monaten Kostenüberschreitungen, und nur 15 % können den KI-ROI ohne nennenswerte Engpässe berechnen. Der überraschendste Befund: Ausgerechnet die Organisationen mit den ausgereiftesten FinOps-Praktiken weisen die höchsten Überschreitungsraten auf – weil reife Programme größer sind und Probleme sichtbar machen, die weniger reife Organisationen schlicht nie entdecken. Für Technologie-Verantwortliche liegt das eigentliche Risiko in der Struktur: Die Verantwortung für KI-Ausgaben verteilt sich nahezu gleichmäßig auf Technology (55 %) und Finance (53 %) – und die Zwölf-Monats-Uhr für den ROI läuft bereits, ohne dass es einen klaren Owner gibt.

Die KI-Ausgaben haben eine Schwelle überschritten, die die Diskussion für jeden CTO und CIO verändert. Die Frage lautet nicht mehr, ob investiert werden soll. Jede Organisation in dieser Studie tut es bereits. Die Frage lautet, ob jemand belegen kann, was diese Investition einbringt, bevor diejenigen, die sie genehmigt haben, beginnen, danach zu fragen.

Genau hier liegt die zentrale Spannung der unabhängigen Befragung, die Sapio Research im Februar 2026 im Auftrag von DoiT durchgeführt hat. Sie umfasst 500 Finance-Verantwortliche in Organisationen mit 1.000 oder mehr Mitarbeitenden in den USA und Großbritannien. Jede befragte Organisation gibt aktuell Geld für KI aus. Die Studie war so angelegt, dass sie die gelebte Praxis abbildet – nicht bloße Absichtserklärungen. Das resultierende Bild zeigt eine Branche, die KI-Investitionen schneller formalisiert hat, als sie die finanzielle Infrastruktur aufbauen konnte, um sie zu steuern.

Diese Zahl gehört in Ihre nächste Vorstandspräsentation: 89 % der Organisationen, die ihre FinOps-Reife selbst als sehr ausgereift oder führend einstufen, verzeichneten in den vergangenen zwölf Monaten KI-bedingte Kostenüberschreitungen. Die durchschnittliche Überschreitung erreicht 30,9 % – der höchste Wert aller Segmente der Studie.

Im Vergleich dazu liegt die Überschreitungsrate bei Organisationen in frühen FinOps-Entwicklungsstufen bei 69 %, die durchschnittliche Überschreitung bei 16,1 %. Schnell gelesen wirkt das wie ein Argument gegen jede Investition in Governance. Tatsächlich ist es das Gegenteil. Reife Organisationen betreiben größere und komplexere KI-Programme – und sie verfügen über die Instrumentierung, um Überschreitungen sichtbar zu machen, die weniger reife Organisationen schlicht nie erfassen. Die Überschreitungen bei weniger reifen Organisationen fallen nicht deshalb geringer aus, weil die Ausgaben besser kontrolliert wären. Sie sind auf dem Papier geringer, weil ein erheblicher Teil der Ausgaben gar nicht gemessen wird.

Die praktische Konsequenz verändert, wie Technologie-Verantwortliche Investitionen in KI-Kostensteuerung begründen sollten. Das Argument kann nicht lauten, dass bessere Werkzeuge Überschreitungen verhindern – denn die Daten zeigen: Die am besten instrumentierten Organisationen überschreiten am stärksten. Das Argument lautet, dass Governance es ermöglicht, Überschreitungen rechtzeitig zu erkennen, um zu handeln. Reife macht Probleme sichtbar. Sie verhindert sie nicht – und sie als Prävention zu verkaufen, ist ein Versprechen, das die Daten nicht stützen.

Einer der folgenreichsten Befunde hat nichts mit Tools zu tun und alles mit Perspektive. Befragte auf C-Level bewerten die FinOps-Reife ihrer Organisation zu 93 % als ausgereift oder besser. Auf Manager-Ebene liegt dieser Wert bei 60 %. Das sind 33 Prozentpunkte Abstand – und beide Gruppen beschreiben dieselbe Organisation.

