Die Scheiterquote steigt, statt zu sinken
42 Prozent der Unternehmen haben 2025 die meisten ihrer KI-Initiativen wieder eingestampft. Im Jahr zuvor waren es 17 Prozent (S&P Global Market Intelligence). Im Schnitt landet fast jeder zweite Proof of Concept im Papierkorb, bevor er je in Produktion geht.
Mehr Unternehmen probieren KI aus. Mehr Unternehmen scheitern daran. Die Technik ist dabei selten das Problem. Es ist die Herangehensweise. KI im Unternehmen scheitert fast nie am Modell, sondern daran, wie die Implementierung aufgesetzt ist.
Das MIT schätzt, dass 95 Prozent der Pilotprojekte mit generativer KI keinen messbaren Effekt auf die Gewinn- und Verlustrechnung liefern. Über alle Arten von KI-Projekten hinweg scheitern laut RAND Corporation mehr als 80 Prozent, doppelt so oft wie bei IT-Projekten ohne KI.
Klingt entmutigend, ist es aber nicht. Denn das Scheitern folgt immer denselben Mustern. Wer sie kennt, kann sie umgehen.
Wir sehen diese Muster Woche für Woche. Meist nicht beim ersten Gespräch, sondern wenn ein Kunde mit einem Projekt kommt, das vor einem Jahr “ganz groß” gestartet ist und seitdem in einer Endlosschleife aus Demos und Nachbesserungen feststeckt.
Sechs davon tauchen so regelmäßig auf, dass man fast die Uhr danach stellen kann. Gehen wir sie der Reihe nach durch.
Muster 1: zu groß angefangen
Der häufigste Fehler überhaupt. Ein Unternehmen beschließt, seine Abläufe mit KI zu “transformieren”. Mehrere Anwendungsfälle, mehrere Abteilungen, ein ambitionierter Zeitplan.
Ein halbes Jahr später läuft nichts in Produktion. Der Umfang ist gewachsen, die Anforderungen haben sich verschoben, das Budget ist aufgebraucht.
Die Lösung ist unspektakulär: Nehmen Sie genau einen Anwendungsfall. Den mit dem größten Volumen und der stumpfesten Wiederholung. Bauen Sie in vier bis acht Wochen einen Piloten und messen Sie das Ergebnis gegen einen Ausgangswert.
Funktioniert er, bauen Sie aus. Funktioniert er nicht, haben Sie Wochen verloren, keine Quartale.
Ein Logistikkunde kam mit einer Wunschliste: fünf Prozesse, alle gleichzeitig, am liebsten bis zum Quartalsende. Wir haben ihn überzeugt, mit einem einzigen anzufangen: der Rechnungsverarbeitung. Dem langweiligsten Punkt auf der Liste, dafür dem mit dem größten Volumen.
Dieses eine Projekt sparte 57 Stunden pro Woche. Und es zeigte ihm ganz nebenbei, wie er die nächsten vier angehen muss.
Die kamen später, einer nach dem anderen, jeder mit dem Wissen aus dem vorigen im Rücken. Genau das wäre im großen Wurf untergegangen.
Muster 2: Datenqualität ignoriert
43 Prozent der gescheiterten KI-Projekte nennen die Datenqualität als das Haupthindernis. Nicht die Modellqualität. Nicht technische Schwierigkeiten. Die Daten.
Eine KI ist exakt so gut wie die Daten, die sie verarbeitet. Sind Ihre Daten widersprüchlich, lückenhaft oder über unverträgliche Systeme verstreut, sind die Ergebnisse unbrauchbar. Müll rein, Müll raus, daran hat auch das beste Modell nichts geändert.
Ein Fertigungsbetrieb wollte eine KI-gestützte Bedarfsprognose. Seine Verkaufsdaten lagen in drei Systemen, jedes mit eigenen Artikelnummern und Datumsformaten. Wir haben acht Wochen damit verbracht, diese Daten zu bereinigen, bevor auch nur eine Zeile KI-Code geschrieben werden konnte.
Eingeplant hatte das niemand. Genau das ist das Muster: Unternehmen budgetieren die KI, aber nicht die Datenaufbereitung, die KI überhaupt erst möglich macht.
