Warum KI-Projekte scheitern

Künstliche Intelligenz ist in aller Munde. Auf Konferenzen, in Newslettern, in Transformationsstrategien — KI ist überall. Doch hinter der Begeisterung verbirgt sich eine nüchterne Realität: Ein erheblicher Teil der KI-Projekte erreicht nie die Produktion, und selbst diejenigen, die es schaffen, liefern oft nicht den erwarteten Mehrwert.

Diese Kluft zwischen technologischen Versprechungen und konkreten Ergebnissen ist kein Zufall. Sie hat identifizierbare, wiederkehrende und vor allem vermeidbare Ursachen.

Warum KI so hohe Erwartungen weckt

KI nimmt eine einzigartige Stellung in der Technologielandschaft ein. Sie wird nicht als ein Werkzeug unter vielen wahrgenommen, sondern als Versprechen eines Umbruchs. Sprachmodelle, Computer Vision, intelligente Automatisierung — jeder Fortschritt nährt eine Erzählung, in der Technologie scheinbar Probleme lösen kann, die bisher als unlösbar galten.

Mehrere Faktoren verstärken diese Wahrnehmung:

• Selektive Medienberichterstattung : nur spektakuläre Erfolge werden erzählt, was einen Bestätigungsfehler erzeugt
• Vereinfachte Demonstrationen : ein funktionierender Prototyp mit einem kleinen Datensatz erweckt den Eindruck, dass die Skalierung trivial sei
• Hype-Effekt : der Begriff « KI » wird zum Marketing-Label, das verwässert, was die Technologie tatsächlich leisten kann

Diese überhöhten Erwartungen schaffen ein fragiles Fundament: Projekte starten mit zu ambitionierten Zielen, unrealistischen Zeitplänen und unzureichendem Verständnis dafür, was KI kann — und was nicht.

Die häufigsten Fehler

Die Erfahrung aus der Praxis zeigt fünf wiederkehrende Hauptursachen für das Scheitern.

1. Unzureichende oder ungeeignete Daten

KI lernt aus Daten — das ist ihr Treibstoff. Dennoch starten viele Projekte, ohne die Quantität, Qualität und Repräsentativität der verfügbaren Daten zu prüfen.

Die häufigsten Probleme:

• Unzureichende Menge : ein Deep-Learning-Modell benötigt unter Umständen Hunderttausende von Beispielen, um richtig zu generalisieren
• Unbeschriftete Daten : ohne Annotation ist überwachtes Lernen unmöglich — und die Kosten für die Beschriftung werden oft unterschätzt
• Versteckte Verzerrungen : historische Daten können menschliche oder organisatorische Verzerrungen enthalten, die das Modell verstärkt
• Zeitliche Verschiebung : Daten, die eine vergangene Realität abbilden, sagen nicht unbedingt die zukünftige Realität voraus

Ein robustes KI-Projekt beginnt immer mit einem Daten-Audit : Volumen, Qualität, Aktualität, Zugänglichkeit, DSGVO-Konformität.

2. Verschwommene Ziele

« Wir machen jetzt KI » ist kein Ziel — es ist eine Absicht. Ohne eine klare geschäftliche Fragestellung driftet das Projekt zwischen technischer Exploration und diffusen Erwartungen.

Erkennbare Symptome:

• Keine messbaren Erfolgskriterien : unmöglich zu wissen, ob das Projekt erfolgreich war oder gescheitert ist
• Schwankender Umfang : Funktionen ändern sich während des Projekts ohne Validierung
• Verwechslung von Problem und Lösung : Ausgangspunkt ist eine Technologie (ein LLM, ein Vision-Modell) statt eines geschäftlichen Bedarfs

Ein gut formuliertes Ziel beantwortet drei Fragen: Welches konkrete Problem lösen wir? Für wen? Mit welchem quantifizierbaren Erfolgsmassstab?

3. Fehlende Integration in bestehende Systeme

Ein leistungsfähiges Modell in einem Jupyter-Notebook ist wertlos, wenn es nicht in das Informationssystem des Unternehmens integriert werden kann.

Wiederkehrende Hindernisse:

• Keine API : das Modell wird ohne Schnittstelle zu den Geschäftsanwendungen ausgeliefert
• Nicht akzeptable Latenz : eine Antwortzeit von mehreren Sekunden kann bei Echtzeitanwendungen ein Ausschlusskriterium sein
• Kompatibilitätsprobleme : die erforderliche Infrastruktur (GPU, Speicher) ist in der Produktionsumgebung nicht verfügbar
• Fehlende Daten-Pipeline : das Modell ist auf aktuelle Daten angewiesen, die nicht automatisch bereitgestellt werden

Integration muss von Anfang an mitgedacht werden, nicht als nachträgliche Ergänzung.

