„Das automatisieren wir einfach mit KI“ — dieser Satz klingt gut in einem Erstgespräch. Er ist aber auch der zuverlässigste Weg, ein Automatisierungsprojekt gegen die Wand zu fahren.
Eine aktuelle Studie des MIT liefert dazu eine unbequeme Zahl: 95 Prozent der generativen KI-Pilotprojekte in Unternehmen liefern keinen messbaren wirtschaftlichen Nutzen. Nicht, weil die Modelle schlecht wären — sondern weil Erwartung, Planung und Realität auseinanderklaffen. Dieser Artikel zeigt, woran KI-Projekte in der Praxis wirklich scheitern und wie Sie als kleiner oder mittlerer Betrieb genau diese Fallen umgehen.
Die Zahl, die jeden nachdenklich machen sollte
Das MIT-Forschungsprojekt NANDA hat 2025 im Bericht „The GenAI Divide: State of AI in Business 2025“ 300 oeffentlich dokumentierte KI-Einführungen ausgewertet, dazu 52 strukturierte Interviews mit Führungskräften aus ebenso vielen Organisationen und eine Befragung von 153 Entscheidern gefuehrt. Ergebnis: 95 Prozent der generativen KI-Pilotprojekte in Unternehmen zeigen keinen messbaren Einfluss auf Umsatz oder Gewinn. Nur rund 5 Prozent der Projekte erzielen einen echten, schnell sichtbaren Nutzen.
Studienleiter Aditya Challapally bringt die Ursache auf den Punkt: Generische Werkzeuge wie ChatGPT funktionieren gut fuer Einzelpersonen — sie stagnieren aber im Unternehmenseinsatz, weil sie nicht aus den Ablaeufen des Betriebs lernen und sich nicht daran anpassen. Bemerkenswert: Eingekaufte Speziallösungen mit einem Umsetzungspartner funktionieren laut der Studie in etwa 67 Prozent der Fälle — rein intern gebaute Projekte dagegen nur in rund 33 Prozent.
Woran KI-Projekte in der Praxis wirklich scheitern
In der Beratungspraxis wiederholen sich dieselben Muster — unabhängig von Branche oder Betriebsgröße:
- Über-Versprechen im ersten Gespräch. „Das automatisieren wir komplett“ wird zugesagt, bevor die Datenlage überhaupt bekannt ist. Am Ende hält die Zusage nicht, was sie versprochen hat.
- Kein Grounding, keine Kontrolle. Ein Chatbot oder Assistent antwortet aus dem freien Modellwissen — und nennt im schlimmsten Fall veraltete Preise, falsche Fristen oder frei erfundene Fakten, ohne dass es sofort auffällt.
- Pilot ohne Produktionsplan. Ein Pilotprojekt begeistert alle Beteiligten vier Wochen lang — aber niemand hat vorher geplant, was der Weg in den echten, dauerhaften Betrieb kostet und braucht. Wenn es „echt“ werden soll, ist das Budget längst verplant.
- Kein messbares Erfolgskriterium. „Wir probieren das mal“ endet selten, weil niemand definiert hat, wann ein Projekt als erfolgreich gilt.
Jedes dieser Muster ist für sich genommen vermeidbar. Zusammen erklären sie einen guten Teil der 95 Prozent aus der MIT-Studie.
Was die erfolgreichen 5 Prozent anders machen
Der Unterschied zwischen einem KI-Projekt, das Geld spart, und einem, das nur Kosten verursacht, liegt selten an der Technik. Er liegt an drei Punkten:
- Discovery vor Zusage. Erst wird die tatsächliche Datenlage und der echte Prozess geprüft — danach erst folgt ein belastbares Angebot, kein Festpreis ins Blaue.
- Anbindung an echte Daten statt freies Modellwissen. Auskunftsfähige KI-Systeme ziehen Preise, Verfügbarkeiten und Fristen aus der echten Quelle (Ihrer Datenbank, Ihrem Warenwirtschaftssystem) — sie raten nicht.
