Die Demo saß perfekt. Das Modell las die E-Mail, verstand die Anfrage, verfasste eine makellose Antwort, und der Raum applaudierte. Drei Monate später ist dieser Pilot immer noch genau das: eine Demo, die jemand einschaltet, wenn eine Führungskraft vorbeikommt. Er ging nie in Produktion. Das ist kein Pech und kein fehlendes Budget für „mehr KI“: es ist das häufigste Muster der Branche. Die Demo beeindruckt, weil sie den einfachen Teil zeigt. Produktion ist alles, was die Demo per Design übersprungen hat.
Warum KI-Piloten scheitern (und es fast nie das Modell ist)
Die Zahlen des letzten Jahres sind unbequem. Die Umfrage Voice of the Enterprise von S&P Global Market Intelligence (2025) fand, dass 42 % der Unternehmen 2025 die meisten ihrer KI-Initiativen aufgegeben haben — gegenüber 17 % ein Jahr zuvor — und fast die Hälfte ihrer Proofs of Concept verwarfen, bevor sie je in Produktion kamen. IDC wiederum berechnete, dass 88 % der KI-Piloten den Sprung zum breiten Rollout nicht schaffen: nur 4 von 33 Proofs of Concept gingen in Produktion. Es ist nicht so, dass das Modell in der Demo nicht fähig war. Es ist so, dass „fähig in der Demo“ und „in Produktion“ zwei verschiedene Dinge sind — und das zweite wurde nicht gekauft.
Es hilft, zwei Fragen zu trennen, die die Demo absichtlich verwischt. Die erste — „kann das Modell das?“ — bekommt fast immer ein Ja. Die zweite — „kann dein Unternehmen das jeden Tag betreiben, mit deinen Daten, deinen Systemen, deinen Berechtigungen und deinen Ausnahmen?“ — ist die, die entscheidet, ob es überhaupt ein Projekt gibt. Die Demo beantwortet die erste und versteckt die zweite. Deshalb ist eine brillante Demo ein ebenso schlechtes wie gutes Zeichen: sie beweist, was fast nie versagt, und schweigt über das, was immer versagt.
Die 70 %, die die Demo überspringt
BCG bringt es in einem Prinzip auf den Punkt, das erstaunlich gut altert: der Erfolg eines KI-Projekts besteht zu 10 % aus Algorithmen, zu 20 % aus Daten und Technologie und zu 70 % aus Menschen, Prozessen und kulturellem Wandel. Die Demo lebt komplett in diesen ersten 10 %. Der Graben zwischen Pilot und Produktion sind diese 70 % — plus die 20 % Daten-Klempnerei —, die kein Sales-Deck zeigt, weil sie kein hübsches Video ergeben.
Diese unsichtbaren 70–90 % sind konkret das hier:
- Echte Daten, keine Labordaten. Die Demo läuft auf drei sauberen Beispielen. Produktion bekommt schiefe PDFs, leere Felder, Dubletten und die E-Mail, die keiner Vorlage folgt. Ohne verlässliche, zugängliche Daten fängt dasselbe Modell, das in der Demo glänzte, an zu erfinden.
- Integrationen. Das Ergebnis muss in deine Systeme rein und raus — CRM, ERP, E-Mail, Datenbank — mit Authentifizierung, Berechtigungen und Nachvollziehbarkeit. Diese Verkabelung ist 80 % der echten Arbeit und 0 % der Demo.
- Randfälle und Fehlerbehandlung. Die Demo hat keine Randfälle; der Dienstag schon. Was passiert, wenn das Modell unsicher ist, wenn die API ausfällt, wenn die Daten halb ankommen? Ein Produktionssystem hat darauf eine Antwort. Eine Demo nicht.
- Beobachtbarkeit und Kosten. In Produktion musst du sehen, was das System tut, wann es sich irrt und was jeder Lauf im Maßstab kostet. Ein Pilot ohne Instrumentierung lässt sich nicht steuern: er wird beim ersten Schreck abgeschaltet.
- Eigentümerschaft und Adoption. Jemand muss das System besitzen, es warten und dafür sorgen, dass das Team es wirklich nutzt, statt zur alten Tabelle zurückzukehren. Ohne Eigentümer und ohne Adoption stirbt selbst das beste System von allein.
Demo vs. Produktion: nicht dasselbe Projekt
| Dimension | In der Demo | In Produktion |
|---|---|---|
| Daten | Drei saubere, ausgewählte Beispiele | Alles, was reinkommt, schmutzig und zu jeder Zeit |
| Fehler | Tauchen nicht auf | Sind die Hälfte des Designs |
| Integration | Ergebnis kopieren und einfügen | Rein und raus aus deinen Systemen mit Berechtigungen |
| Kosten | Irrelevant (ein Lauf) | Pro Lauf gemessen, im Maßstab |
| Eigentümer | Wer die Demo gebaut hat | Jemand, der es jeden Tag wartet |
| Erfolg | Den Raum beeindrucken | Funktionieren, ohne dass jemand hinsieht |
Es gibt eine Version dieses Scheiterns, die den Betrieb betrifft — die 70 % oben — und eine andere, die das Design betrifft: ein System versprechen, das sich selbst steuert, und es ohne die Person ausliefern, die es steuert. Diese zweite entwickeln wir separat in dem Mythos des 100 % autonomen Agenten. Und manchmal ist die ehrliche Schlussfolgerung, dass dieser Prozess gar nicht komplett hätte automatisiert werden sollen: das behandeln wir in wann man einen Prozess NICHT mit KI automatisiert. Hier ist der Fokus ein anderer: selbst wenn der Prozess ein guter Kandidat ist und der Mensch gut platziert, stirbt der Pilot trotzdem, wenn niemand die langweiligen 70 % baut.
Wie man den Graben überquert
Die Reihenfolge, die funktioniert, dreht die der Demo um. Die Demo beginnt mit dem Modell und hofft, dass sich der Rest von allein fügt. Ein System beginnt mit dem Prozess und behandelt das Modell als ein Teil unter vielen:
- Beginne mit dem Prozess, nicht mit dem Modell. Bilde ab, wie die Arbeit heute läuft — wo sie stockt, welche Ausnahmen auftauchen, wer was entscheidet. Das trennt Prozesse mit KI automatisieren davon, ein Werkzeug zu kaufen und zu beten.
- Budgetiere die 70 % ab Tag eins. Daten, Integrationen, Fehlerbehandlung und Adoption sind keine „Phase zwei“: sie sind das Projekt. Wenn der Plan nur die Demo abdeckt, weißt du schon, wie es endet.
- Instrumentiere, bevor du skalierst. Miss Trefferquote, Kosten pro Lauf und was an einen Menschen eskaliert wird. Ein System, das du nicht messen kannst, ist ein System, das du nicht steuern kannst.
- Setze einen Eigentümer und einen Menschen in die Schleife. Jemand wartet das System, und eine Person prüft genau dort, wo Urteil mehr wiegt als Geschwindigkeit. Das ist die Logik hinter internen Prozessen mit Agenten: die KI macht die Schwerarbeit, der Mensch entscheidet, was zählt.
Nichts davon taucht in einem Neunzig-Sekunden-Video auf, und genau deshalb verkauft dir die Branche lieber die Demo. Wir machen das Gegenteil: wir bauen die langweiligen 70 %, verkabeln sie mit deinen Systemen, instrumentieren sie und lassen sie an einem gewöhnlichen Dienstag laufen, ohne dass jemand hinsieht. Das heißt Operations-Automatisierung, und es wird für das berechnet, was in Produktion funktioniert, nicht für das, was den Raum beeindruckt.