Warum KI-Projekte in Unternehmen scheitern – und was die Ausnahmen anders machen

Es ist eine der konsistentesten Beobachtungen der letzten Jahre: Unternehmen investieren in Künstliche Intelligenz, sehen erste Funken — und dann verläuft alles im Sande. Studien beziffern die Quote der KI-Projekte, die nie über den Pilotstatus hinauskommen, je nach Erhebung auf 70 bis 85 Prozent. Im industriellen Mittelstand deckt sich das mit dem, was wir in über 20 Transformationen aus nächster Nähe gesehen haben.

Das Überraschende daran: Es liegt fast nie an der Technik. Die Modelle sind gut genug. Die Tools sind verfügbar. Was scheitert, ist die Einführung — und zwar nach einem erstaunlich vorhersagbaren Muster.

Die vier Muster, an denen es reihenweise scheitert

Der wahre Grund: das organisatorische Immunsystem

Jede gewachsene Organisation hat ein Immunsystem. Es besteht aus Strukturen, Zuständigkeiten, Gewohnheiten, Politik und der schlichten Tatsache, dass Menschen für den reibungslosen Betrieb von heute bezahlt und befördert werden — nicht für den Umbau von morgen. Dieses Immunsystem ist kein Defekt. Es ist die Eigenschaft, die ein Unternehmen über Jahre stabil und lieferfähig gehalten hat.

Aber es wehrt zuverlässig jede Transformation ab, die von innen heraus alles auf einmal verändern will. Ein KI-Programm, das im laufenden Betrieb das ganze Haus umbauen soll, wird nicht durch Widerstand gestoppt — es wird langsam absorbiert. Prioritäten verschieben sich, das Tagesgeschäft gewinnt, der Sponsor wechselt die Rolle, und nach achtzehn Monaten ist aus der Transformation eine Fußnote geworden.

Man baut ein Betriebssystem nicht im laufenden Mutterschiff um. Das ist, als würde man die Triebwerke im Flug zerlegen.

Deshalb scheitern gerade die größeren, ernster gemeinten Initiativen so oft. Nicht weil sie zu wenig wollen — sondern weil sie den falschen Hebel ansetzen: Veränderung gegen das Immunsystem statt um es herum.

Was die wenigen Ausnahmen anders machen

Die Unternehmen, bei denen KI wirklich ankommt, haben eine Sache gemeinsam: Sie versuchen gar nicht erst, das ganze Haus auf einmal zu transformieren. Sie setzen an einem geschützten Punkt an — und lassen den Rest folgen, sobald er funktioniert.

1. Sie starten an einem ringfenced Punkt, nicht überall

Statt das Mutterschiff umzubauen, entsteht ein kleines, geschütztes Team — drei bis fünf Menschen plus eine Flotte von KI-Agenten, mit eigenem Budget und einem klaren, schriftlichen Mandat von ganz oben. Dieses Team arbeitet außerhalb der normalen Linienlogik und ist damit dem Immunsystem entzogen. In der Fachsprache der AI-nativen Organisationsmodelle heißt dieses Konstrukt ein „Edge Twin".

2. Sie migrieren Prozesse einzeln, vom Einfachsten zuerst

Kein Big Bang. Ein Workflow nach dem anderen wird übernommen — der einfachste, am besten messbare zuerst. Jeder Prozess läuft erst parallel im Schatten mit, wird an harten Zahlen geprüft und dann übergeben. So entsteht eine Kette aus belegten Erfolgen statt eines großen Versprechens.

3. Sie bauen Ownership ins Haus, statt Abhängigkeit zu erzeugen

Die entscheidende Frage ist nicht, ob ein externer Partner die KI betreibt, sondern ob das Unternehmen sie am Ende selbst betreiben kann. Die wenigen Erfolgsfälle bauen die Kompetenz intern auf — über Key-User und eine wachsende Bibliothek wiederverwendbarer Agenten — sodass das System am Ende dem Unternehmen gehört, nicht dem Dienstleister.

4. Sie behandeln Governance als erste Etappe, nicht als letzte

Datenklassifizierung, EU-AI-Act-Konformität, klare Leitplanken: Wer das ans Ende schiebt, baut auf Sand. Die Ausnahmen klären zuerst, was öffentlich in die Cloud darf und was lokal bleiben muss — und schalten Schatten-KI ab, bevor sie zum Risiko wird.

Ein kurzer Realitäts-Check für Geschäftsführer

Bevor Sie das nächste KI-Budget freigeben, lohnen sich vier Fragen. Wenn Sie eine davon mit „nein" beantworten, ist das Scheiter-Risiko hoch:

• Trägt die Initiative jemand auf Vorstands-/GF-Ebene persönlich — schriftlich, mit Budget — oder ist sie an die IT delegiert?
• Gibt es einen geschützten Raum, in dem gebaut werden darf, ohne dass das Tagesgeschäft sofort die Prioritäten frisst?
• Wird Prozess für Prozess migriert und gemessen — oder soll „alles" gleichzeitig besser werden?
• Bleibt am Ende ein Asset im Haus (laufendes System, internes Können, Dokumentation) — oder nur eine abgeschlossene Rechnung?

Das sind keine Technik-Fragen. Es sind Struktur-Fragen. Und genau deshalb entscheidet sich der Erfolg einer KI-Transformation lange bevor das erste Modell läuft.