Das ist kein Streit über Fakten. Es ist ein strukturelles Sichtbarkeitsproblem. Die Führungsebene sieht Investitionsambitionen, Governance-Absichten und die Frameworks, die im Vorstand präsentiert werden. Die operative Ebene sieht Projekte ohne benannte Kosten-Owner, Attributionssysteme, die geplant, aber nie gebaut wurden, und Überschreitungen, die in realen Budgets landen statt in Strategiepapieren.

Für Technologie-Verantwortliche ist diese Lücke ein direktes Risiko. Die Befragung ergab, dass sich die Verantwortung für KI-Ausgaben nahezu gleichmäßig zwischen Technology-Führung mit 55 % und Finance mit 53 % aufteilt – ohne klaren Owner auf operativer Ebene. Auf die Frage, wer im Konfliktfall die letzte Entscheidung über Ausgaben trifft, nannten C-Level-Befragte dreimal häufiger den CEO als Manager. Auf der Ebene, auf der die Ausgaben tatsächlich entstehen, ist die Frage, wer das KI-Budget kontrolliert, also häufig ungeklärt. Geteilte Verantwortung bedeutet in der Praxis meist keine Verantwortung – und KI-Ausgaben sind aktuell einer der teuersten Bereiche, in dem diese Ambiguität bestehen bleiben kann.

Das Geduldsfenster für KI-Investitionen schließt sich schneller, als die meisten Governance-Programme reifen. 83 % der Finance-Verantwortlichen erwarten innerhalb von zwölf Monaten klare, quantifizierbare KI-Erträge. 81 % passen ihre KI-Ausgaben bereits an oder planen das innerhalb des Jahres.

Unter den C-Level-Befragten handeln 65 % bereits oder werden innerhalb von sechs Monaten bei den KI-Ausgaben handeln. Nur 41 % der Manager teilen diese Dringlichkeit. Genau in dieser Lücke werden Programme gestrichen. Wenn operative Teams den Zeithorizont der Führung nicht verinnerlicht haben, werden ihre Projekte beim nächsten Budget-Review zu den naheliegenden Kandidaten für Restrukturierung oder Umverteilung – unabhängig davon, ob diese Projekte tatsächlich unterdurchschnittlich performt haben.

Nur 15 % der Finance-Verantwortlichen können den KI-ROI ohne nennenswerte Engpässe berechnen. Die wichtigsten Hürden sind das Tempo des technologischen Wandels mit 40 %, eine unterschiedliche Definition von Erfolg durch Finance und Engineering mit 37 % und eine fehlende klare finanzielle Attribution mit 36 %. Das Definitionsproblem verdient eine getrennte Betrachtung, denn es ist die einzige Hürde, deren Lösung keine neuen Tools erfordert. Sie verlangt, dass sich Finance und Engineering einigen, was KI-Erfolg überhaupt bedeutet, bevor irgendein Messsystem gebaut wird. C-Level-Befragte spüren diese Hürde am deutlichsten: 43 % nennen sie als erhebliches Hindernis, gegenüber 33 % der Manager. Diejenigen, die die Definitionslücke am besten schließen könnten, sind also auch diejenigen, die sich am stärksten bewusst sind, was sie kostet.

Die Befragung wird am nützlichsten, wenn man sie auf Segmentebene liest statt aggregiert – denn die Durchschnittswerte verbergen mehr, als sie zeigen. Mehrere Schnitte sind für Technologie-Verantwortliche unmittelbar relevant.

Nach Unternehmensgröße erleben mittelgroße Organisationen mit 1.000 bis 4.999 Mitarbeitenden häufiger Überschreitungen als Großunternehmen, nämlich zu 81 % gegenüber 76 %, obwohl sie absolut kleinere KI-Budgets verantworten. Auch ihre durchschnittliche Überschreitung fällt höher aus. Großunternehmen tragen mehr Komplexität und längere Veränderungszyklen, was ihnen mehr Geduld im Vorstand verschafft – die Studie zeigt aber, dass ihr spezifischer Engpass die Komplexität der Attribution ist, nicht die Umsetzung. Organisationen mit 5.000 oder mehr Mitarbeitenden nennen deutlich häufiger Schwierigkeiten beim Forecasting als ihre größte FinOps-Herausforderung.

