„95 Prozent aller KI-Projekte scheitern.“ Kaum eine Zahl wurde in den letzten Monaten häufiger zitiert — in Vorträgen, Newslettern und Vertriebsgesprächen. Sie klingt dramatisch, sie bestätigt jeden Zweifel, und sie ist in dieser Form schlicht falsch.
Trotzdem steckt ein wahrer Kern darin: Sehr viele KI-Vorhaben kommen tatsächlich nie über den Piloten hinaus. Nur liegt das fast nie an der Technik. Dieser Artikel sortiert erst die Zahlen — und zeigt dann die sieben Gründe, an denen KI-Projekte im Mittelstand wirklich scheitern, mit dem jeweiligen Gegenmittel.
Was die Zahlen wirklich sagen
Die berühmten 95 Prozent stammen aus dem Bericht „The GenAI Divide: State of AI in Business 2025“ des MIT-Media-Lab-Projekts NANDA vom Juli 2025. Dort steht allerdings etwas anderes, als überall zitiert wird. Für maßgeschneiderte, aufgabenspezifische KI-Werkzeuge beschreibt der Bericht diese Kette: 60 Prozent der befragten Organisationen haben solche Systeme geprüft, 20 Prozent kamen bis zum Piloten, 5 Prozent bis in den Produktivbetrieb.
Alle drei Werte beziehen sich auf dieselbe Grundgesamtheit — alle Befragten, nicht die Piloten. Rechnet man nach, schaffte rund ein Viertel der Unternehmen, die überhaupt pilotiert haben, den Sprung in die Produktion. Die restlichen 80 Prozent hatten nie ein eigenes Werkzeug im Pilotbetrieb, konnten also auch nichts damit scheitern. Aus „5 Prozent aller Organisationen“ wurde in der Berichterstattung „95 Prozent aller Pilotprojekte“ — ein Rechenfehler, der um die Welt ging.
Noch aufschlussreicher ist die zweite Zahlenreihe aus demselben Bericht, die kaum jemand zitiert: Für allgemeine Werkzeuge wie ChatGPT oder Copilot liegt die Kette bei 80 Prozent Prüfung, 50 Prozent Pilot und 40 Prozent produktivem Einsatz. Dort kommen also vier von fünf Piloten in den Betrieb. Zur Einordnung gehört, dass der Bericht nicht begutachtet ist, auf 52 Interviews und 153 Fragebögen beruht und seine eigenen Werte ausdrücklich nur als richtungsweisend bezeichnet.
Belastbarere Zahlen liefert die Erhebung Voice of the Enterprise von S&P Global Market Intelligence mit 1.006 befragten Fach- und Führungskräften aus Nordamerika und Europa. Dort stieg der Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen vor dem Produktivbetrieb abbrechen, binnen eines Jahres von 17 auf 42 Prozent. Im Schnitt werden 46 Prozent der Vorhaben zwischen Machbarkeitsnachweis und breiter Einführung eingestellt. Für den deutschen Markt ist ein Wert aus der Folgeerhebung besonders unangenehm: Nur 38 Prozent der KI-Initiativen deutscher Unternehmen gelten als auf Kurs, binnen zwölf Monaten einen positiven Return zu erreichen — international sind es 46 Prozent.
Die ehrliche Zusammenfassung lautet also: Nicht 95 Prozent scheitern, aber ungefähr jedes zweite Vorhaben bleibt zwischen Pilot und Produktion liegen. Das ist immer noch viel — und die Gründe dafür sind erstaunlich gleichförmig.
Grund 1: Es gab nie ein Problem, nur ein Werkzeug
Der häufigste Startfehler klingt harmlos: „Wir müssen auch was mit KI machen.“ Damit beginnt ein Projekt ohne Ziel. Es wird ein Werkzeug ausgewählt, ein Budget freigegeben, ein Pilot gestartet — und erst hinterher gefragt, welches Problem eigentlich gelöst werden sollte.
Erkennbar ist das an einem einfachen Test: Kannst du in einem Satz sagen, was nach dem Projekt anders ist? Nicht „wir nutzen dann KI“, sondern „die Angebotserstellung dauert 20 statt 120 Minuten“. Wer diesen Satz nicht formulieren kann, hat kein Projekt, sondern ein Experiment — und sollte es auch so nennen und begrenzen.
