Letztes Jahr hat das MIT eine Zahl veröffentlicht, die tausend Vorstandssitzungen hätte verkürzen müssen: 95% der generativen KI-Piloten liefern keinen messbaren Ertrag. Nicht «enttäuschende Erträge». Nichts. Null Wirkung auf die Erfolgsrechnung.
RAND hatte schon Ähnliches gesagt: Über 80% der KI-Projekte scheitern — ungefähr doppelt so viele wie bei gewöhnlichen IT-Projekten. Und 2025 haben 42% der Unternehmen den Grossteil ihrer KI-Initiativen aufgegeben, gegenüber 17% im Jahr davor. Die Hälfte aller Proofs of Concept hat es nie in die Produktion geschafft.
Wir bauen KI-Systeme beruflich. Man würde also erwarten, dass wir Ihnen erzählen, diese Firmen hätten bloss den falschen Anbieter gewählt.
Tun wir nicht. Der falsche Anbieter ist selten das Problem. Die falsche Frage ist es.
Die Frage, die vor dem Start niemand stellt
Fast jedes gescheiterte KI-Projekt, das wir gesehen haben (und wir werden nach dem Ableben einiger dazugerufen), hat gleich angefangen. Jemand Ranghohes sah eine Demo, war begeistert und fragte: «Wie nutzen wir KI in unserem Geschäft?»
Auf diese Frage gibt es keine gute Antwort. Es ist, als fragte man: «Wie nutzen wir Elektrizität in unserem Geschäft?» Man nutzt nicht Elektrizität. Man nutzt die Dinge, die sie antreibt.
Die Firmen, bei denen KI funktioniert, beginnen am anderen Ende. Sie wählen einen Prozess, der bereits blutet. Verpasste Anrufe, Leads, die in einer Tabelle kalt werden, die Küche, die Woche für Woche zu viel bestellt. Dann fragen sie: «Was bräuchte es, um das zu beheben?» Manchmal lautet die Antwort KI. Manchmal einfach bessere Verrohrung. So oder so hat das Projekt eine Ziellinie — und man weiss, wann man sie überquert hat.
Die MIT-Forscher fanden dasselbe Muster in den Daten. Die gescheiterten Piloten hatten unklare Erfolgsmetriken, schwache Sponsoren und keine Verbindung zu einem echten Arbeitsablauf.
Die Fehlschläge waren nicht technisch. Die Modelle funktionierten. Die Organisationen darum herum nicht.
— Darüber, wo Piloten tatsächlich sterben
Warum der Pilot selbst die Falle ist
Das hier zu akzeptieren hat uns am längsten gebraucht: Das Pilot-Format ist oft der Grund des Scheiterns.
Ein Pilot sitzt konstruktionsbedingt ausserhalb Ihres echten Betriebs. Er läuft auf Beispieldaten, wird von Freiwilligen genutzt, und niemandes Job hängt an ihm. Also produziert er eine polierte Demo und keine Gewohnheit. Dann fragt jemand «Rollen wir das aus?» — und die ehrliche Antwort ist, dass man das Entscheidende nie getestet hat: ob das Ding den Kontakt mit Ihrem Dienstagnachmittag überlebt.
Als wir für einen Frischwaren-Betreiber ein Prognosesystem gebaut haben, lief es nicht als Nebenexperiment. Es ging in dieselbe Datenbank, die die Küchen bereits nutzten. Die Prognose erschien dort, wo die Bestellentscheidung fiel — nicht in einem separaten Dashboard, das niemand öffnet. Wäre sie falsch gewesen, hätten es alle bis Freitag gewusst. Dieser Druck ist unbequem, und genau er macht ein System echt.
Eine Datenbank. Ein Arbeitsablauf. Kein Paralleluniversum, in dem die KI wohnt.
Die Selbstbau-Steuer
Die MIT-Studie hatte noch einen Befund, der zu wenig Beachtung fand: Projekte mit spezialisierten externen Partnern gelangen ungefähr doppelt so oft wie interne Eigenbauten — grob 67% gegen 33%.
Nicht weil externe Entwickler klüger wären. Sondern weil ein internes Team beim ersten KI-System für jeden Fehler Lehrgeld zahlt: falsche Architektur, falsche Datenpipeline, sechs Monate für einen Chatbot, den niemand bestellt hat. Ein Team, das zwanzig davon ausgeliefert hat, hat dieses Lehrgeld schon bezahlt — auf dem Budget von jemand anderem. Vorzugsweise nicht Ihrem.
Ein ehrlicher Vorbehalt, denn einen sollte es immer geben: Auch ein externer Partner scheitert, wenn man ihm die vage Version der Frage übergibt. «Bauen Sie uns eine KI-Strategie» scheitert zu jedem Preis. «Unsere Rezeption verpasst nach 18 Uhr 30% der Anrufe — beheben Sie das» gelingt fast immer. Und kostet meist weniger, als das Strategie-Deck gekostet hätte.
Was die 5% tatsächlich tun
Ohne die Fallstudien-Prosa bleiben Gewohnheiten übrig, kein Genie:
- Mit einem blutenden Prozess anfangen, nicht mit einer Technologie. Das Projekt existiert, weil eine bestimmte Zahl falsch ist — nicht, weil eine Demo beeindruckt hat.
- «Funktioniert» definieren, bevor Code geschrieben wird. In Geld oder gesparten Stunden, abgenommen von den Leuten, denen die Zahl gehört.
- Vom ersten Tag an im echten Arbeitsablauf leben. Echte Daten, echte Datenbank, genutzt von Menschen, deren Job vom Ergebnis abhängt.
- Den Launch als Startpunkt behandeln. Die Systeme, die überleben, lernen aus Feedback weiter, statt bei v1 eingefroren zu werden.
Nichts davon ist glamourös. Keine Keynote drin. Aber 2026 wird das Jahr, in dem die KI-Diskussion auf die bestmögliche Art langweilig wird — weniger «was ist möglich», mehr «was ist profitabel».
Wenn Sie gerade auf einer festgefahrenen KI-Initiative sitzen: Fragen Sie nicht, ob die Technologie reif ist. Ist sie. Fragen Sie, ob irgendjemand im Raum diesen Satz vervollständigen kann: «Dieses Projekt ist erfolgreich, wenn die Zahl ___ von ___ auf ___ steigt, bis ___.»
Kann es niemand, haben Sie kein KI-Problem. Sie haben ein Klarheitsproblem — und das behebt kein Modell zu keinem Preis.
Diesen Satz auszufüllen — Zahl, von, auf, bis wann — ist das Erste, was wir mit Kunden machen, bevor irgendein Modell gewählt wird. Bringen Sie uns einen leeren mit.
