Warum fast jedes KI-Projekt scheitert

Es gibt eine Zahl, die jeder kennen sollte, der über ein KI-Projekt nachdenkt. Eine viel beachtete Untersuchung des MIT hat 300 KI-Einführungen in Unternehmen ausgewertet. Das Ergebnis: 95 Prozent der Projekte lieferten keinen messbaren Beitrag zum Geschäftsergebnis. Nur 5 Prozent erzeugten echten Wert.

Das klingt nach einem vernichtenden Urteil über die Technik. Es ist das Gegenteil.

Es liegt nicht am Modell

Der wichtigste Befund der Studie ist nicht die Scheiterquote. Es ist der Grund dafür. Die Projekte scheiterten nicht an der Qualität der KI. Sie scheiterten an einer Lücke zwischen dem Werkzeug und der Organisation, die es nutzen sollte. Das MIT nennt es eine Lernlücke: Die Tools passten sich nicht an den echten Arbeitsablauf an, und die Menschen wurden nicht dorthin mitgenommen, wo die Arbeit tatsächlich stattfindet.

Die Modelle waren gut genug. Was fehlte, war die Umsetzung. Führungskräfte schoben das Scheitern oft auf Regulierung oder Modellqualität, aber die Untersuchung zeigt: Der wunde Punkt ist die Einbindung in den Betrieb, nicht die Technik.

Die Modelle sind gut genug. Es scheitert an allem, was um sie herum passieren muss.

Der teure Reflex: oben anfangen

Die meisten gescheiterten Projekte teilen ein Muster. Sie fangen oben an. Ein Strategiepapier, ein Zielbild, eine große Roadmap, ein Tool, das an alle ausgerollt wird. Das sieht im Vorstand gut aus und kollabiert im Alltag, weil niemand die Menschen befähigt hat, die das Ding am Ende benutzen sollen.

Die Studie beschreibt genau das: Pilotprojekte, die in der Präsentation glänzen und im Betrieb zusammenbrechen. Und sie beschreibt einen zweiten Effekt, den fast jeder Betrieb kennt. Während die offiziellen Projekte scheitern, nutzen die Mitarbeitenden längst ihre eigenen KI-Werkzeuge, an der IT vorbei, weil die von oben verordnete Lösung ihre echte Arbeit nicht trifft. Das Potenzial ist da. Es wird nur nicht eingesammelt.

Was die 5 Prozent anders machen

Die erfolgreichen Projekte teilen ebenfalls ein Muster, und es ist erfreulich unspektakulär. Sie picken sich einen konkreten Schmerzpunkt heraus, setzen ihn sauber um und binden ihn tief in den tatsächlichen Arbeitsablauf ein. Nicht alles auf einmal. Ein Fall, richtig gemacht, an der echten Aufgabe der echten Leute.

Das ist die ganze Kunst. Nicht das größte Modell, nicht die breiteste Strategie. Sondern der richtige erste Schritt, dort, wo die Arbeit weh tut, mit den Menschen, die sie tun.

Die Reihenfolge, die funktioniert

Daraus folgt eine klare Konsequenz. Man fängt nicht mit der Strategie an, sondern mit den Menschen. Erst befähigen, dann herausfinden, welche zwei, drei Routinen wirklich Zeit fressen, dann an einem echten Fall zeigen, dass es trägt, und erst dann bauen. Menschen zuerst, Technik danach.

Diese Reihenfolge dreht genau das um, was die große Beratung üblicherweise tut, und sie ist der Grund, warum die einen scheitern und die anderen zu den 5 Prozent gehören. Die KI schlägt vor, der Mensch entscheidet. Und der Mensch entscheidet nur dann gut, wenn man ihn von Anfang an mitgenommen hat.

Die 95 Prozent sind keine Absage an KI. Sie sind eine Absage an die falsche Reihenfolge.