Warum KI-Projekte scheitern und wie es in Etappen besser gelingt

Einleitung

Die Zahlen

Dass viele KI-Projekte scheitern, ist inzwischen gut belegt. Drei Beispiele:

Andere Studien kommen zu ähnlichen Ergebnissen. Laut einer Studie des MIT von 2025 erzielten 95 % der untersuchten Unternehmen keinen messbaren Ertrag aus ihren Pilotprojekten mit generativer KI.

Die Zahlen beschreiben Unterschiedliches: gescheiterte Anwendungsfälle, aufgegebene Vorhaben oder fehlenden Ertrag. Man sollte sie deshalb nicht direkt vergleichen. Die Richtung ist aber eindeutig.

Interessanter als die Höhe der Zahlen sind die Gründe. Die Studien nennen selten das Modell. Sie nennen falsch verstandene Probleme, fehlende Daten, zu große Vorhaben und Systeme, die nicht in den Arbeitsalltag passen.

In der Pressemitteilung des IT-Marktforschungsunternehmens Gartner® heißt es dazu: „Von den 57 % der I&O-Verantwortlichen, die mindestens einen Fehlschlag meldeten, gaben viele an, ihre KI-Initiativen seien gescheitert, weil sie zu viel und zu schnell erwartet hatten.“ Und weiter: „Unter den 77 % der I&O-Verantwortlichen, die mindestens einen erfolgreichen KI-Anwendungsfall umsetzen, wird der Erfolg in erster Linie der Integration von KI in bestehende Workflows und Systeme sowie der vollen Unterstützung durch die Geschäftsleitung zugeschrieben.“

Die meisten dieser Zahlen stammen aus Befragungen großer Unternehmen. Für den Mittelstand ist die Lehre daraus noch wichtiger, denn monatelange Großprojekte ohne Ergebnis kann sich hier kaum jemand leisten. Ein Detail aus der MIT-Studie passt dazu: Mittelgroße Unternehmen kamen in rund 90 Tagen vom Pilotprojekt in den Betrieb, Großunternehmen brauchten neun Monate oder länger.

Das Muster

Das große Gesamtsystem

Ein typisches Projekt beginnt mit einem großen Ziel: Auftragsbestätigungen sollen künftig vollständig automatisch verarbeitet werden. Also wird alles auf einmal geplant und gebaut, vom Lesen der Belege über den Abgleich mit dem ERP bis zur Übernahme der Daten, dazu Agenten für die Ausnahmen.

Das dauert Monate. Getestet werden kann erst, wenn alles zusammensteckt. Und dann hakt es. Liegt der Fehler beim Lesen, beim Abgleich oder in einer Regel? Weil alle Teile gleichzeitig neu sind, ist das schwer zu sagen. Jede Korrektur bringt das nächste Problem ans Licht.

Die Mitarbeiter haben in dieser Zeit nichts davon. Wenn das System kommt, ändert sich ihre Arbeit auf einen Schlag. Und bis dahin hat sich oft schon der Prozess selbst geändert.

Am Ende läuft das System nach langer Nacharbeit doch, oder das Projekt wird eingestellt. Im zweiten Fall ist die gesamte Investition verloren.

Der andere Weg

Das Ziel im Blick, entwickelt in Etappen

Wir verzichten nicht auf das große Ziel. Am Anfang steht ein Zielbild: Welche Schritte sollen am Ende automatisch laufen, welche Systeme sind beteiligt, und wo entscheidet ein Mensch? Darauf ist die Architektur von Beginn an ausgelegt.

Entwickelt und in Betrieb genommen wird aber in Etappen. Jede Etappe funktioniert für sich, wird im Alltag geprüft und bringt sofort einen Nutzen. Erst wenn sie stabil läuft, kommt die nächste dazu. So wächst das System Stück für Stück zu dem, was im Zielbild steht.

