AI-Projekte scheitern – eine brandgefährliche Frage

Wir reden ständig darüber, warum AI-Einführungen scheitern. Ich glaube: Das ist die falsche Frage.

Wenn ich in Unternehmen hineinschaue, sehe ich immer wieder dasselbe Bild:

• Daten liegen in 7 Systemen, 12 Excel-Listen und 43 SharePoint-Ordnern.
• Das „final-final-FINALE_v7b_NEU.docx“ ist nicht die Version, mit der gearbeitet werden sollte.
• 90 % der Unternehmensinformationen stecken in E-Mails, PDFs, Präsentationen, Verträgen – unstrukturiert, widersprüchlich, oft veraltet.  
• Es gibt kein klares „Single Source of Truth“, sondern gut gemeinte Ordnerstrukturen.
• Teams starten Piloten, aber ohne Business Case, ohne klare Metriken, ohne echten Owner.
• Governance? Meist reaktiv: „Das klären wir später mit Legal & IT.“  

Kein Wunder, dass Studien von 60–80 % gescheiterten AI-/Analytics-Projekten sprechen – oft nicht wegen der Modelle, sondern wegen Daten, Governance und fehlender Verankerung im Geschäft. 

Und parallel passiert intern Folgendes:

• Mitarbeitende sind genervt von der nächsten „Transformation“ und haben Angst vor Jobverlust durch KI.  Ulrike _ Mitarbeiter eines mittelständischen Unternehmens im B2B-Sektor in Deutschland – Agility – Conflue.pdf
• Mittleres Management fühlt Kontrollverlust: oben wird „AI & Agilität“ gefordert, gemessen wird aber weiter nach alten KPIs.  Peter _ Mittlerer Manager eines mittelständischen Unternehmens im B2B-Sektor in Deutschland – Agility – Co.pdf
• Die Geschäftsführung sieht steigenden Kostendruck, viel KI-Gerede – und wenig harte Wirkung.  Kurt _ Geschäftsführer eines mittelständischen Unternehmens im B2B-Sektor in Deutschland – Agility – C.pdf

Also zurück zur Ausgangsfrage: Ist „Warum scheitern unsere AI-Projekte?“ die richtige Frage?

Nein. Die wirklich gefährliche Frage ist: Wie lange können wir uns Datenchaos leisten, wenn unsere Wettbewerber ihre Prozesse vollautomatisieren – in besserer Qualität, mit höherer Geschwindigkeit, zu geringeren Kosten?

Wer in drei Jahren nicht gegen voll- oder weitgehend automatisierte Wettbewerber verlieren will, braucht jetzt keinen weiteren Pilot, sondern Hausaufgaben:

1. Digitalisierung vor Spielerei
   • Kritische Kernprozesse identifizieren (z. B. Angebot → Auftrag → Abrechnung).
   • Genau dort Datenflüsse bereinigen, Systeme konsolidieren, Medienbrüche abbauen.
   • Erst dann generative AI & Automatisierung ernsthaft dranlassen.
2. Daten & Dokumente produktionsreif machen
   • Klare Regeln, was „offiziell“ ist: Versionierung, Freigaben, Verantwortliche.
   • Unnötige Duplikate löschen, sensible Daten klassifizieren, Zugriffe steuern.
   • Aus „irgendwo im Laufwerk“ wird: auffindbare, vertrauenswürdige Datengrundlage.
3. Governance & EU-AI-Act mitdenken – nicht wegdrücken
   • Wer verantwortet welches Dataset, welches Modell, welche Entscheidung?
   • Welche Risiken (Bias, Haftung, Transparenz) akzeptieren wir – und welche nicht?
   • Jetzt Strukturen bauen, die zu den kommenden Pflichten passen, statt später hektisch nachzuarbeiten.  
4. Menschen befähigen – statt sie zu überrollen
   • Mitarbeitende an den Fällen arbeiten lassen, die ihnen wirklich Zeit sparen.
   • Führung trainieren, mit Kontrollverlust umzugehen und Wirkung zu messen (Qualität, Durchlaufzeit, EBIT – nicht „Anzahl Prompts“).  

Meine These: Wer heute noch Energie in „Warum ist unser AI-Projekt gescheitert?“ steckt, verpasst die wichtigere Frage:

Wie bauen wir jetzt die Grundlagen, damit unsere nächste Generation von Produkten, Services und Prozessen automatisiert besser ist als die der Konkurrenz?

👉 Deine Perspektive interessiert mich:

Wo ist bei euch die größte Baustelle – Daten, Dokumente, Governance oder Menschen?