Die RAND Corporation kam 2024 nach 65 Interviews mit erfahrenen KI-Entwicklern zum selben Ergebnis: Ursache Nummer eins ist, dass die Beteiligten missverstehen oder falsch kommunizieren, welches Problem die KI überhaupt lösen soll. Ursache Nummer drei: der neuesten Technologie hinterherzujagen, statt echte Probleme der Nutzer zu lösen.
Der Umkehrschluss ist unbequem: Der beste Anwendungsfall ist selten der spannendste. Er ist meistens der langweiligste — die Tätigkeit, die täglich anfällt, klar strukturiert ist und niemandem Spaß macht.
Grund 2: Die Daten waren nicht so weit
KI ist keine Wahrsagerin. Sie arbeitet mit dem, was da ist — und in den meisten Unternehmen ist das ein Ordnerlabyrinth aus PDFs, gescannten Verträgen, Excel-Ständen von 2019 und drei Versionen derselben Preisliste. Ein Modell, das auf dieser Grundlage antwortet, produziert plausibel klingenden Unsinn.
Besonders tückisch: Das Problem zeigt sich im Pilot oft nicht. Im Test füttert man zehn saubere Dokumente, alles funktioniert. In der Produktion kommen 4.000 gewachsene Dateien dazu — und die Trefferquote bricht ein. Wir haben ausführlich beschrieben, warum Dokumente für KI unbrauchbar sind und wie der Weg vom PDF zur belastbaren Antwort tatsächlich aussieht.
Gartner prognostizierte im Februar 2025, dass Unternehmen bis Ende 2026 rund 60 Prozent derjenigen KI-Projekte abbrechen, die nicht auf KI-taugliche Daten gestützt sind — und 63 Prozent der Unternehmen gaben an, gar nicht über passende Datenpraktiken zu verfügen. Die ehrliche Reihenfolge lautet deshalb: erst aufräumen, dann automatisieren. Der unpopulärste Satz in jedem Kick-off — und der, der die meisten Projekte rettet.
Grund 3: Ein kaputter Prozess wurde schneller gemacht
Automatisierung ist ein Verstärker. Sie macht einen guten Ablauf schneller und einen schlechten Ablauf schneller kaputt. Wenn die Angebotserstellung heute chaotisch ist, weil niemand weiß, welche Preisliste gilt, dann erzeugt eine KI künftig eben in Sekunden Angebote mit den falschen Preisen.
Typisches Muster: Ein über Jahre gewachsener Ablauf wird eins zu eins im KI-Werkzeug abgebildet — samt aller Ausnahmen und Workarounds, die nur historisch erklärbar sind. Ergebnis: ein teures System, das den Wildwuchs zementiert.
Die Alternative kostet zwei Tage: den Prozess einmal aufzeichnen, die Ausnahmen zählen, die Hälfte davon streichen — und erst dann entscheiden, welcher Teil überhaupt automatisiert werden soll. Häufig stellt sich dabei heraus, dass der größte Hebel gar keine KI braucht.
Grund 4: Der Pilot war nie für die Produktion gebaut
Das ist die Stelle, an der die meisten Projekte tatsächlich sterben — nicht im Test, sondern im Sprung danach. Ein Pilot läuft unter Laborbedingungen: eine Handvoll wohlwollender Nutzer, saubere Beispieldaten, jemand aus der Projektgruppe sitzt daneben. Produktion heißt: alle Nutzer, alle Sonderfälle, Anbindung an CRM und Warenwirtschaft, Rechte und Rollen, Vertretungsregelung im Urlaub, ein Ansprechpartner, wenn es klemmt.
Zwischen beidem liegt kein Schalter, sondern echte Integrationsarbeit. Wer die nicht einplant, hat am Ende eine funktionierende Demo und kein Produkt. Faustregel: Der Pilot ist der kleinere Teil des Aufwands. Weist ein Angebot den Rollout nicht aus, fehlt der teuerste Posten.