Nach Land agieren US-Organisationen mit einem Dringlichkeitsvorsprung von 14 Punkten gegenüber ihren britischen Pendants, wenn es um Anpassungen der KI-Ausgaben geht. Sie sind führend bei der Budget-Formalisierung mit 80 % gegenüber 67 %, beim Tracking von Kosten pro Einheit mit 56 % gegenüber 44 % und bei der Einführung von Unit Economics. Sie weisen außerdem höhere Überschreitungsraten auf – konsistent mit größeren Programmen und aggressiverem Rollout. UK-Organisationen, die ihre niedrigeren Überschreitungsraten als Beleg für stärkere Governance deuten, sollten vorsichtig sein, denn niedrigere Überschreitungen korrelieren auch mit weniger systematischem Tracking und kleineren Projekten.

Speziell bei den Unit Economics liegen Finance-Verantwortliche in Großunternehmen vor dem breiteren Praktikerfeld. Der State of FinOps 2026 der FinOps Foundation ergab, dass weniger als 20 % der Praktiker aktuell Unit Economics auf KI-Ausgaben anwenden. In dieser Befragung haben 26 % der Finance-Verantwortlichen sie bereits eingeführt, 34 % planen das innerhalb von sechs Monaten. Unter den C-Level-Befragten erwarten 80 %, Unit Economics innerhalb von sechs Monaten zu erreichen. Unter den Managern liegt dieser Wert bei 44 %. Organisationen, die das Tracking von Kosten pro Einheit verankern, bevor sich das Geduldsfenster schließt, stehen fundamental stärker da, wenn der Vorstand sie auffordert, weitere Ausgaben zu rechtfertigen.

Nichts davon spricht dafür, dass KI-Investitionen unklug seien oder Überschreitungen ein strategisches Versagen signalisieren. Jede Organisation in der Studie investiert in KI – und diejenigen mit der ausgefeiltesten Governance betreiben auch die ambitioniertesten Programme. Das Argument ist enger und unbequemer: Ohne Governance erfahren Sie nichts über die Probleme, die Sie längst haben, bis jemand anderes sie für Sie sichtbar macht – in der Regel zum unpassendsten Zeitpunkt im Budgetzyklus.

Die wirkungsvollste Maßnahme, die Technologie-Verantwortlichen aktuell offensteht, ist keine neue Messplattform. Es ist Alignment. Finance und Engineering brauchen eine gemeinsame Definition davon, was KI-Erfolg bedeutet – etabliert, bevor Tooling-Entscheidungen getroffen werden. Organisationen, die das Definitionsproblem zuerst lösen, bauen eine Mess-Infrastruktur auf, die Zahlen liefert, denen Menschen tatsächlich vertrauen. Organisationen, die Tools kaufen, bevor sie das gelöst haben, produzieren Zahlen, die niemand glaubt – und das ist ein teurerer Fehlschlag, als gar keine Zahlen zu haben.

Der vollständige Datensatz, segmentiert nach Land, Hierarchieebene, Unternehmensgröße, Branche und FinOps-Reife, ist im kompletten Report verfügbar. Er ist so aufgebaut, dass Sie Ihre eigene Organisation in den Daten verorten und ablesen können, was Ihre Position über Ihr Risiko aussagt.

DoiT Cloud Intelligence bringt dieselbe finanzielle Disziplin in KI-Ausgaben, die FinOps-Teams bereits auf Cloud-Infrastruktur anwenden – mit KI-gestützter Kostenattribution und Anomalie-Erkennung, kombiniert mit der menschlichen Expertise, diese Signale in Entscheidungen zu übersetzen, die ein CFO akzeptiert. Buchen Sie eine Demo und sehen Sie, wo Ihre KI-Ausgaben stehen.