95 % der KI-Pilotprojekte in Unternehmen liefern keine Ergebnisse – und das Problem liegt nicht in der Technologie
Die Zahl ist schwer zu ignorieren: 95 % der unternehmensweiten Pilotprojekte mit generativer künstlicher Intelligenz erzeugen keine messbare finanzielle Wirkung. Das ist keine pessimistische Einschätzung technologiekritischer Analysten. Es ist die zentrale Erkenntnis des Berichts The GenAI Divide: State of AI in Business 2025, der von der NANDA-Initiative des MIT auf der Grundlage von rund 300 öffentlichen Implementierungen und mehr als 150 Führungsinterviews erstellt wurde. Zum Vergleich: Gewöhnliche Technologieprojekte scheitern mit einer Rate von 25 %. KI vervierfacht diese Zahl.
Die Daten von BCG weisen in dieselbe Richtung: 74 % der Unternehmen berichten, dass sie aus ihren KI-Investitionen keinerlei Mehrwert gezogen haben. S&P Global stellte fest, dass der Anteil der Unternehmen, die den Großteil ihrer KI-Initiativen aufgegeben haben, innerhalb eines einzigen Jahres von 17 % auf 42 % gestiegen ist. Und Gartner prognostiziert, dass mehr als 40 % der agentischen KI-Projekte vor Ende 2027 eingestellt werden – erstickt durch Kostenüberschreitungen, schwer fassbaren ROI und fehlende Risikokontrollen.
Diese Zahlen beschreiben eine Technologie, die funktioniert – und die von Organisationen eingesetzt wird, die nicht darauf ausgelegt sind, sie zu nutzen. Darin liegt der eigentliche Riss. Nicht in den Modellen, nicht in den Algorithmen, nicht in der Rechenleistung. Der Riss liegt darin, wie Unternehmen strukturieren – oder eben nicht strukturieren –, auf welche Weise KI in ihre realen Betriebsabläufe integriert wird.
Einen defekten Prozess zu automatisieren erzeugt mehr Fehler – und das schneller
Das Muster des Scheiterns, das MIT, BCG und S&P Global dokumentieren, ist nicht zufällig. Es folgt einer spezifischen Mechanik, die sich mit ausreichender Konsistenz wiederholt, um sie als fehlerhaftes Design bezeichnen zu können.
Die typische Abfolge sieht so aus: Ein Unternehmen kauft ein KI-Tool, startet einen Piloten in einem bestehenden Prozess und wartet auf Ergebnisse. Was es nicht tut, ist sich zu fragen, ob dieser Prozess die nötige Struktur hat, damit die KI zuverlässig operieren kann. Und fast immer hat er diese Struktur nicht.
Jeder Geschäftsprozess enthält Risse. Ein Angebot, das mündlich genehmigt wird. Eine Kundendatei, die im Gedächtnis eines Verkäufers lebt. Eine veraltete Preisliste, die weiterhin in E-Mail-Ketten kursiert. Menschliche Mitarbeiter stopfen diese Risse ständig: Sie fragen einen Kollegen, wenden ihr Urteilsvermögen an, bemerken, wenn etwas falsch aussieht. KI tut nichts davon. Sie bringt mehr Volumen, mehr Geschwindigkeit, in denselben Prozess mit denselben Rissen. Das Ergebnis ist eine Fehlerausbreitung mit Maschinengeschwindigkeit.
Der Fall des Chatbots von Air Canada verdeutlicht dies mit konkreten rechtlichen Konsequenzen. Das System informierte einen Passagier, der in den Gerichtsdokumenten als Jake Moffatt bezeichnet wird, dass er einen Trauerfall-Tarif beantragen könne, nachdem er die Reise angetreten habe – während die tatsächliche Richtlinie verlangte, den Antrag vor dem Reiseantritt zu stellen. Air Canada argumentierte, der Chatbot sei eine eigenständige Einheit und die Fluggesellschaft könne nicht für das verantwortlich gemacht werden, was das System aussage. Das Zivilgericht von British Columbia wies dieses Argument zurück: Das Unternehmen hatte gegenüber dem Nutzer eine Sorgfaltspflicht und hatte keine angemessenen Maßnahmen ergriffen, um die Richtigkeit seines Chatbots zu gewährleisten. Das Gericht ordnete die Rückerstattung zuzüglich Zinsen und Kosten an. Das System scheiterte nicht im technischen Sinne. Es tat genau das, wofür es konfiguriert worden war – nämlich ohne Grenzen und ohne Überprüfung zu antworten.