Besonders ausgeprägt ist das bei KI-Agenten: Gartner rechnet damit, dass bis Ende 2027 mehr als 40 Prozent der Agenten-Projekte wieder eingestellt werden — wegen ausufernder Kosten, unklarem Nutzen oder fehlender Risikokontrolle. Dazu kommt, was Gartner „agent washing“ nennt: das Umetikettieren vorhandener Chatbots und Automatisierungen zu Agenten. Von den Tausenden Anbietern am Markt lieferten nach Gartner-Schätzung nur etwa 130 wirklich agentische Fähigkeiten.
Grund 5: Niemand hat das Team mitgenommen
Technisch fertige Systeme, die niemand benutzt, sind der stillste Weg des Scheiterns — er taucht in keiner Statistik auf, weil das Projekt formal abgeschlossen wurde. Die Gründe sind selten Technikfeindlichkeit:
- Angst um den Arbeitsplatz. Wird nicht offen ausgesprochen, wirkt aber in jeder Schulung mit. Wer nicht klar sagt, was mit der gesparten Zeit passiert, bekommt Widerstand statt Mitarbeit.
- Kein Vertrauen in die Ergebnisse. Einmal eine erfundene Antwort erlebt, und das Werkzeug ist für diesen Mitarbeiter erledigt. Deshalb sind Quellenangaben und Nachprüfbarkeit kein Luxus, sondern Voraussetzung für Akzeptanz.
- Der neue Weg ist länger. Braucht das System drei Klicks mehr, gewinnt die alte Excel-Datei. Immer.
- Fehlende Kompetenz. Ohne Grundverständnis wird KI entweder gar nicht oder blind genutzt — beides schlecht. Seit Februar 2025 ist Schulung ohnehin keine reine Kür mehr, sondern Teil der KI-Kompetenzpflicht.
Was hilft, ist unspektakulär: früh einbinden statt nachträglich überzeugen, echte Nutzer im Pilot statt nur die Projektgruppe, und eine klare Ansage der Geschäftsführung, wofür die gewonnene Zeit da ist.
Grund 6: Es wurde nie gemessen
Ohne Ausgangswert gibt es keinen Erfolg — nur Meinungen. Erstaunlich viele Projekte starten, ohne dass jemand vorher gemessen hat, wie lange der Prozess bisher dauert, wie viele Fälle pro Woche anfallen und wie hoch die Fehlerquote ist. Am Ende steht dann Aussage gegen Aussage: „Fühlt sich schneller an“ gegen „war früher auch nicht schlechter“.
Dabei reicht wenig: drei Zahlen vor dem Start, dieselben drei nach acht Wochen. Wer das überspringt, kann das Projekt weder verteidigen noch weiterentwickeln — und beim ersten Sparzwang fliegt es raus, weil niemand seinen Wert beziffern kann.
Grund 7: Datenschutz kam zuletzt statt zuerst
Ein Projekt, das technisch läuft und dann von Datenschutz oder Betriebsrat gestoppt wird, ist besonders bitter, weil der Aufwand bereits angefallen ist. Dabei sind die Anforderungen bekannt und beherrschbar: Rechtsgrundlage klären, Auftragsverarbeitungsvertrag abschließen, Tool sauber auswählen, interne Regeln schreiben, Team schulen, dokumentieren.
Der Fehler ist nie die Anforderung, sondern der Zeitpunkt. Wer die sechs Bausteine für den DSGVO-konformen KI-Einsatz vor der Werkzeugauswahl klärt, verliert eine Woche. Wer sie danach klärt, manchmal das ganze Projekt. Eine schriftliche KI-Richtlinie kostet einen Nachmittag.
Was erfolgreiche Projekte anders machen
Die Gegenprobe ist unspektakulär. Projekte, die halten, folgen fast immer demselben Muster:
- Ein klar abgegrenzter Anwendungsfall statt einer Plattformstrategie. Ein Prozess, eine Abteilung, ein messbares Ziel.
- Der Prozess wird vor der Technik geklärt — inklusive der Frage, welche Ausnahmen wegfallen.
- Echte Nutzer sind ab Woche eins dabei, nicht erst bei der Abnahme.
- Der Rollout ist von Anfang an eingeplant und budgetiert, nicht als Anhang zum Piloten.
