Seit 2025 läuft eine Zahl durch jede zweite Präsentation: 95 Prozent der GenAI-Piloten lieferten keinen messbaren wirtschaftlichen Effekt. In der Weitererzählung wurde daraus schnell „95 Prozent der KI-Projekte scheitern”. Gern zitiert, selten nachgelesen: Die Studie nennt ihre eigenen Ergebnisse vorläufig. Ich brauche die Zahl ohnehin nicht, um den Befund zu teilen. In den Häusern, die ich in den letzten Jahren begleitet habe, ist eine Menge liegen geblieben, und die Gründe wiederholen sich so zuverlässig, dass man sie vorher abfragen kann.

Fast keiner davon ist technischer Natur.

Es gibt niemanden, der das Ergebnis verantwortet

Der häufigste Grund und der langweiligste. Ein Projekt hat einen Auftraggeber, ein Budget und ein Team. Was es nicht hat, ist eine Person, die am Ende sagen muss, ob sich der Aufwand gelohnt hat, und die eine Konsequenz zu tragen hat, wenn nicht.

Ohne diese Person passiert nichts Dramatisches. Das Projekt wird langsamer, die Ziele werden weicher, aus dem Produktivsystem wird eine verlängerte Pilotphase, und irgendwann redet niemand mehr darüber. Es scheitert nicht, es hört auf.

Woran man es früh erkennt: Wenn Sie in einer Projektrunde fragen, wer die Ergebnisverantwortung trägt, und drei Personen gleichzeitig auf jemand anderen zeigen.

Es gibt keine Zahl, an der Erfolg gemessen würde

Eng damit verbunden. Ziele wie „Effizienz steigern” oder „Prozesse verbessern” lassen sich nicht widerlegen, und was sich nicht widerlegen lässt, lässt sich auch nicht bestätigen.

Eine brauchbare Zielgröße muss zwei Bedingungen erfüllen: Sie muss vor dem Projekt gemessen worden sein, und sie muss so formuliert sein, dass ein Ergebnis auch enttäuschen kann. Wenn heute vier Stunden pro Woche für die Angebotserstellung anfallen und danach zwei, ist das eine Aussage. „Die Kollegen sind zufriedener” ist keine.

Die Erhebung des Ausgangswerts ist bei vielen Anwendungsfällen überschaubar. Sie wird trotzdem häufig übersprungen, weil sie unspektakulär ist und niemand sie beauftragt.

Die Datenlage wurde nicht geprüft

Bei generativen Anwendungen fällt das kaum auf, weil das Modell sein Wissen mitbringt. Sobald ein Vorhaben mit eigenen Daten arbeitet, wird es zum bestimmenden Faktor.

Der typische Verlauf: Das Projekt startet, nach vier Wochen stellt sich heraus, dass die Artikelstammdaten zweimal umgestellt wurden, dass in einem Feld drei verschiedene Bedeutungen stecken und dass die Historie erst ab 2022 verlässlich ist. Damit ist entweder das Ziel nicht erreichbar oder die Hälfte des Budgets geht in Aufräumarbeit, die niemand eingeplant hat.

Ein erster Test dafür dauert wenige Tage und gehört vor die Entscheidung, nicht danach. Man braucht dazu keine Datenplattform, sondern jemanden, der die Datensätze ansieht und die Fachbereiche fragt, was die Felder bedeuten.

Der zugrundeliegende Prozess ist selbst ungeregelt

Ein Muster, das in Beratungsprojekten regelmäßig auftaucht und selten offen angesprochen wird. Der Prozess, der automatisiert werden soll, existiert in vier Varianten, je nachdem wer ihn ausführt. Es gibt keine verbindliche Reihenfolge, keine definierten Ausnahmen und keine Stelle, an der entschieden wird.

Wer darauf ein KI-System setzt, automatisiert die Uneinheitlichkeit mit. Das Ergebnis wirkt willkürlich, die Fachbereiche verlieren das Vertrauen, und die Diskussion dreht sich anschließend um das Modell, obwohl das Problem eine Ebene tiefer liegt.

