KI-Projekte scheitern selten an der Technologie. Sie scheitern an Entscheidungen, die vorher getroffen wurden — oder eben nicht. Im Mittelstand passiert das gerade reihenweise: Piloten, die nie produktiv werden. Tools, die nach drei Monaten niemand mehr nutzt. Budgets, die verpuffen.
Das ist kein Versagen von Einzelpersonen. Es sind strukturelle Muster. Und die lassen sich benennen.
Fehler 1: Starten ohne Problemdefinition
Der häufigste Einstieg klingt so: “Wir wollen mal schauen, was KI bei uns leisten kann.” Das klingt offen und pragmatisch. In der Praxis bedeutet es: kein Ziel, keine Messgröße, kein Verantwortlicher.
Wenn du nicht weißt, welches konkrete Problem du löst, wirst du auch nicht merken, ob die Lösung funktioniert. Ein Logistikunternehmen, das KI für “mehr Effizienz” einführt, ohne zu definieren, welcher Prozess konkret wie viel Zeit kostet — das ist kein Projekt, das ist ein Experiment ohne Hypothese.
Was stattdessen funktioniert: Fang mit einem einzigen Prozess an. Beschreib das Problem in drei Sätzen. Leg fest, woran du in sechs Monaten erkennst, ob sich der Aufwand gelohnt hat.
Fehler 2: Den Use Case an die Technologie anpassen, nicht umgekehrt
ChatGPT ist gerade populär, also sucht man Aufgaben, für die man ChatGPT nutzen kann. Das ist die falsche Richtung. Zuerst kommt das Problem, dann die Frage, ob KI die beste Antwort darauf ist — und wenn ja, welche Art von KI.
Generative Modelle sind stark bei Texterstellung, Zusammenfassungen, einfacher Recherche, Entwürfen. Sie sind schwach bei präziser Datenanalyse, regulatorischen Vorgaben, die Aktualität erfordern, und überall dort, wo Halluzinationen ein echtes Risiko darstellen.
Wer ein Qualitätsproblem in der Fertigung mit einem Sprachmodell lösen will, wird enttäuscht sein. Nicht weil KI nichts taugt — sondern weil das falsche Werkzeug zum Einsatz kam.
Fehler 3: Datenfragen vertagen
“Das klären wir später” — das ist der Satz, der KI-Projekte in die Verlängerung schickt. Welche Daten hat das Unternehmen? Wo liegen sie? Wer darf damit was machen? Gibt es eine Datenschutzfolgenabschätzung? Wurde ein Auftragsverarbeitungsvertrag mit dem Modellanbieter geschlossen?
Diese Fragen sind keine bürokratischen Hindernisse. Sie sind der Kern. Wer personenbezogene Daten in ein externes Modell einspielt, ohne den rechtlichen Rahmen geklärt zu haben, riskiert eine DSGVO-Verletzung — auch wenn es nur der interne Kundenservice-Chatbot ist.
Konkret: Kläre vor dem Start, ob deine Daten das Modell trainieren (Standard bei vielen Free-Tiers ist: ja). Nutze für produktive Anwendungen mit Kundendaten nur Anbieter, die einen AVV anbieten und Daten nicht zum Training nutzen. Das schließt kostenlose Konten bei den meisten großen Anbietern aus.
Fehler 4: Kein Ownership im Unternehmen
KI-Projekte, die allein von der IT getrieben werden, landen oft in einem funktionierenden Prototypen, den niemand außerhalb der IT nutzt. Projekte, die allein von der Geschäftsführung angeschoben werden, laufen ins Leere, weil kein Mitarbeiter die Notwendigkeit sieht.
Was gebraucht wird: eine Person, die für den Use Case verantwortlich ist, die fachliche Expertise mitbringt und die nötige Entscheidungshoheit hat. Nicht ein Komitee. Eine Person.
In mittelständischen Unternehmen mit 50 bis 500 Mitarbeitern ist das oft der Abteilungsleiter oder ein erfahrener Mitarbeiter mit Prozesskenntnis. Kein KI-Titel nötig, keine Vorkenntnisse in Programmierung — aber Bereitschaft, sich ernsthaft damit auseinanderzusetzen.
Fehler 5: Den Piloten nicht beenden
Piloten sind gut. Endlose Piloten sind teuer. Ein Muster im Mittelstand: Der Proof of Concept läuft, das Feedback ist okay, aber die Entscheidung für den Rollout bleibt aus. Sechs Monate später läuft noch immer der Pilot — weil niemand eine klare Stopp-oder-Weitermachen-Entscheidung getroffen hat.
Definiere vor dem Start des Piloten, wann er endet und nach welchen Kriterien entschieden wird. Zwei Optionen: skalieren oder einstellen. Beides ist richtig. Was nicht funktioniert: weitermachen ohne Entscheidung.
Fehler 6: Mitarbeiter übergehen
KI verändert Arbeitsabläufe. Wer das ohne die betroffenen Mitarbeiter plant, schafft Widerstand — oft stillen Widerstand, der sich in Nicht-Nutzung äußert.
Das bedeutet nicht, dass jeder Mitarbeiter begeistert sein muss. Es bedeutet, dass die Menschen, die täglich mit einem Prozess arbeiten, früh einbezogen werden. Nicht als Informationsempfänger, sondern als Wissensgeber: Was macht ihr genau? Wo verliert ihr Zeit? Was wäre hilfreich?
Diese Gespräche verbessern die Qualität des Projekts. Und sie erhöhen die Wahrscheinlichkeit, dass das Tool am Ende auch genutzt wird.
Was ein gutes KI-Projekt auszeichnet
Kein aufgeblasenes Vokabular. Keine “Transformations-Roadmap”. Stattdessen:
- Ein konkretes Problem, das messbar gelöst werden soll
- Klare Datenlage und rechtliche Absicherung vor dem Start
- Eine verantwortliche Person mit Entscheidungsbefugnis
- Ein definierter Endzeitpunkt für den Pilot
- Einbindung der Mitarbeiter, die den Prozess kennen
Das klingt unspektakulär. Es ist auch unspektakulär. Aber genau das unterscheidet Projekte, die produktiv werden, von denen, die im Slide-Deck enden.
Die Technologie ist heute gut genug. Die Engpässe liegen nicht in den Modellen. Sie liegen in der Vorbereitung, der Governance und dem Mut, Entscheidungen zu treffen — auch die, ein Projekt zu beenden, das nicht funktioniert.
Das ist keine Niederlage. Das ist Unternehmensführung.
Fragen? Einfach melden — oder direkt ein kurzes Gespräch buchen.
Kurzes Gespräch buchen →