Schlagzeilen behaupten, 80 % oder sogar 95 % der KI-Projekte scheitern. Diese Zahlen sind echt, aber enger gefasst, als sie klingen, und die meisten dahinterliegenden Ursachen sind bekannt und vermeidbar. Dieser Leitfaden erklärt, was die Studien messen, warum der Katalog je Anwendungsfall ein Ausfallrisiko (niedrig / mittel / hoch) statt eines Prozentwerts angibt und was Sie gegen jeden der neun im Katalog verwendeten Scheiterungsgründe tun können. Er zeigt außerdem, wie Sie Kostenbänder, Datenfluss-Werte und Lock-in-Stufen lesen und sich einen Ausweg offenhalten.
Warum es wichtig ist
Die internationalen Zahlen und was sie tatsächlich messen
| Zahl | Was gemessen wird | Grenzen |
|---|---|---|
| MIT NANDA, "The GenAI Divide" (2025): Etwa 5 % der GenAI-Piloten erzielen schnell wachsende Umsätze; die übrigen ~95 % zeigen kaum oder keine messbare Wirkung auf die Gewinn- und Verlustrechnung (GuV) [1] | Ob ein Pilot eine messbare Wirkung auf die GuV zeigt, auf Grundlage von etwa 150 Interviews mit Führungskräften, einer Befragung von 350 Beschäftigten und der Analyse von 300 öffentlichen Einführungen | Überwiegend große US-Unternehmen. „Scheitern“ heißt hier: keine messbare GuV-Wirkung, nicht: Das Werkzeug war nutzlos (eingesparte Zeit ohne niedrigere Kosten zählt als keine Wirkung). Vorläufiger Bericht, nicht begutachtet (Peer Review), der Volltext ist nur auf Anfrage erhältlich. Derselbe Bericht stellt fest, dass zugekaufte Werkzeuge spezialisierter Anbieter in etwa 67 % der Fälle erfolgreich sind, Eigenentwicklungen etwa ein Drittel so oft [1]. |
| RAND (2024): „Nach manchen Schätzungen“ scheitern mehr als 80 % der KI-Projekte, doppelt so viele wie bei IT-Projekten ohne KI [2] | RAND übernimmt die 80 % aus anderen Schätzungen. Die eigene Untersuchung besteht aus 65 Interviews mit erfahrenen Data Scientists und Ingenieuren dazu, warum Projekte scheitern | Die 80 % sind keine eigene Messung von RAND. Der Wert liegt in den Grundursachen (siehe unten). Vor allem für den US-Verteidigungssektor und für Machine-Learning-Projekte mit selbst trainierten Modellen geschrieben. |
| Gartner (Juli 2024): Bis Ende 2025 werden mindestens 30 % der GenAI-Projekte nach dem Proof of Concept abgebrochen, wegen schlechter Datenqualität, unzureichender Risikokontrollen, steigender Kosten oder unklaren Geschäftsnutzens [3] | Prognose von Analysten | Eine Vorhersage, keine Zählung. Gartner verkauft Beratungsleistungen, und die Kostenbeispiele (5–20 Mio. USD für die Innovation von Geschäftsmodellen) beziehen sich auf Großunternehmen, nicht auf einen Betrieb mit 50 Beschäftigten [3]. |
| Gartner (Juni 2025): Über 40 % der Projekte mit agentischer KI werden bis Ende 2027 eingestellt, wegen steigender Kosten, unklaren Nutzens oder unzureichender Risikokontrollen. Nur rund 130 von Tausenden „agentischen“ Anbietern bieten echte Agententechnik; der Rest ist „Agent Washing“ (umetikettierte Chatbots und RPA) [4] | Prognose von Analysten sowie eine Umfrage unter 3.412 Webinar-Teilnehmenden im Januar 2025 | Selbst ausgewähltes Webinar-Publikum. Dennoch eine nützliche Warnung vor dem Hype im Agentenmarkt. |
