KI & Strategie, , 9 Min. Lesezeit
Fast jede Marketingorganisation hat inzwischen KI im Einsatz. Fast keine hat sie im Regelbetrieb. Diese Lücke ist inzwischen gut vermessen, und die Erklärungen dafür sind unbequemer als die üblichen Antworten über fehlende Tools oder mangelnde Akzeptanz. Dieser Beitrag ordnet die Zahlenlage 2026 ein und beschreibt, woran Piloten in der Praxis tatsächlich hängenbleiben.
Die Studienlage ist an diesem Punkt ungewöhnlich einheitlich. McKinsey befragte für die State-of-AI-Erhebung 2025 knapp 2.000 Führungskräfte in 105 Ländern. 88 Prozent der Organisationen nutzen KI in mindestens einer Funktion, im Vorjahr waren es 78 Prozent. Der Einstieg ist also erledigt.
Die zweite Zahl aus derselben Erhebung ist die interessante: Nur 33 Prozent skalieren KI unternehmensweit. Zwei Drittel stecken weiterhin in Experiment oder Pilot. Nur 39 Prozent berichten überhaupt einen Effekt auf das Betriebsergebnis, und bei den meisten liegt er unter fünf Prozent. Als High Performer mit einem EBIT-Effekt von mindestens fünf Prozent gelten sechs Prozent der Befragten.
Für das Marketing im Besonderen zeigt der Gartner CMO Spend Survey 2026, befragt wurden 401 CMOs in Nordamerika, Großbritannien und Europa, ein passendes Bild: 15,3 Prozent der Marketingbudgets fließen in KI, aber nur 30 Prozent der Marketingorganisationen verfügen über eine ausgereifte KI-Readiness. Gleichzeitig nennen 70 Prozent der CMOs KI-Führerschaft als Ziel für 2026.
Seit 2025 kursiert die Aussage, 95 Prozent aller KI-Piloten scheiterten. Sie stammt aus einer Arbeit der MIT-Initiative NANDA, die rund 300 Deployments ausgewertet hat. Die Zahl wird meist verkürzt wiedergegeben, und das lohnt eine Klarstellung.
Belegt ist nicht, dass 95 Prozent technisch scheitern. Belegt ist, dass sie keinen messbaren Effekt auf die Gewinn- und Verlustrechnung zeigen. Das ist ein Unterschied. Ein Pilot kann funktionieren, Zeit sparen und trotzdem nie in einer Kennzahl auftauchen, weil niemand definiert hat, in welcher er auftauchen sollte.
Zwei Nebenbefunde derselben Arbeit sind praktisch wertvoller als die Schlagzeile. Erstens fließt über die Hälfte der KI-Budgets in Vertrieb und Marketing, während der belegbare Ertrag eher im Back Office entsteht. Zweitens sind eingekaufte Lösungen etwa dreimal so erfolgreich wie Eigenentwicklungen. Die Arbeit ist nicht peer-reviewed, das gehört zur Einordnung dazu.
Wenn man die Blocker über die Studien hinweg sortiert, steht ein Thema durchgängig oben, und es ist nicht das Modell.
Salesforce befragte für den State of Marketing 2026 rund 4.450 Marketingentscheider. 75 Prozent haben KI adoptiert. 84 Prozent fahren trotzdem generische Kampagnen. 98 Prozent stoßen auf Personalisierungshürden. Als wichtigster Blocker für wirksamen KI-Einsatz werden Datenprobleme genannt. Nur etwa die Hälfte hat vollständigen Zugriff auf Daten aus Service, Vertrieb und Commerce.
Gartner nennt als Ursachen für die fehlende Skalierfähigkeit unreife Prozesse, unzureichende Datenfundamente, fehlende Governance und Talentlücken. In Deutschland kommt laut Bitkom-Erhebung vom März 2026, 604 Unternehmen ab 20 Beschäftigten, ein weiterer Faktor hinzu: Datenschutzanforderungen gelten mit 77 Prozent als größte Hürde, gefolgt vom Fachkräftemangel mit 70 Prozent.
Das erklärt, warum Toolwechsel so selten helfen. Ein besseres Modell auf einer dünnen Datenbasis produziert schneller dasselbe Mittelmaß. Im Familienmarketing verschärft sich das zusätzlich, weil belastbare Erstdaten über Kinder und Eltern selten im eigenen Haus liegen und aus Datenschutzgründen auch nicht ohne Weiteres entstehen können.
Für Konsumgüter gibt es eine eigene Vermessung. EY befragte für den State of Consumer Products 2026 über 850 Führungskräfte in 24 Märkten. Die Ergebnisse sind ernüchternder als der Branchenschnitt.
Nur sieben Prozent erreichen einen Reifegrad, den EY als KI-fähig einstuft. Nur 15 Prozent verfügen über vollständig integrierte kommerzielle Daten. Nur 21 Prozent trauen sich zu, algorithmische Empfehlungen zu beeinflussen. Und 63 Prozent sehen trotz laufender Transformationsprogramme kaum Verbesserung am Point of Purchase.
Eine Einschränkung gehört dazu: Für Kinder-, Spielzeug- und Familienmarken im Besonderen existiert keine belastbare Erhebung. Die EY-Zahlen sind die nächstliegende Näherung, nicht der exakte Befund.
Aus der Beratungspraxis und aus den Studien lassen sich vier Muster ableiten, die die skalierenden Organisationen von den experimentierenden unterscheiden. Keines davon ist technischer Natur.
Der erste Schritt ist keine Toolauswahl, sondern eine Bestandsaufnahme entlang der Marketing-Wertschöpfungskette. Drei Fragen genügen für den Anfang: Wo wird heute Zeit auf Routine verbrannt? Wo entstehen Entscheidungen ohne Daten? Wo blockiert fehlende Geschwindigkeit Innovation?
Aus den Antworten entsteht eine Priorisierung. In der Praxis bleiben davon zwei bis drei Anwendungsfälle übrig, die innerhalb von 90 Tagen eine messbare Wirkung zeigen können. Erst danach lohnt die Diskussion über Tools, Lizenzen und Schulungen.
Der Vorteil dieser Reihenfolge ist nicht methodische Sauberkeit. Er ist politisch: Ein Vorhaben mit einer belegten Zahl nach 90 Tagen bekommt Budget für das nächste. Ein Vorhaben ohne Zahl bekommt eine weitere Pilotphase.
Die Skalierungslücke im KI-Marketing ist kein Technologieproblem. Sie entsteht aus fehlender Datenbasis, unklaren Zielkennzahlen und unbesetzten Verantwortlichkeiten. Alle drei Ursachen lassen sich ohne zusätzliches Budget adressieren, aber nicht ohne Entscheidungen.
Wer 2026 in KI investiert, sollte weniger Geld in Werkzeuge und mehr Aufmerksamkeit in die Frage stecken, welche Zahl sich am Ende bewegen soll. Das ist die unbequemere Übung, und sie ist der Unterschied zwischen den sechs Prozent und dem Rest.