Die erste Etappe hilft vielleicht nur ein wenig. Aber sie hilft sofort, und man erkennt schnell, ob sie funktioniert. Je nach Aufgabe ist sie bei uns schon wenige Tage nach Projektstart im Einsatz.

Das Beispiel

Auftragsbestätigungen in Etappen

Eine Auftragsbestätigung sieht einfach aus, ist es aber nicht. Neben den Kopfdaten stehen darin Positionen mit Mengen und Preisen, Rabatte, Zuschläge auf einzelne Positionen, Zuschläge auf den ganzen Auftrag und am Ende die Gesamtsumme. Jeder Lieferant ordnet das anders an.

So bauen wir die Verarbeitung auf:

Etappe 3 im Detail: Regeln statt Neubau

Die Abweichungsregeln sind der Kern der Übernahme. Sie legen fest, was automatisch übernommen wird und was ein Mensch sehen muss. Zum Beispiel:

Ändert sich ein Prozess oder kommt eine neue Anforderung hinzu, wird eine Zeile angepasst und nicht das System neu gebaut. Genau dafür sind Workflows da: Sie bleiben beweglich, auch wenn das Ganze schon groß ist.

Etappe 4 im Detail: Rechnen statt Glauben

Die rechnerische Prüfung braucht keine KI, nur ein bisschen Rechnen:

Geht die Rechnung nicht auf, ist entweder beim Lesen etwas schiefgegangen oder der Lieferant hat sich verrechnet. Beides will man wissen, bevor die Daten im ERP stehen.

Im Betrieb: mit jedem Sonderfall ein Stück automatischer

Zwischen Beleg und ERP steht bei uns immer KIMU Confirm. Dort sehen die Mitarbeiter den Beleg, die erkannten Daten und das Ergebnis der Prüfung. Zu Beginn wird in Confirm noch viel von Hand bearbeitet: Werte bestätigen, Abweichungen klären, Freigaben erteilen.

Jeder Sonderfall, der dabei auftaucht, wird zu einer neuen Regel. Ein Lieferant führt die Fracht immer als eigene Position auf, ein anderer weist Rabatte nur im Kopf aus. Solche Eigenheiten werden einmal als Regel hinterlegt und danach automatisch berücksichtigt. Das System lernt dabei nicht von selbst. Jede Regel wird bewusst eingerichtet und bleibt nachvollziehbar.

So wird die Verarbeitung im laufenden Betrieb immer besser, bis der Großteil der Belege ohne manuellen Eingriff durchläuft. Übrig bleiben die Fälle, in denen wirklich ein Mensch gebraucht wird:

Das sind genau die Fälle, über die ein Mitarbeiter entscheiden sollte. Alles andere erledigt das System.

Was es bringt

Warum dieser Weg besser funktioniert

Früher Nutzen. Schon die erste Etappe erleichtert die Arbeit. Das Projekt muss sich nicht erst am Ende rechtfertigen.

Die Mitarbeiter wachsen mit. Sie gewöhnen sich Schritt für Schritt an das System, geben Rückmeldung und gewinnen Vertrauen, statt an einem Stichtag vor einem fertigen System zu stehen.

Geringes Risiko. Weil immer nur ein Baustein neu ist, fallen Fehler früh auf und sind schnell gefunden. Führt eine Etappe nicht zum Ziel, verliert man nur diese eine und nicht das ganze Projekt.

Fazit

Groß denken, in Etappen bauen

KI-Projekte scheitern selten an der Technik. Sie scheitern meist daran, dass zu viel auf einmal gebaut wird und der Nutzen erst am Ende kommen soll.

Das Ziel darf groß sein, und es sollte von Anfang an feststehen. Der Weg dorthin besteht aus Etappen, die jede für sich funktionieren und sofort etwas bringen. So entsteht am Ende ein großes System, das sich auf jedem Teilstück bewährt hat.

Wenn Sie ein KI-Vorhaben planen oder eines feststeckt, sprechen Sie uns an. Wir zeigen Ihnen, wie die erste Etappe aussehen kann.