KI-Projekte im Mittelstand scheitern fast nie an der Technik. Rund 70 Prozent der Digitalvorhaben verfehlen ihr Ziel, aber nur 6 bis 10 Prozent davon wegen der Software. Der Rest geht auf Zuschnitt, Entscheidungswege und fehlende sichtbare Ergebnisse zurück, also auf Punkte, die alle vor dem ersten Tool liegen.
Wie viele KI-Projekte scheitern wirklich?
Die McKinsey-Zahl kennst du wahrscheinlich: 70 Prozent der Digitalvorhaben verfehlen ihre Ziele. Sie wird auf LinkedIn gern als Beleg dafür herumgereicht, dass KI überschätzt ist und man besser abwartet.
Das ist eine Fehllesung der Daten.
Interessant wird es erst eine Ebene tiefer. Als Vantage Point über 400 CRM- und Technologie-Einführungen auf ihre Abbruchgründe hin auswertete, kam eine Verteilung heraus, die mit der üblichen Erzählung wenig zu tun hat.
| Grund für das Scheitern | Anteil |
|---|---|
| Niedrige Nutzung durch die Anwender | 38% |
| Fehlende Begleitung der Veränderung | 22% |
| Schlechte Datenqualität | 18% |
| Die Technik selbst | 6-10% |
In mehr als drei von vier Fällen ist das Werkzeug also in Ordnung. Was nicht funktioniert, ist alles drumherum: wie es eingeführt wird, ob sich die Arbeitsabläufe mitverändern und ob überhaupt jemand dafür sorgt, dass die Leute damit klarkommen. Mercer hat das in seiner Global-Talent-Trends-Studie ziemlich trocken formuliert: 67 Prozent der Unternehmen führen neue Technologie ein, ohne die Art zu ändern, wie sie arbeiten. Das heißt, es wird ein Tool auf einen unveränderten Prozess geschraubt, und dann wundert man sich, dass die Zahlen gleich bleiben.
Die Zeile, die im Mittelstand am häufigsten unterschätzt wird, ist die dritte. 18 Prozent der Projekte kippen an der Datenqualität, und zwar nicht weil das Modell zu schwach war, sondern weil vorher niemand geprüft hat, ob die Datenbasis den Anwendungsfall überhaupt trägt. Das ist die Variante, in der ein KI-Projekt still scheitert: Es läuft technisch sauber, liefert brav Ergebnisse, und irgendwann fällt jemandem auf, dass die Ergebnisse nicht stimmen können, weil die Stammdaten darunter seit Jahren verrutscht sind.
Die deutsche Zahl, die die übliche Erklärung kippt
Wenn im Mittelstand über gescheiterte Digitalprojekte gesprochen wird, kommt fast immer dieselbe Erklärung: die Belegschaft zieht nicht mit. Zu alt, zu bequem, zu skeptisch. Ich höre das in Erstgesprächen ständig.
Die Daten geben das nicht her. Bitkom hat Anfang 2026 604 Unternehmen ab 20 Beschäftigten danach gefragt, was die Digitalisierung intern bremst. Fehlende Akzeptanz der Mitarbeitenden landet bei 21 Prozent, ziemlich weit unten. Ganz oben stehen fehlende Zeit mit 66 Prozent, zu wenig Geld mit 48 Prozent, lange Entscheidungswege mit 40 Prozent und geringe Risikobereitschaft mit 37 Prozent.
Schau dir die Liste einmal daraufhin an, wer die genannten Punkte eigentlich verantwortet. Zeit, Budget, Entscheidungswege, Risikobereitschaft: das sind durchgehend Führungsthemen. Die Belegschaft taucht in dieser Aufzählung quasi als Nebenschauplatz auf.
Das deckt sich mit dem, was wir in Projekten sehen. Der Sachbearbeiter, der zwei Stunden am Tag Belege abtippt, ist selten derjenige, der bremst. Er wartet eher darauf, dass ihm das jemand abnimmt. Es hängt in den meisten Fällen eine Ebene darüber, an einer Entscheidung, die dreimal vertagt wurde, weil sie nie dringend genug war.
Wenn ein KI-Projekt scheitert, ist die erste Frage nicht, warum das Team es nicht nutzt. Die erste Frage ist, ob wir überhaupt etwas gebaut haben, das die Nutzung wert ist.
Niklas Huetzen, Automindz Consulting
Die drei Muster, an denen es im Tagesbetrieb hängt
Aus mittlerweile über 70 begleiteten Unternehmen und mehr als 100 gebauten KI-Systemen sind es im Kern immer dieselben drei Muster.