| BCG (September 2025): 5 % der Unternehmen erzielen KI-Wert im großen Maßstab, 35 % fangen damit an, 60 % berichten trotz erheblicher Investitionen von kaum nennenswertem Wert [5] | Selbsteinschätzung von Führungskräften zum KI-Wert im gesamten Unternehmen | Umfrage einer Unternehmensberatung mit wirtschaftlichem Interesse an Transformationsprogrammen. Misst den Wert im ganzen Unternehmen, nicht einzelne Projekte. |
| McKinsey "State of AI" (2025): 88 % nutzen KI in mindestens einer Funktion, aber knapp zwei Drittel haben sie nicht über Experimente und Piloten hinaus skaliert; nur 39 % berichten von irgendeiner Wirkung auf das EBIT des Unternehmens, meist unter 5 %; etwa 6 % sind „High Performer“ [6] | Selbstauskunft in einer weltweiten Befragung von Organisationen | Selbsteinschätzung; „keine EBIT-Wirkung“ ist nicht dasselbe wie „gescheitert“. High Performer haben ihre Arbeitsabläufe mit höherer Wahrscheinlichkeit um KI herum neu gestaltet [6]. |
Zahlen aus Deutschland und dem Mittelstand
- Die Nutzung ist inzwischen weit verbreitet, der Erfolg weniger. Bitkom (603 Unternehmen mit 20+ Beschäftigten, September 2026): 57 % nutzen KI, nach 36 % ein Jahr zuvor [7]. ifo (Mai 2026): 54,5 % der Unternehmen nutzen KI, aber nur 47,2 % der mittelgroßen gegenüber 67,2 % der großen [8]. Das KfW-Mittelstandspanel zeigt mit 20 % für 2022–2024 einen niedrigeren Wert, weil es alle KMU einschließlich der kleinsten erfasst und einen früheren Zeitraum abdeckt [9]. Einfache, breit einsetzbare Werkzeuge führen: Textgenerierung nutzen 14 % des Mittelstands, Texterkennung 10 %, Datenanalyse nur 3 % [10].
- Die Hemmnisse, die Unternehmen nennen. IW (IW-Zukunftspanel, n = 951, 2024): 63 % sagen, der Nutzen von KI sei schwer zu beurteilen, 62 %, dass zuerst Beschäftigte geschult werden müssen, 50 %, dass die Anpassung der KI an die eigenen Bedürfnisse aufwendig ist, 46 % haben zu wenige IT-Fachkräfte, 46 % keinen Zugang zu Daten, 42 %, dass die eingesparte Zeit geringer ist als erwartet, 40 % nennen den Datenschutz, 39 % zu hohe Kosten und 34 %, dass KI die Qualitätserwartungen nicht erfüllt [11]. KI-nutzende Unternehmen in der Bitkom-Umfrage nennen Datenschutzanforderungen (66 %), Rechtsunsicherheit (56 %), schwer kalkulierbare Kosten (54 %) und fehlende Akzeptanz der Beschäftigten (42 %) [7].
- Aber deutsche Nutzer berichten überwiegend eine positive Bilanz. Unter den KI-nutzenden Unternehmen im IW-Panel (n = 408) sehen 48 % den Nutzen größer als die Kosten, 27 % gleich groß und nur 16 % die Kosten größer [11]. Das passt nicht zur Erzählung vom „95-%-Scheitern“. Der Großteil der Nutzung in Deutschland ist zugekaufte Standardsoftware, die laut MIT-Studie ebenfalls häufiger erfolgreich ist [1].
- Die Sicht von Mittelstand-Digital. Rund 60 KI-Trainerinnen, -Trainer und Fachleute aus dem Netzwerk Mittelstand-Digital nennen erneut fehlendes Know-how und fehlende Fachkräfte als größtes Hemmnis, gefolgt von einer fehlenden Datenbasis und geringer digitaler Reife [12]. Die KfW stellt fest, dass digitale Reife, digitales Know-how und Innovationsfreude die KI-Nutzung besser vorhersagen als die Unternehmensgröße. Einen ersten praxistauglichen Anwendungsfall zu finden, ist selbst eine zentrale Hürde [10].
