KI-Projekte scheitern selten mit einem Knall. Sie sterben langsam. Nach sechs Monaten Pilotphase ist das Team erschöpft, das Budget weg, der Nutzen unklar. Und irgendwann spricht niemand mehr davon.
Das ist kein Einzelfall. Laut McKinsey bringen weniger als 30 Prozent aller KI-Initiativen den angestrebten Wert. Im Mittelstand dürfte die Quote noch schlechter aussehen — weil Ressourcen knapper sind und Fehler teurer.
Die gute Nachricht: Die Muster sind bekannt. Wer sie kennt, kann sie vermeiden.
Fehler 1: Technologie vor Problemdefinition
Der häufigste Fehler passiert ganz am Anfang. Ein Tool wird ausprobiert, weil es gerade in aller Munde ist. ChatGPT für den Kundendienst. Ein KI-Bildgenerator für Marketing. Ein Automatisierungstool für die Buchhaltung. Ohne dass irgendjemand gefragt hat: Welches konkrete Problem lösen wir damit?
Das Ergebnis: Beeindruckende Demos, null Verankerung im Tagesgeschäft.
Besser ist der umgekehrte Weg. Erst das Problem benennen. Dann prüfen, ob KI die richtige Antwort darauf ist — und erst dann das Tool auswählen. Das klingt trivial. Es wird trotzdem ständig ignoriert.
Konkrete Fragen, die du dir vorher stellen solltest:
- Was kostet uns das Problem heute in Zeit oder Geld?
- Wer ist betroffen, und wer muss die Lösung später nutzen?
- Was passiert, wenn die KI falsch liegt?
Fehler 2: Kein Mensch trägt Verantwortung
KI-Projekte brauchen eine Person, die die Verantwortung trägt. Nicht das IT-Team. Nicht die externe Beratung. Eine interne Person mit Entscheidungsbefugnis und Interesse am Ergebnis.
Wenn diese Person fehlt, passiert Folgendes: Entscheidungen werden verschleppt. Anforderungen ändern sich wöchentlich. Das Projekt driftet. Am Ende weiß niemand mehr, warum man überhaupt angefangen hat.
Besonders in Unternehmen ohne dedizierte Digitalstelle fällt das KI-Projekt gerne zwischen alle Stühle — zu technisch für die Geschäftsführung, zu strategisch für die IT. Dieses Vakuum muss bewusst geschlossen werden, bevor das Projekt startet.
Fehler 3: Daten werden überschätzt, Datenqualität unterschätzt
“Wir haben massenhaft Daten” — das höre ich oft. Was danach kommt, ist meistens eine unschöne Überraschung: Die Daten liegen in drei verschiedenen Systemen, sind nicht einheitlich strukturiert, teils veraltet, teils nicht zugänglich.
KI-Modelle sind nur so gut wie die Daten, mit denen sie arbeiten. Das gilt für fertige SaaS-Lösungen genauso wie für maßgeschneiderte Systeme. Wer diesen Schritt unterschätzt, verpulvert Budget in der Implementierung und merkt erst kurz vor dem Go-live, dass die Grundlage fehlt.
Ein realistisches Datenprojekt braucht Zeit. Plane sie ein — vor dem KI-Projekt, nicht parallel dazu.
Fehler 4: Rechtliche Rahmenbedingungen werden auf später verschoben
“Das klären wir später mit der Rechtsabteilung” ist ein Satz, der Projekte zurückwirft oder stoppt. Der EU AI Act ist seit 2024 in Kraft. Die Pflichten für Hochrisiko-KI-Systeme greifen — und der Mittelstand ist nicht ausgenommen.
Gleichzeitig greift bei fast jedem KI-Tool, das personenbezogene Daten verarbeitet, die DSGVO. Das betrifft Kundenkorrespondenz, Personalunterlagen, Bewerberdaten. Wer hier einen Cloud-Dienst einsetzt, ohne Auftragsverarbeitungsvertrag und Prüfung des Drittlandtransfers, bewegt sich in einer Grauzone.
Das bedeutet nicht, dass KI-Projekte juristisch erdrückt werden sollen. Es bedeutet: Kläre frühzeitig, in welche Risikokategorie dein Anwendungsfall fällt. Die meisten Mittelstandsprojekte landen im Niedrigrisikobereich — aber das wissen die meisten Unternehmen nicht, weil sie nie nachgeschaut haben.
Fehler 5: Change Management wird nicht ernst genommen
KI verändert Arbeitsabläufe. Manchmal fundamental. Wenn das Team nicht mitgenommen wird, entsteht Widerstand — und der äußert sich selten offen. Er zeigt sich darin, dass das Tool nicht genutzt wird. Dass Workarounds entstehen. Dass Fehler dem System angelastet werden, die eigentlich Prozessprobleme sind.
Ein Beispiel aus dem Vertrieb: Ein Unternehmen führt ein KI-gestütztes CRM-System ein, das Gesprächsnotizen automatisch zusammenfasst. Technisch funktioniert es. Aber die Vertriebsmitarbeiter misstrauen der Zusammenfassung, korrigieren sie manuell — und der erhoffte Zeitgewinn verpufft.
Das Problem war kein technisches. Es war ein Kommunikationsproblem. Warum wird das eingeführt? Was ändert sich für wen? Was bleibt gleich?
Diese Fragen müssen beantwortet werden, bevor das Rollout beginnt. Nicht in einem einmaligen All-Hands-Meeting. Kontinuierlich, auf Teamebene.
Was hilft: Ein einfacher Rahmen vor dem Start
Bevor ein KI-Projekt startet, lohnt sich ein kurzer Realitätscheck. Fünf Fragen, eine ehrliche Antwort je Frage:
- Problem: Welches spezifische Problem lösen wir — messbar?
- Ownership: Wer trägt intern die Verantwortung, mit Entscheidungsbefugnis?
- Daten: Sind die nötigen Daten vorhanden, zugänglich, ausreichend sauber?
- Recht: Haben wir den Anwendungsfall rechtlich eingeordnet — EU AI Act, DSGVO?
- Menschen: Wer ist betroffen, und wie binden wir diese Personen ein?
Wenn eine dieser Antworten vage bleibt, ist das Projekt noch nicht bereit. Das ist keine schlechte Nachricht. Es ist ein Warnsignal, das Geld und Nerven spart.
Der Mittelstand hat einen Vorteil
Große Konzerne scheitern an anderen Dingen: Governance-Strukturen, Silos, zu viele Stakeholder. Der Mittelstand hat kürzere Entscheidungswege. Wenn die Geschäftsführung hinter einem Projekt steht und das richtige Team einbindet, geht vieles schneller.
Dieser Vorteil wird oft nicht genutzt — weil das Projekt trotzdem so behandelt wird wie ein Konzernprojekt: mit zu viel Abstimmung, zu wenig Klarheit, zu wenig Mut zum einfachen Anfang.
Fang klein an. Lös ein echtes Problem. Mach es messbar. Dann skalier.
Laut Bitkom planen über 60 Prozent der mittelständischen Unternehmen KI-Investitionen für 2025 und 2026. Die Frage ist nicht mehr ob — sondern wie. Und das Wie entscheidet sich in den ersten Wochen eines Projekts.
Fragen? Einfach melden — oder direkt ein kurzes Gespräch buchen.
Kurzes Gespräch buchen →