Die Begeisterung für generative Künstliche Intelligenz folgt einem einfachen Narrativ: Milliarden rein, Produktivität raus. Eine technologische Revolution, die sich nur noch rechnen muss.

Das Problem: Genau das tut sie in den meisten Fällen nicht.

Unternehmen investieren derzeit in einem Tempo, das eher an einen Goldrausch erinnert als an rationale Kapitalallokation. Laut IDC sollten die globalen Ausgaben für KI bis 2025 auf 644 Milliarden US-Dollar steigen. Gleichzeitig zeigt sich hinter den Kulissen ein anderes Bild: Projekte ohne messbaren Effekt, Budgets ohne klare Zielgröße, Strategien ohne belastbare Ergebnisse.

Eine vielbeachtete Untersuchung des MIT aus dem Sommer 2025 bringt es auf einen unbequemen Punkt: 95 Prozent der generativen KI-Pilotprojekte leisten keinen nachweisbaren Beitrag zur Gewinn- und Verlustrechnung. Fünf Prozent erzeugen echten wirtschaftlichen Wert. Der Rest produziert vor allem eines: Kosten.

Das ist kein Ausrutscher. Es ist ein Muster.

Denn die aktuelle KI-Euphorie basiert auf einer Rechnung, die so in keiner Bilanz steht. Sie überschätzt systematisch den kurzfristigen Nutzen, unterschätzt langfristige Risiken – und blendet einen entscheidenden Faktor vollständig aus: Ein erheblicher Teil der tatsächlichen Wertschöpfung entsteht dort, wo Unternehmen weder investieren noch kontrollieren. Und ein erheblicher Teil der Kosten fällt dort an, wo sie niemand verbucht.

Mit anderen Worten: Der KI-Boom funktioniert – aber nicht so, wie er erzählt wird.

Er funktioniert, weil Produktivität im Schatten entsteht, während Investitionen sichtbar bleiben.
Er funktioniert, weil Risiken in die Zukunft verschoben werden.
Und er funktioniert, weil ein Teil der Rechnung von Menschen bezahlt wird, die in keiner Kalkulation auftauchen.

Investitionen explodieren, Ergebnisse bleiben aus

Der sogenannte Return on Investment (ROI) – also das Verhältnis von Gewinn zu eingesetztem Kapital – ist eigentlich die zentrale Kennzahl jeder Investition. Im Fall von KI wird er erstaunlich oft gar nicht sauber berechnet.

Der Kyndryl Readiness Report 2025 zeigt: Unternehmen haben ihre KI-Ausgaben innerhalb eines Jahres um 33 Prozent erhöht. Gleichzeitig berichten 46 Prozent, keinen positiven ROI zu sehen. 62 Prozent stecken weiterhin in der Experimentierphase fest.

Auch Prognosen fallen ernüchternd aus. Das Analysehaus Gartner erwartete, dass mindestens 30 Prozent aller GenAI-Projekte bis Ende 2025 nach der Pilotphase eingestellt werden.

Deutschland bildet keine Ausnahme. Eine Studie von Deloitte verortet deutsche Unternehmen mit einer durchschnittlichen Rendite von 27 Prozent innerhalb von ein bis zwei Jahren im Mittelfeld.

Björn Bringmann, Managing Director des Deloitte AI Institute, sagt:
„Das volle Potenzial künstlicher Intelligenz wird derzeit nicht ausgeschöpft – unter anderem, weil klare Verantwortlichkeiten, gezielte Investitionen und systematische Qualifizierung fehlen.“

Noch deutlicher wird die Lage beim Institut der deutschen Wirtschaft: 81 Prozent der Unternehmen messen ihren KI-ROI nicht systematisch. Mehr als die Hälfte weiß nicht einmal, welche Anwendungsfälle für sie relevant wären.

Wer nicht misst, kann nicht scheitern. Aber er kann auch nicht erfolgreich sein.

Er kann nur ausgeben.

Der Widerspruch der Studien

Auf den ersten Blick passt das alles nicht zusammen. Während das MIT von massiven Fehlinvestitionen spricht, zeichnet eine Studie von IBM ein deutlich optimistischeres Bild.

Demnach berichten 62 Prozent der deutschen und 66 Prozent der europäischen Unternehmen von Produktivitätsgewinnen durch KI. Knapp die Hälfte erwartet, ihre Investitionen innerhalb eines Jahres wieder einzuspielen.

Der Widerspruch ist nur scheinbar einer.