Warum der Katalog niedrig / mittel / hoch statt eines Prozentwerts angibt
Keine Studie misst Scheiterungsquoten je Anwendungsfall, alle definieren „Scheitern“ unterschiedlich, und keine ist für deutsche KMU repräsentativ. Ein einzelner Prozentwert würde eine Genauigkeit vortäuschen, die es nicht gibt. Jeder Anwendungsfall hat deshalb eine Einschätzung failure_risk, die auf Reifegrad, Komplexität, Datenbedarf und der oben genannten Evidenz beruht:
| Stufe | Bedeutung (vocab.yaml) |
|---|---|
| low | Gut verstanden und als Produkt verfügbar; Scheitern ist selten, wenn die Grundlagen stimmen |
| medium | Funktioniert, wenn Daten und Prozess vorbereitet sind; Piloten bleiben ohne Verantwortliche oft stecken |
| high | Bleibt häufig im Pilot stecken oder verfehlt den ROI; braucht starke Daten, ein fähiges Team und einen engagierten Förderer |
Jeder Anwendungsfall nennt außerdem 1–3 failure_reasons, die weiter unten erklärt werden. Lesen Sie die Stufe als „wie viel Sorgfalt das braucht“, nicht als Prognose für Ihr Unternehmen.
Wann Sie es brauchen
- Bei der Auswahl von Anwendungsfällen (GUIDE-001): Bevorzugen Sie für Ihr erstes Projekt Anwendungsfälle mit niedrigem Risiko.
- Vor dem Pilot (GUIDE-009): Machen Sie aus den genannten Scheiterungsgründen Ihres Anwendungsfalls Go-/Stopp-Kriterien.
- Vor Vertragsabschluss (GUIDE-010): Prüfen Sie Kostenbänder, Datenfluss und Lock-in.
- Wenn ein laufendes Projekt ins Stocken gerät: Nutzen Sie die neun Gründe als Diagnoseliste.
Wer beteiligt ist
| Rolle | Aufgabe |
|---|---|
| Geschäftsführung / Inhaber | Förderer; legt eine Budgetobergrenze und Entscheidungstermine fest; stoppt Projekte, die nicht liefern |
| Prozessverantwortliche(r) (Abteilungsleitung) | Verantwortet das Problem, die Ausgangslage und die Kennzahlen; die meisten Fälle von „unklarem Ziel“ beginnen hier |
| Endnutzer | Testen früh; ihre Akzeptanz entscheidet, ob das Werkzeug genutzt wird |
| IT / IT-Sicherheit | Beurteilen Integrationsaufwand, Betrieb und Datenflüsse |
| Datenschutzbeauftragte(r), Betriebsrat, Recht | Klären Compliance-Punkte früh, nicht erst bei der Einführung (GUIDE-004, GUIDE-005) |
| Datenverantwortliche | Bestätigen, dass die Daten vorhanden, zugänglich und gut genug sind (GUIDE-003) |
Schritt für Schritt
Die neun Scheiterungsgründe im Katalog, was typischerweise passiert und was hilft. Die fünf Grundursachen von RAND (Problem missverstanden, fehlende Daten, Technik vor Problem, schwache Infrastruktur, für KI zu schwere Probleme) tauchen in mehreren davon auf [2].
