Warum KI-Projekte scheitern: Tools sind nicht das Problem, Prozesse schon

Wenn ein KI-Projekt scheitert, fällt der Verdacht meist schnell auf die Technik: das falsche Tool, das schwache Modell, der ungeeignete Anbieter. Nach 19 Jahren in der Transformation – unter anderem bei Bayer und Bionorica – sehe ich das Muster anders. Warum KI-Projekte scheitern, hat in der Regel wenig mit dem Werkzeug zu tun und sehr viel mit dem Prozess, in den es eingebettet werden soll. Wer einen unklaren Ablauf automatisiert, bekommt keinen besseren Ablauf, sondern denselben Murks – nur schneller und teurer.

Im Folgenden die sechs häufigsten Gründe, jeweils mit Symptom, Folge und konkretem Gegenmittel. Danach zeige ich, wie ein analysegetriebenes Vorgehen diese Fehler systematisch verhindert.

1. Tool-Chaos statt Strategie

Symptom: Drei Abteilungen testen vier verschiedene KI-Tools, niemand spricht miteinander, und die Auswahl folgt dem, was gerade auf LinkedIn kursiert. Der Einstieg ist immer das Produkt, nie die Fragestellung.

Folge: Insellösungen, doppelte Lizenzkosten, Datensilos und ein Flickenteppich, der sich später nicht integrieren lässt. Das Projekt produziert Aktivität, aber keinen messbaren Wert.

Gegenmittel: Beginnen Sie mit der Frage „Welches Problem lösen wir?", nicht mit „Welches Tool nehmen wir?". Eine tragfähige KI-Strategie für Unternehmen definiert zuerst die Engpässe und Ziele und leitet daraus die Werkzeugauswahl ab – nicht umgekehrt. Das Tool ist die letzte Entscheidung, nicht die erste.

2. Keine Prozessanalyse vor der Einführung

Symptom: Es soll „etwas mit KI" automatisiert werden, aber niemand kann den betroffenen Prozess sauber beschreiben. Wer macht was, wann, mit welchen Eingaben und welchem Ergebnis? Die Antworten widersprechen sich je nach Gesprächspartner.

Folge: Die KI automatisiert einen Prozess, den so eigentlich niemand will. Ausnahmen, Sonderfälle und stilles Erfahrungswissen, die der Ablauf bisher auffing, fallen durchs Raster. Das ist einer der klassischen KI-Einführungsfehler: Automatisierung vor Verständnis.

Gegenmittel: Erst analysieren, dann strukturieren, dann digitalisieren. Wird ein Prozess vor der Automatisierung sauber aufgenommen und entschlackt, zeigt sich oft, dass die Hälfte der Schritte überflüssig ist. Ein verschlankter Prozess braucht weniger KI – und liefert bessere Ergebnisse.

3. Schlechte Datenbasis

Symptom: Die Daten liegen in zwölf Excel-Dateien, drei Systemen und einem geteilten Laufwerk. Felder sind uneinheitlich befüllt, Dubletten häufen sich, und niemand weiß genau, welche Quelle die maßgebliche ist.

Folge: Selbst das beste Modell liefert auf einer wackligen Datengrundlage unzuverlässige Ergebnisse. Das Projekt verliert das Vertrauen der Anwender, bevor es überhaupt produktiv ist – und Vertrauen lässt sich nur einmal verspielen.

Gegenmittel: Datenqualität ist kein Nebenschauplatz, sondern Voraussetzung. Vor jedem KI-Vorhaben gehört geklärt: Welche Daten existieren, in welcher Qualität, mit welchen Zugriffsrechten? Häufig ist die ehrliche Erkenntnis, dass zuerst die Datenbasis konsolidiert werden muss, bevor KI überhaupt sinnvoll ist. Diese Wahrheit früh auszusprechen, spart später sechsstellige Beträge.

4. Keine klaren Verantwortlichkeiten

Symptom: Das Projekt „gehört" der IT, dem Fachbereich und der Geschäftsführung gleichzeitig – also niemandem. Entscheidungen ziehen sich, weil unklar ist, wer sie treffen darf.

Folge: Das Vorhaben versandet im Niemandsland zwischen den Zuständigkeiten. Niemand fühlt sich für das Ergebnis verantwortlich, niemand für den Betrieb nach dem Go-live.

Gegenmittel: Jedes KI-Projekt braucht eine benannte Verantwortung mit Mandat und Budget – einen Owner, der über Fachbereich und IT hinweg entscheiden darf. Genauso wichtig: zu klären, wer das System nach der Einführung pflegt. KI ist kein Projekt mit Enddatum, sondern ein Betriebsmodell.

5. Fehlende Mitarbeiterakzeptanz

Symptom: Die Lösung wird im stillen Kämmerlein gebaut und dann „ausgerollt". Die Belegschaft erfährt davon, wenn das Werkzeug bereits feststeht – und reagiert mit Skepsis oder stiller Verweigerung.