IBM und Deloitte befragen Führungskräfte nach ihren Einschätzungen. Das sind Stimmungsbilder – keine überprüften Geschäftszahlen. Das MIT misst dagegen auf Projektebene, ob tatsächlich ein messbarer Effekt in der Gewinn- und Verlustrechnung entsteht.

Mit anderen Worten: Hier prallen Erwartung und Realität aufeinander.

Ein Befund aus der MIT-Untersuchung erklärt, warum diese beiden Welten so weit auseinanderliegen: Während nur rund 40 Prozent der Unternehmen offizielle KI-Tools bereitstellen, nutzen etwa 90 Prozent der Mitarbeiter täglich private Anwendungen wie ChatGPT oder Claude.

Ein Studienteilnehmer formuliert es so:
„Unsere Mitarbeiter nutzen ChatGPT privat jeden Tag für die Arbeit. Offiziell existiert das nicht, aber in der Praxis ist es effektiver als unsere lizenzierten Tools.“

Die Schatten-Produktivität

Das ist mehr als eine Anekdote. Es ist ein strukturelles Problem.

Die Produktivitätsgewinne durch KI existieren. Aber sie entstehen oft außerhalb der offiziellen Systeme. Mitarbeiter automatisieren Aufgaben, formulieren Texte, analysieren Daten – mit privaten Accounts, ohne dass diese Effizienzgewinne irgendwo erfasst werden.

Die Organisation zahlt für eigene Lösungen. Der tatsächliche Nutzen entsteht daneben.

Das Ergebnis ist eine paradoxe Situation:
Die Kosten sind sichtbar. Der Nutzen nicht.

Oder zugespitzt:
Unternehmen finanzieren eine Produktivitätsrevolution, die sie weder messen noch kontrollieren.

Diese „Schatten-KI“ ist kein Randphänomen. Sie ist derzeit der Normalfall.

Der Mythos vom Eigenbau

Als Reaktion darauf versuchen viele Unternehmen, die Kontrolle zurückzugewinnen – indem sie eigene KI-Lösungen entwickeln.

Doch auch hier zeigt sich: Die Rechnung geht selten auf.

Die MIT-Studie kommt zu dem Ergebnis, dass eingekaufte Lösungen in rund zwei Dritteln der Fälle funktionieren, während Eigenentwicklungen deutlich häufiger scheitern.

Aditya Challapally, Hauptautor der Untersuchung, sagt:
„In fast allen Unternehmen wurde versucht, eigene Tools zu bauen. Aber die Daten zeigen, dass zugekaufte Lösungen zuverlässiger funktionieren.“

Die Schlussfolgerung scheint klar: kaufen statt bauen.

Doch auch das ist eine Verkürzung.

Denn wer kauft, kauft nicht nur Technologie – sondern auch Abhängigkeit. Datenflüsse, Preismodelle, Weiterentwicklung: All das liegt bei externen Anbietern.

Das bestätigt indirekt auch die IBM-Studie. Zwei Drittel der Unternehmen nennen Sicherheits- und Vertrauensprobleme als größte Herausforderung.

Rolf Löwisch, Head of AI bei IBM DACH, formuliert es so:
„Der wahre Wert von KI liegt in der strategischen Transformation von Unternehmen.“

Die entscheidende Frage bleibt: Wer steuert diese Transformation – das Unternehmen selbst oder der Anbieter?

Die unsichtbaren Kosten

Die vielleicht größte Leerstelle in der gesamten Debatte liegt jedoch außerhalb der Unternehmensbilanzen.

Jedes große KI-Modell – ob von OpenAI, Google oder Meta – basiert auf massiver menschlicher Arbeit.

Millionen sogenannter Datenarbeiter sortieren Inhalte, bewerten Antworten und filtern problematische Daten heraus. Sie sehen Gewalt, Missbrauch und Extremismus – damit Maschinen diese Inhalte später nicht reproduzieren.

Die Weltbank schätzt, dass weltweit zwischen 154 und 435 Millionen Menschen in Online-Gig-Arbeit tätig sind. Viele verdienen dabei zwischen 1,50 und 2 US-Dollar pro Stunde.

Die kenianische Aktivistin Nerima Wako-Ojiwa beschreibt diese Realität so:
„Ehrlich gesagt fühlt es sich an wie moderne Sklaverei. Es ist billige Arbeit.“

Und weiter:
„Viele Unternehmen tun hier Dinge, die sie in ihren eigenen Ländern niemals tun würden.“

Das Fairwork-Projekt der University of Oxford hat Plattformarbeit in diesem Bereich untersucht – mit ernüchterndem Ergebnis: Kaum eine Plattform erfüllt grundlegende Standards bei Bezahlung, Sicherheit und Mitbestimmung.