Muster 3: kein klares Erfolgskriterium
“Wir wollen KI einsetzen” ist kein Projekt. Es ist ein Wunsch. Ohne ein konkretes, messbares Ziel lässt sich nie sagen, ob man erfolgreich war.
Die Unternehmen, die es schaffen, definieren ihre Kennzahl, bevor die erste Codezeile entsteht. “Die Rechnungsverarbeitung von 60 auf 15 Stunden pro Woche senken.” “Die Erstreaktionszeit im Support von vier Stunden auf 30 Minuten drücken.” “Den Prognosefehler von 25 auf 10 Prozent reduzieren.”
49 Prozent der Organisationen tun sich schwer damit, den Wert ihrer KI überhaupt zu beziffern. Woran liegt das? Sie haben nie festgelegt, was “Wert” in ihrer konkreten Situation bedeutet.
Den Ausgangswert festhalten, das Ziel festlegen, laufend messen. Alles andere führt ins Leere.
Muster 4: die Sandkasten-Falle
Organisationen starten ihren Proof of Concept in einer sicheren, kontrollierten Umgebung. Im Sandkasten läuft die Technik wunderbar.
Dann kommt die Produktion. Sichere Authentifizierung, Compliance-Abläufe, Schulung echter Anwender, Anbindung an Systeme mit Schnittstellen aus dem Jahr 2008. Dazu jede Menge Sonderfälle, die im Sandkasten nie aufgetaucht sind.
Die Kluft zwischen “läuft in der Demo” und “läuft in Produktion” ist der Ort, an dem die meisten Projekte sterben. Planen Sie das Härten für die Produktion fest mit ein. Es kostet typischerweise das Zwei- bis Dreifache des Piloten.
Wer diese Lücke einkalkuliert, hat eine dramatisch höhere Erfolgsquote als jemand, der den Piloten für 90 Prozent der Arbeit hält. Er ist eher die Hälfte.
Muster 5: den Menschen vergessen
Der häufigste Grund, warum KI-Werkzeuge nach dem Start verstauben: Niemand hat die Leute mitgenommen, die täglich damit arbeiten sollen.
Ihre Buchhalterin verarbeitet Eingangsrechnungen seit fünf Jahren auf eine bestimmte Weise. Sie stellen ein KI-System hin und erwarten, dass sie über Nacht umlernt. Tut sie das?
Eher nicht. Sie traut dem System nicht, sie arbeitet daran vorbei. Nach drei Monaten ist sie zurück beim alten Prozess.
Die Lösung: Beziehen Sie die betroffenen Mitarbeiter vom ersten Tag an ein. Zeigen Sie ihnen, wie das System arbeitet, lassen Sie sie es testen, geben Sie ihnen ein Veto über jede Entscheidung der KI. Machen Sie sie zu Beteiligten am Entwurf, nicht zu Opfern davon.
Fehlendes Know-how, Widerstand in der Belegschaft, kulturelle Hürden. All das summiert sich. KI-Projekte bleiben nicht an fehlerhaften Algorithmen hängen, sondern an den Menschen und Prozessen drumherum.
Ein kleines Detail entscheidet hier oft mehr als die ganze Technik. Wer die Sache nicht von oben verordnet, sondern die erfahrenste Person im Team früh dazuholt und ihr Urteil ernst nimmt, gewinnt eine Fürsprecherin statt einer Gegnerin. Und genau diese eine Person zieht den Rest mit.
Muster 6: den falschen Anwendungsfall gejagt
Nicht jeder Prozess profitiert von KI. Hat eine Aufgabe wenig Volumen, stark schwankende Eingaben und braucht sie tiefes fachliches Urteil, dann hilft KI kaum.
Der ideale erste KI-Fall hat vier Eigenschaften: hohes Volumen (Hunderte Wiederholungen pro Woche), gleichförmige Eingaben (jedes Mal ein ähnliches Format), klare Regeln (richtig und falsch sind objektiv definierbar) und messbare Kosten (Sie können die aufgewendeten Stunden ausrechnen).
Erfüllt Ihr Kandidat nicht mindestens drei dieser vier Punkte, nehmen Sie einen anderen.
