Jeder kennt jemanden, dessen KI-Projekt mit einem Feuerwerk begann und in einer Schublade endete. Das ist weder Pech noch fehlendes Talent: Es ist ein Muster. Und das Muster ist nicht technisch. Die heutigen Modelle reichen für fast jede Betriebsautomatisierung mehr als aus; was scheitert, liegt davor und drumherum. Hier sind die fünf Fehler, die die meisten Projekte versenken, jeder benannt, damit du sie in deinem Projekt erkennst, bevor sie dich ein Jahr kosten.
Scheitern ist fast nie technisch: die Zahlen, die es belegen
Die Zahlen sind unbequem und decken sich über die Quellen hinweg. RAND schätzt, dass 80,3% der KI-Projekte keinen messbaren Geschäftswert liefern. MIT stellte fest, dass 95% der Piloten generativer KI nie in die Produktion skalieren. Und Gartner führt 85% der Fehlschläge auf schlechte oder unzureichende Datenqualität zurück, nicht auf den Algorithmus. Mit anderen Worten: Die Maschine macht ihre Arbeit; das Problem ist, was wir ihr füttern und wie wir sie betreiben.
Das ist eine gute Nachricht, denn organisatorische Fehler lassen sich vermeiden, sobald man sie benennt. Ein technischer Fehler braucht Forschung; diese fünf brauchen nur Ehrlichkeit. Nehmen wir sie einzeln durch.
Fehler 1 — Schmutzige Daten: Müll rein, Müll mit Selbstsicherheit
Der erste und tödlichste. Ein Prozess sieht wie ein perfekter Kandidat aus, bis du die Daten öffnest, die ihn speisen, und feststellst, dass sie im Kopf von jemandem, in einem WhatsApp-Verlauf oder in einem verkehrt herum gescannten PDF stecken. KI behebt das nicht: Sie verstärkt es. Gib ihr einen halbgaren Input, der zwischen Systemen widersprüchlich oder schlicht nicht vorhanden ist, und sie gibt dir eine Antwort mit derselben Selbstsicherheit, als wäre sie aus Gold. Müll rein, Müll mit ernster Miene.
Das Warnsignal: Niemand im Raum kann dir sagen, wo die Daten leben oder wer sie pflegt. Wenn der Input nicht in einem maschinenlesbaren Format zugänglich ist, hast du kein Automatisierungsprojekt — du hast ein Digitalisierungsprojekt, das niemand eingeplant hat. Das hängt direkt mit welche Prozesse man mit KI automatisiert zusammen: Das Kriterium „verfügbare Daten" verwirft die meisten Kandidaten.
Fehler 2 — Kein Eigentümer: das Projekt von niemandem stirbt in sechs Monaten
Ein KI-Projekt ohne eine benannte verantwortliche Person ist kein Projekt: Es ist ein Experiment, das darauf wartet, dass jemand aufhört hinzuschauen. Und jemand hört immer auf. Die Daten bestätigen es: In 56% der gescheiterten Fälle verliert der Executive-Sponsor vor dem sechsten Monat das Interesse. Ohne Eigentümer gibt es niemanden, der das Budget verteidigt, an den Randfällen iteriert oder entscheidet, was sich ändert, wenn das Modell aktualisiert wird.
„Das Datenteam kümmert sich darum" ist kein Eigentümer. Ein Eigentümer ist eine benannte Person, mit zugewiesener Zeit und einem Anreiz, der daran hängt, dass das System funktioniert. Wenn niemand die Automatisierung in seiner Stellenbeschreibung hat, hat die Automatisierung niemanden.
Fehler 3 — Keine Messung: du kannst nicht verteidigen, was du nicht zählst
Der dritte Fehler ist leise, denn das System kann funktionieren und trotzdem sterben. Wenn du das „Davor" nicht gemessen hast — wie viele Stunden der Prozess kostete, wie viele Fehler er hatte, wie lange er dauerte —, kannst du das „Danach" nicht beweisen. Und was man nicht beweisen kann, kann man nicht verteidigen, wenn die Budgetkürzung kommt. Die durchschnittliche Zeit bis zur Aufgabe liegt bei etwa 13,7 Monaten: genau die Zeit, die der Neuheitseffekt zum Verblassen braucht, wenn keine Zahl jede Woche steigt.