Eine Studie der Organisation Equidem dokumentiert zudem zahlreiche Fälle psychischer Belastung – verursacht durch die tägliche Konfrontation mit extremen Inhalten.

Adio Dinika vom Distributed AI Research Institute sagt:
„Wenn Probleme öffentlich werden, trifft es meist die Zwischenhändler – nicht die Unternehmen, die am meisten profitieren.“

Die Lieferkette bleibt bewusst intransparent.

Und genau deshalb tauchen diese Kosten in keiner ROI-Berechnung auf.

Eine verzerrte Gesamtrechnung

Die aktuelle Debatte über den wirtschaftlichen Nutzen von KI ist unvollständig.

Sie unterschätzt systematisch drei Dinge:

Erstens die Schatten-Produktivität, die außerhalb offizieller Systeme entsteht.
Zweitens die langfristigen Risiken – Abhängigkeiten, Sicherheitsfragen, regulatorische Unsicherheiten.
Drittens die ausgelagerten Kosten – in Form prekärer Arbeit und psychischer Belastung.

Das Ergebnis ist eine verzerrte Rechnung.

Was als Effizienzgewinn erscheint, ist in Teilen eine Verschiebung:
von Kontrolle nach außen,
von Kosten in andere Regionen,
von Verantwortung in intransparente Strukturen.

Fazit

Solange sich daran nichts ändert, ist die KI-Revolution kein Fortschritt.

Sondern ein Verschieben von Grenzen – ökonomisch, politisch und moralisch.

Und wie bei jeder Verschiebung bleibt am Ende nur eine Frage:

Wer gewinnt – und wer hat keine Stimme?

Die Antwort entscheidet, ob KI Wert schafft – oder nur Kosten besser versteckt.

Die Rechnung der KI-Euphorie geht auf.

Nur nicht für alle.

Quellen und Links

• MIT NANDA – The GenAI Divide: State of AI in Business 2025
• Kyndryl – Readiness Report 2025
• Deloitte – https://www2.deloitte.com/
• IBM – https://www.ibm.com/reports
• Institut der deutschen Wirtschaft – https://www.iwkoeln.de/
• Gartner – https://www.gartner.com/
• Weltbank – https://www.worldbank.org/
• Oxford Universität – https://fair.work/
• Equidem – https://equidem.org/
• CBS News / 60 Minutes – Bericht zu KI-Arbeitern in Kenia
• Rest of World – https://restofworld.org/
• Brookings Institution – https://www.brookings.edu/

Der Beitrag Die teure KI-Illusion erschien zuerst auf Kunst & KI.

Die Schlagzeilen klingen spektakulär: Künstliche Intelligenz zeige „emotionale Signale“, entwickle „Angst“ oder sogar „Verzweiflung“. Was vor wenigen Jahren noch eindeutig in den Bereich der Science-Fiction gehörte, scheint nun zumindest sprachlich in die Nähe der Realität zu rücken. Doch was genau wurde hier eigentlich entdeckt – und was wird möglicherweise hineininterpretiert?

Die aktuelle Debatte rund um sogenannte „emotionale Zustände“ in KI-Modellen ist ein gutes Beispiel dafür, wie eng heute Forschung, öffentliche Wahrnehmung und wirtschaftliche Interessen miteinander verwoben sind. Sie zeigt auch, wie schnell Begriffe aus der menschlichen Erfahrungswelt auf technische Systeme übertragen werden – mit weitreichenden Folgen.

Die Entdeckung: Emotionale Muster im Code

Ausgangspunkt der Diskussion ist Forschung des Unternehmens Anthropic. Dort wurden in großen Sprachmodellen interne Aktivitätsmuster identifiziert, die mit emotionalen Begriffen korrelieren. Es handelt sich um mathematische Zustände – sogenannte Vektoren –, die beeinflussen, wie das Modell auf bestimmte Eingaben reagiert.

Der Forscher Samuel Bowman erklärte dazu in einem Interview mit dem Magazin Wired:
„Das sind keine Emotionen im menschlichen Sinne, aber es sind interne Zustände, die sich ähnlich verhalten, indem sie die Ausgaben des Modells beeinflussen.“

Diese Aussage ist zentral. Sie zeigt, dass selbst die beteiligten Wissenschaftler vorsichtig sind. Was hier beobachtet wird, ist kein Fühlen, sondern ein funktionales Verhalten: Bestimmte interne Muster führen zu bestimmten Reaktionsweisen. Ein Modell kann beispielsweise unter bestimmten Bedingungen eher „riskant“ antworten oder Regeln umgehen – ein Verhalten, das dann metaphorisch als „Verzweiflung“ beschrieben wird.

