KI im F&E-Prozess: Warum Milliarden in Projekten verschwinden, die nie den Markt erreichen

Das paradoxe Problem der digitalisierten F&E: Mehr KI, aber kein besserer Ausgang

Künstliche Intelligenz ist längst in den Forschungs- und Entwicklungsabteilungen globaler Unternehmen angekommen. KI-gestützte Datenanalyse, automatisiertes Modelling, maschinelles Lernen für Materialentwicklung – die Werkzeuge sind vorhanden, die Nutzung ist weit verbreitet. Und doch zeigt ein aktueller Benchmark-Report, präsentiert von IEEE Spectrum und Wiley in Zusammenarbeit mit dem Innovationsintelligenz-Anbieter Patsnap, ein ernüchterndes Bild: Trotz massiver KI-Adoption verlieren Unternehmen weiterhin enorme Teile ihres F&E-Budgets an Projekte, die niemals den Markt erreichen.

Die Studie, die auf Antworten von mehr als 200 leitenden F&E-Fachkräften aus Nordamerika, Großbritannien und Europa basiert, liefert konkrete Zahlen zu einem Problem, das in Strategiepapieren oft heruntergespielt wird: dem strukturellen Scheitern von Innovationsprojekten – nicht trotz, sondern teilweise wegen der Art, wie KI heute eingesetzt wird.

Die härtesten Zahlen: Wo F&E-Budget wirklich verloren geht

Die Befunde des Reports sind eindeutig und sollten in jeder Unternehmensleitung für Aufmerksamkeit sorgen:

• Mehr als ein Drittel aller befragten Organisationen gibt an, zwischen 25 und 40 Prozent des gesamten F&E-Budgets für Projekte aufzuwenden, die nie zur Marktreife gelangen.
• Knapp die Hälfte der Befragten schätzt den Verlust bei jedem gestrichenen Spätphasenprojekt auf über eine Million US-Dollar – pro Projekt, wohlgemerkt.
• Die häufigste Ursache: Kritische Erkenntnisse über Marktfähigkeit, Wettbewerb und Patentlage erreichen die Entscheidungsträger zu spät – oft erst dann, wenn bereits erhebliche Ressourcen gebunden sind.

Diese Zahlen sind kein Randphänomen einzelner Branchen. Die Studie deckt neun Industriesektoren ab – von Life Sciences über Materialwissenschaft bis zu Softwareengineering. Das Problem ist systemischer Natur.

Der blinde Fleck: KI für Ausführung statt für Entscheidung

Hier liegt der zentrale Widerspruch, den der Report aufdeckt – und der auch aus der Praxis der Prozessautomatisierung gut bekannt ist: Unternehmen nutzen KI primär für operative Ausführungsaufgaben, also für Datenanalyse, Simulation oder automatisiertes Reporting. Was hingegen weitgehend unberührt bleibt, sind die strategischen Entscheidungen: Welche Projekte verdienen überhaupt Investitionen? Wann sollte ein Vorhaben gestoppt werden? Welche Technologiefelder bieten echtes Differenzierungspotenzial?

Diese „Go/No-Go"-Entscheidungen im Stage-Gate-Prozess werden nach wie vor überwiegend ohne adäquate KI-Unterstützung getroffen – auf Basis fragmentierter Daten, inkonsistenter Informationsquellen und häufig zu spät einholter Wettbewerbsanalysen.

„KI, die nur die Ausführung beschleunigt, aber die falsche Richtung beibehält, spart keine Ressourcen – sie verbrennt sie schneller."

Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, beobachtet dieses Muster auch in seiner Beratungspraxis: Viele Organisationen implementieren KI-Werkzeuge zunächst dort, wo der Erfolg am leichtesten messbar erscheint – in klar definierten Teilaufgaben. Die eigentlich wertschöpfende Anwendung, nämlich die Unterstützung komplexer Investitions- und Priorisierungsentscheidungen, bleibt dabei häufig außen vor.

Wann KI den größten Hebel entfaltet: Das Timing ist entscheidend

Eine der wichtigsten Erkenntnisse des Reports betrifft nicht nur das „Was", sondern das „Wann" der KI-Nutzung. Die Daten zeigen klar: Der größte Werthebel liegt in der frühen Phase des Innovationsprozesses – bei Ideation und Machbarkeitsanalyse, bevor signifikante Ressourcen committet werden.