Alles auf einmal
Der Klassiker. Es wird eine Liste mit vierzehn Prozessen erstellt, die man automatisieren könnte, und dann versucht man, sie parallel anzugehen. CRM-Anbindung, Angebotserstellung, Belegverarbeitung, Reporting, Onboarding. Das Projekt zieht sich über Monate, bindet Kapazität in jeder Abteilung und liefert bis zum Schluss nichts, was man vorzeigen kann.
Ein Projekt ohne Zwischenergebnis hat kein Momentum, und ohne Momentum überlebt es die erste ernsthafte Terminkollision nicht. Genau da versanden die meisten.
Das Tool auf dem kaputten Prozess
Der zweite Fehler ist teurer, weil er sich anfangs nach Fortschritt anfühlt. Ein Prozess funktioniert nicht sauber, also wird Software daraufgesetzt. Was dabei herauskommt, ist derselbe unsaubere Prozess, nur schneller und mit mehr Datenmüll am Ende.
Wenn die Stammdaten im ERP nicht stimmen, macht eine KI daraus keine sauberen Stammdaten. Sie macht daraus falsche Auswertungen in hoher Geschwindigkeit. Deshalb steht bei uns die Datenlage im Assessment ganz vorn, und deshalb ist das Aufräumen von CRM und Datensilos in einigen Projekten der erste Use-Case, obwohl das niemand auf seiner Wunschliste hatte.
Kein sichtbares Ergebnis in den ersten Wochen
Das dritte Muster ist das unauffälligste und in meiner Erfahrung das gefährlichste. Zwischen Projektstart und dem ersten Moment, in dem jemand im Team sagt "okay, das spart mir wirklich Zeit", liegen Wochen oder Monate. In dieser Lücke wächst alles, was ein Projekt killt: Zweifel, konkurrierende Prioritäten, Budgetdiskussionen.
Wir haben das selbst schmerzhaft gelernt. Vor gut zwei Jahren haben wir für einen Kunden eine ganze Reihe von Automatisierungen gebaut. Technisch sauber, sinnvoll geschnitten, funktionierte alles. Das Team hat es trotzdem nicht angefasst. Die Leute hatten Angst um ihre Jobs und haben Tools gemieden, die ihnen die Arbeit erleichtert hätten. Wir haben den Kunden verloren, und ehrlicherweise haben beide Seiten verloren: sie sind zurück zu Handarbeit, wir sind mit dem Wissen rausgegangen, dass wir auf der Beratungsseite versagt hatten. Wir hatten uns komplett damit beschäftigt, was gebaut wird, und gar nicht damit, wie es in den Alltag kommt.
Seitdem beginnt bei uns jede Umsetzung mit der Frage, wer das Ding am Ende benutzt und was er davon am ersten Tag hat.
Was stattdessen funktioniert
Prosci hat über tausende Veränderungsprojekte hinweg ausgewertet, was den Unterschied macht: Projekte mit sauber begleiteter Veränderung sind siebenmal erfolgreicher als solche ohne. Der wichtigste Einzelfaktor darin sind frühe, sichtbare Erfolge.
Daraus sind bei uns drei Prinzipien geworden.
Erstens: am größten Engpass anfangen, nicht am einfachsten. Die meisten fangen mit dem an, was technisch am wenigsten wehtut. Wir suchen stattdessen den Prozess, der aktuell am meisten Geld oder Zeit kostet, und lösen den zuerst. Das ist unbequemer, aber es hat einen handfesten Grund: ein Unternehmen, das gerade gesehen hat, wie ein Engpass verschwindet, diskutiert beim zweiten Use-Case nicht mehr über das Ob.
Zweitens: an den bestehenden Stack andocken, statt ihn zu ersetzen. Die besten Systeme fallen im Alltag kaum auf. Niemand muss ein neues Tool lernen, die Leute arbeiten weiter in dem, was sie kennen, und merken nur, dass Dinge auf einmal vorbereitet auf ihrem Tisch liegen. Bei ELOKON lief die Angebotserstellung vorher über Word-Dokumente. Wir haben daraus keinen neuen Angebots-Workflow in einem fremden System gemacht, sondern einen Self-Service gebaut, der direkt aus Salesforce heraus kalkuliert. Bei ARTS setzt das Scoring der Kandidaten auf dem Odoo auf, das ohnehin im Einsatz war. In beiden Fällen war die vorhandene Software der Ausgangspunkt, nicht das Problem.
Drittens: die Strecke bis zum ersten Ergebnis kurz halten. Bei uns läuft der erste Use-Case in rund vier Wochen produktiv im Tagesbetrieb. Diese vier Wochen kommen direkt aus dem dritten Fehlermuster: je kürzer die Lücke zwischen Start und sichtbarem Ergebnis, desto weniger Raum für Zweifel. Alles Weitere kommt danach, in Schritten, die jeweils auf einem funktionierenden Teil aufsetzen.
