Wie Unternehmen das Scheitern von KI-Projekten verhindern
Fehlt es an der Technologie oder stockt die Umsetzung? Wir schauen uns das genauer an. Ein typisches Beispiel verdeutlicht die Herausforderungen: Ein mittelständischer Maschinenbauer wollte Qualitätsprobleme vorhersagen. Wettbewerber berichteten über Erfolge mit Predictive Quality, und das Management wollte nicht zurückfallen. Ein Budget wurde freigegeben und ein Entwicklungsteam aufgebaut. Das Ziel blieb allerdings vage formuliert: Ausschuss reduzieren und Kosten sparen.
Die ersten Monate verliefen auch vielversprechend. Ein Pilotprojekt für einen Maschinentyp lieferte sehr überzeugende Ergebnisse. 75 % der Qualitätsprobleme wurden erkannt. Die Lösung basierte auf manuell aufbereiteten Daten eines dreimonatigen Zeitraums. Begeistert forderte das Management, die Lösung auf alle Produktionslinien auszurollen.
Beim Versuch, das Projekt auf alle Produktionslinien auszuweiten, schlug allerdings die Realität zu. Das System funktionierte nur für die getesteten Maschinentypen und konnte nicht auf andere Maschinen übertragen werden. Die manuellen Datenabzüge hielten dem täglichen Betrieb nicht stand. Automatisierte Pipelines fehlten, Standards existierten nicht. Nach zwölf Monaten zog die Geschäftsleitung den Stecker.
Dieses Beispiel ist leider kein Einzelfall. Fast die Hälfte aller Pilotprojekte scheitert, bevor sie produktionsreif wird. Das Problem liegt nicht in der Technologie, sondern in der Umsetzung.
Die Schwierigkeiten aus dem Beispiel und das finale Scheitern lassen sich auf vier zentrale Ebenen zurückführen:
1. Strategie zuerst, Technik danach (und nicht andersrum)
KI-Projekte starten technologiegetrieben. Unternehmen setzen also Systeme ein, weil die Technik gerade im Trend liegt oder Wettbewerber sie bereits nutzen. Aber häufig fehlt der Fokus auf ein konkretes Problem. Eine KI-Lösung kann technisch perfekt sein, aber wenn ihre Ergebnisse nicht genutzt werden, erzeugt sie keinen wirklichen Wert.
In erfolgreichen KI-Projekten ist der Ablauf: Das Unternehmen identifiziert zunächst das Problem, definiert das Zielbild, wie KI helfen kann, und prüft den Business Case auf Herz und Nieren. Die Technologie ist also Mittel zum Zweck. Geschäftsprozesse werden analysiert, passende KI-Lösungen entwickelt und danach der entsprechende Prozess angepasst.
2. Daten sind das Fundament
Im Pilotprojekt funktionierte alles, weil ein kleines Daten-Set ausreichte. Beim Skalieren zeigte sich die Realität. Die Daten lagen in verschiedenen Systemen, Standards fehlten und die Qualität schwankte. Ohne zentrale Plattform und automatisierte Pipelines funktionierte kein Rollout.
Datenqualität bleibt die größte Herausforderung für den Erfolg von KI-Projekten². Häufig entfällt 80 % der Projektzeit auf die Datenaufbereitung. Fragmentierte Datenlandschaften sind die Regel. ERP-Systeme, MES, IoT-Sensoren, Qualitätsmanagementsysteme oder Excel-Sammlungen enthalten jeweils eigene Strukturen und Logiken. Ohne einheitliche Definitionen und Standards über Systemgrenzen hinweg, entstehen Inkonsistenzen und Ineffizienzen beim Versuch der manuellen Harmonisierung.
Ein solides Datenfundament ist die Grundvoraussetzung für erfolgreiche KI. Unternehmen, die hier investieren, reduzieren Aufwand in späteren Projektphasen und schaffen die Basis für skalierbare Lösungen.
3. Skills und Governance klären
Fehlendes Know-how ist ein weiterer entscheidender Grund für das Scheitern. KI-Entwickler:innen sind knapp, aber genauso wichtig ist das Verständnis in den Fachbereichen. Wer überwacht die Datenqualität? Wer gibt Modelle frei? Wer definiert KPIs? Ohne klare Rollen und Prozesse entstehen Chaos und Frust. Ein Governance-Framework sorgt dafür, dass Verantwortlichkeiten geklärt sind und dass die Datenkompetenz im Unternehmen wächst. Denn, wer die Möglichkeiten und Grenzen der KI versteht, kann fundierte Entscheidungen treffen und den Nutzen der Projekte sichern.
4. Iterativ vorgehen
So manche Unternehmen arbeiten nur auf dem Papier agil, in der Praxis aber eher wasserfallartig. Das zeigt sich darin, dass zunächst lange Pilotphasen durchgeführt werden, an deren Ende die Lösung auf alle Produktionslinien übertragen werden soll. Ohne schrittweises Vorgehen stoßen aber selbst sehr gute Modelle schnell an ihre Grenzen, weil technische Kennzahlen allein kaum etwas über den tatsächlichen Nutzen aussagen.
Eine hohe Erkennungsrate, in unserem Beispiel waren es 75 %, klingt zwar erstmal gut, aber wie viel Ausschuss tatsächlich vermieden und vor allem, ob diese Einsparung die Entwicklungs- und Betriebskosten der neuen Lösungen rechtfertigen, darüber wird nichts ausgesagt.
Erfolgreiche Projekte setzen auf kurze Zyklen: Zuerst wird eine Produktionslinie automatisiert, beobachtet und verbessert. Erst danach folgt die nächste. Schrittweise Umsetzung reduziert Risiken und sorgt dafür, dass Lösungen dauerhaft im Betrieb funktionieren.
Fazit
Am Ende hängt der Erfolg von KI-Projekten nicht von der Technologie allein ab. Entscheidend sind klare Ziele und ein stabiles Datenfundament. Hinzu kommen definierte Rollen, klare Prozesse und kurze, iterative Zyklen. Nur wenn all diese Punkte stimmen, wird ein Projekt dauerhaft funktionieren. So wird KI nicht zum Selbstzweck, sondern unterstützt gezielt dabei, Prozesse zu verbessern, Ausschuss zu vermeiden und Kosten zu senken.
Dass KI in Unternehmen viel mehr ist als ChatGPT, darüber schreibe ich in meinem nächsten Blogbeitrag. Darin geht es unter anderem um:
- Analytics: Wie Unternehmen erkennen, was passiert und warum. Dazu gehören Dashboards, Ursachenanalysen und Mustererkennung.
- Machine Learning: Wie Unternehmen Vorhersagen treffen, zum Beispiel Predictive Maintenance, Demand Forecasting oder Qualitätsprognosen.
- Generative AI und autonome Agenten: Wie KI wiederkehrende Aufgaben selbst erledigt, zum Beispiel Rechnungen prüfen, Lieferungen abgleichen oder Prozesse automatisch anstoßen.
Quellen: S&P Global, Informatica