-
unclear-goal: kein klarer Prozess, keine Verantwortlichen, keine Erfolgskennzahl. RAND nennt das Missverstehen des Problems als häufigste Grundursache [2]; das größte Hemmnis laut IW ist der schwer beurteilbare Nutzen (63 %) [11]. Gegenmaßnahmen: eine einseitige Charta mit benannter Prozessverantwortung, gemessener Ausgangslage und 3–5 Kennzahlen mit Go- und Stopp-Schwellen (GUIDE-009). Gehen Sie von einem Prozessproblem aus, nicht von einem Werkzeug (GUIDE-001). RAND rät außerdem, sich mindestens ein Jahr lang auf ein Problem festzulegen [2]. -
data-quality: Daten fehlen, sind verstreut oder von schlechter Qualität. Genannt von Gartner [3], RAND [2], IW (46 % ohne Datenzugang) [11] und den Fachleuten von Mittelstand-Digital [12]. Gegenmaßnahmen: Führen Sie vor dem Pilot den Datenreife-Check durch (GUIDE-003), planen Sie die Datenaufbereitung als eigenes Arbeitspaket ein (siehedata_prep_effortin jedem Anwendungsfall) und schauen Sie sich die PREP-Familie für die Aufbereitungsschritte an. Wenn die Daten nicht existieren, beginnt das Projekt mit dem Sammeln von Daten, nicht mit KI. -
adoption: geringe Akzeptanz bei Beschäftigten oder Kunden. Bitkom: 42 % der KI-Nutzer nennen fehlende Akzeptanz der Beschäftigten [7]; IW: 62 % sagen, dass Beschäftigte zuerst geschult werden müssen [11]. Gegenmaßnahmen: Beziehen Sie Nutzerinnen und Nutzer und mindestens eine skeptische Person von Anfang an ein, setzen Sie KI-Botschafter ein, kommunizieren Sie ehrlich über die Folgen für Arbeitsplätze (GUIDE-008), schulen Sie die Beschäftigten (GUIDE-006, zugleich eine Pflicht nach Art. 4 KI-Verordnung) und messen Sie die tatsächliche Nutzung, nicht die Lizenzen. -
accuracy: Das Modell ist für die Aufgabe nicht genau genug. 34 % der deutschen Unternehmen sagen, KI erfülle die Qualitätserwartungen nicht [11]; RAND warnt, manche Probleme seien für KI zu schwer [2]. Gegenmaßnahmen: Testen Sie mit einem eigenen Testsatz aus 50–200 echten Fällen, auch schwierigen (GUIDE-009), setzen Sie einen Menschen in die Schleife, wo Fehler Wirkung nach außen haben, und wählen Sie Aufgaben, bei denen schon ein guter Entwurf nützlich ist. Überwachen Sie die Qualität nach dem Start, denn Modelle und Daten driften (GUIDE-011). -
integration: Die Einbindung in bestehende Systeme ist schwerer als erwartet. MIT führt einen großen Teil der Lücke auf brüchige Arbeitsabläufe und Werkzeuge zurück, die nicht zum Arbeitsalltag passen [1]; IW: 50 % finden die Anpassung der KI an ihre Bedürfnisse aufwendig [11]. Gegenmaßnahmen: Bevorzugen Sie KI, die in die Systeme eingebaut ist, die Sie bereits nutzen (sieheintegrationsin jedem Anwendungsfall: DATEV, Lexware, M365, Business Central und weitere), prüfen Sie APIs und Schnittstellen im Pilot und beziehen Sie den Integrationsaufwand in die Kostenschätzung für den Betrieb ein (GUIDE-002, GUIDE-009). -
