Warum der KI-Hype nicht einbricht, und wer dafür bezahlt

95 Prozent der KI-Pilotprojekte scheitern, die Investitionen steigen trotzdem. Wie Rüstungsinteressen die natürliche Marktkorrektur verhindern und warum Arbeitnehmer die Kosten tragen.

Ein blau leuchtender KI-Prozessor in einem schützenden Acrylblock liegt auf einem antiken Mahagoni-Schreibtisch. Direkt daneben befinden sich ein schwarzes Festnetztelefon und eine geschlossene Ledermappe mit der goldenen Prägung AI Strategic Budget. Im unscharfen Hintergrund deuten amerikanische Flaggen und große Fenster auf das Oval Office hin.

Autor: Tobias Müller, www.ispringen.dev

Was der Hype Cycle tatsächlich misst

Ich beobachte seit Monaten einen Widerspruch, der mich nicht loslässt. Überall lese ich von gescheiterten KI-Pilotprojekten, von ernüchterten Unternehmensanwendern, von Sprachmodellen, die grundlegende Aufgaben falsch lösen. Das klingt nach Desillusionierung. Gleichzeitig steigen die Investitionen weiter, die Infrastruktur wächst, die Entlassungen häufen sich. Das klingt nicht nach Korrektur. Beides gleichzeitig passte für mich in kein Bild.

Der naheliegende Erklärungsrahmen ist der Gartner Hype Cycle, das Standardmodell der Branche. Er beschreibt fünf Phasen: Technology Trigger, Peak of Inflated Expectations, Trough of Disillusionment, Plateau of Productivity und eine Übergangsphase dazwischen. Die Logik ist klar: Erwartungen überschießen, Enttäuschung folgt, Investoren ziehen sich zurück, der Markt korrigiert sich selbst, und mit ihm normalisiert sich auch der Druck auf Unternehmen und Arbeitnehmer. Gartner wendet dieses Modell auf generative KI an und ordnet sie 2025 in der Desillusionierungsphase ein. Und auf den ersten Blick scheint das zu stimmen. ChatGPT-5, im August 2025 mit erheblichem Erwartungsdruck gestartet, lieferte laut MIT Technology Review “inkrementelle Verbesserungen in einer Routing-Architektur, weit entfernt vom Durchbruch zur AGI.” Eine MIT-Studie aus 2025 zeigt, dass 95 Prozent der GenAI-Pilotprojekte in Unternehmen scheitern.

Aber dann stockt das Modell. Der Hype Cycle setzt voraus, dass Desillusionierung mit Investitionsrückzug einhergeht. Bei KI ist das Gegenteil der Fall. Die großen US-Tech-Konzerne haben 2024 und 2025 kumuliert 750 Milliarden Dollar in Rechenzentren investiert. Für 2026 bis 2029 sind weitere drei Billionen Dollar geplant, eine Summe, die laut Morgan Stanley die Kapazität globaler Kredit- und Derivatemärkte übersteigen würde. Das beschreibt Servaas Storm in seinem Working Paper Nr. 240 am Institute for New Economic Thinking (September 2025).

95 Prozent der GenAI-Pilotprojekte in Unternehmen scheitern. Gleichzeitig steigen die globalen KI-Investitionen auf drei Billionen Dollar bis 2029. (Quellen: MIT 2025, Storm/INET 2025)

Abbildung 1: Status der Generativen KI im Gartner Hype Cycle. Erstellt von Tobias Müller, 5. März 2026.

Das Modell erklärt nicht, warum Investitionen trotz nachweisbarem Versagen weiter steigen. Ich denke, der Grund liegt in einem Akteur, den der Hype Cycle strukturell übergeht: den Staat. Ein normaler Hype-Einbruch würde Investoren zurückziehen, den Wettbewerbsdruck senken und Unternehmen entlasten. Dieser Akteur verhindert genau das.

Das Pentagon als stiller Stabilisator des KI-Ökosystems

Im Juli 2025 vergab das US-Verteidigungsministerium Verträge an Anthropic, Google, OpenAI und xAI für autonome KI-Agenten, je Unternehmen bis zu 200 Millionen Dollar. Storm dokumentiert in Fußnote 1 seines Working Papers, dass das Pentagon insgesamt 800 Milliarden Dollar in die Entwicklung militärischer KI-Fähigkeiten bei diesen Unternehmen fließen lässt. Im Dezember 2025 startete das Verteidigungsministerium GenAI.mil: eine KI-Plattform, betrieben auf Basis von Google Gemini, verpflichtend für drei Millionen Soldaten und zivile Angestellte. Das sind Zahlen, die die Finanzierungslogik eindeutig zeigen.

Diese Logik ist geopolitisch. Storm formuliert sie direkt: “Winning the AI race with China is regarded to be of existential importance to the U.S. economy and its geopolitical standing.” Rentabilität fällt als Kriterium weg. Der Imperativ, den technologischen Vorsprung vor China zu halten, entkoppelt die KI-Finanzierung vollständig vom kommerziellen Markterfolg. Verstärkt wird das durch die wachsende Verflechtung von Tech-Kapital, Verteidigungsindustrie und politischem System, die Thomas Ferguson und andere dokumentieren.