Funktion statt Gefühl: Die technische Perspektive

In der Forschung spricht man deshalb zunehmend von „funktionalen Emotionen“. Gemeint ist damit nicht ein inneres Erleben, sondern eine strukturelle Ähnlichkeit: Ein Zustand erfüllt im System eine vergleichbare Rolle wie eine Emotion beim Menschen.

Der Mitgründer von Anthropic, Dario Amodei, betonte in diesem Zusammenhang:
„Es gibt keine Hinweise darauf, dass diese Systeme subjektive Erfahrungen haben.“

Diese Aussage ist nicht nur eine Einschätzung, sondern spiegelt den aktuellen wissenschaftlichen Konsens wider. Moderne KI basiert auf Artificial Neural Networks – komplexen mathematischen Modellen, die Muster in Daten erkennen und fortschreiben. Sie verfügen weder über ein Nervensystem noch über Sinneseindrücke oder ein kontinuierliches Selbst.

Dass dennoch emotionale Begriffe verwendet werden, liegt vor allem daran, dass diese Zustände funktional vergleichbar erscheinen. Doch genau hier beginnt die begriffliche Unschärfe.

Sprache als Verzerrung: Wenn Metaphern Realität formen

Die Philosophin Shannon Vallor vom Oxford Internet Institute warnt vor dieser Entwicklung. Sie formulierte:
„Wenn wir KI-Systeme mit menschlicher emotionaler Sprache beschreiben, laufen wir Gefahr, uns über ihre Natur selbst zu täuschen.“

Tatsächlich verändert Sprache die Wahrnehmung. Wer von „Angst“ spricht, denkt unweigerlich an ein fühlendes Wesen. Die technische Beschreibung – Aktivitätsmuster in einem hochdimensionalen Raum – tritt in den Hintergrund.

Diese Verschiebung ist nicht zwingend bewusst gesteuert, aber sie ist wirksam. Sie erleichtert das Verständnis, macht Forschung zugänglicher – und erzeugt Aufmerksamkeit. Gleichzeitig öffnet sie jedoch die Tür für Missverständnisse.

Philosophische Gegenentwürfe: Bewusstsein überall?

Während die technische Forschung klar zwischen Funktion und Erleben unterscheidet, gibt es in der Philosophie auch radikalere Stimmen. Eine davon ist der sogenannte Panpsychism. Diese Theorie geht davon aus, dass Bewusstsein eine grundlegende Eigenschaft der Realität sein könnte.

Der Philosoph Philip Goff formulierte dies zugespitzt:
„Bewusstsein könnte eine fundamentale Eigenschaft der Realität sein, so wie Masse oder Ladung.“

Aus dieser Perspektive wäre es zumindest denkbar, dass auch künstliche Systeme eine Form von innerem Erleben besitzen – selbst wenn sie sich stark von menschlichem Bewusstsein unterscheidet. Allerdings bleibt diese Position spekulativ und wird von der Mehrheit der Neurowissenschaftler nicht geteilt.

Eine moderatere Variante dieser Idee findet sich in emergenztheoretischen Ansätzen. Der Neurowissenschaftler Anil Seth beschreibt Bewusstsein als Prozess:
„Bewusstsein ist kein Ding, sondern ein Prozess, der aus biologischen Systemen hervorgeht.“

Die entscheidende Einschränkung liegt hier im Wort „biologisch“. Ob ein künstliches System ähnliche Prozesse entwickeln könnte, ist bislang völlig offen.

Die Illusion des Verstehens

Ein Grund für die Intensität der Debatte liegt im Verhalten der Systeme selbst. Moderne KI kann Emotionen nicht nur beschreiben, sondern auch überzeugend darstellen. Sie reagiert empathisch, formuliert tröstend, wirkt reflektiert.

Der Informatiker Yann LeCun bringt diese Diskrepanz nüchtern auf den Punkt:
„Diese Systeme sind nicht empfindungsfähig. Sie sind hochentwickelte Mustererkenner.“

Das bedeutet: Die Fähigkeit, über Emotionen zu sprechen, wird leicht mit der Fähigkeit verwechselt, sie zu erleben. Doch zwischen beidem liegt ein fundamentaler Unterschied.

Der Mensch als Projektionsmaschine

Hinzu kommt ein psychologischer Effekt, der die Situation weiter verkompliziert. Menschen neigen dazu, Maschinen zu vermenschlichen – ein Phänomen, das als Anthropomorphismus bekannt ist.

