Data Divers Dialogs · Analyse · Von Christian Schappeit · 18. August 2026 · ca. 8 Min. Lesezeit
Eine Finanzchefin erklärt im August eine unangenehme Zahl. Drei Wochen vorher hat die EZB dasselbe gemessen — nur ohne etwas zu verkaufen. Was beide beschreiben, misst niemand.
Am 12. August musste Beth Gaspich eine Zahl erklären, die nicht zum Rest des Quartals passte. Die Finanzchefin von NICE hatte gerade ein Rekordquartal bei den Cloud-Buchungen gemeldet, 362 Millionen Dollar KI-Umsatzbasis, einen KI-Auftragsbestand mit 72 Prozent Wachstum. Und mittendrin stand die Netto-Umsatzbindung im Cloud-Geschäft bei 106 Prozent. Bestandskunden zahlten kaum mehr als im Jahr davor.
Ihre Erklärung war unspektakulär, und deshalb interessant. Man gewinne größere KI-Abschlüsse im Enterprise-Segment, sagte sie, und viele dieser Kunden steckten noch ganz am Anfang der Einführung.
Übersetzt: Sie kaufen schneller, als sie es einbauen können.
Das ist natürlich die bequemste Erklärung, die ein Finanzvorstand in dieser Lage hat. Deutlich angenehmer jedenfalls als „unser Produkt hält nicht, was wir versprochen haben". Man müsste ihr nicht glauben. Nur hatte drei Wochen vorher jemand dasselbe gemessen, der nichts zu verkaufen hat.
Die Zahl, die sich nicht bewegt
Die Europäische Zentralbank hat für ihr Occasional Paper 395 rund 6.000 Unternehmen in zwölf Ländern des Euroraums befragt. Etwa 70 Prozent nutzen KI irgendwie, 30 Prozent gar nicht. Interessant wird es erst, wenn man nach Größe sortiert.
Bei „irgendeiner Nutzung" liegen Großunternehmen bei 87 Prozent, Mikrofirmen bei 60. Ein satter Abstand, erwartbar, langweilig. Beim Anteil derer, die intensiv nutzen, liegt jede einzelne Größenklasse bei sieben bis acht Prozent.
Balken: irgendeine Nutzung. Linie: intensive Nutzung. Die Werte für Klein und Mittel sind zwischen den berichteten Endpunkten interpoliert; die flache Linie bei sieben bis acht Prozent ist über alle Größenklassen belegt.
Sieben Prozent bei zwanzig Beschäftigten. Sieben Prozent bei vierzigtausend. Die Zahl ist von Unternehmensgröße derart unbeeindruckt, dass man sie beim ersten Lesen für einen Satzfehler hält.
Große Unternehmen sind breiter. Sie sind nicht tiefer.
Diese flache Linie ist unbequem, weil sie der Reihe nach alles ausschließt, was man sonst verantwortlich macht. Kapital? Davon haben große Firmen mehr. Zugang zur Technologie? Dieselbe API für alle. Datenbestände, Fachkräfte, Beratungsbudgets — lauter Dinge, bei denen Größe hilft, und offensichtlich keins davon ausschlaggebend, sonst sähe die Linie nicht aus wie ein Lineal.
Was die intensiven sieben Prozent von allen anderen unterscheidet, ist weder Größe noch Kapital noch Zugang. Genau diese drei Dinge subventioniert die europäische Politik gerade.
Prozessqualität fällt aus demselben Grund weg. Konzerne haben die durchdachteren, dokumentierteren, geprüfteren Abläufe. Wären gute Prozesse der Hebel, lägen sie vorn. Sie liegen nicht vorn.
Übrig bleibt eine einzige Größe, die mit Unternehmensgröße nichts zu tun hat: wie schnell eine Organisation einen Prozess ändern kann. Nicht wie gut er ist. Wie schnell er ein anderer wird.