cost-overrun: Die Betriebs- oder Skalierungskosten übersteigen den Nutzen. Gartner nennt in beiden Prognosen steigende Kosten [3][4]; 54 % der KI-Nutzer in der Bitkom-Umfrage sagen, Kosten seien schwer zu kalkulieren [7]. Gegenmaßnahmen: Berechnen Sie die Kosten je Fall bei vollem Volumen, nicht beim Pilotvolumen; setzen Sie Nutzungsgrenzen und Warnmeldungen für API-Ausgaben; vergleichen Sie mit gemessenen Einsparungen, nicht mit Herstellerversprechen; und prüfen Sie Fördermöglichkeiten (GUIDE-012). -
compliance: Rechtliche, datenschutzrechtliche oder betriebsverfassungsrechtliche Fragen blockieren die Einführung. Datenschutz ist das am häufigsten genannte Hemmnis unter deutschen KI-Nutzern (66 %), gefolgt von Rechtsunsicherheit (56 %) [7]. Gegenmaßnahmen: Klären Sie AVV, Rechtsgrundlage und DSFA mit dem Datenschutzbeauftragten, bevor echte Daten fließen (GUIDE-005); beziehen Sie den Betriebsrat früh ein, denn ein System, das zur Überwachung von Beschäftigten geeignet ist, löst die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG aus, auch im Pilot (GUIDE-004); prüfen Sie die Risikoklasse nach der KI-Verordnung (GUIDE-014). -
skills: Es fehlen eigene Fähigkeiten, um das System zu betreiben und zu pflegen. Das größte Hemmnis in der Befragung der Mittelstand-Digital-Fachleute [12]; 46 % haben zu wenige IT-Fachkräfte [11]. Gegenmaßnahmen: Wählen Sie den Umsetzungsweg passend zu Ihren Fähigkeiten: kaufen (Weg A), wenn Sie kein IT-Team haben, selbst hosten (Weg C) nur, wenn jemand es betreiben kann (GUIDE-002). Benennen Sie auch für zugekaufte Werkzeuge eine interne Verantwortliche oder einen Verantwortlichen und nutzen Sie die kostenlosen Angebote von Mittelstand-Digital sowie geförderte Beratung (GUIDE-012). -
vendor-change: Der Anbieter ändert Produkt, Preise oder Bedingungen. Schnell veränderlicher Markt, Agent Washing [4], Modelle werden abgekündigt oder neu bepreist. Gegenmaßnahmen: Behalten Sie Prompts, Testsätze und Quelldaten bei sich, bevorzugen Sie Verträge mit Kündigungsfristen für Preis- und Modelländerungen und planen Sie Ihren Ausstieg (siehe nächster Abschnitt und GUIDE-010).
Kosten und Anbieterbindung: So lesen Sie den Katalog
Kostenbänder. Jeder Anwendungsfall gibt je Umsetzungsweg (A kaufen, B Cloud-API, C selbst hosten, D Eigenentwicklung) eine Schätzung für einen typischen KMU-Einsatz mit etwa 20–50 Nutzern an. Das sind Bänder, keine Angebote, und die Arbeitszeit Ihrer eigenen Beschäftigten ist nicht enthalten, obwohl sie oft der größte Kostenposten ist.
| Einrichtung (einmalig) | Betrieb (pro Monat) | ||
|---|---|---|---|
| S0 | < 1.000 € | R0 | < 100 € |
| S1 | 1.000–10.000 € | R1 | 100–500 € |
| S2 | 10.000–50.000 € | R2 | 500–2.000 € |
| S3 | 50.000–250.000 € | R3 | 2.000–10.000 € |
| S4 | > 250.000 € | R4 | > 10.000 € |
So lesen Sie sie: Vergleichen Sie das Betriebsband × 36 Monate plus Einrichtung mit den gemessenen Einsparungen über drei Jahre. Ein Anwendungsfall mit S1/R2 kostet über drei Jahre grob 20.000–80.000 €, bevor die Arbeitszeit der Beschäftigten hinzukommt. Weg C verlagert Kosten oft vom Betrieb in die Einrichtung (Hardware); Weg A umgekehrt.
