Warum 8 von 10 KI-Projekten scheitern und was die anderen anders machen

Florian Maier
19. Juli
5 Min. Lesezeit

Die Zahlen zum Stand von KI im Unternehmenseinsatz sind ernüchternd. Über 80 Prozent der KI-Projekte scheitern, doppelt so viele wie bei klassischen IT-Projekten [1]. 42 Prozent der Unternehmen haben 2025 die Mehrheit ihrer KI-Initiativen abgebrochen, im Jahr davor waren es noch 17 Prozent [2]. Und eine MIT-Studie kommt zum Ergebnis, dass 95 Prozent aller GenAI-Piloten keinen messbaren Effekt auf das Geschäftsergebnis haben [3].

Das Bemerkenswerte an diesen Studien: Die Technologie ist fast nie der Grund. Die Modelle funktionieren. Was scheitert, ist die Organisation drumherum. Wir haben die belastbarsten Untersuchungen der letzten zwei Jahre ausgewertet und mit dem abgeglichen, was wir in eigenen Projekten sehen. Fünf Muster erklären den größten Teil der Ausfälle, und keines davon hat mit der Wahl des Modells zu tun.

1. Das Projekt startet mit einer Technologie statt mit einem Problem

Die RAND Corporation hat 65 erfahrene Data Scientists und Engineers zu gescheiterten KI-Projekten befragt. Das Ergebnis ist eindeutig: 84 Prozent der Befragten aus der Industrie nannten Führungsentscheidungen als Hauptursache, allen voran ein falsch verstandenes oder schlecht kommuniziertes Problem [1]. Projekte starten, weil der Vorstand KI auf der Agenda hat, nicht weil jemand einen konkreten Schmerz beziffert hätte.

Dagegen hilft ein Prinzip, das älter ist als jedes Sprachmodell: die Engpasstheorie von Eliyahu Goldratt. Jede Organisation hat zu jedem Zeitpunkt genau einen begrenzenden Faktor, und jede Verbesserung außerhalb dieses Engpasses ist eine Illusion von Fortschritt. Übertragen auf KI: Bevor Sie fragen, was die Technologie alles kann, beziffern Sie, welcher Prozess Sie heute nachweislich Umsatz, Marge oder Zeit kostet. Erst wenn diese Frage beantwortet ist, lohnt sich der Blick auf Werkzeuge. Sonst entsteht das, was wir in Erstgesprächen regelmäßig vorfinden: ein Dutzend angefangener Automatisierungen, von denen keine einen Geschäftswert liefert.

2. Der Pilot glänzt, die Produktion kommt nie

Laut S&P Global verwirft das durchschnittliche Unternehmen 46 Prozent seiner KI-Proofs-of-Concept, bevor sie je produktiv laufen [2]. Die Demos beeindrucken, aber sie überleben den Weg in den Alltag nicht. Der Grund ist selten das Modell. Es fehlt die Betriebsinfrastruktur: definierte Auslöser, angebundene Datenquellen, ein Prüfschritt, ein Verantwortlicher, Monitoring.

Die MIT-Forscher beschreiben denselben Befund als "Learning Gap": Generische Chat-Tools sind für Einzelpersonen brillant, aber sie lernen nichts über die Abläufe des Unternehmens und passen sich ihnen nicht an [3]. Ein Mitarbeiter, der Ergebnisse aus einem Chatfenster kopiert, ist keine Automatisierung, sondern eine Person mit einem schnelleren Textbaustein. Fällt sie aus, steht der Prozess. Messbare Effekte entstehen erst, wenn KI in einen Ablauf eingebettet ist, der auch ohne eine bestimmte Person funktioniert. Interessant auch: Zugekaufte, spezialisierte Lösungen erreichen laut MIT die Produktionsreife etwa doppelt so oft wie Eigenentwicklungen [3].

3. Die Datenbasis entscheidet, bevor das Modell rechnet

In der RAND-Befragung diskutierten 30 von 50 Interviewten Datenqualität als chronisches Problem; ein Teilnehmer brachte es auf die Formel, 80 Prozent der KI-Arbeit sei die Drecksarbeit des Data Engineering [1]. Der globale CDO-Insights-Survey bestätigt das: Datenqualität und -bereitschaft sind mit 43 Prozent das meistgenannte Hindernis für KI-Vorhaben [4].

In der Praxis heißt das nicht, dass Mittelständler keine Daten hätten. Gesprächsnotizen, Angebote, Support-Verläufe, Projektdokumentation: Das Material ist da, es liegt nur verteilt über Postfächer, Laufwerke und Köpfe. Kein Modell gleicht ein ungepflegtes CRM aus. Wer automatisiert, bevor geklärt ist, wo Informationen entstehen, wo sie liegen und wer ihre Richtigkeit verantwortet, produziert dieselben Fehler wie vorher, nur schneller und in größerer Stückzahl.