- Es gibt Zahlen vorher und nachher — und den Mut, ein Projekt zu beenden, wenn sie nicht stimmen.
- Governance läuft mit, nicht hinterher.
Auffällig ist, was auf dieser Liste nicht steht: das Modell. Welches Sprachmodell zum Einsatz kommt, ist für den Projekterfolg zweitrangig — entscheidend ist der Kontext, den es bekommt. Genau darum geht es, wenn wir sagen: Wissen schlägt Modell.
Häufige Fragen zu gescheiterten KI-Projekten
Stimmt es, dass 95 Prozent der KI-Projekte scheitern?
Nein, jedenfalls nicht so. Die Zahl stammt aus einem MIT-Bericht von 2025, in dem 5 Prozent aller befragten Organisationen ein maßgeschneidertes KI-Werkzeug in Produktion brachten — nicht 5 Prozent der Pilotprojekte. Von den Unternehmen, die tatsächlich pilotiert haben, schaffte rund ein Viertel den Sprung. Realistischer ist die Größenordnung aus Branchenerhebungen: Etwa jedes zweite Vorhaben wird zwischen Machbarkeitsnachweis und Einführung eingestellt.
Wie erkenne ich früh, dass ein KI-Projekt in die falsche Richtung läuft?
Drei Warnsignale: Erstens, niemand kann in einem Satz sagen, welche Kennzahl sich verbessern soll. Zweitens, im Pilot arbeiten nur Projektbeteiligte, keine normalen Nutzer. Drittens, die Frage nach der Anbindung an bestehende Systeme wird auf später vertagt. Treffen zwei davon zu, lohnt ein Stopp und eine Neuausrichtung mehr als Weitermachen.
Sollte man klein anfangen oder gleich groß denken?
Klein anfangen, aber vollständig. Ein kleiner Anwendungsfall, der wirklich in Produktion geht — mit Integration, Rechten und Messung — ist wertvoller als ein großes Pilotprojekt, das nie den Sprung schafft. Der erste vollständige Durchlauf bringt außerdem das Wissen, das jedes weitere Vorhaben schneller macht.
Was kostet ein gescheitertes KI-Projekt wirklich?
Mehr als das Budget. Dazu kommen die gebundene Arbeitszeit, die verlorene Zeit gegenüber dem Wettbewerb und ein Effekt, den viele unterschätzen: die Skepsis im Team. Nach einem gescheiterten Anlauf ist der zweite deutlich schwerer durchzusetzen — auch wenn er besser geplant ist.
Braucht man für KI-Projekte externe Unterstützung?
Nicht zwingend, aber es hilft an zwei Stellen: bei der ehrlichen Auswahl des Anwendungsfalls, weil Externe leichter „das lohnt sich nicht“ sagen können, und beim Sprung vom Piloten in die Produktion, wo Integrationserfahrung den Unterschied macht. Für die Bestandsaufnahme selbst brauchst du niemanden — die kannst du mit deinem Team an einem Vormittag machen.
Fazit: Die Technik ist selten das Problem
Wer die Gründe nebeneinanderlegt, sieht ein Muster: Fast keiner davon ist technischer Natur. Unklare Ziele, unaufgeräumte Daten, kaputte Prozesse, fehlende Integration, übergangene Mitarbeiter, keine Messung, späte Governance — das sind Führungs- und Organisationsthemen. Die Boston Consulting Group kommt in ihrer Befragung von 1.250 Führungskräften zum selben Schluss: Die meisten Hürden liegen bei Menschen, Organisation und Prozessen, nicht bei der Technik. Die Modelle sind heute gut genug. Die Vorbereitung ist es oft nicht.
Das ist die gute Nachricht: An all diesen Punkten kannst du etwas ändern, bevor du einen Euro für Software ausgibst. Wenn du wissen willst, welcher Anwendungsfall bei dir wirklich trägt — und welcher nur nach Zukunft klingt — nimm dir 2 Minuten für den KI-Potenzial-Check oder lass uns in einer kostenlosen Prozessanalyse gemeinsam draufschauen. Ein ehrliches „lohnt sich nicht“ ist an dieser Stelle mehr wert als ein begeistertes „probieren wir mal“.