„85% aller KI-Projekte scheitern.“ Wenn Sie diesen Satz zum ersten Mal lesen, ziehen Sie daraus vermutlich den Schluss, Künstliche Intelligenz sei zu Scheitern verurteilt und vier von fünf Unternehmen bekommen es nicht hin. Die Gründe fürs Scheitern liegen jedoch fast immer außerhalb eingesetzten Technologie.
Woher die 85% kommen
Die Zahl kommt aus einer Gartner-Prognose aus dem Jahr 2018. Damals sagte das Analysehaus voraus, dass bis 2022 rund 85% der KI-Projekte „fehlerhafte Ergebnisse“ liefern würden, verursacht durch verzerrte Daten, ungeeignete Algorithmen oder die Teams, die sie umsetzen. Fehlerhafte Ergebnisse zu liefern ist etwas anderes, als zu scheitern. Aus einer Prognose über die Qualität von Resultaten wurde über die Jahre eine Schlagzeile über die Erfolgsquote.
Als Beleg taugt sie damit nicht. Die eine Studie, die „85% scheitern“ tatsächlich gemessen hätte, gibt es nicht. Es gibt mehrere neuere Erhebungen, die in dieselbe Richtung zeigen – mit unterschiedlichen Zahlen, weil jede etwas anderes unter „Scheitern“ versteht.
Belastbarer als die Zahl ist der Trend
Die RAND Corporation, ein US-Forschungsinstitut, hat für ihren Bericht 65 erfahrene Data Scientists und Entwickler befragt und daraus fünf wiederkehrende Wurzeln für das Scheitern von KI-Projekten herausgearbeitet (Ryseff et al., 2024). Die oft zitierte Größenordnung selbst (mehr als 80%, doppelt so viel wie bei IT-Projekten ohne KI) führt RAND als fremde Schätzung an und nicht als eigenes Messergebnis. Der Befund aus den Interviews wiegt schwerer: Die Ursachen sind überwiegend organisatorischer, nicht technischer Natur.
Der Marktforscher S&P Global Market Intelligence hat über 1.000 Unternehmen befragt. Der Anteil derer, die die meisten ihrer KI-Initiativen wieder eingestellt haben, stieg 2025 auf 42 Prozent – von 17 Prozent im Vorjahr. Im Schnitt verwarfen die Unternehmen fast die Hälfte ihrer Pilotprojekte, bevor sie in den Regelbetrieb kamen.
Am schärfsten fällt der Bericht „The GenAI Divide: State of AI in Business 2025“ aus, den das MIT-Projekt NANDA im Juli 2025 vorgelegt hat: 95 Prozent der Pilotprojekte mit generativer KI liefern keinen messbaren Beitrag zum Ergebnis, nur 5 Prozent erreichen die Wertschöpfung. Diese Zahl gehört mit Vorsicht gelesen: Es handelt sich um einen Arbeitsbericht, dessen Methodik in der Fachwelt diskutiert wird, und „ohne messbaren ROI“ ist nicht dasselbe wie „gescheitert“. Die Richtung deckt sich trotzdem mit RAND und S&P Global und mit einer Prognose, die Gartner erst kürzlich gestellt hat: dass über 40 Prozent der Projekte mit agentischer KI bis Ende 2027 wieder eingestellt werden.
Wie hoch die Quote genau liegt, hängt davon ab, wen Sie fragen und was gemessen wird.
Die Technik funktioniert. Was fehlt, ist die Organisation um sie herum.
Warum KI-Projekte tatsächlich scheitern
RAND nennt fünf Wurzeln: ein missverstandenes Problem, fehlende Daten, Begeisterung für die Technik anstelle einer echten Aufgabe, unzureichende Infrastruktur für Betrieb und Auslieferung sowie Aufgaben, die für KI zu schwer sind. Drei davon begegnen uns in der Beratungspraxis fast immer. Zwei weitere Muster kommen hinzu, die RAND in dieser Form nicht aufführt: der Pilot, der nie in den Regelbetrieb kommt, und die fehlende Spielregel.
Das Problem ist nie benannt worden
Die häufigste Ursache ist: Vorab hat niemand festgelegt, welches Problem die KI lösen soll. Das Vorhaben startet, weil im Markt gerade alle etwas mit KI machen, und nicht, weil ein konkreter Engpass drückt. RAND hält diese Missverständnisse zwischen Fachseite und Technik für den häufigsten Grund des Scheiterns überhaupt. Ohne ein Ziel in Zahlen lässt sich hinterher weder sagen, ob das Projekt funktioniert hat, noch, wann es fertig ist. Ein Chatbot, der irgendwie hilft, ist kein Ergebnis. Eine Angebotserstellung, die von zwei Tagen auf zwei Stunden sinkt, ist eines.
