52 % der KI-Projekte in Unternehmen erreichen nie die Produktion – und das Problem ist nicht technischer Natur
Es gibt eine Zahl, die jeden Führungsausschuss, der in diesem Jahr ein Budget für künstliche Intelligenz genehmigt hat, in Bedrängnis bringen sollte: Laut einer Studie von CIO&Leader aus dem Jahr 2026 berichteten 52 % der befragten Unternehmen, dass weniger als einer von vier KI-Piloten jemals zu einem produktiven System wird. Nur 8 % schafften es, dass mehr als drei Viertel ihrer Experimente diese Schwelle überschritten. Und lediglich 12 % konnten einen signifikanten und messbaren Return on Investment nachweisen.
Dies geschieht, während Gartner prognostiziert, dass die weltweiten KI-Ausgaben im Jahr 2026 auf 2,52 Billionen US-Dollar steigen werden – ein Anstieg von 44 % gegenüber dem Vorjahr. Organisationen setzen Kapital in einem beispiellosen Tempo ein und verwerfen gleichzeitig den Großteil der Arbeit, die dieses Kapital finanziert. Nicht als Folge unreifer Technologie. Sondern weil die Art und Weise, wie die meisten Unternehmen KI-Projekte konzipieren, genehmigen und steuern, strukturell sicherstellt, dass nur wenige Initiativen den Kontakt mit der operativen Realität überstehen.
Das verdient einen langsameren und unbequemeren Blick, als er in Führungsgremien üblicherweise auf diese Gespräche verwendet wird.
Piloten, die darauf ausgelegt sind zu beeindrucken, nicht zu überleben
Ein KI-Pilot unter kontrollierten Bedingungen ist per Design eine kuratierte Version der Realität. Die Daten sind sauber. Der Umfang ist so abgesteckt, dass das System glänzt. Der Zeitplan ist so strukturiert, dass vor jeder Ergebnisfrage sichtbarer Fortschritt gezeigt werden kann. Es ist eine Gewächshausumgebung, in der nahezu jeder technisch halbwegs solide ausgeführte Vorschlag vielversprechend wirken kann.
Die Produktion ist das genaue Gegenteil davon. Dort tauchen unvollständige Daten auf, Legacy-Systeme, die niemand ordnungsgemäß dokumentiert hat, Prozesse, die in der Praxis anders funktionieren als im Handbuch beschrieben, regulatorische Anforderungen, die das Compliance-Team drei Wochen vor dem Launch entdeckt, und Nutzer, die niemand geschult hat, weil das Change-Management-Budget als Erstes gestrichen wurde, als sich der Zeitplan verdichtete.
Der Sprung zwischen diesen beiden Welten ist nicht technischer Natur. Er ist organisatorischer Natur. Und der Grund, warum so viele Projekte bei diesem Sprung scheitern, liegt nicht daran, dass die Technologie versagt, sondern daran, dass die Organisation nie so gestaltet war, sie aufzunehmen.
Kamran Ozair, CEO von Visionet Systems, bringt es präzise auf den Punkt: Teams neigen dazu, die Produktion als letzte Phase eines Projekts zu behandeln, obwohl sie der Ausgangspunkt des Designs sein sollte. Wenn die Randbedingungen der realen Welt – die Sicherheitskontrollen, die Ausnahme-Workflows, die Anforderungen an die Prüfbarkeit, die Integration in bestehende Systeme – nicht von Anfang an Teil der Architekturentscheidungen sind, ist das späte Entdecken kein Rückschlag. Es ist ein Todesurteil.
Was dieses Muster aus der Perspektive der Organisationsdynamik offenbart, ist etwas Tiefgreifenderes als ein Methodikfehler: Es ist das Signal, dass viele KI-Projekte finanziert werden, um zu demonstrieren, dass das Unternehmen etwas tut – nicht um ein betriebliches Problem mit zuvor vereinbarten Erfolgsmetriken zu lösen. Der Pilot existiert, damit der Chief Technology Officer oder der Chief Digital Officer in der Quartalsüberprüfung Fortschritte präsentieren kann. Und das erzeugt auf der Ebene der Anreize genau die Ergebnisse, die wir beobachten.
Wenn KI zum Beweis von Führungsaktivität wird
Es gibt ein Gespräch, das vor der Genehmigung eines KI-Projekts in der Regel nicht stattfindet: das Gespräch, das ehrlich definiert, welcher spezifische Prozess sich verändern wird, wie diese Veränderung gemessen wird, wer innerhalb der Organisation für dieses Ergebnis verantwortlich ist und was passiert, wenn das System in den ersten neunzig Tagen nicht liefert, was versprochen wurde.