Wie das im Detail abläuft, steht in unserem Vorgehen in fünf Schritten. Der Schritt, den die meisten Anbieter überspringen, ist der vierte: Befähigung. Team schulen, interne Champions ausbilden, Dokumentation übergeben. Von diesem Schritt hängt ab, ob das System in sechs Monaten noch läuft, und er gehört deshalb fest in den Projektplan.
Woran erkennst du, ob dein Unternehmen bereit ist?
Die Frage wird meistens falsch gestellt. Nicht "ist mein Team bereit", sondern "bin ich als Entscheider bereit, die Veränderung zu führen". Die Bitkom-Zahlen von oben legen genau das nahe.
Du bist bereit, wenn:
- du einen konkreten Prozess benennen kannst, der dich gerade Geld oder Zeit kostet
- die Entscheidung bei dir liegt und nicht in einem Gremium, das quartalsweise tagt
- du bereit bist, klein anzufangen und nach Ergebnis zu skalieren
- dir klar ist, dass sich Arbeitsabläufe ändern und nicht nur Werkzeuge
Du bist noch nicht bereit, wenn:
- das Ziel "wir müssen was mit KI machen" lautet, ohne Priorität dahinter
- die Technik einen Prozess reparieren soll, der auch ohne KI nicht funktioniert
- die Entscheidung an jemanden delegiert ist, der sie intern nicht vertreten wird
- im letzten Jahr drei Tools eingeführt und wieder eingeschlafen sind
Der letzte Punkt ist der heikelste. Jeder Fehlstart macht den nächsten Anlauf schwerer, weil er im Haus als Beweis dafür gilt, dass das alles nicht funktioniert. Wer schon zwei gescheiterte Anläufe hinter sich hat, braucht beim dritten ein besonders kleines, besonders eindeutiges erstes Ergebnis. Welcher Use-Case sich dafür eignet, siehst du in unserer Use-Case-Bibliothek und in der Übersicht der 23 erprobten Automatisierungen.
Was ein gescheitertes KI-Projekt wirklich kostet
Die Rechnung, die dabei meistens aufgemacht wird, ist die falsche. Es geht nicht um die Lizenzkosten und auch nicht um das Beraterhonorar.
Der eigentliche Posten sind die zwölf Monate, in denen der Wettbewerber, der es richtig gemacht hat, seinen Vorsprung ausbaut. Laut KfW Research setzen inzwischen rund 20 Prozent des Mittelstands KI ein, das sind etwa 780.000 Unternehmen. Bei Unternehmen ab 20 Beschäftigten sind es laut Bitkom 41 Prozent, weitere 48 Prozent planen oder diskutieren den Einsatz. Die Frage ist nicht mehr, ob dein Marktumfeld das Thema anfasst.
Dazu kommt der Schaden im eigenen Haus. Ein gescheitertes Projekt hinterlässt ein Team, das beim nächsten Vorschlag die Augen verdreht, und eine Geschäftsführung, die das Thema für zwei Jahre auf Eis legt. Diese Kosten stehen in keiner Rechnung, sind aber der Grund, warum der erste Anlauf sitzen sollte.
Der ehrliche Teil dazu: nicht jeder Prozess lohnt die Automatisierung. Wenn etwas dreimal im Jahr vorkommt und jedes Mal anders aussieht, lass es von Hand machen. Wir sagen das im Assessment regelmäßig, und es ist billiger für alle Beteiligten, das vorher zu klären als hinterher.
Key Takeaways
KI-Projekte scheitern in mehr als drei von vier Fällen an etwas anderem als der Technik: an zu breitem Zuschnitt, an Tools auf ungeklärten Prozessen und an einer zu langen Strecke bis zum ersten sichtbaren Ergebnis. Die deutschen Zahlen zeigen zusätzlich, dass die häufig unterstellte Blockade durch die Belegschaft mit 21 Prozent deutlich hinter Führungsthemen wie Zeit, Budget und Entscheidungswegen zurückbleibt.
Was funktioniert, ist unspektakulär: am größten Engpass anfangen, an den vorhandenen Stack andocken, in vier Wochen etwas Produktives liefern und erst dann den nächsten Schritt gehen. Wenn du wissen willst, welcher Engpass bei dir der richtige Startpunkt ist, ist die AI Analyse genau dafür gebaut: Prozess-Landkarte, priorisierte Use-Case-Liste, ehrliche Einschätzung, was sich rechnet und was nicht.