Folge: Das Tool wird umgangen, Schattenprozesse entstehen, die Adoption bleibt aus. Technisch funktioniert alles, praktisch nutzt es niemand. Hinzu kommt: Seit dem 2. Februar 2025 verlangt der AI Act der EU-Kommission ein Mindestmaß an KI-Kompetenz bei allen, die KI-Systeme einsetzen. Wer Mitarbeitende nicht mitnimmt, verfehlt nicht nur die Akzeptanz, sondern auch eine regulatorische Pflicht.

Gegenmittel: Beziehen Sie die Menschen ein, die den Prozess täglich leben – und zwar von Beginn an, nicht zur Abnahme. Sie kennen die Sonderfälle, die in keiner Dokumentation stehen. Akzeptanz entsteht durch Beteiligung und durch spürbare Entlastung, nicht durch ein Schulungsvideo nach dem Go-live.

6. Kein Business Case, keine Erfolgsmessung

Symptom: Auf die Frage „Woran erkennen wir, dass das Projekt erfolgreich war?" gibt es keine konkrete Antwort. Es geht um „Effizienz" und „Zukunftsfähigkeit", aber nicht um Zahlen.

Folge: Ohne Zielgröße lässt sich kein Erfolg belegen – und kein Misserfolg korrigieren. Das Projekt läuft weiter, weil es nun einmal läuft, ohne dass jemand seinen Nutzen nachweisen kann. Genau hier entscheidet sich, ob ein KI-Projekt erfolgreich wird oder im Sande verläuft.

Gegenmittel: Definieren Sie vor dem Start eine messbare Kennzahl: gesparte Bearbeitungszeit, reduzierte Fehlerquote, kürzere Durchlaufzeit. Mit einer Baseline davor und einer Messung danach. Wer den Reifegrad und das Potenzial seiner Prozesse einschätzen will, findet im ASDAR Score einen strukturierten Einstieg.

Wie ein analysegetriebenes Vorgehen diese Fehler vermeidet

Auffällig ist: Fünf der sechs Gründe haben nichts mit Technik zu tun. Sie entstehen, weil das Werkzeug vor dem Verständnis kommt. Genau hier setzt die ASDAR Method an – ein Vorgehen, das die Tool-Auswahl bewusst nach hinten schiebt:

• Analysieren: Den realen Ist-Prozess aufnehmen, samt Engpässen, Ausnahmen und Datenlage. Das verhindert Fehler 2 und 3.
• Strukturieren: Den Prozess entschlacken und Verantwortlichkeiten klären, bevor irgendetwas digitalisiert wird. Das adressiert Fehler 1 und 4.
• Digitalisieren: Den bereinigten Prozess in eine saubere digitale Grundlage überführen – die Voraussetzung für belastbare Automatisierung.
• Automatisieren: Erst jetzt fällt die Tool-Entscheidung, auf Basis eines verstandenen Prozesses und nicht eines Trends.
• Realisieren: Mit messbaren Kennzahlen, eingebundener Belegschaft und einem definierten Betriebsmodell live gehen. Das schließt Fehler 5 und 6.

Der entscheidende Unterschied liegt in der Reihenfolge. Die meisten gescheiterten Projekte starten bei „Automatisieren" und arbeiten sich rückwärts zu den Problemen vor, die sie am Anfang hätten klären müssen. Wer die Analyse voranstellt, stellt häufig fest, dass die wirkungsvollste Maßnahme gar keine KI erfordert – sondern einen besser geschnittenen Prozess. Welche Hebel in Ihrer Branche am stärksten wirken, lässt sich in einer ersten Analyse schnell eingrenzen.

Fazit

Warum KI-Projekte scheitern, lässt sich auf einen Nenner bringen: Sie scheitern an Prozessen, nicht an Tools. Tool-Chaos, fehlende Analyse, schwache Daten, unklare Verantwortung, mangelnde Akzeptanz und fehlende Erfolgsmessung sind allesamt Probleme, die vor der Technik liegen. Das Werkzeug verstärkt nur, was bereits da ist – im Guten wie im Schlechten.

Die gute Nachricht: Alle sechs Fehler sind vermeidbar, wenn man die Reihenfolge umdreht und mit dem Prozess beginnt statt mit dem Produkt. Eine KI-Einführung ist kein Technikprojekt, sondern ein Transformationsprojekt mit Technikanteil.

Starten Sie Ihr nächstes Vorhaben nicht mit der Tool-Auswahl, sondern mit einer sauberen Analyse. In einem Erstgespräch klären wir, wo Ihre Prozesse stehen und ob – und wo – KI tatsächlich den größten Hebel bietet. Direkt, substantiiert und ohne Hype.