Und das hängt nicht am Geld. Es hängt an der Zahl der Leute, die zustimmen müssen, an deren Kalendern und an deren Bereitschaft, für ein Risiko zu unterschreiben. Darin sind große Organisationen strukturell langsamer. Es dürfte ungefähr das Einzige sein, worin Größe schadet.
Vier Bilanzen, eine Woche, dieselbe Richtung
HubSpot meldete am 5. August eine Netto-Umsatzbindung von 102 Prozent und rund 7.000 neue Kunden — intern hatte man mit 9.000 bis 10.000 gerechnet. Im selben Bericht: Der eigene Support-Agent löst 72 Prozent der Tickets, ohne dass ein Mensch übernehmen muss.
monday.com am 10. August: 109 Prozent, der niedrigste Wert der Firmengeschichte, bei gleichzeitig verdoppelter KI-Umsatzbasis. Freshworks am 4. August: 104 Prozent. Und NICE, mit dem wir angefangen haben: 106.
Vier Häuser, vier Segmente, eine Woche. Überall beschleunigt das KI-Geschäft, überall gibt die Bindung nach. Für einen Softwarehersteller ist das die unangenehmste Kombination, die es gibt, weil sie ausgerechnet die eine Erklärung ausschließt, die man am liebsten hätte: fehlende Nachfrage.
Gekauft wird. Eingebaut nicht.
Wo die gewonnene Zeit hängen bleibt
DX wertet Entwicklungsdaten aus mehr als 500 Organisationen aus. Im zweiten Quartal fiel der Developer Experience Index von 67 auf 65 — zum ersten Mal überhaupt. Im selben Quartal stieg die berichtete Zeitersparnis durch KI von 3,3 auf 6,1 Stunden pro Woche.
Beides gleichzeitig. Die Einzelnen wurden fast doppelt so schnell, und die Organisation fühlte sich schlechter an als vorher.
Zwei weitere Zahlen aus demselben Datensatz erklären, warum. Die mediane Größe eines Pull Requests wuchs von 42 auf 72 Zeilen. Und in einem Teil der Organisationen stieg die Fehlerrate bei Änderungen um drei Prozentpunkte.
Arbeit ist nämlich nicht fertig, wenn sie produziert wurde. Sie ist fertig, wenn sie geprüft, getestet, freigegeben und dokumentiert ist — und diese Stationen sind mit Menschen besetzt, deren Zahl sich nicht verändert hat. Wenn der Pull Request doppelt so groß wird, verdoppelt sich nicht die Ausbringung, sondern die Prüflast pro Vorgang. Was hinten mehr rauskommt, ist Warteschlange.
Sie erscheint in keiner KI-Metrik, weil sie nicht in der KI entsteht.
Dazu passt eine Befragung von über 170 Führungskräften aus Fortune-1000-Unternehmen durch Atlassians Teamwork Lab: Sechs Prozent konnten einen konkreten, unternehmensweiten Ertrag benennen. Nicht weil nichts passiert wäre. Sondern weil das, was passiert ist, individuell anfiel und organisatorisch versickerte.
Der Engpass ist nicht Intelligenz pro Token. Er ist die Zeit, die eine Änderung bis zur Unterschrift braucht.
Zwei Lager, 76.000 Personen auseinander
Capgemini beschäftigte Ende Juni 417.600 Menschen — 68.200 mehr als ein Jahr zuvor, ein Fünftel Zuwachs, bei angehobener Jahresprognose. Indiens fünf größte IT-Dienstleister bauten im selben Zeitraum netto 7.389 Stellen ab, nach einem Aufbau von 12.718 im Vorjahr. Bei Rekordumsätzen. TCS trennte sich von 12.200 Managern und schulte gleichzeitig 114.000 Beschäftigte in KI.
Einschränkung: Capgeminis Zuwachs enthält die Integration der Intelligent Business Operations; der organische Anteil wird nicht ausgewiesen. Der indische Abbau ist von Pyramidenumbau, Attrition und Visapolitik mitbestimmt.