Die Regel ist einfach: Bevor du irgendetwas automatisierst, definiere die Kennzahl, die steigen oder fallen soll, und erfasse ihre Baseline. Ohne Baseline lebt dein Projekt vom Glauben. Und der Glaube überlebt kein Führungsgremium.
Fehler 4 — Einen kaputten Prozess automatisieren: du skalierst das Chaos, schneller
Einen schlechten Prozess zu automatisieren gibt dir keinen guten Prozess schneller: Es gibt dir eine Katastrophe im Maßstab. Wenn der Ablauf redundante Schritte, undokumentierte Ausnahmen und Entscheidungen hatte, die vom „Marta fragen" abhingen, erbt die KI all das und führt es tausendmal am Tag aus, ohne dass Marta eingreifen kann. Das Ergebnis ist schlechter als die manuelle Variante, weil der Fehler jetzt systematisch ist.
Vor dem Automatisieren: reparieren. Manchmal ist die beste Automatisierung, zuerst die 30% des Prozesses zu streichen, die nichts beitrugen. Deshalb ist wichtig, wer ihn baut: Ein gutes Team automatisiert nicht, was du verlangst, es gestaltet zuerst neu und automatisiert dann, was übrig bleibt. Das trennt auch das „wann NICHT automatisieren" (eine vorherige Entscheidung) von diesem Fehler, der einer der Ausführung ist.
Fehler 5 — Big-Bang statt Phasen: die Premiere, die nie zur Staffel wird
Der letzte Fehler ist fehlplatzierter Ehrgeiz. Der natürliche Impuls ist, mit dem größten, auffälligsten Prozess zu beginnen — „automatisieren wir die ganze Abteilung" — und alles auf einmal zu starten. Das ist die Überholspur zum Scheitern: maximale Fehlerfläche, null akkumuliertes Lernen und kein Ergebnis zum Vorzeigen bis zum Ende, das nie kommt. Die Demo ist die Premiere; die Produktion ist die Staffel, und die Staffel gewinnt man Folge für Folge.
Die Alternative, die funktioniert: Beginne mit dem Prozess, der hohen Ertrag und geringen Aufwand kreuzt, lass ihn mit Eigentümer und Kennzahl in Produktion und nutze diesen ersten Sieg, um den nächsten zu finanzieren und freizuschalten. Phase für Phase, jede selbsttragend. Das Projekt, das die Produktion erreicht, ist nicht das ehrgeizigste: Es ist das, das drei kleine Siege aneinanderreihte, bevor es den großen versuchte.
| Der Fehler | Wie er aussieht | Das Gegenmittel |
|---|---|---|
| Schmutzige Daten | Niemand weiß, wo der Input lebt | Daten vor dem Automatisieren prüfen und säubern |
| Kein Eigentümer | Interesse, das bis Monat 6 verblasst | Eine benannte Person mit Zeit und Anreiz |
| Keine Messung | Funktioniert, aber nicht verteidigbar | Baseline, bevor man etwas anfasst |
| Kaputter Prozess | Man skaliert das Chaos, schneller | Erst neu gestalten, dann automatisieren |
| Big-Bang | Alles auf einmal, Ergebnis am Ende | In Phasen: ein Sieg finanziert den nächsten |
Wie ein Projekt aussieht, das die Produktion tatsächlich erreicht
Ein Projekt, das überlebt, sieht langweilig und wiedererkennbar aus: saubere, zugängliche Daten, ein benannter Eigentümer, eine Kennzahl mit Baseline, ein bereits neu gestalteter Prozess und ein phasenweiser Rollout, bei dem der erste sich schon auszahlt, bevor der zweite gebaut ist. Nichts davon ist glamourös. All das ist es, was die 20%, die funktionieren, von den 80% trennt, die in der Schublade landen.
Wenn du diese fünf Fehler lieber nicht auf die harte Tour lernen willst, macht die KI-Betriebsautomatisierung genau das: Wir prüfen die Daten, setzen Eigentümer und Kennzahl, gestalten den Prozess neu, bevor wir ihn anfassen, und rollen in Phasen aus. Wir übergeben keinen Bericht mit Empfehlungen — wir lassen den ersten Prozess laufen, mit seiner Zahl, die jede Woche steigt.