„In zwei Wochen läuft deine KI." Das ist der Satz, der in Verkaufsgesprächen am häufigsten fällt, und der, der die meisten Projekte begräbt. Technisch ist es keine Lüge —manches steht in zwei Wochen— und strategisch ist es eine Falle: man verkauft dir den Eröffnungstag, und du verstehst, dass in zwei Wochen das Problem gelöst ist. Das ist nicht dasselbe. Legen wir die echten Fristen auf den Tisch, mit Quelle, und trennen wir, was schnell anspringt, von dem, was eine Saison braucht, um echte Ergebnisse zu liefern.
Wie lange dauert die KI-Einführung im Unternehmen: es hängt davon ab, was du „KI" nennst
Es gibt keine einzige Frist für „KI einführen", weil es keine „eine" KI gibt. Es gibt zwei Welten mit unterschiedlichen Uhren. Eine schlüsselfertige Automatisierung —ein Chatbot auf bereits existierenden APIs, ein Flow, der zwei Apps verbindet, Datenextraktion mit einem Marktmodell— geht in Wochen in Produktion. Ein eigenes System —ein auf deine Daten abgestimmtes Modell, ein RAG über deine Dokumentation, ein Agent mit Urteilsvermögen und Leitplanken— braucht 3 bis 6 Monate, um wirklich in Produktion zu sein. Die beiden Welten zu verwechseln, daher kommt fast die ganze Enttäuschung.
| Projekttyp | Echte Zeit bis Produktion | Was die Uhr steuert |
|---|---|---|
| Fertiges SaaS-Werkzeug | Tage bis 2 Wochen | Konfigurieren und verbinden, kaum mehr |
| Schlüsselfertige Automatisierung (Chatbot, Flow, Extraktion) | 6–10 Wochen | Die Integration in deine Systeme |
| Maßgeschneidertes System (eigenes Modell, RAG, Agent mit Urteil) | 3–6 Monate | Daten, Integrationen und Randfälle |
| Unternehmensweiter KI-Rollout | 12–18 Monate | Governance, Compliance und Adoption |
Ich erfinde diese Spannen nicht. Das Aggregat der Marktanalysen setzt den Schnitt einer KI-Einführung im Unternehmen auf 6 bis 12 Monate vom Start bis zur Produktion, mit fokussierten Automatisierungen auf fertigen Plattformen bei 6 bis 10 Wochen und maßgeschneiderten oder unternehmensweiten LLM-Rollouts bei 12 bis 18 Monaten (Alice Labs, Mai 2026, mit Verweis auf McKinsey und Gartner). Übersetzt: wenn dir jemand „KI" in zwei Wochen verspricht, verkauft er dir entweder das leichte Stück oder erzählt dir den Rest nicht.
Warum „KI in zwei Wochen" den Starttag verkauft, nicht die Saison
Das Zwei-Wochen-Versprechen stimmt für eine sehr konkrete Sache: eine Demo anschalten. Ein Chatbot auf einer Markt-API steht in Tagen, und auf dem Bildschirm sieht es fertig aus. Aber anschalten ist nicht lösen. Zwischen der Demo, die am Dienstag läuft, und dem System, das deinen echten Betrieb aushält, liegt eine ganze Saison: die Daten, die man aufräumen muss, die Integrationen mit deinem alten ERP, die Randfälle, die erst im dritten Monat auftauchen, und die Leute, die ihre Arbeitsweise ändern müssen. Die Demo ist der Tag der Aussaat. Die Ergebnisse sind die Ernte, und die Ernte richtet sich nicht nach deinem Vertriebskalender.
Diese Kluft zwischen dem, was anspringt, und dem, was sich rentiert, ist der Bruder der Kluft zwischen dem, was kalkuliert, und dem, was am Ende berechnet wird, die wir in was kostet es, KI in einem Unternehmen einzuführen auseinandernehmen. Frist und Preis verstecken sich mit demselben Trick: den leichten Teil zeigen und den schweren per Überraschung berechnen.
Was die Frist wirklich bewegt (die vier Uhren)
Wenn du deinen eigenen Fall schätzen willst, bevor du irgendeinem Kalender glaubst, schau auf diese vier Uhren. Sie sind es, die wirklich das Sagen haben, nach Wirkung geordnet:
- Der Zustand deiner Daten. Die größte Uhr und die, auf die niemand schaut: die Datenaufbereitung frisst 40% bis 60% der Gesamtzeit eines Projekts (Gartner, via Alice Labs). Wenn deine Daten geordnet leben, startest du; wenn sie in PDFs, Mails und Tabellen leben, die niemand dokumentiert hat, gibt es Wochen Arbeit, bevor du die KI anfasst.
