Kurz gesagt
- Unabhängige Studien zeigen, dass die meisten KI-Projekte nicht das erwartete Ergebnis liefern: RAND spricht von über 80 % Fehlschlägen, laut BCG schaffen nur 4 % der Unternehmen substanziellen Wert, und Gartner sagte voraus, dass mindestens 30 % der Projekte mit generativer KI nach dem Proof of Concept aufgegeben werden.
- Die Hauptursache ist nicht technischer Natur. Nach der 10-20-70-Regel von BCG hängt der Erfolg zu 10 % von Algorithmen ab, zu 20 % von Technologie und Daten und zu 70 % von Menschen und Prozessen.
- Die sieben häufigsten Ursachen: ein unklar definiertes Problem, Daten, die das Versprechen nicht tragen, ein Pilot ohne Weg in den Betrieb, KI außerhalb des tatsächlichen Arbeitsablaufs, eine vernachlässigte Einführung, unrealistische Renditeerwartungen sowie fehlende Verantwortung und Governance.
- KI rechnet sich, wenn sie bei einem Prozess ansetzt, den man bereits versteht, mit verlässlichen Daten, einer vorab festgelegten Geschäftskennzahl und Menschen am Steuer bei Entscheidungen, die Urteilsvermögen verlangen.
- Der sichere Fahrplan hat fünf Schritte: das Problem nach seinem Wert auswählen, die Daten prüfen, den Ablauf mit den künftigen Nutzern gestalten, die Pilotphase von Anfang an an der Geschäftskennzahl messen und erst dann skalieren.
Was die Studien sagen, ohne Alarmismus
Die Zahlen schwanken, weil jede Studie etwas anderes misst, aber sie zeigen in dieselbe Richtung.
| Studie | Ergebnis | Genannte Ursachen |
|---|---|---|
| RAND Corporation, 2024 | Schätzungen, nach denen mehr als 80 % der KI-Projekte scheitern, doppelt so viele wie bei IT-Projekten ohne KI. Grundlage: Interviews mit 65 erfahrenen Data Scientists und Ingenieuren | Unzureichend verstandenes Problem, zu wenige Daten, Fokus auf die Technologie statt auf das Problem, schwache Infrastruktur, Probleme, die für KI zu schwierig sind |
| BCG, Oktober 2024 | Nur 22 % der Unternehmen sind über den Proof of Concept hinausgekommen und schaffen überhaupt Wert. Nur 4 % schaffen substanziellen Wert | 10-20-70-Regel: 10 % Algorithmen, 20 % Technologie und Daten, 70 % Menschen und Prozesse |
| Gartner, Juli 2024 | Prognose, dass bis Ende 2025 mindestens 30 % der Projekte mit generativer KI nach dem Proof of Concept aufgegeben werden | Schlechte Datenqualität, unzureichende Risikokontrollen, steigende Kosten und unklarer Geschäftswert |
| MIT NANDA, 2025 | 95 % der Organisationen ohne messbare Rendite aus generativer KI | Werkzeuge, die weder aus dem Kontext lernen noch sich in den Arbeitsablauf einfügen |
Der Blick zurück hilft. 2020, vor der Welle der generativen KI, hatte BCG bereits gezeigt, dass 70 % der digitalen Transformationen ihre Ziele verfehlen, aus denselben Gründen: diffuse Strategie, fehlende Führung, schwache Governance. Künstliche Intelligenz hat dieses Muster nicht geschaffen. Sie hat es teurer und sichtbarer gemacht.
Die sieben Ursachen, an denen KI-Projekte scheitern
1. Das Problem wurde falsch gewählt
Das Projekt entsteht aus „Wir müssen etwas mit KI machen“ und nicht aus einem geschäftlichen Problem mit Verantwortlichem und klarem Wert. RAND nennt diese Ursache an erster Stelle: Technikteams und Führung haben kein gemeinsames Verständnis davon, welches Problem gelöst werden soll. Das Ergebnis ist ein technisch korrektes Modell, das eine Frage beantwortet, die niemand gestellt hat.
Woran Sie es erkennen: Niemand kann in einem Satz sagen, welche Geschäftszahl sich verändert, wenn das Projekt gelingt.