4. Das Budget ignoriert die Menschen

Die Boston Consulting Group empfiehlt für KI-Transformationen eine Ressourcenverteilung von 10/20/70: 10 Prozent für Algorithmen und Tools, 20 Prozent für Technologie und Daten, 70 Prozent für Menschen und Prozesse [5]. Die meisten Unternehmen budgetieren exakt umgekehrt. Sie kaufen Lizenzen und behandeln Training, Prozess-Redesign und Verantwortlichkeiten als Fußnote.

Die Folgen sind messbar. McKinsey zeigt, dass Führungskräfte die KI-Nutzung und die Sorgen ihrer Belegschaft systematisch falsch einschätzen: Mitarbeitende halten es für dreimal wahrscheinlicher als ihre Vorgesetzten, dass KI binnen eines Jahres 30 Prozent ihrer Arbeit ersetzt, und 21 Prozent berichten, kaum oder keine Unterstützung im Umgang mit KI zu bekommen [6]. Gleichzeitig geben 70 Prozent der Marketingfachleute an, ihr Arbeitgeber biete gar kein Training zu generativer KI [7]. Ein Tool, das niemand sicher bedienen kann und dem niemand traut, liefert keinen ROI, egal wie gut das Modell ist.

5. Ohne Spielregeln wird KI zum Compliance-Risiko

Wo das Unternehmen keine KI-Prozesse anbietet, bauen sich Mitarbeitende eigene. Untersuchungen zu Schatten-KI zeigen, dass 77 Prozent der Beschäftigten, die generative Tools nutzen, dabei auch Unternehmensdaten in öffentliche Dienste kopieren, von Kundendaten bis Quellcode [8]. Samsung hat nach genau so einem Vorfall die Nutzung generativer KI intern eingeschränkt. Für Unternehmen im Geltungsbereich von DSGVO und EU AI Act ist das kein Kavaliersdelikt, sondern ein Haftungsthema.

Die Lösung ist keine Verbotskultur, sondern ein kurzes, schriftliches Regelwerk: Welche Tools sind freigegeben, welche Daten dürfen hinein, wer prüft Ergebnisse, bevor sie Kunden erreichen, und welche Entscheidungen trifft grundsätzlich ein Mensch. Denn am Ende gilt: Verantwortung lässt sich nicht an ein System delegieren. Automatisierung verschiebt Kontrolle an die richtige Stelle, sie schafft sie nicht ab.

Der Denkfehler hinter allen fünf Mustern

Der Investor Howard Marks unterscheidet zwischen First-Level- und Second-Level-Thinking: Erstes Denken bewertet die unmittelbare Konsequenz einer Entscheidung, zweites Denken die Folgen der Folgen. Die meisten gescheiterten KI-Projekte sind First-Level-Entscheidungen. Die Lizenz spart sofort Zeit, also wird gekauft. Was in zwölf Monaten passiert, wenn das Nachwuchswissen fehlt, weil die Einstiegsaufgaben wegautomatisiert wurden, wenn Kernprozesse an einem einzigen Anbieter hängen oder wenn sich niemand mehr erinnert, warum das System entscheidet, wie es entscheidet, steht auf keiner Folie.

Drei Fragen vor jeder KI-Entscheidung bringen das zweite Denken in den Raum: Was ändert sich sofort? Was ändert sich in einem Jahr? Und was, wenn der Anbieter die Preise verdoppelt, das Modell wechselt oder vom Markt verschwindet? Wer die dritte Frage nicht beantworten kann, trifft keine Strategieentscheidung, sondern folgt einem Impuls.

Die Reihenfolge, die funktioniert

Aus den Studien und aus unserer eigenen Projektarbeit ergibt sich eine klare Abfolge. Erst das Problem beziffern: ein Engpass, ein messbarer Schaden, ein Verantwortlicher. Dann den Prozess definieren, den die KI übernehmen soll, inklusive der Kriterien, woran ein gutes Ergebnis erkennbar ist. Dann die Datenbasis klären. Dann die Menschen ausbilden und die Spielregeln festlegen. Und erst am Ende das Werkzeug auswählen, als kleinster und am leichtesten austauschbarer Teil des Systems.

Diese Reihenfolge ist unspektakulär, und genau deshalb wird sie so selten eingehalten. Aber sie erklärt den Unterschied zwischen den 42 Prozent, die abbrechen, und den Unternehmen, bei denen sich der Einsatz trägt: Der Vorsprung entsteht nicht durch die Lizenz, die morgen jeder kaufen kann. Er entsteht durch sauber definierte Prozesse und eine Datenbasis, die mit jedem Monat Betrieb wertvoller wird.