Ein Kunde wollte unbedingt eine KI, die Urlaubsanträge genehmigt. Die Regeln dafür passten auf einen Bierdeckel: Resturlaub vorhanden, keine Überschneidung im Team, mehr als zwei Wochen Vorlauf. Drei Bedingungen, kein Sprachmodell nötig.
Was er brauchte, war ein simples Formular. Genau das haben wir gebaut, und er war zufriedener als mit jeder KI. Niedriges Volumen plus glasklare Regeln: klassische Automatisierung, kein KI-Fall.
Welche Prozesse sich überhaupt eignen und woran Sie einen guten Kandidaten erkennen, haben wir in unserem Beitrag zur KI-Automatisierung im Mittelstand ausführlicher aufgeschlüsselt.
Der Plan für den zweiten Anlauf
Ist Ihr letztes KI-Projekt gescheitert, muss das nächste es nicht. Das ändert sich.
Prüfen Sie Ihre Daten, bevor Sie starten. Zwei Wochen Datenanalyse sparen zwei Monate Nacharbeit. Wissen Sie, was Sie haben und in welchem Zustand es ist.
Wählen Sie den kleinsten sinnvollen Umfang. Ein Prozess, eine Abteilung, eine Datenquelle. Widerstehen Sie der Versuchung, mitten im Projekt den Umfang aufzublähen.
Definieren Sie Erfolg in Zahlen. Schreiben Sie die konkrete Kennzahl auf, die Sie messen, und die Schwelle, ab der das Projekt erfolgreich ist.
Budgetieren Sie für die Produktion, nicht nur für den Piloten. Kostet der Pilot 25.000 Euro, planen Sie insgesamt 50.000 bis 75.000 Euro ein, um das Härten für die Produktion abzudecken.
Holen Sie die Anwender ins Boot. Ihre Akzeptanz entscheidet, ob das System nach dem Start lebt oder stirbt.
Wer diesen Weg systematisch gehen will, findet in unserem praktischen Leitfaden zur KI-Workflow-Integration den großen Bogen von der Idee bis zum laufenden Betrieb. Und bevor Sie überhaupt starten, klärt unsere KI-Readiness-Checkliste in einer halben Stunde, ob Daten, Prozesse und Team wirklich so weit sind.
Es geht auch anders herum
Damit das nicht nach reiner Abschreckung klingt: Es gibt sie, die KI-Projekte, die genau richtig laufen. Sie sehen nur unspektakulärer aus als die gescheiterten.
Eine Ticket-Triage im Kundenservice, die eingehende Anfragen still vorsortiert und dem richtigen Team zuweist. Eine Pipeline für die Dokumentenverarbeitung, die Belege liest, prüft und ins ERP überträgt, ohne dass jemand abtippt. Klein im Zuschnitt, klar im Ziel, vom ersten Tag an mit den Anwendern gebaut.
Das ist kein Zufall. Es ist dasselbe Muster wie oben, nur richtig herum.
Was das für den deutschen Markt heißt
36 Prozent der deutschen Unternehmen setzen inzwischen KI ein, weitere 47 Prozent planen oder prüfen den Einsatz (Bitkom KI-Studie 2026). Doch Verbreitung ist nicht dasselbe wie Erfolg.
Genau hier wird Muster 4 in der Breite sichtbar. Wer nur den Piloten budgetiert und das Härten für die Produktion vergisst, erlebt die Mehrkosten als böse Überraschung. Geplant wären sie keine gewesen, nur eingepreist.
Genau dort entscheidet sich der Vorsprung. Nicht darin, wer zuerst eine KI im Haus hat, sondern wessen KI-Implementierung tatsächlich ins Laufen kommt. Und auch die Kostenseite gehört ehrlich gerechnet, bevor das Projekt startet, nicht erst, wenn das Budget bereits aus dem Ruder läuft.
Es richtig zu machen zählt mehr, als der Erste zu sein. Die sechs Muster oben sind keine Pechsträhne. Sie sind vermeidbar, jedes einzelne.
Ist ein KI-Projekt bei Ihnen schiefgelaufen? Lassen Sie uns gemeinsam herausfinden, was passiert ist und wie es weitergeht. Wir schauen ehrlich darauf und entwerfen einen Ansatz, der zu Ihrer Situation passt.
