KI-Projekte scheitern selten wegen schlechter Technik. Sie scheitern wegen schlechter Entscheidungen, die lange vor dem ersten Test getroffen werden. Oder nicht getroffen werden — was noch teurer ist.
Ich sehe das regelmäßig. Ein Unternehmen testet ChatGPT, findet es beeindruckend, baut in drei Wochen einen Prototypen, gibt ihn an zehn Mitarbeiter weiter — und sechs Monate später existiert das Projekt nicht mehr. Nicht weil die Technologie versagt hat. Sondern weil niemand vorher gefragt hat: Was soll das hier eigentlich lösen? Für wen? Unter welchen Bedingungen?
Hier sind die Fehler, die ich am häufigsten beobachte. Und was du stattdessen tun solltest.
Fehler 1: Du startest mit der Technologie statt mit dem Problem
“Wir wollen KI einführen” ist kein Projektziel. Es ist ein Wunsch.
Technologie ist Mittel zum Zweck. Bevor du irgendetwas auswählst — kein Modell, kein Tool, kein Anbieter —, musst du das Problem kennen, das du lösen willst. Konkret. Messbar.
Ein Logistikunternehmen, das seine Disposition durch KI entlasten will, hat ein anderes Problem als eine Anwaltskanzlei, die Dokumentenprüfung automatisieren will. Andere Anforderungen, andere Risiken, andere Modelle.
Was du tun solltest: Formuliere das Problem in einem Satz, der auch ohne das Wort “KI” Sinn ergibt. Wenn dir das nicht gelingt, ist das Projekt noch nicht reif.
Fehler 2: Kein Mensch ist verantwortlich
KI-Projekte brauchen eine verantwortliche Person — nicht ein Komitee, nicht eine Abteilung, eine Person. Jemanden, der Entscheidungen treffen darf und für Ergebnisse gerade steht.
In vielen mittelständischen Unternehmen landet KI-Einführung irgendwo zwischen IT, Geschäftsführung und dem digital-affinen Mitarbeiter aus dem Marketing. Alle sind beteiligt, niemand ist zuständig. Das endet zuverlässig in Stillstand.
Was du tun solltest: Benenne intern einen KI-Verantwortlichen. Dieser braucht keine Informatik-Ausbildung, aber Entscheidungsbefugnis, Zeit und Rückendeckung von oben.
Fehler 3: Datenlage wird nicht geprüft
KI-Systeme sind so gut wie die Daten, mit denen sie arbeiten oder auf die sie zugreifen. Das klingt banal. Es wird trotzdem ständig ignoriert.
Ein Hersteller, der sein ERP-System mit einem KI-Assistenten verbinden will, stellt oft erst in der Implementierung fest: Die Stammdaten sind inkonsistent. Artikelbezeichnungen existieren dreifach. Historische Daten fehlen in zentralen Bereichen. Das Projekt stockt.
Datenhygiene ist keine Aufgabe, die du auf später verschieben kannst. Sie ist Voraussetzung.
Was du tun solltest: Führe vor Projektstart eine ehrliche Bestandsaufnahme deiner Datenqualität durch. Keine Hochglanz-Inventur — eine ehrliche. Wo fehlt was? Was ist veraltet? Was liegt wo?
Fehler 4: Rechtliche Anforderungen kommen zu spät
DSGVO, EU AI Act, Auftragsverarbeitungsverträge: Das sind keine Themen für den Rechtsanwalt am Ende des Projekts. Sie gehören an den Anfang.
Konkret: Wenn du ein KI-Modell eines US-amerikanischen Anbieters nutzt und dabei personenbezogene Daten verarbeitest, brauchst du einen gültigen AVV, musst Drittland-Transfers rechtssicher gestalten und — je nach Anwendungsfall — prüfen, ob der EU AI Act für dich relevant ist.
Der EU AI Act ist seit August 2024 in Kraft und gilt schrittweise. Hochrisiko-Anwendungen — etwa im HR-Bereich oder in kritischer Infrastruktur — unterliegen strengen Anforderungen. Wer das ignoriert, riskiert nicht nur Bußgelder, sondern auch den Vertrauensverlust bei Kunden und Mitarbeitern.
Was du tun solltest: Kläre den Einsatzbereich deiner KI-Anwendung rechtlich ab, bevor du ausrollst. Nicht danach.
Fehler 5: Der Pilotbetrieb endet im Schubladengraben
Viele Unternehmen bauen gute Piloten. Und lassen sie dann sterben.
Ein Pilotprojekt ist kein Selbstzweck. Es soll zeigen, ob eine Lösung im echten Betrieb funktioniert — und einen klaren Übergang in den Regelbetrieb vorbereiten. Was fehlt: Erfolgskriterien, ein Rollout-Plan, definierte nächste Schritte.
Wenn nach einem dreimonatigen Piloten niemand sagen kann, ob er erfolgreich war, war er nicht erfolgreich.
Was du tun solltest: Definiere vor dem Piloten, was Erfolg bedeutet. Konkret: Welche Kennzahl verbessert sich um wie viel? Bis wann? Und: Was passiert danach, wenn der Pilot überzeugt?
Fehler 6: Mitarbeiter werden nicht einbezogen
KI ersetzt keine Menschen, sagen alle. Mitarbeiter glauben das trotzdem nicht automatisch. Und dieses Misstrauen killt Adoption schneller als jede technische Fehlfunktion.
Ein KI-Tool, das die Sachbearbeitung in einer Versicherungsabteilung beschleunigen soll, wird von den Sachbearbeitenden ignoriert — wenn sie nicht verstehen, warum es eingeführt wird, wie es funktioniert und was es für ihre Arbeit bedeutet.
Kommunikation ist kein Nice-to-have. Es ist Projektarbeit.
Was du tun solltest: Hol betroffene Mitarbeiter früh ins Boot. Nicht für symbolische Beteiligung — für echtes Feedback, das in die Lösung einfließt. Das erhöht Akzeptanz und verbessert das Ergebnis.
Was das alles zusammenhält
Die meisten dieser Fehler haben eine gemeinsame Wurzel: fehlende Strategie. Nicht im Sinne eines 40-seitigen Papiers. Im Sinne einer klaren Antwort auf drei Fragen:
- Welches Problem löst diese KI-Anwendung?
- Wer ist verantwortlich und was sind die Erfolgskriterien?
- Was sind die rechtlichen und organisatorischen Rahmenbedingungen?
Wer diese drei Fragen beantworten kann, hat einen besseren Start als 80 Prozent der KI-Projekte im Mittelstand.
Laut McKinsey sind fehlende klare Ziele und unzureichende Change-Management-Maßnahmen die häufigsten Ursachen für gescheiterte KI-Initiativen — branchenübergreifend, Unternehmensgrößen hinweg. Das ist kein Technologieproblem. Das ist ein Führungsproblem.
Und Führungsprobleme lassen sich lösen — wenn man sie beim Namen nennt.
Fragen? Einfach melden — oder direkt ein kurzes Gespräch buchen.
Kurzes Gespräch buchen →