Konkret bedeutet das: Frühzeitiger Zugang zu Patent-Intelligence, Wettbewerbslandschaften, White-Space-Analysen und Marktdaten kann Fehlentscheidungen verhindern, die sich später als millionenschwere Sackgassen erweisen. Wer dagegen wartet, bis ein Projekt die Testphase erreicht hat, bevor externe Intelligenz eingeholt wird, handelt reaktiv statt proaktiv.

• Patent Intelligence: Frühzeitige Erkennung von IP-Risiken und Freedom-to-Operate-Problemen verhindert kostspielige Richtungswechsel in der Spätphase.
• Competitive Intelligence: Ein kontinuierliches Monitoring des Wettbewerbsfeldes identifiziert Überschneidungen und Differenzierungsmöglichkeiten, bevor interne Entwicklungskapazitäten gebunden sind.
• White Space Analysis: Die systematische Identifikation unbesetzter Innovationsräume erlaubt eine gezieltere Ressourcenallokation mit höherer Erfolgswahrscheinlichkeit.

Strukturelles Problem: Fragmentierte Daten und träge Prozesse

Der Report benennt auch die organisatorischen Ursachen, die eine bessere KI-Nutzung behindern. Teams kämpfen mit fragmentierten Datenquellen, die keine konsistente Entscheidungsgrundlage bieten. Dazu kommen langwierige interne Freigabeprozesse, die den Informationsfluss verlangsamen – und das in einem Umfeld, in dem Entwicklungszyklen immer kürzer werden und Märkte sich schneller denn je verändern.

Hinzu kommt eine kulturelle Dimension: Entscheidungen in F&E-Prozessen sind häufig von subjektiven Einschätzungen, internen Machtstrukturen und dem sogenannten „Sunk Cost"-Denken geprägt. Projekte werden weitergeführt, weil bereits viel investiert wurde – nicht weil die Erfolgssignale positiv sind. KI-gestützte Entscheidungsunterstützung kann hier einen objektiven Gegenpol bilden, sofern sie rechtzeitig und mit ausreichender Datentiefe eingebunden wird.

Implikationen für Unternehmen: Wo Handlungsbedarf besteht

Für Unternehmen, die ihre F&E-Effizienz ernsthaft verbessern wollen, ergeben sich aus dem Report klare Handlungsfelder:

• KI-Strategie neu ausrichten: Der Fokus muss von reiner Ausführungsunterstützung auf strategische Entscheidungsunterstützung verschoben werden. Das erfordert andere Systemarchitekturen, andere Datenquellen und andere Nutzungsszenarien.
• Frühe Phasen priorisieren: Investitionen in Innovationsintelligenz zahlen sich vor allem dann aus, wenn sie in Ideation und Feasibility-Phase fließen – nicht erst beim Stage-Gate-Review nach intensiver Entwicklungsarbeit.
• Datensilos aufbrechen: Eine integrierte Datenbasis, die Patent-, Markt- und Wettbewerbsinformationen zusammenführt, ist Grundvoraussetzung für datengetriebene F&E-Entscheidungen.
• Prozesse neu gestalten: Bestehende Stage-Gate-Prozesse sollten daraufhin überprüft werden, an welchen Punkten strukturierte Datenintelligenz eingebunden werden kann – und welche manuellen Schritte automatisiert oder beschleunigt werden können.

Der eigentliche Wettbewerbsvorteil liegt in der Entscheidungsqualität

Was der 2026 R&D Benchmark Report letztlich deutlich macht, ist eine grundlegende Verschiebung im Verständnis von KI-Wertschöpfung. Nicht die Organisation, die KI am breitesten einsetzt, gewinnt den Innovationswettbewerb – sondern jene, die KI dort einsetzt, wo sie die größte Hebelwirkung hat: an den kritischen Entscheidungspunkten des Innovationsprozesses.

Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, bringt es auf den Punkt: Intelligente Automatisierung bedeutet nicht, mehr Prozesse schneller zu durchlaufen. Es bedeutet, die richtigen Prozesse überhaupt erst in Angriff zu nehmen – gestützt auf eine Datenbasis, die strategische Weichenstellungen fundiert und Fehlallokationen verhindert, bevor sie entstehen.

Für Unternehmen in forschungsintensiven Branchen sollte die Lektüre solcher Benchmark-Daten ein klares Signal sein: Der nächste große Effizienzgewinn liegt nicht in schnellerer Ausführung, sondern in besserer Entscheidungsintelligenz. Wer diese Chance ungenutzt lässt, wird den Wettbewerbsrückstand gegenüber datengetriebener geführten Organisationen nicht aufholen können – trotz aller KI-Investitionen.