Datenfluss (Wege A und B):
| Wert | Bedeutung | Was zu prüfen ist |
|---|---|---|
on-prem |
Bleibt auf Ihrer eigenen Hardware | Eigene Sicherheit und eigener Betrieb |
eu-provider |
Anbieter mit Sitz in der EU, Verarbeitung in der EU | AVV, Unterauftragsverarbeiter |
us-eu-region |
Überwiegend US-Anbieter, Verarbeitung in einer EU-Region | Der US CLOUD Act gilt weiterhin; AVV, Übermittlungsklauseln, DSFA (GUIDE-005) |
third-country |
Verarbeitung typischerweise außerhalb der EU | Übermittlungsmechanismus (DPF, SCC); für personenbezogene oder vertrauliche Daten oft ungeeignet |
Lock-in (auf dem empfohlenen KMU-Weg):
| Stufe | Bedeutung | Typischer Ausstiegsaufwand |
|---|---|---|
| low | Daten, Prompts und Modelle sind übertragbar | Tage bis Wochen |
| medium | Etwas proprietäre Konfiguration oder Trainingsdaten | Wochen bis Monate |
| high | Tiefe Integration, proprietäre Modelle oder Formate | Ein neues Projekt |
Ausstiegsstrategie, bevor Sie unterschreiben: - Datenexport: vertraglich garantierter Export Ihrer Daten, Konfigurationen, Prompts, individuellen Assistenten und Protokolle in dokumentierten Formaten. - Offene Formate: Halten Sie Quelldokumente, Testsätze und gekennzeichnete Daten in offenen Formaten (CSV, JSON, PDF/A, Markdown) auf Ihrem eigenen Speicher vor, nicht nur im Werkzeug. - Austauschbare Modelle: Setzen Sie bei den Wegen B und C ein OpenAI-kompatibles Gateway zwischen Ihre Anwendung und das Modell, damit sich das Modell ohne Neubau wechseln lässt. Lassen Sie Ihren Testsatz bei jedem Modellwechsel erneut laufen. - Vertragsklauseln: Kündigungsfristen für Preis- und Modelländerungen, Löschbestätigung und Unterstützung beim Wechsel. Nach dem EU Data Act können Cloud- und SaaS-Kunden (auch in bestehenden Verträgen) den Anbieter wechseln: höchstens zwei Monate Vorbereitung, 30 Tage Übergang (bis zu sieben Monate bei technischer Komplexität), Daten mindestens 30 Tage abrufbar und ab dem 12. Januar 2027 keine Wechselentgelte [13]. Details und Vertragspunkte: GUIDE-010.
Typisches Risiko nach Familie
Qualitative Einschätzung für einen typischen KMU-Einsatz; einzelne Anwendungsfälle können abweichen.
| Familie | Typisches Risiko | Hauptgründe |
|---|---|---|
| LANG – Sprache & Text | low–medium | accuracy (falsche Fakten in Entwürfen), adoption; höher bei HR-Texten (compliance) |
| KNOW – Wissen, Suche & RAG | medium | data-quality (veraltete, doppelte Dokumente, Zugriffsrechte), accuracy |
| DOC – Dokumentenverarbeitung | low–medium | integration (ERP, DATEV); Datenerfassung ist als Produkt verfügbar, komplexe Dokumentenprüfung ist schwerer |
| CONV – Dialogsysteme | medium–high | accuracy gegenüber Kunden, adoption, integration in Backend-Systeme |
| AGENT – Agenten & Prozessautomatisierung | high | accuracy über mehrstufige Aufgaben, integration, cost-overrun, unclear-goal [4] |
| CODE – Softwareentwicklung & IT-Betrieb | low–medium | skills zur Prüfung der Ergebnisse, compliance (Code und Geheimnisse verlassen das Unternehmen) |
| VIS – Computer Vision | medium | data-quality (gekennzeichnete Fehlerbilder, Beleuchtung), integration in die Linie |
| SPEECH – Sprache & Audio | low–medium | accuracy (Dialekt, Lärm), compliance (Einwilligung zur Aufzeichnung, Betriebsrat) |
| GEN – Generative Medien & Design | low–medium | compliance (Urheberrecht, Kennzeichnung), vendor-change |
| PRED – Prognoseanalytik | medium–high | data-quality (Historie, Sensoren), unclear-goal, skills |
| ANOM – Anomalie, Betrug & Risiko | medium | data-quality, Fehlalarme senken die adoption |