Beide Lager haben Zugang zu denselben Modellen. Die Trennlinie verläuft zwischen Firmen, die Kapazität vermieten, und Firmen, die Veränderung verkaufen — und KI hat den Preis der ersten Ware kollabieren lassen. Capgemini-Chef Aiman Ezzat fasste das Kundengeschäft Anfang August so zusammen: Es sei nicht so einfach, wie es am Anfang dargestellt worden sei.
Wo Freigeben am längsten dauert
In regulierten Umgebungen kippt das ins Absurde. Dort ist die Dichte der Freigabepunkte am höchsten: Jede validierungsrelevante Änderung braucht ein dokumentiertes, nachvollziehbares, unterschriebenes Artefakt. Das ist kein Fehler im System, das ist das System. Es existiert, damit Änderungen eben nicht schnell gehen. Wer Patientensicherheit ernst nimmt, baut Reibung mit Absicht ein.
Trotzdem bleibt die Beobachtung stehen: Genau dort, wo pro Kopf die meiste Rechenleistung bereitstünde, ändert sich am wenigsten. Der Flaschenhals ist kein System. Er ist ein Mensch mit Qualifikation, Befugnis und der Bereitschaft, ein Risiko zu tragen.
Praktisch ist das meist eine einzelne Person — Qualitätsleitung oder Fachverantwortliche, mit einem Kalender, der drei Wochen voraus voll ist, und der Aussicht, im Auditfall persönlich für die eigene Unterschrift geradezustehen. Bis die sitzt, existiert die Änderung nicht. Auch wenn sie technisch seit einem Monat fertig ist.
Eine Randbeobachtung, die keine These ist, sondern nur das, was man täglich sieht: In den Timelines stapeln sich die Alarm-Posts. Jobs weg, Branche weg, Beratung weg, morgen der nächste Kipppunkt. Das ist auf Dauer müßig — in der Zeit kann man auch etwas schaffen. Und wer gerade etwas schafft, stößt selten an die Grenze eines Modells und fast immer an einen Freigabetermin.
Was dagegen spricht
Einiges. Die Netto-Umsatzbindung ist eine nachlaufende Kennzahl; sie bildet Verlängerungen ab, die vor ein bis zwei Jahren verhandelt wurden. Ein Teil der Kompression dürfte schlicht Kleinkunden-Abwanderung sein, nachträglich mit einer KI-Erzählung versehen. Und wenn ein Agent 72 Prozent der Tickets allein löst, braucht der Kunde weniger Lizenzen — dann wäre die fallende Bindung ein Zeichen gelungener Einführung mit einem Preismodell-Problem als Folge.
Dazu ein Gegenbeispiel aus derselben Woche. Atlassian meldete 28 Prozent Umsatzwachstum, eine Bindung über 120 Prozent und einen um 44 Prozent gewachsenen Auftragsbestand. Keine Kompression, nirgends. Wer erklären will, warum, hat mehrere plausible Kandidaten und keinen Beleg — und sollte das so sagen.
Der schwerwiegendste Einwand betrifft aber den Kern. Die EZB hat nach Unternehmensgröße aufgeschlüsselt, nicht nach Änderungsgeschwindigkeit. Es gibt keine Erhebung, die das täte. Wir schließen also aus einer Abwesenheit: Weil alle größenabhängigen Erklärungen ausfallen, muss die Ursache größenunabhängig sein — und Änderungsgeschwindigkeit ist die plausibelste größenunabhängige Größe, die sich benennen lässt. Plausibel ist nicht bewiesen. Es könnte ebenso gut am Geschäftsmodell liegen, an der Branche, an einzelnen Personen.
