Die Erwartungen an Künstliche Intelligenz sind enorm. Kostensenkungen von bis zu 40 Prozent im Kundenservice, deutliche Produktivitätssteigerungen, automatisierte Prozesse von der Logistik bis zum Vertrieb. Die Technologie kann das liefern. Trotzdem scheitert die große Mehrheit aller KI-Vorhaben, bevor sie überhaupt produktiv wird.
Eine MIT-Studie aus 2025 beziffert es drastisch: Rund 95 Prozent der Pilotprojekte im Bereich generativer KI erzielen keine messbare Rendite. Im Versicherungsbereich scheitern laut einer Studie von Dun & Bradstreet 70 Prozent der KI-Projekte an mangelnder Datenbasis, bei Banken sind es 61 Prozent.
Das wirft eine zentrale Frage auf: Wenn die Technologie funktioniert – warum funktionieren die Projekte nicht?
Kein Fundament, kein Gebäude
Stellen Sie sich vor, Sie beauftragen einen Architekten mit dem Bau eines Hauses. Er beginnt sofort mit dem Dach. Kein Fundament, keine Statik, keine Bodenplatte. Was nach einer absurden Vorstellung klingt, beschreibt die Realität vieler KI-Einführungen: Unternehmen investieren in Werkzeuge, bevor die Grundlage steht.
76 Prozent der kleinen und mittleren Unternehmen kämpfen mit unzureichender Datenqualität und Datensilos. Informationen liegen verstreut in unterschiedlichen Systemen, Formaten und Abteilungen. Verschiedene Standorte verwenden unterschiedliche Bezeichnungen für identische Produkte. Prozesse sind in den Köpfen einzelner Mitarbeiter gespeichert, aber nirgendwo dokumentiert.
Wie teuer das wird, zeigt der Blick auf den Umsatz: Laut einer im MIT Sloan Management Review veröffentlichten Studie kosten schlechte Daten Unternehmen zwischen 15 und 25 Prozent ihres Jahresumsatzes. Bei einem Mittelständler mit 10 Millionen Euro Umsatz sind das 1,5 bis 2,5 Millionen Euro – jedes Jahr. Laut einer Analyse von datamastr trifft es KMUs sogar überproportional: 12 bis 18 Prozent des Umsatzes gegenüber 8 bis 12 Prozent bei Großunternehmen, weil ihnen die Skaleneffekte und das spezialisierte Personal fehlen.
Die Strategielücke
68 Prozent der befragten Unternehmen verfügen über keine ausgearbeitete KI-Roadmap. Nur 19 Prozent haben einen dedizierten KI-Verantwortlichen. Gleichzeitig ist generative KI bereits in 47 Prozent der KMUs im Einsatz – allerdings meist ohne Governance-Rahmen.
Das bedeutet: Fast jedes zweite mittelständische Unternehmen nutzt bereits KI-Tools, aber ohne klare Strategie, ohne definierte Verantwortlichkeiten und ohne Kontrolle darüber, welche Daten in welche Systeme fließen. Die Folgen reichen von ineffizienten Investitionen über Compliance-Risiken bis hin zu unkontrollierter Schatten-IT.
Der Fehler, der sich multipliziert
Bei manueller Arbeit bleibt ein Datenfehler ein einzelner Fehler. Bei KI-gestützter Automation wird er zum System. Fehlerhafte Produktdaten führen nicht zu einer falschen Empfehlung, sondern zu tausenden. Eine laut Harvard Business Review veröffentlichte Studie zeigt: Durchschnittlich 47 Prozent aller neu erstellten Datensätze in Unternehmen weisen mindestens einen kritischen Fehler auf. Und laut einer Erhebung von Experian verbringen Mitarbeiter im Schnitt 25 Prozent ihrer Arbeitszeit damit, Datenqualitätsprobleme zu beheben – statt wertschöpfend zu arbeiten.
Dabei gilt eine einfache Faustregel: Was in der Prävention 1 Euro kostet, kostet in der Korrektur 10 Euro und in der Behebung von Folgeschäden 100 Euro.
Was die erfolgreichen 5 Prozent anders machen
Die MIT-Studie identifiziert auch, was die wenigen erfolgreichen Unternehmen unterscheidet. Sie vermeiden abstrakte Großprojekte und konzentrieren sich stattdessen auf konkrete, messbare Anwendungsfälle: Senkung der Betriebskosten, Automatisierung wiederkehrender Aufgaben, Verbesserung des Kundenerlebnisses.
Der entscheidende Unterschied liegt nicht in der Wahl des KI-Modells, sondern in der Disziplin bei der Umsetzung. Und diese Disziplin beginnt bei der Datenbasis. Wer vor der KI-Einführung in Datenqualität und Datenstruktur investiert, spart später ein Vielfaches – die durchschnittliche Rendite liegt bei 300 bis 600 Prozent über drei Jahre.
Der Fortschritt bei Künstlicher Intelligenz hängt nicht davon ab, wer sie als Erster einsetzt. Er hängt davon ab, wer sie am besten umsetzt. Und die beste Umsetzung beginnt mit einer Frage, die kein Tool beantworten kann: Sind Ihre Daten bereit?