| REC – Personalisierung & Empfehlung | medium | zu wenig Daten oder Verkehr in kleinen Shops, cost-overrun |
| OPT – Optimierung & Planung | medium–high | integration (ERP, MES), Qualität der Stammdaten, Akzeptanz der Planer |
| ROBO – Robotik & physische KI | high | integration, cost-overrun, skills, Sicherheitsanforderungen |
| SCI – Wissenschaft, Technik & F&E | high | skills, Daten, lange Zeit bis zum Nutzen |
| HLTH – Gesundheit & Klinik | high | compliance (Medizinprodukterecht, Gesundheitsdaten), integration |
| SEC – Cybersicherheit | low–medium | skills, vendor-change; meist als Teil von Sicherheitsprodukten gekauft |
| DATA – Daten & Analytik | medium | accuracy (falsche Zahlen aus generierten Abfragen), data-quality, skills |
| EDU – Bildung & Schulung | low–medium | adoption; compliance, wo KI Lernende bewertet (Hochrisiko nach der KI-Verordnung) |
| PERS – Persönliche & Alltags-KI | low | vendor-change, Datenschutz bei Verbraucher-Apps |
| AUTO – Alltagsautomatisierung & Mikro-Werkzeuge | low | skills zur Pflege von Skripten und Abläufen, Schatten-KI (compliance) |
| PREP – Datenreife für KI | medium | unclear-goal (Datenbereinigung ohne Anwendungsfall), unterschätzter Aufwand |
Checkliste
- [ ] Ausfallrisiko und Scheiterungsgründe des gewählten Anwendungsfalls gelesen und besprochen
- [ ] Erstes Projekt mit niedrigem oder mittlerem Ausfallrisiko gewählt
- [ ] Prozessverantwortliche(r), Ausgangslage und Kennzahlen mit Go- und Stopp-Schwellen festgelegt
- [ ] Datenreife geprüft; Datenaufbereitung eingeplant
- [ ] Nutzer, Datenschutzbeauftragte(r) und Betriebsrat einbezogen, bevor echte Daten fließen
- [ ] Genauigkeit an einem eigenen Testsatz geprüft
- [ ] Integrations- und Betriebskosten bei vollem Volumen berechnet, einschließlich Arbeitszeit der Beschäftigten
- [ ] Datenfluss und Lock-in-Stufe bewusst akzeptiert
- [ ] Ausstiegsplan: Export, offene Formate, austauschbares Modell, Vertragsklauseln
- [ ] Entscheidungstermin gesetzt; ein Stopp ist ein akzeptiertes Ergebnis
Vorlagen & Werkzeuge
- Pre-Mortem zu den Scheiterungsgründen (30 Minuten): Fragen Sie vor dem Pilot: „Es ist ein Jahr später und das Projekt ist gescheitert: Warum?“ Ordnen Sie jede Antwort einem der neun Gründe zu und weisen Sie eine Gegenmaßnahme und eine verantwortliche Person zu.
- Dreijahres-Kostenblatt: Einrichtungsband, Betriebsband × 36, interne Personentage × Tagessatz, gegenübergestellt den gemessenen Einsparungen.
- RAND-Bericht mit fünf Erfolgsprinzipien [2].
- IW-Trends 2/2025 mit der vollständigen Liste der Hemmnisse nach Unternehmensgröße [11].
- Mittelstand-Digital Zentren: kostenlose, herstellerneutrale Unterstützung bei der Suche nach Anwendungsfällen und bei ersten Umsetzungen (siehe GUIDE-009 und GUIDE-012).
- Faktenblatt der Bundesnetzagentur zum Data Act zum Wechsel von Cloud-Anbietern [13].
Typische Fehler
- Die 95 % für bare Münze nehmen. Sie messen die GuV-Wirkung in großen Unternehmen innerhalb kurzer Zeit. Nutzen Sie die Zahl als Warnung, nicht als Prognose für Ihr Projekt zur Rechnungsverarbeitung.
- Mit dem schwierigsten Anwendungsfall beginnen. Ein Agent oder ein eigenes Modell als erstes Projekt vereint mehrere Scheiterungsgründe. Beginnen Sie mit einem als Produkt verfügbaren Anwendungsfall und bauen Sie Fähigkeiten auf.
- Technik vor Problem. „Wir brauchen einen KI-Agenten“ ist kein Ziel. RAND nennt das einen der häufigsten Wege ins Scheitern [2].
- Nur Lizenzkosten zählen. Arbeitszeit, Datenaufbereitung und Integration kosten meist mehr.
- Agenten-Etiketten glauben. Fragen Sie, was das Produkt selbstständig tut, mit welchen Werkzeugen und mit welchen Freigaben [4].