2. Die Daten tragen das Versprechen nicht
Doppelte Stammdaten, unvollständige Historien, Informationen verstreut in persönlichen Tabellen, unterschiedliche Regeln in jeder Abteilung. KI lernt aus dem, was vorhanden ist. Mit schlechten Daten liefert sie falsche Antworten, die präzise wirken, und das ist schlimmer als gar keine Antwort.
Woran Sie es erkennen: Die erste Projektphase heißt „Daten erheben“, und sie endet nie.
3. Der Pilot hat keinen Weg in den Betrieb
Proofs of Concept sind darauf ausgelegt zu beeindrucken: von Hand aufbereitete Daten, eine abgeschottete Umgebung, ein eigenes Team. Nichts davon gibt es im echten Betrieb. Wenn Budget, Architektur und Verantwortung für die nächste Phase nicht von Anfang an feststehen, bleibt der Pilot eine Präsentation.
Woran Sie es erkennen: Es gibt einen Termin für die Demo, aber keinen für den Einsatz im Alltag.
4. Die KI blieb außerhalb des echten Arbeitsablaufs
Ein Werkzeug in einem anderen Tab, das Kopieren und Einfügen verlangt, verliert gegen die Gewohnheit. Genau das beschreibt der Bericht von MIT NANDA als größte Hürde: Lösungen, die sich weder in die Arbeit einfügen noch aus dem Kontext des Unternehmens lernen. Die Intelligenz muss innerhalb des Systems auftauchen, das die Person ohnehin nutzt, und zwar in dem Moment, in dem sie entscheidet.
Woran Sie es erkennen: Alle haben es ausprobiert, fanden es gut, und einen Monat später öffnet es niemand mehr.
5. Die Einführung wurde als Nebensache behandelt
Lizenzen zu kaufen ist keine Transformation. Jede Veränderung bringt einen gefühlten Verlust mit sich: an Kontrolle, an Autonomie, an Bedeutung. Wenn die künftigen Nutzer nicht an der Gestaltung beteiligt waren, nicht vorbereitet wurden und nicht verstehen, was sie gewinnen, stößt das Projekt auf stillen, höflichen Widerstand. Genau hier liegen die 70 % der BCG-Regel.
Woran Sie es erkennen: Die Schulung bestand aus einem Video per E-Mail.
6. Die Renditeerwartung ist unrealistisch
„Wir wollen die Rendite in 90 Tagen sehen“ drängt die Teams zu Vorzeigefällen ohne Tiefe. Produktivitätsgewinne sind real, lassen sich aber nur schwer direkt in finanzielle Ergebnisse übersetzen, wie Gartner selbst anmerkt. Ohne einen vorher gemessenen Ausgangswert lässt sich nicht einmal der Erfolg belegen.
Woran Sie es erkennen: Die Projektkennzahl ist die Genauigkeit des Modells und keine Geschäftskennzahl.
7. Es fehlt ein Verantwortlicher, und es fehlt Governance
Wer steht dafür ein, wenn die KI bei einem Kunden danebenliegt? Wer genehmigt die Nutzung personenbezogener Daten im Rahmen von DSGVO und BDSG? Wer behält die Nutzungskosten im Blick, die mit dem Volumen wachsen? Ohne diese Antworten stoppt die Rechtsabteilung das Projekt am Tag vor dem Start oder, schlimmer noch, niemand stoppt es.
Woran Sie es erkennen: Die Fragen zum Risiko tauchen zum ersten Mal in der finalen Freigabesitzung auf.
Wo sich KI rechnet
Das Muster erfolgreicher Projekte ist fast das Gegenteil der obigen Liste. Sie setzen KI bei Prozessen ein, die das Unternehmen bereits versteht, mit hohem Volumen, verfügbaren Daten und einer klaren Geschäftskennzahl.
So priorisieren Sie Anwendungsfälle: auf der einen Seite der Geschäftswert, auf der anderen die Reife der Daten.
Drei Merkmale wiederholen sich bei den Fällen, die sich rechnen:
- Die KI ist Teil des Ablaufs. Die vorgeschlagene Antwort erscheint direkt in der Kundenservice-Oberfläche, die Gesprächszusammenfassung landet automatisch im CRM, die Prognose steht im Dashboard, das die Geschäftsführung jeden Montag öffnet.
