Warum viele KI-Projekte im Mittelstand scheitern – und wie es besser laufen kann
Künstliche Intelligenz ist in aller Munde. Kaum ein Unternehmen, das nicht über KI-Piloten, Automatisierungsprojekte oder den Einsatz großer Sprachmodelle nachdenkt. Gleichzeitig hört man in Gesprächen mit Geschäftsführern und IT-Leitern immer wieder: „Wir haben es versucht – es hat nicht funktioniert.“ Dieses Muster ist kein Zufall.
Das Technologie-Problem, das keines ist
Wenn KI-Projekte scheitern, wird die Ursache häufig in der Technologie gesucht: Das Modell war nicht gut genug, die Daten zu schlecht, die Integration zu komplex. Tatsächlich sind technische Probleme aber in den wenigsten Fällen der eigentliche Grund für das Scheitern.
Viel häufiger liegt das Problem eine Ebene davor: im Prozessverständnis. Wer eine Aufgabe automatisieren will, muss sie zunächst vollständig verstanden und beschrieben haben. Wer das nicht kann – oder wessen Prozesse zu unstrukturiert sind –, übergibt der KI ein im Grunde unlösbares Problem.
Ein Beispiel aus der Praxis: Ein Unternehmen möchte die Bearbeitung eingehender E-Mails automatisieren. Klingt machbar. Doch schon bei der ersten Bestandsaufnahme zeigt sich: Niemand hat je systematisch erfasst, welche Arten von E-Mails überhaupt eingehen, welche Kriterien die Weiterleitung bestimmen, und was „korrekt bearbeitet“ konkret bedeutet. Diese Unklarheit lässt sich durch kein KI-Modell kompensieren.
Technologie setzt voraus, was Menschen vorher definiert haben. Eine KI kann einen unklaren Prozess nicht klären – sie führt ihn nur schneller aus.
Die häufigsten Ursachen für gescheiterte KI-Projekte
In der Beratungspraxis zeigen sich immer wieder ähnliche Muster. Die folgenden Punkte sind keine vollständige Analyse, sondern Beobachtungen aus konkreten Projektsituationen.
1. Fehlende Prozessdokumentation
KI-Systeme lernen aus Daten und Mustern. Wenn Arbeitsabläufe nirgendwo strukturiert beschrieben sind – wenn jede Mitarbeiterin und jeder Mitarbeiter „seinen Weg“ hat und Ausnahmen die Regel sind –, gibt es keine belastbare Grundlage für eine Automatisierung. Das Ergebnis: Das System lernt das Chaos, nicht die Lösung.
Bevor KI sinnvoll eingesetzt werden kann, muss der Ist-Zustand eines Prozesses beschrieben, bewertet und bereinigt sein. Das ist nicht glamourös, aber notwendig.
2. Unklare Erfolgskriterien
„Die KI soll das besser machen“ ist kein messbares Ziel. Was bedeutet besser? Schneller? Fehlerärmer? Kostenreduzierter? Welche Fehlerquote ist akzeptabel? Ab wann gilt ein Pilot als erfolgreich?
Ohne klare Kriterien gibt es keine Möglichkeit, den Projekterfolg zu beurteilen – und damit auch keine Grundlage, um Entscheidungen sachlich zu treffen.
3. Zu frühe Skalierung
Viele Organisationen starten mit einem Piloten, der in einer kontrollierten Umgebung funktioniert – und skalieren dann zu schnell. Die Besonderheiten des Pilotbereichs (spezifische Datenqualität, motivierte Mitarbeitende, enge Betreuung) lassen sich nicht ohne Weiteres auf andere Unternehmensbereiche übertragen.
Skalierung braucht Zeit, Anpassung und systematisches Lernen aus dem Piloten. Was in einer Abteilung funktioniert, muss für eine andere neu bewertet werden.
4. Fehlende Akzeptanz im Team
KI-Systeme werden von Menschen bedient, gepflegt und bewertet. Wenn das Team die Einführung als Bedrohung wahrnimmt – weil Kommunikation fehlt, Rollen unklar sind oder Ängste nicht adressiert werden –, wird das System im Alltag umgangen, ignoriert oder schlicht nicht genutzt.
Change Management ist kein „nice to have“ bei KI-Projekten. Es ist ein zentraler Faktor dafür, ob eine Einführung im Tagesgeschäft ankommt.
5. Tool-Entscheidungen ohne Strategie
Viele Unternehmen wählen KI-Tools nach Demos und Vertriebspräsentationen – ohne zu prüfen, welche Abhängigkeiten entstehen. Was passiert, wenn der Anbieter die Preise erhöht? Was bedeutet es für die Datensouveränität, wenn sensible Unternehmensdaten in eine Cloud-Plattform fließen?
Eine Tool-Entscheidung ist immer auch eine strategische Entscheidung. Sie sollte als solche behandelt werden.
Was vorher geklärt sein sollte
Bevor ein Unternehmen in die konkrete Umsetzung eines KI-Projekts geht, lohnt es sich, einige grundlegende Fragen zu beantworten:
- Welches Problem soll gelöst werden? Nicht: „Wir wollen KI einsetzen.“ Sondern: „Wir verlieren X Stunden pro Woche mit Aufgabe Y, weil Z.“
- Ist der Prozess beschrieben und stabil? Kann eine neue Mitarbeiterin oder ein neuer Mitarbeiter den Prozess anhand einer Dokumentation nachvollziehen? Wenn nicht, ist Prozessarbeit vor KI-Arbeit sinnvoll.
- Welche Daten stehen zur Verfügung? Menge, Qualität, Zugänglichkeit, Datenschutzrelevanz.
- Wer trägt Verantwortung? Gibt es eine interne Person, die das Projekt fachlich führt und langfristig betreut?
- Wie wird Erfolg gemessen? Konkrete, messbare Kennzahlen vor Projektbeginn festlegen.
- Was passiert im Fehlerfall? Wie wird mit Fehlern des Systems umgegangen? Wer entscheidet bei Grenzfällen?
Der richtige Einstieg
Für die meisten mittelständischen Unternehmen ist ein kleiner, klar abgegrenzter Pilot der sinnvollste Einstieg – nicht das ambitionierteste Projekt, sondern das, bei dem Aufwand und Erkenntnisgewinn in einem guten Verhältnis stehen.
Ein sinnvoller Pilot hat folgende Eigenschaften: Er bearbeitet ein reales, schmerzhaftes Problem. Der Prozess ist gut genug verstanden. Es gibt eine messbare Ausgangsgröße. Das Team ist informiert und eingebunden. Und: Es gibt einen klaren Abbruchplan, wenn der Pilot nicht die erwarteten Ergebnisse liefert.
Die Frage ist nicht: „Wie können wir KI einsetzen?“ Die richtige Frage ist: „Welche unserer Probleme lassen sich mit KI sinnvoll angehen – und welche nicht?“
Fazit
KI-Projekte scheitern selten an der Technologie. Sie scheitern an unklaren Prozessen, fehlender Vorbereitung, zu schneller Skalierung und mangelnder Einbindung der Mitarbeitenden. Wer diese Faktoren adressiert, schafft eine deutlich bessere Ausgangssituation – unabhängig davon, welche KI-Lösung am Ende zum Einsatz kommt.
Der erste Schritt ist nicht die Auswahl eines Tools. Der erste Schritt ist Klarheit über das Problem.