- Kein Ausstiegsplan. Individuelle Assistenten, RAG-Indizes und Feinabstimmungsdaten lassen sich oft nicht exportieren. Behalten Sie das Quellmaterial bei sich.
- Keine Stopp-Entscheidung. Ein Projekt, das nie endet, ist die teuerste Art des Scheiterns.
Quellen
- Fortune: "MIT report: 95% of generative AI pilots at companies are failing", 18. August 2025 (zu MIT NANDA, "The GenAI Divide: State of AI in Business 2025"). https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
- Ryseff, De Bruhl, Newberry: "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed", RAND, RR-A2680-1, 13. August 2024. https://www.rand.org/pubs/research_reports/RRA2680-1.html
- Intelligent CIO: "Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025", 5. August 2024 (zur Gartner-Pressemitteilung vom 29. Juli 2024). https://www.intelligentcio.com/eu/2024/08/05/gartner-predicts-30-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025/
- Silicon.eu: "Gartner: Over 40 per cent of agentic AI projects will be discontinued by the end of 2027" (zur Gartner-Pressemitteilung vom 25. Juni 2025). https://www.silicon.eu/gartner-over-40-per-cent-of-agentic-ai-projects-will-be-discontinued-by-the-end-of-2027-18146.html
- BCG: "The Widening AI Value Gap: Build for the Future 2025", 30. September 2025. https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
- IT Brief UK: "McKinsey report shows AI interest but slow scaling" (zu McKinsey, "The state of AI in 2025: Agents, innovation, and transformation"). https://itbrief.co.uk/story/mckinsey-report-shows-ai-interest-but-slow-scaling
- Bitkom: "Erstmals nutzt die Mehrheit der Unternehmen KI", Pressemitteilung, 14. September 2026 (n = 603 Unternehmen mit 20+ Beschäftigten). https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-Mehrheit-Unternehmen-KI
- ifo Institut: "Mehr als die Hälfte der Unternehmen nutzt Künstliche Intelligenz", 5. Juni 2026. https://www.ifo.de/fakten/2026-06-05/mehr-als-die-haelfte-der-unternehmen-nutzt-kuenstliche-intelligenz
- KfW Research: Pressemitteilung vom 11. Februar 2026 zur KI-Nutzung im Mittelstand (KfW-Mittelstandspanel). https://www.kfw.de/%C3%9Cber-die-KfW/Newsroom/Aktuelles/Pressemitteilungen-Details_880896.html
- Zimmermann, V.: "Künstliche Intelligenz im Mittelstand: einfach zu handhabende Technologien mit breiten Einsatzgebieten überwiegen", KfW Research Fokus Volkswirtschaft Nr. 554, 29. Juli 2026. https://www.kfw.de/PDF/Download-Center/Konzernthemen/Research/PDF-Dokumente-Fokus-Volkswirtschaft/Fokus-2026/Fokus-Nr.-554-Juli-2026-KI_Mittelstand.pdf
- Scheufen, Engels, Schmitz: "Ziele, Nutzen-Kosten-Verhältnis und Hemmnisse Künstlicher Intelligenz in der deutschen Wirtschaft", IW-Trends 2/2025 (IW-Zukunftspanel, Welle 49, 2024). https://www.iwkoeln.de/fileadmin/user_upload/Studien/IW-Trends/PDF/2025/IW-Trends_2025-02-04_Scheufen_et_al.pdf
- WIK-Consult: "KI-Kurzstudie" im Rahmen von Mittelstand-Digital, Kurzfassung (Befragung von rund 60 Fachleuten der Mittelstand-Digital Zentren). https://wik.org/fileadmin/user_upload/Unternehmen/Veroeffentlichungen/Kurzstudien/2024/WIK_Kurzfassung_KI-Studie.pdf
- Bundesnetzagentur: Faktenblatt zum Data Act "Switching between data processing services". https://www.bundesnetzagentur.de/EN/Areas/Digitalisation/DataAct/DL/Factsheet4.html
Abgerufen 2026-11.