- Die Integrationen. Ein modernes System per API anzubinden ist schnell. Ein ERP von 2004 mit maßgeschneiderter Middleware anzubinden fügt Wochen hinzu, die fast nie im Anfangsplan stehen.
- Die Randfälle, die im dritten Monat auftauchen. Kein Pilot sieht sie, weil ein Pilot mit sauberen Beispielen arbeitet. Die schlecht formatierte Rechnung, die Bestellung, die nicht passt, die Ausnahme, die Urteil braucht: das kommt nur bei echtem Volumen, und jede öffnet den Testzyklus neu.
- Der Wandel bei den Menschen. Die Verzögerungsursache Nummer eins ist nicht technisch: 42% der Organisationen nennen Change-Management und Adoption als ihre größte Bremse (Deloitte, via Alice Labs). Ein System, das niemand nutzt, ist nicht in Produktion, es ist in einem Screenshot.
Die ersten beiden Uhren sind Klempnerei: deine Daten und Systeme in Form bringen, damit sich die KI darauf stützen kann, was wir in KI-Infrastruktur fürs Unternehmen machen. Die letzten beiden sind das Handwerk der Umsetzung: den Prozess eingrenzen, die Randfälle einbauen und es laufen lassen. Wie man das gut macht, entwickeln wir in einen Prozess mit Agenten automatisieren und in wie man einen KI-Agenten baut, der wirklich funktioniert —Spoiler: der Teil „anschalten" ist der kurze—.
Schlüsselfertig vs. maßgeschneidert: die Lücke von drei bis fünf Monaten
Die Entscheidung, die deine Frist am meisten bewegt, ist eine: fertige Plattform oder maßgeschneidertes Modell. Organisationen, die vorgefertigte Plattformen nutzen, gehen 58% schneller live als solche, die ein eigenes Modell bauen, und dieser Unterschied bedeutet 3 bis 5 Monate Kalender (Gartner, via Alice Labs). Die praktische Lesart: wenn eine gut konfigurierte Marktplattform deinen Schmerz löst, macht dich ein maßgeschneidertes Modell nicht klüger, sondern langsamer. Und umgekehrt: wenn dein Fall wirklich deiner ist, ist genau dieses maßgeschneiderte Modell das, was den Vorteil bringt —aber dann nimm die Saison in Kauf, nicht die Woche. Wenn der Schmerz darin besteht, Daten zwischen den Apps zu bewegen, die du schon nutzt, ist es fast immer Automatisierung des Betriebs auf dem, was du hast —Wochen, nicht Monate—.
KMU allein vs. mit Hilfe: warum „allein" langsamer läuft
Es ohne Hilfe zu machen ist zeitlich nicht gratis. Das KMU, das allein losläuft, stolpert genau über die beiden großen Uhren: es bleibt in der Datenaufbereitung hängen, weil es im Team noch niemand gemacht hat, und es unterschätzt die Adoption, weil es nicht sein Handwerk ist. Deshalb überschreiten 63% der Organisationen die Frist, die sie geschätzt hatten, fast immer, weil sie unterschätzt haben, was es kostete, die Daten fertig zu machen (KPMG, via Alice Labs). Ein Team, das deinen Fall schon gebaut hat, überspringt die Entdeckungsphase und spart Wochen: nicht weil es schneller arbeitet, sondern weil es schon weiß, wo die Minen liegen. Die ehrliche Rechnung ist nicht „gratis gegen teuer", sondern „Monate im Blindflug gegen ein paar Wochen mit Netz".
Wie du eine Frist verlangst, ohne dass man dir Nebel verkauft
Der Weg, das Spiel zu brechen, ist, die Frist in Teilen zu verlangen. Drei Sätze, die das Gespräch ändern: „gib mir die Frist bis zur ersten Version in Produktion, nicht bis zur Demo"; „wie viel dieser Frist ist meine Daten vorbereiten?"; „was passiert, wenn die Fälle auftauchen, die der Pilot nicht gesehen hat?". Wer implementiert, beantwortet alle drei ohne zu schwitzen, weil er davon lebt, dass das System in deinem Betrieb funktioniert. Wer Theater macht, wiederholt „zwei Wochen" und wechselt das Thema, weil er davon lebt, dass du unterschreibst, bevor du den echten Kalender ansiehst.