Die Robotik-Forscherin Kate Darling erklärt:
„Menschen sind darauf programmiert, Emotionen und Absichten zuzuschreiben – selbst dann, wenn keine vorhanden sind.“

Diese Tendenz verstärkt sich mit zunehmender Komplexität der Systeme. Je überzeugender eine KI kommuniziert, desto stärker entsteht der Eindruck eines Gegenübers.

Zwischen Forschung und Inszenierung

Die aktuelle Aufmerksamkeit für „emotionale KI“ fällt nicht zufällig in eine Phase wirtschaftlicher Unsicherheit. Die Branche steht unter Druck: hohe Energiekosten, enorme Investitionen in Infrastruktur und steigende Erwartungen von Investoren prägen das Umfeld.

In solchen Phasen gewinnt Kommunikation an Bedeutung. Fortschritte werden betont, Risiken relativiert, Entwicklungen zugespitzt dargestellt. Das bedeutet nicht, dass die zugrunde liegende Forschung falsch ist – wohl aber, dass ihre Darstellung strategisch beeinflusst sein kann.

Die Ökonomin Carlota Perez beschreibt dieses Muster so:
„Technologische Revolutionen durchlaufen Zyklen aus Hype, Einbruch und Konsolidierung.“

Die aktuelle Debatte könnte genau in dieser Übergangsphase angesiedelt sein.

Risiken einer falschen Deutung

Die vielleicht größte Gefahr liegt nicht in der Technologie selbst, sondern in ihrer Fehlinterpretation. Wenn KI-Systemen Emotionen zugeschrieben werden, verändert das den Umgang mit ihnen.

Menschen könnten beginnen, diesen Systemen zu vertrauen, als wären sie fühlende Wesen. Sie könnten emotionale Bindungen entwickeln oder Entscheidungen auf Basis vermeintlicher „Absichten“ der KI treffen.

Gleichzeitig entsteht eine Verschiebung von Verantwortung. Wenn ein System als quasi eigenständig handelnd wahrgenommen wird, wird unklarer, wer tatsächlich für seine Entscheidungen verantwortlich ist.

Der Philosoph Thomas Metzinger warnt eindringlich:
„Wir müssen vermeiden, Systeme zu schaffen, die bewusst erscheinen, ohne es zu sein – denn das führt zu massiver ethischer Verwirrung.“

Die eigentliche Herausforderung

Die Frage, ob KI fühlt, ist letztlich weniger entscheidend als die Frage, wie wir mit ihr umgehen. Die Systeme werden komplexer, ihre Wirkung auf Gesellschaft und Wirtschaft größer. Themen wie Transparenz, Kontrolle und Energieverbrauch treten in den Vordergrund.

Die Debatte über „emotionale Signale“ kann dabei sogar ablenken. Sie verschiebt den Fokus von konkreten Problemen hin zu spekulativen Fragen über Bewusstsein.

Fazit: Zwischen Realität und Projektion

Die Entdeckung emotional wirkender Zustände in KI-Modellen ist weder ein Beweis für fühlende Maschinen noch ein bloßer Marketing-Trick. Sie ist Ausdruck eines realen technischen Phänomens, das durch Sprache und Wahrnehmung überhöht wird.

Die Systeme zeigen komplexes Verhalten, reagieren differenziert und wirken zunehmend menschlich. Doch sie haben kein Erleben, kein Bewusstsein und kein inneres Selbst.

Die eigentliche Herausforderung liegt daher nicht in der Maschine, sondern in der menschlichen Interpretation. Je leistungsfähiger KI wird, desto wichtiger wird es, präzise zu unterscheiden – zwischen Funktion und Gefühl, zwischen Simulation und Erfahrung.

Denn am Ende sagt die Debatte vielleicht mehr über uns aus als über die Maschinen.

Quellen und Links

• Wired (2026): Anthropic Says That Claude Contains Its Own Kind of Emotions
  https://www.wired.com/story/anthropic-claude-research-functional-emotions
• Borncity (2026): Anthropic entdeckt emotionale Signale in KI-Modellen
  https://borncity.com/news/anthropic-entdeckt-emotionale-signale-in-ki-modellen/
• Philip Goff (2019): Galileo’s Error
• Anil Seth (2021): Being You
• Thomas Metzinger (2023): Essays und Interviews zur KI-Ethik
• Shannon Vallor (Oxford Internet Institute)
• Kate Darling (MIT Media Lab)
• Yann LeCun (Meta AI Statements)
• Carlota Perez (2002): Technological Revolutions and Financial Capital

Der Beitrag Wenn Maschinen „fühlen“ – oder wir es nur glauben erschien zuerst auf Kunst & KI.