Die unbequeme Konsequenz: Manchmal ist der richtige nächste Schritt kein KI-Projekt, sondern zwei Wochen Prozessarbeit. Das lässt sich schlechter verkaufen und rettet mehr Vorhaben als jede Technologieentscheidung.

Niemand hat geklärt, wer das danach betreibt

Ein Pilot läuft, weil sich zwei engagierte Leute darum kümmern. Für den Dauerbetrieb braucht es jemanden, der Fehler entgegennimmt, Zugänge verwaltet, Änderungen an der Schnittstelle bemerkt und prüft, ob die Ergebnisse noch stimmen, wenn der Anbieter das Modell austauscht.

Diese Rolle wird in der Projektplanung fast nie besetzt, weil sie erst nach dem Projekt gebraucht wird. Ein Vorhaben ohne Betriebskonzept ist deshalb kein Vorhaben, sondern ein befristetes Experiment mit Produktivdaten.

Der Betriebsrat kam zuletzt

Wo ein Betriebsrat besteht, ist die Einführung von Systemen, die zur Überwachung von Verhalten oder Leistung geeignet sind, mitbestimmungspflichtig. Das Bundesarbeitsgericht legt das objektiv aus: Es genügt die Eignung, eine Absicht ist nicht nötig. Der Maßstab ist damit weit, aber er greift nicht von allein. Was zählt, ist die Frage, ob sich mit dem System Verhalten oder Leistung einzelner, identifizierbarer Beschäftigter erfassen oder auswerten lässt, und das hängt an Funktionen, Datenflüssen und Zuordenbarkeit im Einzelfall. In der Praxis erfüllen die meisten produktivitätsnahen KI-Werkzeuge dieses Merkmal, und das Gegenteil ist der Fall, den man begründen muss.

Ich habe mehrere Rollouts gesehen, die drei Monate stillstanden, weil der Vertrag unterschrieben war, bevor jemand mit dem Gremium gesprochen hatte. Wer früh einbindet, verliert ein paar Wochen. Wer spät einbindet, verliert Monate und Vertrauen.

Der Pilot war so gebaut, dass er nicht skalieren kann

Das subtilste Muster. Um schnell ein Ergebnis zu zeigen, wird der Pilot mit handverlesenen Daten, manuellen Zwischenschritten und einem wohlwollenden Testkreis aufgesetzt. Er funktioniert, und alle sind zufrieden.

Beim Übergang in den Regelbetrieb fällt jede dieser Vereinfachungen weg, und mit ihnen die Ergebnisqualität. Rückblickend hat der Pilot nicht bewiesen, dass die Lösung trägt, sondern dass sie unter idealen Bedingungen funktioniert.

Vorbeugen lässt sich das mit einer Frage vor dem Start: Welche Vereinfachungen bauen wir gerade ein, und was passiert, wenn wir sie weglassen?

Was daraus folgt

Die Liste enthält keinen einzigen technischen Punkt. Das ist kein Zufall und kein Zeichen dafür, dass Technik trivial wäre; sie ist nur selten der Engpass. Verfügbar sind heute leistungsfähige Modelle, brauchbare Werkzeuge und eine große Menge an Erfahrungswissen. Was fehlt, ist meistens Klarheit darüber, wer entscheidet, woran Erfolg gemessen wird und wer den Betrieb übernimmt.

Deshalb werden in den ersten Wochen eines KI-Vorhabens bereits wesentliche Weichen gestellt, obwohl noch gar nichts gebaut wird. Wer in dieser Zeit Verantwortung, Zielgröße, Datenlage, Prozessreife und Betrieb klärt, räumt einen erheblichen Teil der vermeidbaren Projektrisiken aus dem Weg.

Wie sich diese Klärung als wiederholbarer Ablauf aufsetzen lässt, steht in den fünf Schritten zur gesteuerten KI. Für die Begleitung im konkreten Vorhaben gibt es die KI-Roadmap und den externen Chief AI Officer.

Zum Schluss die Frage, die ich am Anfang jedes Projekts stelle und die erstaunlich oft für Stille sorgt: Wenn dieses Vorhaben in zwölf Monaten enttäuscht, wer sagt es uns, und woran hätte er es erkannt?