Nur eins von 7 KI-Projekten ist im Plus: Diese vier Fehler sind schuld

Die Gewinne beim Roulette im Casino schwanken zwischen einfachem Gewinn und 35-fachem Gewinn — aber jeder Einsatz kann komplett verloren gehen. Fest steht nur, dass die Bank gewinnt.

Bei KI-Projekten scheint es aktuell ähnlich zu sein. Nach einer Studie von Deloitte unter mehr als 1.850 KI-Projektverantwortlichen erzielen bisher nur 15 % der Unternehmen bereits heute ein signifikantes, messbares Plus mit generativer KI. Eine MIT-Studie (2025) kommt für KI-Pilotprojekte sogar auf nur 5 % (MIT, 2025, S. 3). Je nach Studie ist also nur ein kleiner Teil der KI-Projekte heute im klaren Plus. Der große Rest ringt noch um den Nachweis. Dieser Befund ist erschütternd.

Was sind die Gründe dafür? Die erfolgreichen KI-Projekte planen ihr Plus von Anfang an. Sie legen fest, welches Problem KI lösen soll, während die anderen sofort in die Lösung mit KI einsteigen (RAND, 2024). Das letztere Vorgehen führt zu Fehlern.

Die folgenden vier Fehler erschweren den Erfolg der KI-Integration in Unternehmen. Sie am Anfang zu vermeiden ist der erste Schritt, um die Erfolgsaussichten von KI-Projekten deutlich zu erhöhen.

Fehler 1: Wir können am Anfang noch gar nicht wissen, wie viel wir mit KI erreichen können — und legen deshalb nur ein ungefähres Ziel fest.

Die Folgen: Ein ungefähres Ziel ist schwer zu treffen. Wenn niemand weiß, was am Ende wie viel besser, schneller oder günstiger werden soll, kann auch niemand sagen, ob KI das Ziel erreicht hat. Wie soll das Team unterwegs den Kurs korrigieren?

Hinzu kommt, dass die KI selbst unberechenbar ist und ihre Lieferqualität schwankt. Unberechenbarkeit trifft auf Ungenauigkeit. Ein solches Projekt hat kaum eine Chance, irgendein Ziel für das Unternehmen zu erreichen.

Die Schlussfolgerung: Das Projekt braucht ein Ziel mit Zwischenzielen. Dann kann die KI-Lösung auf die wirklichen Anforderungen im Unternehmen abgestimmt und kontrolliert eingeführt werden.

Fehler 2: Das KI-Team kennt die Möglichkeiten der KI am besten und muss deshalb im Projekt die führende Rolle spielen.

Die Folgen: Das klingt vernünftig, wirft aber kritische Fragen auf. Wie soll ein externes KI-Team, das den internen Workflow noch nicht kennt, die KI-Lösung nach den Anforderungen des Unternehmens entwickeln? Und wie soll das Workflow-Team nach Projektende mit einer Lösung arbeiten, die es nicht selbst mitentwickelt hat?

Das KI-Team kennt die Technologie, das Workflow-Team kennt die Prozesse. Damit KI im betrieblichen Alltag funktioniert, müssen beide entlang der Anforderungen im Workflow zusammenarbeiten. Die künftigen Owner der KI-Lösung müssen dabei das letzte Wort haben, schließlich stehen sie für die Ergebnisse ihrer Arbeit nach Projektende gerade.

Die Schlussfolgerung: Das Workflow-Team muss das Projekt führen. Das KI-Team liefert die technische Expertise — aber die fachliche Richtung, die Alltagstauglichkeit und die Erfolgskriterien müssen aus dem Workflow-Team kommen.

Fehler 3: Wir müssen den Workflow gründlich umbauen, damit KI uns messbaren Mehrwert liefert.

Die Folgen: Das klingt nach einer guten Idee. Endlich diesen chaotischen Prozess mal aufräumen. Und doch ist das ein großes Risiko. Der laufende Prozess funktioniert und verdient Geld. Er ist über die Zeit gewachsen und umfasst viele Akteure, Aktivitäten, Entscheidungen und vor allem Kompromisse, die oft nicht dokumentiert sind. Sie alle halten den Prozess am Laufen — und das Unternehmen am Leben.

Dieses Geflecht zu verändern, ist eine Mammutaufgabe, dauert lange und hat einen ungewissen Ausgang.

