Gartner prognostiziert, dass bis 2027 mindestens 40% aller KI-Agent-Projekte eingestampft werden. Das klingt dramatisch, ist aber völlig erwartbar. Die meisten dieser Projekte starten nicht mit einem Problem, sondern mit einer Technologie. Und wer mit der Lösung anfängt, bevor die Frage klar ist, erzeugt zuverlässig neü Probleme.
Im Mittelstand sehen wir das ständig. Ein Geschäftsführer liest einen Artikel über KI im Vertrieb, beauftragt ein Pilotprojekt, drei Monate später steht ein Chatbot auf der Website, den niemand nutzt. Das Budget ist weg, der Frust ist da, und KI ist intern verbrannt. Nicht weil die Technik versagt hat, sondern weil niemand gefragt hat: Welches konkrete Problem wollen wir damit lösen?
Der Unterschied zwischen Technologie und Problemlösung
KI ist ein Werkzeug. Wie jedes Werkzeug ist es genau dann nützlich, wenn es auf ein spezifisches Problem trifft. Ein Sprachmodell, das Kundenanfragen klassifiziert, ist sinnvoll, wenn eür Support-Team täglich 200 Mails sortiert und die Hälfte der Zeit mit Weiterleiten verbringt. Dasselbe Sprachmodell ist Verschwendung, wenn eür Support-Team aus zwei Leuten besteht und zehn Mails am Tag bekommt.
Der Fehler liegt nicht in der Technik. Der Fehler liegt im Muster: Unternehmen definieren zürst das Tool ("Wir brauchen KI") und suchen dann das Problem dazu. Das führt zu Projekten, die technisch funktionieren, aber keinen messbaren Nutzen bringen. Das Dashboard steht, aber niemand schaut drauf. Der Algorithmus läuft, aber die Ergebnisse fliessen in keinen Prozess ein.
Warum Integration teurer wird als das Modell
Selbst wenn das Problem klar ist, unterschätzen die meisten Unternehmen den Integrationsaufwand. Ein KI-Modell zu trainieren oder eine API anzubinden, ist der einfache Teil. Der schwierige Teil ist, das Ergebnis in bestehende Arbeitsabläufe einzubetten.
Ein Beispiel: Ein Handelsunternehmen will mit KI die Nachfrageprognose verbessern. Das Modell liefert nach zwei Monaten brauchbare Vorhersagen. Aber das Einkaufsteam arbeitet weiter mit seinen Excel-Listen, weil die KI-Ergebnisse in einem separaten Dashboard stecken, das nicht in den Bestellprozess integriert ist. Das Modell hat Recht, aber niemand handelt danach.
Integration bedeutet nicht nur technische Anbindung. Es bedeutet, dass Menschen ihren Arbeitsablauf ändern. Und das passiert nicht, weil ein neüs Tool existiert. Es passiert, wenn das neü Tool den Arbeitsablauf spürbar einfacher macht. Wenn es das nicht tut, wird es ignoriert, egal wie gut die Vorhersagen sind.
Das Muster hinter gescheiterten Projekten
Gescheiterte KI-Projekte folgen fast immer dem gleichen Ablauf: Begeisterung, Pilotphase, technischer Erfolg, Integrationsprobleme, schleichende Nutzungsrückgang, Einstellung. Der technische Erfolg maskiert dabei das eigentliche Problem: Es wurde nie definiert, wie Erfolg aussieht.
"Wir wollen KI im Vertrieb einsetzen" ist kein Ziel. "Wir wollen die durchschnittliche Antwortzeit auf Kundenanfragen von 48 auf 12 Stunden senken" ist ein Ziel. Beim ersten gibt es kein Kriterium, an dem das Projekt scheitern oder bestehen kann. Beim zweiten ist nach drei Monaten klar, ob es funktioniert.
Gute undefined ist dabei die Voraussetzung, nicht die KI selbst. Wer seine Daten nicht im Griff hat, automatisiert mit KI nur das Chaos schneller.
Wann KI im Mittelstand Sinn ergibt
KI ergibt Sinn, wenn drei Bedingungen gleichzeitig erfüllt sind: Es gibt ein messbares Problem, es gibt genug Daten, und der Prozess, in den die KI-Ergebnisse einfliessen, ist definiert. Fehlt eine dieser drei Bedingungen, wird das Projekt mit hoher Wahrscheinlichkeit scheitern.
Für die meisten Mittelständler heisst das: Bevor ihr über KI redet, redet über eure Prozesse und eure Daten. Das ist weniger aufregend als ein KI-Pilot, aber es ist die Arbeit, die den KI-Pilot später erst möglich macht. Die Unternehmen, die mit KI tatsächlich Ergebnisse erzielen, sind fast immer diejenigen, die vorher ihre Hausaufgaben bei Daten und Prozessen gemacht haben. KI ist dann der letzte Schritt, nicht der erste.