Die KI-Ausgabenzahlen, nach denen Ihr Vorstand als Nächstes fragen wird

Eine Umfrage unter 500 Finance-Verantwortlichen großer Unternehmen in den USA und UK zeigt: KI-Investitionen wurden institutionalisiert, lange bevor die Fähigkeit zur Steuerung vorhanden war. Jede befragte Organisation gibt bereits Geld für KI aus, 79 % verzeichneten in den letzten 12 Monaten Kostenüberschreitungen, und nur 15 % können den KI-ROI ohne nennenswerte Engpässe berechnen. Das kontraintuitivste Ergebnis: Ausgerechnet Organisationen mit den reifsten FinOps-Praktiken melden die höchsten Überschreitungsraten – weil reife Programme größer sind und Probleme weit besser ans Licht bringen, die weniger reife Organisationen nie entdecken. Für Technologie-Führungskräfte liegt das eigentliche Risiko in der Struktur. Die Verantwortung für KI-Ausgaben verteilt sich nahezu gleichmäßig auf Technology (55 %) und Finance (53 %), und die 12-Monats-Uhr für den ROI tickt bereits – ohne klar definierten Verantwortlichen.

KI-Ausgaben haben eine Schwelle überschritten, die die Diskussion für jeden CTO und CIO grundlegend verändert. Es geht nicht mehr darum, ob investiert wird. Jede Organisation in dieser Studie hat das längst getan. Die Frage ist, ob jemand belegen kann, was diese Investition zurückbringt – bevor diejenigen, die sie genehmigt haben, anfangen, danach zu fragen.

Genau das ist die zentrale Spannung in einer unabhängigen Umfrage, 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 Organisation der Befragten gibt aktuell Geld für KI aus. Die Studie war darauf ausgelegt, gelebte Praxis statt erklärter Absichten zu erfassen – und das Bild, das entsteht, zeigt eine Branche, die KI-Investitionen schneller formalisiert hat, als sie die finanzielle Infrastruktur zu deren Steuerung aufbauen konnte.

Hier ist die Zahl, die in Ihre nächste Vorstandspräsentation gehört: 89 % der Organisationen, die sich selbst als sehr reif oder führend bei FinOps einschätzen, hatten in den letzten 12 Monaten KI-bezogene Kostenüberschreitungen. Im Schnitt liegen sie 30,9 % über Budget – der höchste Wert aller Segmente der Studie.

Demgegenüber zeigen Organisationen in frühen FinOps-Entwicklungsstadien eine Überschreitungsquote von 69 % und im Schnitt 16,1 % Überschreitung. Auf den ersten Blick wirkt das wie ein Argument gegen Investitionen in Governance. Das Gegenteil ist der Fall. Reife Organisationen betreiben größere und komplexere KI-Programme und verfügen über die Instrumentierung, um Überschreitungen sichtbar zu machen, die weniger reife Organisationen schlicht nicht erfassen. Die Überschreitungen weniger reifer Organisationen sind nicht kleiner, weil die Ausgaben besser kontrolliert wären. Sie sind auf dem Papier kleiner, weil ein Großteil der Ausgaben gar nicht gemessen wird.

Die praktische Konsequenz verändert die Argumentation, mit der Technologie-Führungskräfte für Investitionen in die KI-Kosten-Governance werben sollten. Das Argument kann nicht lauten, dass bessere Tools Überschreitungen verhindern – denn die Daten zeigen, dass gerade die am besten instrumentierten Organisationen am häufigsten überschreiten. Das Argument lautet: Governance ermöglicht es, Überschreitungen rechtzeitig zu erkennen und zu handeln. Reife macht Probleme sichtbar. Sie verhindert sie nicht – und sie als Prävention zu verkaufen, ist ein Versprechen, das die Daten nicht decken.

Eine der folgenreichsten Erkenntnisse hat nichts mit Tooling zu tun – und alles mit Perspektive. Befragte aus der C-Suite bewerten die FinOps-Reife ihrer Organisation zu 93 % als reif oder besser. Auf Manager-Ebene liegt dieser Wert bei 60 %. Das sind 33 Prozentpunkte Differenz – und beide Gruppen beschreiben dieselbe Organisation.

Das ist keine Meinungsverschiedenheit über Fakten, sondern ein strukturelles Sichtbarkeitsproblem. Die Führungsebene sieht Investitionsambition, Governance-Absicht und die Frameworks, die auf Vorstandsebene präsentiert werden. Der operative Bereich sieht Projekte ohne benannten Kostenverantwortlichen, Attributionssysteme, die konzipiert, aber nie gebaut wurden, und Überschreitungen, die in realen Budgets landen statt in Strategie-Decks.

Für Technologie-Führungskräfte ist diese Lücke ein direktes Risiko. Die Umfrage ergab, dass die Verantwortung für KI-Ausgaben fast gleichmäßig zwischen Technology-Führung (55 %) und Finance (53 %) geteilt ist – ohne klaren Verantwortlichen auf operativer Ebene. Auf die Frage, wer bei einem Ausgabenkonflikt die letzte Entscheidung trägt, nannten C-Suite-Befragte den CEO dreimal so häufig wie Manager. Dort, wo Ausgaben tatsächlich entstehen, ist die Frage, wer das KI-Budget kontrolliert, also oft ungeklärt. Geteilte Verantwortung bedeutet in der Praxis meist gar keine Verantwortung – und KI-Ausgaben sind aktuell einer der teuersten Orte, an denen sich diese Mehrdeutigkeit halten kann.