- Menschen behalten das Steuer. Was allein laufen kann, läuft allein, mit klaren Regeln. Entscheidungen, die Gespräch und Urteilsvermögen verlangen, bleiben bei Menschen, und die KI arbeitet ihnen zu.
- Der Nutzen hat einen Verantwortlichen. Jemand aus dem Fachbereich, nicht aus der IT, steht für die Kennzahl ein, die das Projekt bewegen sollte.
Ein Fahrplan, um KI aus der Pilotphase zu holen
- ProblemEin geschäftliches Problem mit Verantwortlichem, Wert und Kennzahl
- DatenGibt es die Quellen zum Problem, und sind sie verlässlich?
- AblaufGestaltet mit den künftigen Nutzern, innerhalb der bestehenden Systeme
- PilotKurz, im echten Betrieb, von Anfang an an der Geschäftskennzahl gemessen
- SkalierungGovernance, Kosten, Vorbereitung der Teams und laufende Weiterentwicklung
Zuerst die Menschen und das Problem. Dann der Prozess und die Daten. Danach die Technologie.
1. Wählen Sie das Problem nach dem Wert, nicht nach der Technologie
Listen Sie die Probleme auf, die der Führung bereits bekannt sind. Schätzen Sie für jedes den Wert, um den es geht, und klären Sie, wer für das Ergebnis geradesteht. Wenn niemand die Kennzahl verantworten will, hat das Problem keine Priorität, so spannend die Technologie auch sein mag.
2. Prüfen Sie die Daten, bevor Sie etwas versprechen
Klären Sie für das gewählte Problem, ob die Daten existieren, wo sie liegen, wer sie pflegt und in welcher Qualität. Diese Prüfung dauert Tage und erspart Monate. Wenn die Daten den Fall nicht tragen, besteht das richtige Projekt darin, sie in Ordnung zu bringen, und auch das ist schon ein Fortschritt: Dieselbe Basis dient später auch Revenue Operations, den Dashboards und den nächsten Automatisierungen.
3. Gestalten Sie den Ablauf mit den künftigen Nutzern
Setzen Sie sich neben die Menschen, die die Arbeit heute erledigen. Wo die KI ansetzt, was sie vorschlägt, was die Person bestätigt, was passiert, wenn das System sich irrt oder nicht weiterweiß. Entscheiden Sie auch, wo die Lösung zu Hause ist: Ein Standardwerkzeug anzupassen oder eine eigene Komponente zu bauen, ist eine strategische Entscheidung, und darum geht es in unserem Leitfaden zu Individualsoftware oder Standardsoftware.
4. Erproben Sie im echten Betrieb, gemessen an der Geschäftskennzahl
Ein kurzer Pilot, mit echten Nutzern, echten Daten und, wenn möglich, einer Vergleichsgruppe. Messen Sie vorher den Ausgangswert. Rechnen Sie alle Kosten ein: Integration, Nutzung, menschliche Prüfung, Vorbereitung der Teams. Am Ende der Pilotphase steht eine Entscheidung: skalieren, anpassen oder beenden. Einen Fall, der sich nicht rechnet, früh zu beenden, ist ebenfalls ein Ergebnis.
5. Skalieren Sie mit Governance und begleiten Sie die Einführung
Legen Sie Verantwortlichkeiten fest, Nutzungsgrenzen, den Umgang mit personenbezogenen Daten und die Überwachung von Qualität und Kosten. Bereiten Sie die Teams vor der Umstellung vor, nicht danach. Und bleiben Sie dran: Ob die Lösung angenommen wird, zeigt sich erst Wochen nach dem Start, wenn der Reiz des Neuen verflogen ist und die alte Gewohnheit zurückkehren will.
Bevor Sie das nächste KI-Projekt freigeben: zehn Fragen
- Welche Geschäftskennzahl wird sich verändern, und um wie viel?
- Wer außerhalb der IT verantwortet diese Kennzahl?
- Wie hoch ist der heute gemessene Ausgangswert?
- Gibt es die nötigen Daten, und vertraut ihnen jemand?
- Auf welchem Bildschirm, in welchem System begegnet die Person der KI?