Ein zweites Risiko kommt hinzu: Die KI soll im Workflow helfen und muss ihn dazu kennen. Wenn dieser Workflow aber gleichzeitig verändert wird, lässt sich gar nicht prüfen, ob die KI in der neuen Umgebung überhaupt funktioniert.

Genau diese Erfahrung machen viele Projekte. Sie versuchen, Prozesse zu optimieren und KI an den richtigen Stellen einzubauen — und stoßen überall auf Hindernisse, die dann der unflexiblen Organisation oder dem fehlenden Veränderungswillen der Mitarbeiter angelastet werden. Wie soll das KI-Projekt in diesem Minenfeld ein Plus erwirtschaften?

Die Schlussfolgerung: Vernünftig ist eine quasi minimalinvasive Einführung von KI: Lösungen werden zunächst nur an den Stellen im Workflow eingebaut, an denen KI zuverlässig messbaren Mehrwert schaffen kann. Die Abschnitte im Prozess davor und danach werden auf nötige Anpassungen geprüft. Sind diese Anpassungen zu groß, werden zunächst andere Stellen mit KI ausgerüstet. Mit diesem Quick-Wins-Vorgehen läuft der Prozess im günstigsten Fall schneller — und verdient schneller sein Geld. Danach kann das Spiel von vorn beginnen: mit einem ausgeruhten Team, mehr KI-Erfahrung und mehr Budget.

Fehler 4: Wir müssen zuerst unsere Daten gründlich aufräumen, um mit KI erfolgreich zu sein.

Die Folgen: Das klingt erst einmal logisch. KI braucht die richtigen Daten. Unsere Daten sind in Silos verteilt, unsauber und veraltet. Also räumen wir erst einmal gründlich auf, damit KI wirklich liefern kann.

Die Sache hat aber einen Haken.

Die vorhandenen Daten waren bisher gut genug. Das Team hat mit diesen „schlechten Daten“ die richtigen Entscheidungen getroffen und den Workflow am Laufen gehalten. Warum sollten diese Daten für eine KI nicht ausreichen? Sie braucht nur digitalen Zugang und muss so genau wie möglich wissen, wie das Team die Daten verarbeitet hat, damit der Workflow läuft.

Für die KI die gesamte Datenbasis aufzuräumen bedeutet zwangsläufig, viel Zeit und Mühe darauf zu verschwenden, viele irrelevante Daten zu bewegen und zu pflegen. Wozu? Sie liefern keinen Mehrwert für den Prozess. Zeit, Geld und Motivation sind besser dafür eingesetzt, die Mitarbeiter zu befragen, wie sie die alten Daten verarbeiten, und die KI entsprechend zu instruieren.

Kombinieren wir diese Vorgehensweise mit den selektiven Änderungen im Workflow — siehe Fehler 3 — schrumpft der Aufwand für das KI-Projekt möglicherweise deutlich.

Die Schlussfolgerung: Nicht die ganze Datenbasis aufräumen. Erst mit dem Team klären, wo KI im Workflow helfen soll und welche Informationen dort wirklich gebraucht werden. Dann nur diese Daten prüfen, verbessern und für die KI zugänglich und nutzbar machen.

Fazit

KI kann im Unternehmen viel — nützen oder schaden. Daher muss sie vorsichtig eingebaut werden, damit die Prozesse mit KI stabil weiterlaufen und das Unternehmen mit KI besser dasteht.

Die erfolgreichen KI-Projekte schaffen genau das: Sie vermeiden diese vier Fehler. Sie starten nicht mit einem groben Wunsch, sondern mit einem klaren Ziel. Sie lassen das Projekt von den Workflow-Profis gemeinsam mit dem KI-Team führen. Sie setzen KI gezielt dort ein, wo sie schnell messbaren Mehrwert schafft, statt den ganzen Prozess umzubauen. Sie verschaffen der KI so schnell wie möglich digitalen Zugang zu den relevanten Daten und geben ihr die Regeln zur Verarbeitung, statt die gesamte Datenbasis aufzuräumen.

Wer am Anfang von KI-Projekten weniger Fehler macht, hat eine deutlich bessere Chance, am Ende im Plus zu landen.

Und danach geht das Spiel planmäßig, kontrolliert und rentabel weiter – mit dem nächsten KI-Projekt.