Ein weiterer Fall, der in Forbes-Analysen zitiert wird, betrifft eine Restaurantkette, deren KI-System an einem Drive-through-Schalter eine Bestellung über 18.000 Wasserflaschen annahm, weil niemand eine Mengenbegrenzung programmiert hatte. Das System hat die Bestellung nicht falsch interpretiert. Es hat sie ausgeführt. Weil ihm niemand die Anweisung gegeben hatte, an so etwas zu zweifeln.
Beide Fälle teilen eine identische Architektur: keine definierten Grenzen, keinen menschlichen Aufsichtspunkt, keine klare Verantwortungskette für den Output. Das Werkzeug funktionierte. Das Design versagte.
Der Operationsspezialist Tim Mobley, der in Inc. zitiert wird, formuliert die Diagnose präzise: Die meisten Unternehmen haben kein KI-Problem, sie haben ein Workflow-Design-Problem. Und das Scheitern liegt in den Übergaben: in dem Moment, in dem die KI etwas produziert und ein Mensch darauf reagiert – wo die Verantwortlichkeit still und leise verschwindet.
Eine vierstufige Abfolge, die die Geschichte bereits kennt
Was mit der KI geschieht, ist in seiner Struktur nicht neu. Es ist dieselbe Abfolge, die jede relevante Technologiewelle der letzten dreißig Jahre begleitet hat – mit anderen Akteuren und aktualisierten Zahlen.
In den neunziger Jahren gaben Unternehmen E-Mail-Systemen unbegrenzte Sendemöglichkeiten ohne jede Art von Governance. Das Ergebnis waren Serverabstürze, Antwortstürme und eine Spam-Krise, die letztendlich in föderaler Gesetzgebung endete. Während des Dotcom-Booms verbrannte Boo.com 135 Millionen Dollar beim Aufbau einer E-Commerce-Website, die technisch zu anspruchsvoll für die Einwählverbindungen war, die 90 % seiner potenziellen Kunden verwendeten. In den 2010er-Jahren setzte JCPenney Milliarden auf eine digitale Transformation, die seine Kunden in Kanäle drängte, die niemand von ihnen verlangt hatte – und verlor die Hälfte seines Börsenwertes.
Die Abfolge ist immer dieselbe: die neue Technologie als Magie behandeln, sie ohne Grenzen und Governance einsetzen, beobachten, wie sich kleine Fehler zu großen Problemen aufschichten, und dann die Korrektur erhalten – vom Markt, von den Regulierungsbehörden oder von beiden.
Laut den Analysen von Gartner und dem Bericht des MIT selbst befindet sich die unternehmensweite KI derzeit zwischen der zweiten und der dritten Stufe dieser Abfolge. Viele Unternehmen haben bereits aggressiv ausgerollt und beginnen nun, die Konsequenzen zu absorbieren: Stornierungen, Abschreibungen, rechtliche Risiken und Portfolio-Überprüfungen. Die Unternehmen, die die früheren Wellen überlebt haben, taten dies nicht, weil sie sich schneller bewegten oder mehr ausgaben. Sie taten es, weil sie sich fragten, was die Technologie nicht tun sollte, bevor sie fragten, was sie konnte.
Diese Frage – was sie nicht tun sollte – ist für ausführungsorientierte Organisationen nicht instinktiv. Sie erfordert eine Art Design-Disziplin, die die meisten Unternehmen in ihren internen Prozessen nicht ausüben und noch viel weniger, wenn sie neue Technologien einführen. Der Drang, zu beweisen, dass man „bereits KI einsetzt", verdrängt diese Arbeit häufig.
Das erfolgreiche 5 % hat keinen Zugang zu besserer Technologie
Was die 5 % erfolgreicher Implementierungen von den übrigen 95 % unterscheidet, ist weder das KI-Modell, noch das Budget, noch die Unternehmensgröße. Es ist eine Reihe von Designentscheidungen, die die meisten Organisationen nie treffen, weil sie diese als administrativ und nicht als strategisch betrachten.
Grenzen werden definiert, bevor die Funktionen aktiviert werden. Ein Angebotsagent hat einen Mindestpreis. Ein Kundendienst-Bot verfügt über eine geschlossene Liste von Richtlinien, die er besprechen kann, und eine explizite Regel, alles andere weiterzuleiten. Ein Bestellsystem verfügt über plausibilitätsprüfende Validierungen: Kein Kunde hat 18.000 Wasserflaschen bestellt. Grenzen schränken den Nutzen der KI nicht ein. Sie sind das, was KI in einem echten Unternehmen mit echten Konsequenzen betreibbar macht.