Die Daten tragen nicht
Eine KI arbeitet nur so gut, wie die Datenbasis es zulässt. Solange Kundendaten im CRM stehen, Auftragsdaten in der Warenwirtschaft und die Wahrheit über den Lagerbestand in der Excel-Datei eines Mitarbeiters, liefert jedes System ein anderes Ergebnis auf dieselbe Frage. Das ist die zweite Wurzel und die Stelle, an der die meisten Unternehmen innerlich aussteigen, weil sie unspektakulär und mühsam ist. Genau hier entscheidet sich, ob die KI später etwas Verlässliches tun kann. Wie Sie eine einzige verbindliche Datenquelle aufbauen, beschreiben wir im Beitrag zu Single Source of Truth und Datenstruktur.
Die KI hängt neben dem Prozess
Ein Modell mit exzellenten Ergebnissen, das in keinem Arbeitsablauf steckt, bleibt ein teures Spielzeug. In der Praxis sieht das aus wie eine Sammlung von Insel-Werkzeugen: ein Copilot-Abo hier, drei ChatGPT-Zugänge dort, ein KI-Feature im CRM, keines mit dem anderen verbunden. Warum diese Insellösungen selten Wert erzeugen und was an ihre Stelle gehört, haben wir in KI-Orchestrierung: Der eigentliche Hebel beschrieben.
Der Pilot, der nie erwachsen wird
Fast jedes zweite Pilotprojekt wird verworfen, bevor es den Regelbetrieb erreicht. Der Grund ist selten die Demo, denn Demos beeindrucken natürlich. Der Sprung von der Vorführung in den Alltag war nur nie geplant. Ein Prototyp, der mit sauberen Beispieldaten glänzt, sagt nichts darüber, wie das System mit echten, unvollständigen Eingaben umgeht, wer es betreut und was der Dauerbetrieb kostet. Viele Unternehmen stecken deshalb in einer Endlosschleife aus Piloten, die vielversprechend aussehen und im Prototypenstatus verharren.
Niemand hat die Spielregeln geschrieben
Was darf ein Agent selbst entscheiden, wo braucht es eine menschliche Freigabe, was wird protokolliert? Seit dem 2. August 2026 sind das keine Ermessensfragen mehr: Mit diesem Datum gilt der EU AI Act für den größten Teil seines Anwendungsbereichs, samt Transparenz- und Dokumentationspflichten für Hochrisiko-Systeme. Fehlen die Regeln, entsteht Schatten-KI, indem Beschäftigte Werkzeuge auf eigene Faust nutzen. Dabei wandern dann interne Daten unkontrolliert in fremde Clouds, und niemand kann später nachvollziehen, warum das System etwas getan hat. Auffallen wird das an dem Tag, an dem etwas schiefgeht und sich die Verantwortung niemandem zuordnen lässt.
Wie Sie es besser machen
Sie beginnt bei der Frage, welche konkrete Aufgabe in Zahlen besser werden soll. Danach kommt die Datenbasis, dann die Einbindung in einen echten Arbeitsablauf, dann ein kleiner erster Einsatz im Regelbetrieb und über allem stehen die Regeln, nach denen gespielt wird. Ihr erster produktiver Agent sollte etwas Kleines tun, dessen Wirkung sofort erkennbar ist. Die große Vertriebsvision funktioniert nicht einmal in Konzernen.
Ein Agent, der im Regelbetrieb läuft, ist mehr wert als fünf Piloten im Demomodus.
Der eigentliche Hebel liegt jedoch noch ganz woanders, denn der leichte Einstieg täuscht: Sie nutzen KI und passen Software an, stellen Fragen zum Marketing und lassen sich Bilder generieren. Es funktioniert auf Anhieb, und es fühlt sich an, als ließe sich damit alles erreichen. In einem gewachsenen Unternehmen mit realen Strukturen braucht es jedoch mehr. Konventionen, Prinzipen, Hierarchien, Compliance-Vorgaben und Ethik- und Design-Richtlinien, also genau Ihre Umgebung für die eingesetzten Sprachmodelle. Fehlt dieses Fundament, steigen die Kosten und der Nutzen bleibt unter dem, was versprochen war. Was diese Umgebung technisch ausmacht, beschreiben wir im Beitrag Agent Harness – Das Drumherum entscheidet über KI-Nutzen.
In unserer eigenen Werkstatt haben wir aus genau diesem Grund zuerst eine Anwendung gebaut, in der Menschen und Agenten zusammenarbeiten: Sie teilen Daten, reichern sie an und verbessern sie gemeinsam. Die Ergebnisse aus dieser gepflegten Datenbasis liegen deutlich über dem, was ein Chatbot liefert, weil sich damit gezielt Aufgaben im Sinne des Unternehmens lösen lassen statt allgemeiner Auskünfte. Und weil das Fundament steht, laufen dort, wo Datensouveränität zählt, auch lokale Sprachmodelle auf eigener Infrastruktur. Diese Bauplan-Kompetenz ist intern selten vorhanden und sie ist der Kern unserer Arbeit in der KI-Beratung und beginnt in der Regel mit einer Bestandsaufnahme der KI-Readiness.
