In diesem auf sfeir.com veröffentlichten Meinungsbeitrag (24. Juni 2026) vertritt Didier Girard (Managing Director von SFEIR) eine These: die Umkehrung AI4IT vs. AI4Business. 2024 sah der Konsens in AI4Business — KI eingesetzt in Geschäftsprozessen (Vertrieb, Support, Finanzen) — das große Produktivitätsreservoir; AI4IT (KI zur Produktion des Informationssystems) galt als Thema für Ingenieure. Zwei Jahre später „haben die Zahlen entschieden, und zwar andersherum.“
Die Enttäuschung bei AI4Business: Die MIT-Studie von 2025 („95% der GenAI-Pilotprojekte ohne ROI“) ist nach Girards eigenem Eingeständnis — er bestreitet ihre Methodik — fragwürdig, doch ihr Fortbestehen ist das eigentliche Signal echter Unzufriedenheit: Viele Führungskräfte sehen den versprochenen Wert in ihren Prozessen nicht. „Das Symptom stimmt, auch wenn die Zahl falsch ist.“ Die Blockade ist organisatorisch (Mollicks Hayeksches Problem), nicht technisch.
Die Umkehrung bei AI4IT stützt sich auf quantifizierte Belege: Salesforce (+151% Effective Output, Migration 18× schneller, −5% Incidents), Intercom (3× F&E-Produktivität, −50% Kosten/PR), Raiffeisen Bank Ukraine (−8% Headcount, aber 7 neue Produkte, −70% blockierende Incidents), AWS (Bedrock von 6 Personen in 72 Tagen neu entwickelt), Atlassian (+19 bis +87% PRs), DORA × Google Cloud (39% ROI, 8 Monate Amortisation). Warum? Code verifiziert sich selbst (Kompilierung, Tests, CI); Geschäftsprozesse tun das nicht. „Wir statten diejenigen aus, die sich bereits selbst auszustatten wissen.“
Die Budgetfolge 2027 läuft auf drei Brüche hinaus. (1) CapEx→OpEx: Der Token wird zu einer variablen OpEx-Belastung — Arthur Mensch (Mistral) beziffert sie bei fortgeschrittenen Anwendern auf ~10% des Gehaltsbudgets, das für Token ausgegeben wird. (2) Token-Preisgestaltung, eine doppelte Falle: Bei gegebener Kapazität wurde die Inferenz in zwei Jahren durch ~280 geteilt, aber die Obergrenze steigt (Fable 5 bei 10$/50$ = 2× Opus 4.8), während offene Modelle (GLM-5.2) und Desktop-Inferenz die Kosten nach unten drücken; das Jevons-Paradox lässt den Verbrauch schneller steigen, als der Preis fällt. (3) AI FinOps: in Cost per Outcome denken, nach Regeln zuweisen, die Token→Outcome-Attribution zu einem Asset machen.
Vier COMEX-Empfehlungen: zuerst AI4IT finanzieren (Amortisation < 1 Jahr), Budget für die J-Kurve einplanen, Token-FinOps einführen, bevor die Kosten aus dem Ruder laufen, Headcount-Rechnung neu definieren (Menschen + Agenten). Fazit: „die nächste Budgetschlacht wird nicht um den Preis des Tokens gehen, sondern um die Kosten pro Ergebnis.“