Das Geduldsfenster für KI-Investitionen schließt sich schneller, als die meisten Governance-Programme reifen. 83 % der Finance-Verantwortlichen erwarten klare, quantifizierbare KI-Renditen innerhalb von 12 Monaten. 81 % passen ihre KI-Ausgaben bereits an oder planen das noch im laufenden Jahr.

In der C-Suite handeln 65 % bei den KI-Ausgaben innerhalb von sechs Monaten oder werden das tun. Bei den Managern teilen nur 41 % diese Dringlichkeit. In dieser Lücke werden Programme gestrichen. Wenn operative Teams den Zeitrahmen der Führung nicht verinnerlicht haben, werden ihre Projekte beim nächsten Budget-Review zu offensichtlichen Kandidaten für Restrukturierung oder Umverteilung – unabhängig davon, ob sie tatsächlich unterperformen.

Nur 15 % der Finance-Verantwortlichen können den KI-ROI ohne nennenswerte Engpässe berechnen. Die größten Hürden sind das Tempo des technologischen Wandels mit 40 %, unterschiedliche Erfolgsdefinitionen in Finance und Engineering mit 37 % und eine fehlende klare finanzielle Attribution mit 36 %. Das Definitionsproblem verdient es, von den beiden anderen getrennt betrachtet zu werden – denn es ist die einzige Hürde, für deren Behebung keine neuen Tools nötig sind. Sie erfordert, dass Finance und Engineering sich darüber einigen, was KI-Erfolg bedeutet, bevor überhaupt ein Messsystem aufgebaut wird. C-Suite-Befragte spüren diese Hürde am stärksten: 43 % nennen sie ein erhebliches Hindernis, gegenüber 33 % der Manager. Diejenigen, die am besten in der Lage wären, die Definitionslücke zu schließen, sind zugleich diejenigen, die am genauesten wissen, was sie kostet.

Die Umfrage entfaltet ihren Nutzen vor allem auf Segmentebene, nicht in der Gesamtaggregation – denn die Durchschnittswerte verbergen mehr, als sie offenlegen. Mehrere Schnitte sind für Technologie-Führungskräfte unmittelbar relevant.

Nach Unternehmensgröße erleben mittelgroße Organisationen mit 1.000 bis 4.999 Mitarbeitenden häufiger Überschreitungen als Großunternehmen – 81 % gegenüber 76 %, obwohl ihre absoluten KI-Budgets kleiner sind. Auch die durchschnittliche Überschreitung fällt höher aus. Großunternehmen tragen mehr Komplexität und längere Veränderungszyklen, was ihnen mehr Geduld vom Vorstand verschafft. Die Studie zeigt jedoch, dass ihr spezifischer Engpass eher in der Attributionskomplexität liegt als in der Ausführung. Organisationen mit 5.000 oder mehr Mitarbeitenden nennen deutlich häufiger Forecasting-Schwierigkeiten als ihre größte FinOps-Herausforderung.

Im Ländervergleich haben US-Organisationen bei der Anpassung von KI-Ausgaben einen Dringlichkeitsvorsprung von 14 Punkten gegenüber den britischen Pendants. Sie führen bei der Budget-Formalisierung mit 80 % gegenüber 67 %, bei der Erfassung von Stückkosten mit 56 % gegenüber 44 % und bei der Einführung von Unit Economics. Sie weisen zugleich höhere Überschreitungsraten auf – konsistent mit größeren Programmen und aggressiverem Rollout. UK-Organisationen, die ihre niedrigeren Überschreitungsraten als Beleg für stärkere Governance lesen, sollten vorsichtig sein: Niedrigere Überschreitungen korrelieren auch mit weniger systematischem Tracking und kleineren Projekten.

Speziell bei Unit Economics liegen Finance-Verantwortliche in Großunternehmen vor dem breiteren Praktikerfeld. Der State of FinOps 2026 der FinOps Foundation ergab, dass derzeit weniger als 20 % der Praktiker Unit Economics auf KI-Ausgaben anwenden. In dieser Umfrage haben 26 % der Finance-Verantwortlichen das bereits umgesetzt, weitere 34 % planen es innerhalb von sechs Monaten. In der C-Suite erwarten 80 %, innerhalb von sechs Monaten bei Unit Economics anzukommen. Unter den Managern sind es 44 %. Organisationen, die Stückkosten-Tracking verankern, bevor sich das Geduldsfenster schließt, stehen grundsätzlich besser da, wenn der Vorstand sie auffordert, weitere Ausgaben zu rechtfertigen.

Nichts davon spricht dafür, dass KI-Investitionen unklug wären oder dass Überschreitungen ein strategisches Versagen signalisieren. Jede Organisation in der Studie gibt Geld für KI aus, und gerade die mit der reifsten Governance betreiben zugleich die ambitioniertesten Programme. Das Argument ist enger – und unbequemer. Ohne Governance erfahren Sie von den Problemen, die Sie bereits haben, erst dann, wenn jemand anderes sie für Sie sichtbar macht – meist im ungünstigsten Moment des Budgetzyklus.

Der wirkungsvollste Hebel, der Technologie-Führungskräften gerade zur Verfügung steht, ist keine neue Messplattform. Es ist Alignment. Finance und Engineering brauchen eine gemeinsame Definition davon, was KI-Erfolg bedeutet – festgelegt, bevor Tool-Entscheidungen getroffen werden. Organisationen, die das Definitionsproblem zuerst lösen, bauen eine Mess-Infrastruktur, die Zahlen liefert, denen die Beteiligten auch tatsächlich vertrauen. Organisationen, die Tools kaufen, bevor sie diese Frage geklärt haben, produzieren Zahlen, die niemand glaubt – ein teureres Versagen, als gar keine Zahlen zu haben.

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

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