Ende August veröffentlichte McKinsey den neuen Jahresreport zum Stand der KI-Nutzung in Unternehmen. Wir haben die wichtigsten Erkenntnisse mit Blick auf Wissensmanagement und professionelle Recherche zusammengefasst:
- KI steigert die individuelle Produktivität deutlich – aber nicht automatisch die Unternehmensleistung: 80% der Befragten, die KI bei der Arbeit einsetzen, berichten von Produktivitätsgewinnen. Gleichzeitig geben nur 37% an, dass KI einen positiven Beitrag zum EBIT ihres Unternehmens leistet – ein Wert, der gegenüber dem Vorjahr praktisch unverändert geblieben ist.
- Der nächste Produktivitätsschritt liegt nicht im besseren Prompting, sondern im Umbau kompletter Workflows: Fast drei Viertel der von McKinsey als „AI High Performers“ bezeichneten Unternehmen haben ihre Arbeitsabläufe aufgrund von KI grundlegend neugestaltet. Knowledge Management gehört dabei zu den Funktionsbereichen, in denen erfolgreiche Unternehmen KI-Agenten besonders stark skalieren.
- Menschliche Verifikation bleibt ein Kennzeichen erfolgreicher KI-Nutzung: Zu den von McKinsey identifizierten Best Practices gehört, klar festzulegen, wann Modelloutputs von Menschen überprüft werden müssen – das sogenannte „Human-in-the-loop“-Prinzip. Gerade für die professionelle Recherche bleibt die menschliche Qualitätskontrolle damit ein zentraler Bestandteil des KI-Einsatzes.
- Unternehmensinterne Wissensbestände werden für leistungsfähige Recherche-KI wichtiger: AI High Performers setzen deutlich häufiger auf eine semantische Datenschicht oder einen Knowledge Graph, um unterschiedliche Unternehmensdaten strukturiert miteinander zu verknüpfen und für KI-Anwendungen nutzbar zu machen.
- Deep Research und Agenten machen die Kostenfrage relevanter: Sinkende Preise pro Token bedeuten nicht automatisch geringere Gesamtkosten. Gerade agentische Anwendungen und komplexe Reasoning-Aufgaben mit leistungsfähigen Frontier-Modellen verbrauchen immer größere Tokenmengen. Finanzvorstände und Chief AI Officers beschäftigen sich deshalb laut McKinsey zunehmend mit „Tokenomics“ – also der Frage, wie sich Kosten und Nutzen von KI-Anwendungen in ein sinnvolles Verhältnis bringen lassen.
Von Maria Kleiner
Quelle: McKinsey, 25.08.2026, von QuantumBlack AI by McKinsey