DARPA-Förderungen strukturieren zusätzlich die akademische KI-Forschungsagenda in Richtung militärischer Anwendungen, wie Forschende in dem arXiv-Paper “Basic Research, Lethal Effects” (2024) zeigen. Eine Systembeobachtung: Die Grundlagenforschung, aus der Sprachmodelle entstanden sind, wurde wesentlich durch staatliche und militärische Interessen mitgeformt.

Das US-Verteidigungsministerium investiert 800 Milliarden Dollar in KI-Fähigkeiten bei führenden KI-Unternehmen. Geopolitik ersetzt Rentabilität als Finanzierungskriterium. (Quelle: Storm/INET 2025)

Das Royal United Services Institute (RUSI) hält fest, dass militärische KI-Erwartungen fundamental von kommerziellen abweichen. Dort, wo Unternehmen ernüchtert sind, sind Streitkräfte zuversichtlich. Die Divergenz folgt einer strukturellen Eigenheit: Militärische KI-Anwendungen wie Mustererkennung in Satellitenbildern, autonome Drohnen oder Cyberoperationen funktionieren bereits heute zuverlässig. Ob ein Sprachmodell Oregon auf einer Karte findet, ist für diese Anwendungen irrelevant.

Das ist der Punkt, an dem staatliche Finanzierung zur persönlichen Angelegenheit wird. Pentagon-Milliarden sichern das Überleben der führenden KI-Anbieter, unabhängig davon, ob ihre Produkte im kommerziellen Einsatz liefern. Die Infrastruktur wächst weiter. Die Modelle werden weiter entwickelt. Das erzeugt einen Wettbewerbsdruck, dem sich kein Unternehmen entziehen kann. McKinsey hat diesen Mechanismus empirisch erfasst: Der stärkste Treiber für KI-Adoption in Unternehmen ist der Wettbewerbsdruck durch Mitbewerber, zehnmal stärker als der erwartete Rentabilitätseffekt. Die KPMG-Studie “Generative KI in der deutschen Wirtschaft” (Februar 2026) formuliert es direkt: “Abwarten ist keine Option, denn die Schere zwischen Unternehmen, die KI erfolgreich nutzen, und denen, die dies nicht tun, geht immer weiter auseinander.” Unternehmen automatisieren weiter, auch wenn 95 Prozent der eigenen Pilotprojekte scheitern. Der Wettbewerber tut es ebenfalls. Abwarten erscheint teurer als Handeln.

Wer die Rechnung zahlt: Arbeitnehmer vor der Marktkorrektur

1,2 Millionen Stellen wurden in den USA im Jahr 2025 gestrichen, so viele wie seit der Finanzkrise 2008 nicht mehr. Die Personalberatungsfirma Challenger, Gray & Christmas dokumentiert: 55.000 dieser Entlassungen wurden von den betroffenen Unternehmen explizit mit KI begründet, zwölfmal mehr als zwei Jahre zuvor. Pinterest strich Stellen, “um Ressourcen in Richtung KI-Systeme umzuleiten.” Chegg eliminierte 45 Prozent seiner Belegschaft angesichts der “neuen Realitäten von KI.” HP plant den Abbau von bis zu 6.000 Stellen mit dem Ziel, durch KI eine Milliarde Dollar einzusparen.

Abbildung 2: Visualisierung der strategischen Wende 2024. Erstellt von Tobias Müller, 5. März 2026.

Der entscheidende Befund kommt von Harvard Business Review im Januar 2026: Unternehmen bauen Stellen ab und verlangsamen Neueinstellungen aufgrund des Potenzials von KI, bevor die Technologie dieses Versprechen eingelöst hat. Das ist der Wettbewerbsdruck-Mechanismus in seiner direkten Wirkung auf Arbeitnehmer. Kein Unternehmen wartet auf den Beweis, dass KI tatsächlich liefert. Es wartet auf den Moment, in dem der Wettbewerber handelt. Und der ist bereits eingetreten. Besonders spürbar ist das für Berufseinsteiger: Stanford dokumentiert im November 2025 einen relativen Rückgang der Neueinstellungen in KI-exponierten Positionen um 16 Prozent seit der Einführung von ChatGPT. Der Einstieg in den Arbeitsmarkt wird schwieriger, bevor KI den versprochenen Produktivitätsgewinn geliefert hat.