- Was passiert, wenn die KI sich irrt, und wer bemerkt es?
- Waren die künftigen Nutzer an der Gestaltung beteiligt?
- Gibt es Budget und Verantwortliche für die Zeit nach der Pilotphase?
- Sind die rechtlichen und datenschutzrechtlichen Risiken bereits bewertet?
- Würden einfache Automatisierungsregeln dasselbe Problem günstiger lösen?
Wenn mehr als drei Antworten „wissen wir nicht“ lauten, ist das Projekt noch nicht startklar. Und das vorher herauszufinden, ist die beste Rendite, die eine Stunde Besprechung bringen kann.
Häufige Fragen
Wie hoch ist die Scheiterquote von KI-Projekten?
Das hängt von der Studie ab und davon, was als Scheitern gilt. Die RAND Corporation (2024) zitiert Schätzungen, nach denen mehr als 80 % der KI-Projekte scheitern, doppelt so viele wie bei IT-Projekten ohne KI. BCG (2024) stellte fest, dass nur 22 % der Unternehmen über den Proof of Concept hinauskommen und 4 % substanziellen Wert schaffen. MIT NANDA (2025) ermittelte, dass 95 % der Organisationen keine messbare Rendite aus generativer KI erzielen, eine Zahl, deren Methodik umstritten ist. Einig sind sich die Studien in der Diagnose: Die meisten Projekte erreichen kein Geschäftsergebnis.
Warum bleiben so viele KI-Projekte in der Pilotphase stecken?
Weil der Pilot beweisen soll, dass die Technologie funktioniert, und nicht, dass das Geschäft besser wird. Er läuft mit von Hand aufbereiteten Daten, außerhalb der echten Systeme und ohne die Menschen, die die Lösung im Alltag nutzen würden. Wenn es dann um Integration, Schulung der Teams und laufende Betriebskosten geht, fehlen Budget, Verantwortliche und eine Kennzahl, die das Weitermachen rechtfertigt.
Wie misst man den ROI eines KI-Projekts?
Indem man vor Projektbeginn eine Geschäftskennzahl festlegt, keine technische: Antwortzeit gegenüber Kunden, frei gewordene Stunden in einer Routine, Fehlerquote, Konversionsrate, Kundenbindung. Man misst den Ausgangswert, führt die Pilotphase nach Möglichkeit mit einer Vergleichsgruppe durch und rechnet alle Kosten ein, auch Integration, Betrieb, menschliche Prüfung und Schulung. Die Genauigkeit des Modells ist eine technische Kennzahl, keine Rendite.
Wo fängt man mit KI im Unternehmen an?
Bei einem Prozess, den das Unternehmen bereits gut versteht: mit hohem Volumen, einigermaßen klaren Regeln, verfügbaren Daten und Fehlerkosten, die gering sind oder sich durch menschliche Prüfung leicht begrenzen lassen. Typische Beispiele: häufige Anfragen vorsortieren und beantworten, Gespräche zusammenfassen und dokumentieren, Dokumente klassifizieren, die Nachfrage prognostizieren. Unklare Prozesse sollten Sie in Ordnung bringen, bevor KI dazukommt.
Sind generative KI und Automatisierung dasselbe?
Nein. Automatisierung führt festgelegte Regeln aus: Wenn dies passiert, tu das. Sie ist berechenbar und günstig zu prüfen. Generative KI interpretiert Sprache, erzeugt Text und bewältigt Fälle, die keine Regel vorhergesehen hat, um den Preis einer gewissen Unberechenbarkeit. Die besten Ergebnisse entstehen aus der Kombination: Automatisierung für den Ablauf, KI für die Stellen, an denen Interpretation gefragt ist, und Menschen bei den Entscheidungen mit dem höchsten Risiko.
Müssen alle Daten in Ordnung sein, bevor wir mit KI anfangen?
Alle nicht. Die Daten des gewählten Problems schon. Ein klar abgegrenztes Projekt verlangt Qualität nur in den Quellen, die es nutzt, und das macht das Aufräumen machbar. Wer auf die perfekte Datenbasis wartet, lähmt das Unternehmen, und wer die Datenqualität ignoriert, bekommt falsche Antworten, die präzise aussehen.