- Ein klar definiertes Ziel, bevor gebaut wird. Eine einzelne, messbare Schwelle („80 Prozent der Anfragen korrekt automatisch beantwortet“) macht sichtbar, ob sich die Investition gelohnt hat — und wann ein Projekt tatsächlich fertig ist.
Faustregel: Ein KI-Projekt, das mit einer sauberen Bestandsaufnahme startet und ein einziges, klar messbares Ziel verfolgt, hat eine deutlich höhere Erfolgschance als ein Projekt, das mit „wir testen mal, was KI so kann“ beginnt.
Drei Fragen, die Sie vor jedem KI-Projekt stellen sollten
- Woher stammen die Antworten? Kommen Preise, Fristen und Fakten aus einer echten Datenquelle — oder aus dem freien Wissen des Modells? Mehr dazu in unserem Beitrag zu Datenschutz und KI im Betrieb.
- Was passiert nach dem Pilot? Ist der Weg vom Test in den echten, dauerhaften Betrieb schon mitgedacht — inklusive der laufenden Kosten und Pflege?
- Woran messen Sie Erfolg? Wenn Sie diese Frage nicht in einem Satz beantworten können, ist das Projekt noch nicht reif für eine Zusage.
Wenn Sie diese drei Fragen vor dem ersten Angebot beantworten können, vermeiden Sie den größten Teil der Fehler, an denen KI-Projekte laut der MIT-Studie tatsächlich scheitern. Mehr zur Frage, wo Automatisierung in Ihrem Betrieb ueberhaupt sinnvoll ansetzt, lesen Sie in Welche Prozesse Sie zuerst automatisieren sollten.
Die kostenlose KI-Standortbestimmung ist genau dafür da: Bevor irgendetwas gebaut wird, schauen wir uns Ihre echten Abläufe an und sagen ehrlich, ob und wo sich Automatisierung für Sie lohnt. Jetzt kostenlose KI-Standortbestimmung anfragen →
Häufig gestellte Fragen
Stimmt es, dass 95 Prozent aller KI-Projekte scheitern?
Das ist die zentrale Zahl aus dem MIT-NANDA-Bericht „The GenAI Divide: State of AI in Business 2025“ (2025): 95 Prozent der untersuchten generativen KI-Pilotprojekte in Unternehmen zeigten keinen messbaren Effekt auf Umsatz oder Gewinn. Die Studie bezieht sich auf generative KI-Pilotprojekte in größeren Organisationen, nicht auf jede Form von Automatisierung — sie zeigt aber ein reales, breit bestaetigtes Muster.
Warum scheitern KI-Projekte, obwohl die Technik funktioniert?
Meist nicht an der Modellqualität, sondern an fehlender Anbindung an echte Betriebsdaten, fehlendem Produktionsplan nach dem Pilot und fehlenden messbaren Zielen. Laut MIT-Studie funktionieren eingekaufte Speziallösungen mit Umsetzungspartner deutlich häufiger (rund 67 Prozent) als rein intern gebaute Projekte (rund 33 Prozent).
Wie erkenne ich vor der Beauftragung ein gut geplantes KI-Projekt?
Drei Signale: Es gibt eine Discovery-Phase vor dem Festpreisangebot, die Antworten des Systems stammen nachweislich aus echten Daten statt freiem Modellwissen, und es existiert ein einziges, klar messbares Erfolgskriterium, bevor gebaut wird.
Lohnt sich ein KI-Pilotprojekt fuer einen kleinen Betrieb ueberhaupt?
Ja — wenn der Pilot von Anfang an mit Blick auf den echten Betrieb geplant wird: mit definiertem Ziel, Anbindung an Ihre echten Daten und einer realistischen Einschaetzung, was der Schritt von Test zu Dauerbetrieb kostet. Genau das prüft die kostenlose KI-Standortbestimmung, bevor Sie sich festlegen.