Menschen werden innerhalb des Ablaufs neu gestaltet, nicht aus ihm herausgenommen. Die Ausgangsfrage bei erfolgreichen Implementierungen lautet nicht: „Was können wir automatisieren?" Sie lautet: Wo schafft menschliches Urteilsvermögen einen Mehrwert, den die Maschine nicht replizieren kann, und wie wird die Arbeit darum herum strukturiert? KI verarbeitet Volumen: Routineanfragen, Klassifizierung, Informationsabruf, erste Entwürfe. Menschen verarbeiten Ausnahmen: den Kunden, dessen Situation in keine Vorlage passt, die Beschwerde mit rechtlichem Risiko, die Zahl, die leicht falsch aussieht. Unternehmen, die diese Zuweisung umkehren, ernten die Misserfolge, die sie verdienen.
Aufsicht ist eine formale Aufgabe, keine implizite Annahme. Der KI-Aufsichtsbericht von Connext Global für 2026 stellte fest, dass 28 % der Nutzer angeben, dass KI noch immer aktive Aufsicht benötigt, um zuverlässige Ergebnisse zu liefern. Dieser Befund beschreibt keine vorübergehende technische Einschränkung. Er beschreibt eine permanente Funktion, die jemand formell ausüben muss. Überprüfen, korrigieren und dem System Rückmeldung geben ist echte Arbeit, die einen namentlich genannten Verantwortlichen erfordert. Eine KI-Implementierung ohne identifizierten menschlichen Verantwortlichen ist keine Automatisierung. Es ist die Aufgabe von Verantwortung.
Jeder Output hat eine Verantwortungskette. Das Versagen von Air Canada hat die Diskussion darüber beendet, ob ein Unternehmen sich die Erfolge seiner KI aneignen kann, während es ihre Fehler ablehnt. Es kann das nicht. Wenn das System ein Versprechen macht, hält das Unternehmen es ein. Das Prüfprotokoll aufzubauen – was die KI gesagt hat, auf welcher Grundlage, von wem überprüft – ist vor einem Rechtsstreit billiger als danach.
Keiner dieser Grundsätze ist glamourös. Keiner von ihnen erzeugt eine Pressemitteilung über die digitale Transformation. Sie alle sind Arbeit am organisationalen Design, die stattfindet, bevor das Tool nach außen sichtbar wird.
Abwarten ist keine sichere Position mehr
Die Adoptionsdaten haben die Schwelle überschritten, an der das Fernbleiben aufgehört hat, Vorsicht zu sein, und zu einem aktiven Wettbewerbsrisiko geworden ist.
Der Einsatz generativer KI unter kleinen US-amerikanischen Unternehmen stieg innerhalb eines Jahres von 40 % auf 58 %. Unternehmen, die KI einsetzen, haben eine 2,3-mal höhere Wahrscheinlichkeit, Umsatzwachstum zu melden als solche, die es nicht tun. Unter den kleinen Unternehmen, die sie bereits eingeführt haben, berichten 91 % von messbaren Umsatzsteigerungen. Das sind Zahlen der US-amerikanischen Handelskammer und aus Salesforce-Recherchen, die 2026 zusammengestellt wurden.
Auf der anderen Seite nennen 77 % der Unternehmen, die KI noch nicht eingeführt haben, als Hauptgrund, dass sie „nicht auf ihr Geschäft zutrifft". Dieser Satz hat eine bekannte Vorgeschichte. Mit genau diesen Worten – nur mit dem Namen der Technologie ausgetauscht – wurde begründet, keine Website zu haben, nicht online zu verkaufen, nicht in die Cloud zu migrieren. Die Unternehmen, die das sagten, sind diejenigen, die heute die Fallstudien darüber bevölkern, was man nicht tun sollte.
Die Wahl, vor der ein Unternehmen im Jahr 2026 steht, ist nicht die Frage, ob es KI implementieren soll. Es ist die Frage, ob es sie so implementiert, wie es die 95 % tun – Werkzeug zuerst, Prozessdesign nie, Verantwortlichkeit nirgendwo – oder so, wie die 5 % arbeiten, die Ergebnisse erzielen: Prozess neu gestaltet, Grenzen gesetzt, Menschen dort positioniert, wo Urteilsvermögen zählt, und ein Name an jeden Output geknüpft, den das System produziert.
Die Technologie war nie das Hindernis. Was versagt, ist die organisationale Struktur, die um sie herum aufgebaut wird – oder die man sich entscheidet, nicht aufzubauen. Das ist kein KI-Problem. Es ist ein Designproblem, und Organisationen, die es nicht als solches behandeln, werden weiterhin Misserfolge mit Maschinengeschwindigkeit anhäufen.