Dieses Gespräch hat seinen Preis. Es zwingt dazu, sich auf Metriken festzulegen, die später prüfbar sein werden. Es legt offen, wie viel des anfänglichen Enthusiasmus reine Rhetorik war. Es verlangt, dass jemand auf Führungsebene seinen Namen neben ein konkretes Ergebnis stellt – nicht neben eine Initiative. Und in Organisationen, in denen Scheitern interne politische Konsequenzen hat, ist es sicherer, einen endlosen Pilot zu finanzieren, als die Verantwortung für ein produktives System mit sichtbaren Leistungsindikatoren zu übernehmen.
Die Daten von Camunda sind in dieser Hinsicht aufschlussreich: Mehr als 70 % der befragten Organisationen gaben an, im vergangenen Jahr KI-Agenten eingesetzt zu haben, doch nur 11 % dieser Fälle gelangten in die Produktion. Es gibt eine riesige Lücke zwischen „Wir haben KI implementiert" und „Wir haben ein System, das täglich operiert und täglich Wert liefert". Ersteres berichten Unternehmen problemlos. Letzteres ist unbequem überprüfbar.
Ozair beschreibt dieses Problem als Verwechslung von Fähigkeit mit Wirkung: Organisationen investieren in die Fähigkeiten des Systems, bevor sie das Geschäftsproblem definieren, das sie lösen wollen. Ohne Klarheit darüber, welche Prozesse das System verändert und wie diese Veränderung gemessen wird, ist das wahrscheinlichste Ergebnis ein kostspieliges technisches Artefakt, das niemand in der Betriebsabteilung angefordert hat und das kaum jemand dauerhaft annehmen wird.
Governance, die als Checkliste nach der Entwicklung gedacht ist, ist ein weiteres Zeichen dieser Dynamik. Wenn Anforderungen an Datenschutz, Prüfbarkeit und regulatorische Kontrolle erst nach dem Aufbau des Systems entdeckt werden, sind die Kosten nicht nur technischer Natur: sie sind politischer Natur. Späte Überarbeitungen untergraben das Vertrauen der Teams, die an das Projekt geglaubt haben, erzeugen Reibung mit Compliance-Bereichen, die nicht rechtzeitig einbezogen wurden, und erzeugen jenen Zustand chronischer Lähmung, den viele Organisationen „Risikoüberprüfung" nennen, der in der Praxis aber ein Projekt ist, das niemand formell beenden will und für dessen Rettung niemand ein Mandat hat.
Die Architektur des Scheiterns folgt einer vollkommen rationalen Logik
Was die Korrektur dieses Problems so schwierig macht, ist, dass es nicht aus Inkompetenz entsteht. Es entsteht aus Anreizen, die vollkommen kohärent mit der Art und Weise sind, wie die meisten Unternehmen technologische Investitionen steuern.
Innovationsteams werden an gestarteten Piloten gemessen, nicht an produktiven Systemen. Technologieanbieter sind besser darin, ein Versprechen zu verkaufen, als die operative Transformation zu begleiten, die dieses Versprechen erfordert. Führungskräfte, die Budgets genehmigen, müssen vor Ende des Geschäftsjahres Bewegung zeigen. Und die Mitarbeiter, die das System nutzen werden, werden in der Entwurfsphase selten konsultiert, was dafür sorgt, dass die Akzeptanz im besten Fall erzwungen und im schlimmsten Fall ignoriert wird.
Das Modell, das Visionet vorschlägt – das Geschäftsergebnis zu definieren, bevor eine einzige Zeile Code geschrieben wird, die Leistung in den ersten neunzig Tagen an diesem Ergebnis zu messen, Governance und Sicherheit von Anfang an in die Architektur einzubauen, Systeme in Werkzeuge zu integrieren, die Teams bereits verwenden – ist technisch nicht anspruchsvoll. Es ist grundlegende operative Disziplin, angewendet auf ein Bereich, in dem die Branche bislang das Fehlen dieser Disziplin toleriert hat, weil der Enthusiasmus für die Technologie das Vakuum füllte, das die Ergebnisse hinterließen.
Die Frage, die ein Ausgabenvolumen von 2,52 Billionen US-Dollar auf den Tisch jedes Aufsichtsrats legt, ist nicht, ob KI funktioniert. Das ist hinreichend bewiesen. Die Frage ist, ob die Organisation die operative Reife besitzt, technische Fähigkeit in nachweisbaren Wert zu verwandeln. Und diese Reife kauft man nicht mit Budget. Sie wird durch die Bereitschaft aufgebaut, unbequeme Gespräche zu führen, bevor der nächste Pilot genehmigt wird.
Wenn die Daten zeigen, dass 88 % der Unternehmen keinen messbaren Return on Investment ihrer KI-Initiativen nachweisen können, liegt es höchstwahrscheinlich nicht daran, dass alle schlechte Technologie einsetzen. Höchstwahrscheinlich vermeidet die Mehrheit das Gespräch, das ein Experiment in eine Verantwortung verwandelt.