Unternehmer legen Stellen still, weil KI liefern soll. Ob sie es bereits tut, ist für die Entlassungsentscheidung zweitrangig. (Quelle: Harvard Business Review, Januar 2026)

Die Kaufkraftwirkung folgt einem schleichenden Mechanismus, der in keiner Schlagzeile auftaucht. Wer seinen Job behält, aber keine Gehaltserhöhung bekommt, verliert real. Der Arbeitgeber verweist auf KI-Produktivitätsgewinne, die Preise steigen trotzdem. In Deutschland erwarten 37,3 Prozent der Industrieunternehmen KI-bedingten Personalabbau, betroffene Firmen rechnen im Schnitt mit minus 8 Prozent Belegschaft. Das sind Planungszahlen aus laufenden Geschäftsjahren. Eine Simulation aus Nature Scientific Reports (Juli 2025) zeigt: Steigt der Anteil von KI-Kapital gegenüber Arbeit über einen bestimmten Schwellenwert, reichen selbst viele neue Jobs nicht aus. Kaufkraft und Beschäftigung sinken trotzdem.

In einem normalen Hype-Cycle-Verlauf würde die Desillusionierungsphase hier eine Atempause erzwingen. Unternehmen, die merken dass Pilotprojekte scheitern und Rentabilität ausbleibt, würden KI-Budgets kürzen. Der Druck auf Personal würde nachlassen. Genau diese Atempause verhindert die staatlich-militärische Finanzierung. Weil das KI-Ökosystem nicht einbricht, bleibt der Wettbewerbsdruck bestehen. Der Umbau läuft weiter, unabhängig davon, ob die Technologie reif ist.

Was wir brauchen: Ein Modell, das den ganzen Kreislauf sieht

Der Gartner Hype Cycle bildet einen von zwei Kreisläufen ab: den kommerziellen. Investoren überschätzen, Märkte korrigieren, Technologien reifen. Das funktioniert für viele Technologien, und es funktioniert auch für den Teil von KI, der rein kommerziell finanziert wird. Für eine vollständige Analyse fehlt der zweite Kreislauf. Wer mit einem unvollständigen Modell plant, trifft Entscheidungen mit vorhersehbar falschen Annahmen.

Der Doppelkreislauf-Effekt ist das zentrale strukturelle Problem: KI wird gleichzeitig durch einen kommerziellen und einen staatlich-militärischen Finanzierungskreislauf getragen. Beide folgen unterschiedlichen Logiken, unterschiedlichen Zeithorizonten und unterschiedlichen Erfolgskriterien. Kein vorhandenes Standard-Analysemodell bildet beide zusammen ab.

RUSI dokumentiert die Divergenz zwischen militärischen und kommerziellen KI-Erwartungen als Systemstruktur. Solange die USA den KI-Vorsprung gegenüber China als existenzielle Frage behandeln (parteiübergreifender Konsens in Washington), stabilisiert dieser zweite Kreislauf das gesamte KI-Ökosystem, unabhängig davon, wie viele Pilotprojekte scheitern.

Ein solches erweitertes Modell hätte konkreten Nutzen in drei Bereichen. In der Sozialpolitik zeigt es, dass der Übergang bereits läuft. 2025 wurden 1,2 Millionen Stellen in den USA gestrichen. Harvard dokumentiert, dass der Schaden dem Nutzen vorausläuft. Die deutschen Industriezahlen bestätigen das. Sozialsysteme müssen jetzt auf diesen Übergang ausgelegt werden, auf den laufenden Moment. In der Regulierung macht das Modell sichtbar, dass der staatlich-militärische Kreislauf demokratischer Aufsicht bedarf. Er bereinigt sich durch geopolitische Logik, Marktmechanismen greifen dort strukturell nicht. Und in der Unternehmensplanung gibt es Entscheidern eine realistische Grundlage: Der Infrastrukturaufbau läuft weiter, weil der zweite Kreislauf ihn stabilisiert, unabhängig davon, ob der einzelne Anwendungsfall heute rentabel ist. Wer das weiß, plant Technologieinvestitionen mit einem anderen Zeithorizont als jemand, der auf den nächsten Gartner-Bericht wartet.

Eine Einschränkung gehört dazu: Die Hypothese beschreibt ein strukturelles Risiko. MIT-Ökonom Daron Acemoglu, Wirtschaftsnobelpreisträger 2024, schätzt, dass etwa fünf Prozent der Wirtschaft in den nächsten zehn Jahren direkt von KI-Automatisierung betroffen sein werden. Der Schaden ist sektoral und asymmetrisch. Für die betroffenen Sektoren und Personen bleibt er real. Apokalyptische Gesamtszenarien relativiert das. Den Bedarf nach einem besseren Analyserahmen relativiert es nicht.

Ich hoffe, dass Politik und Industrie diesen blinden Fleck erkennen. Nicht weil KI gestoppt werden sollte, sondern weil die Kosten des Übergangs heute auf diejenigen umgelegt werden, die in diesen Entscheidungen keine Stimme haben. Ein Modell, das beide Kreisläufe sieht, ist kein akademisches Spielzeug. Es ist die Voraussetzung dafür, dass wir als Gesellschaft informiert entscheiden, wer diesen Wandel bezahlt und wer davon profitiert.

Cite this article

Tobias Müller (2026): Der Gartner Hype Cycle ist das falsche Modell für KI. www.ispringen.dev Lizenz: CC BY 4.0, Namensnennung erforderlich.