Zwei Wochen sind außerdem ein Ausschnitt, kein Trend. Bei ERP und in der Cloud sahen die Zwischenstände jahrelang nach Scheitern aus, bis sie es plötzlich nicht mehr taten. Am 26. August legt Salesforce Zahlen vor, die nächste EZB-Runde folgt im Herbst. Bis dahin weiß es niemand.
Der Engpass hat eine Unterschrift
Für die Personalplanung folgt daraus eine unbequeme Rechnung. Das knappe Gut ist nicht der Mensch, der KI bedient, sondern der, der ihr Ergebnis verantworten darf. TCS hat 114.000 Beschäftigte in KI geschult. Das erzeugt keine einzige zusätzliche freigabeberechtigte Person.
Dazu ein Detail, das die Planung stört. Eine Auswertung von ChatGPT Enterprise über 1.500 Organisationen zeigt den Nutzungsschwerpunkt bei Berufsanfängern — deren Ergebnisse ausgerechnet die Erfahrenen prüfen. Wer die Einstiegsebene abbaut, entlastet den Engpass also nicht. Er verschiebt ihn eine Etage höher und trocknet nebenbei die Zuleitung zu genau der Rolle aus, die knapp ist. Freigabekompetenz entsteht aus Fachurteil, Betriebskenntnis und Vertrauen. Sie ist das Einzige in einer Organisation, das man nicht einkaufen kann.
Wo wird das eigentlich gemessen?
Nirgends.
Es gibt einen Benchmark für fast alles. Für Kundenzufriedenheit, für die Energieeffizienz von Rechenzentren, für die Zeit, die ein Ticket im First Level verbringt. Gemessen werden Umsatz pro Mitarbeiter, Auslastung, ausgerollte Lizenzen, gestartete Piloten, Zeitersparnis pro Kopf.
Keine dieser Zahlen sagt, wie lange ein Unternehmen braucht, um etwas anders zu machen als vorher.
Das ist keine Nachlässigkeit, sondern eine Erblast. Alle diese Kennzahlen stammen aus einer Zeit, in der Kapazität knapp war und Änderung selten. Beides hat sich umgedreht, das Messsystem nicht. Und was nicht gemessen wird, wird nicht gesteuert — es wird gekauft.
Dabei bräuchte es dafür kein neues System:
- Die Zeit von „funktioniert im Piloten" bis „in Produktion, mit Unterschrift".
- Die Zahl der qualifizierten Freigabeberechtigten pro Prozess — und deren freie Kalenderzeit pro Woche.
- Die Warteschlange vor den Freigabe-Gates, vor und nach der Einführung.
- Die Zahl der Prozessänderungen, die pro Quartal tatsächlich in Produktion gehen.
Immerhin steckt darin eine gute Nachricht, wenn man sie so lesen will. Ohne Fachurteil, Befugnis und Unterschrift geht nichts von dem in Produktion, was die Modelle den ganzen Tag produzieren.
KI braucht uns — und das weiß sie auch.
Bleibt die letzte der vier Zahlen. Kein neues System, keine Lizenz, kein Projekt: Man müsste nur nachzählen, was im vergangenen Quartal tatsächlich anders gemacht wurde als im Quartal davor. Ein Nachmittag Arbeit, in jedem Haus.
In den meisten kennt sie niemand.
Zu den Zahlen. Umfrage-, Finanz- und Personalzahlen stammen aus den unten verlinkten Primärquellen. Dass dahinter Änderungsgeschwindigkeit steckt, ist eine Erklärung durch Ausschluss und keine belegte Ursache — die EZB hat nach Größe erhoben, nicht nach Tempo. Die DX-Zeitersparnis ist selbstberichtet; Pull-Request-Größe und Fehlerraten sind gemessen.
Quellen: EZB Occasional Paper 395 · HubSpot Q2 2026 · monday.com Q2 2026 · Freshworks Q2 2026 · Capgemini H1 2026 · diginomica zu DX/Atlassian · Atlassian Q4 FY26