4. Fehlende Governance

KI ist kein Projekt, das man startet und dann vergisst. Es ist ein System, das sich weiterentwickelt, abweicht und kontinuierlicher Überwachung bedarf.

Anzeichen fehlender Governance:

• Keine Leistungsüberwachung in der Produktion : das Modell kann sich verschlechtern, ohne dass es jemand bemerkt
• Kein Aktualisierungsverfahren : Trainingsdaten veralten, das Modell wird obsolet
• Ungeklärte Verantwortlichkeiten : bei einem Fehler — wer ist verantwortlich? Das Data-Team? Die Fachabteilung? Die IT?
• Keine Dokumentation : niemand weiss, wie das Modell trainiert wurde, auf welchen Daten, mit welchen potenziellen Verzerrungen

Governance ist kein Luxus — sie unterscheidet ein einmaliges Experiment von einer nachhaltigen Fähigkeit.

5. Überschätzung der Modellfähigkeiten

KI-Modelle, auch die fortschrittlichsten, haben grundlegende Grenzen, die zu ignorieren gefährlich ist:

• Kein wirkliches Verständnis : ein LLM erzeugt plausibel klingenden Text, nicht unbedingt korrekten
• Kontextabhängigkeit : ein in einer Umgebung gut funktionierendes Modell kann in einer anderen versagen
• Inferenzkosten : die Skalierung vervielfacht die Rechenkosten, manchmal exponentiell
• Kontinuierliche Wartung : ein Modell ist niemals « fertig » — es muss regelmässig neu bewertet und trainiert werden

Wie man ein nachhaltiges KI-Projekt aufbaut

Angesichts dieser Fallstricke erhöht ein strukturiertes Vorgehen die Erfolgschancen erheblich:

1. Mit einem geschäftlichen Problem beginnen, nicht mit einer Technologie — den tatsächlichen Bedarf identifizieren, bevor das Werkzeug gewählt wird
2. Machbarkeit in einem begrenzten Umfang validieren — ein 4- bis 6-wöchiger Proof of Concept für einen gezielten Anwendungsfall
3. Daten vorab prüfen — Verfügbarkeit, Qualität und Konformität vor jeder Entwicklung sicherstellen
4. Produktion von Anfang an mitdenken — API, Infrastruktur, Pipeline, Monitoring planen
5. Governance vorsehen — Verantwortlichkeiten, Kennzahlen, Aktualisierungsverfahren definieren
6. Teams schulen — die Akzeptanz durch die Anwender ist ebenso wichtig wie die technische Leistung

Beobachtete Praxisbeispiele aus Unternehmen

Fall 1 — Scheitern an den Daten : ein Logistikunternehmen wollte ein Modell zur Vorhersage von Lieferzeiten einsetzen. Im Test funktionierte es, in der Produktion waren die Vorhersagen systematisch falsch. Ursache: Die Trainingsdaten stammten aus der Zeit vor der Gesundheitskrise und bildeten die tatsächlichen Ströme nicht mehr ab.

Fall 2 — Scheitern an der Integration : eine Rechtsabteilung liess ein Vertragsanalyse-Tool entwickeln. Das Modell war leistungsfähig, aber die Juristen mussten Verträge manuell exportieren, ins Tool importieren und die Ergebnisse in ihr DMS übertragen. Das Tool wurde nach drei Monaten aufgegeben.

Fall 3 — Erfolg durch Methode : ein industrielles KMU automatisierte die visuelle Qualitätskontrolle seiner Teile. Statt auf vollständige Automatisierung zu setzen, wurde ein System entwickelt, das die Teile vorsortierte und nur die Zweifelsfälle dem Bediener vorlegte. Ergebnis: 70 % Zeitersparnis, null fehlerhafte Teile, und die Bediener wurden im Umgang mit dem Modell geschult.

Fazit

Das Scheitern von KI-Projekten ist kein Schicksal. Es hat fast immer identifizierbare Ursachen: unzureichende Daten, unklare Ziele, fehlende Integration, mangelnde Governance oder unrealistische Erwartungen.

Der Unterschied zwischen einem gescheiterten und einem erfolgreichen Projekt ist nicht technologischer Natur — er ist methodischer Natur. Die Modelle existieren, die Infrastruktur existiert. Was oft fehlt, ist eine strukturierte Vorgehensweise, die mit dem geschäftlichen Problem beginnt, die Machbarkeit in einem realen Umfang validiert und die Produktion von Anfang an als gestalterische Randbedingung betrachtet — nicht als letzten Schritt.

KI im Unternehmen ist keine Frage technischer Finesse. Es ist eine Frage von Disziplin, Pragmatismus und Geduld.