95 % der KI-Projekte scheitern – Am Adoptionsmodell
Eine aktuelle MIT-Studie zeichnet ein teilweise ernüchterndes Bild: Nahezu 95 Prozent der KI-Projekte in Unternehmen schaffen es nicht in den breiten Einsatz. Auf den ersten Blick könnte man meinen, die Technologie sei überbewertet. Bei den Anwendungen muss man jedoch genauer hinsehen.
Die Ergebnisse zeigen einen deutlichen Unterschied zwischen individueller und unternehmensweiter Nutzung. Tools wie ChatGPT funktionieren hervorragend für Einzelpersonen, wie beim Schreiben von Texten, Beantworten von Fragen oder Zusammenfassen von Dokumenten. Ihre Stärke liegt in der hohen Flexibilität und Geschwindigkeit bei einzelnen Anwendungsfällen. Doch in Unternehmen stoßen dieselben Tools bei komplexen Prozessen an ihre Grenzen: Sie passen sich nicht an Workflows an, lassen sich nur schwer in etablierte Prozesse integrieren und berücksichtigen nicht den Kontext, der für Compliance oder operative Stabilität entscheidend ist. In der Regel ist hierfür eine menschliche Interaktion erforderlich.
Der Erfolg hängt davon ab, an welcher Stelle und in welchem Prozess das KI-Tool im Unternehmen implementiert wird. Laut MIT-Studie haben Firmen, die Lösungen von spezialisierten Anbietern einkaufen und Partnerschaften mit externen Dienstleistern aufbauen, eine Erfolgsquote von rund 67 Prozent. Eigenentwicklungen hingegen sind nur in etwa einem Drittel der Fälle erfolgreich.
Diese Unterscheidung ist für jede Führungskraft entscheidend, die KI einführen will. Das bloße Kaufen des neuesten Tools und isolierte Experimente reichen selten aus. Erfolgreich sind diejenigen, die Technologie nahtlos mit bestehenden Workflows verbinden und dabei auf Partner setzen, die insbesondere mit klaren, einfachen Prozessabläufen bestens vertraut sind und dadurch die notwendige Expertise für eine reibungslose Umsetzung mitbringen.
Wo KI tatsächlich Wirkung zeigt
Der Unterschied zwischen Erfolg und Scheitern wird deutlich, wenn man konkrete Anwendungsfälle betrachtet. Einige Unternehmen zeigen bereits, was möglich ist, wenn KI auf den richtigen Prozess trifft.
- Novo Nordisk liefert ein eindrucksvolles Beispiel. Das Unternehmen konnte die Erstellung regulatorischer Berichte von 12–15 Wochen auf weniger als 10 Minuten verkürzen. Statt ein Modell von Grund auf neu zu trainieren, erweiterte Novo Nordisk ein leistungsfähiges Sprachmodell mit den eigenen internen Dokumenten. Das System „rät“ nicht, sondern durchsucht gezielt unternehmensspezifische Quellen, es „chattet“ gewissermaßen mit den eigenen Daten. Das verhindert Halluzinationen und sichert die Einhaltung von Regularien. Entscheidend war: klare Standardisierung, Integration der eigenen Wissensbasis und die schnelle Skalierung von der Pilot- in die Entwicklungsphase.
- ReqMan® adressiert das komplexe Feld des Anforderungsmanagements. Projekte scheitern oft, weil Anforderungen unvollständig, widersprüchlich oder über Teams verteilt sind. Hier fungiert KI als strukturierender Assistent: Die KI organisiert und verknüpft Anforderungen, markiert Lücken und stellt Nachvollziehbarkeit sicher. Die finale Freigabe und inhaltliche Interpretation verbleiben jedoch bei Projektleitern. Der Erfolg liegt im hybriden Ansatz, bei dem die KI diverse Routinen und Konsistenzprüfungen beschleunigt, während Menschen Urteile fällen und kundenspezifische Details absichern. Das reduziert Verzögerungen, ohne die Verantwortung aus der Hand zu geben.
- Canva mit LinkedIn-Integration zeigt die Effizienzseite von KI. Durch die Automatisierung der Video-Anzeigenerstellung sparen Marketingteams Zeit bei wiederkehrenden Design- und Formatierungsaufgaben. Der Nutzen liegt in der Automatisierung einfacher, häufig wiederholter Aufgaben, die kreative Kapazitäten freisetzt. Der strategische Wert ist jedoch begrenzt, da Wettbewerber den Zugriff auf dieselbe Integration haben, entsteht kein nachhaltiger Vorteil. Der Gewinn ist Effizienz, nicht jedoch die Differenzierung.
Drei zentrale Muster ziehen sich durch diese Beispiele:
- Standardisierung ist entscheidend, Erfolg stellt sich ein, wenn Prozesse klar, wiederholbar und regelbasiert sind.
- „Human in the loop“ bleibt notwendig, das Maß an Kontrolle hängt von der Komplexität ab.
- Strategischer Wert ist unterschiedlich, manche Anwendungen bringen Effizienz, andere verschieben die Wettbewerbsvorteile.
Die Lehre daraus: Nicht jeder Prozess lohnt sich für Automatisierung, und nicht jede KI-Investition zahlt gleichermaßen auf den Geschäftserfolg ein. Hier braucht es einen strukturierten Rahmen, der Unternehmen, vor allem im Mittelstand hilft, hochrentable Chancen von Experimenten mit geringem Wert zu trennen.
Die drei Beispiele zeigen das ein Spektrum der KI-Einführung: von den hohen Effizienz- und Differenzierungsvorteilen bei Novo Nordisk über hybride Assistenz im Anforderungsmanagement bis hin zu reinen Effizienz-Tools wie Canva, die Zeit sparen, aber das Spielfeld nicht verändern. Das Muster ist eindeutig: Nicht jeder Prozess ist es wert, automatisiert zu werden und nicht jedes KI-Tool schafft strategischen Mehrwert.
Genau hier stolpern viele Unternehmen, gerade im Mittelstand. Zu viele Pilotprojekte scheitern, weil sie die falschen Prozesse adressieren oder von Tools einen unternehmensweiten Effekt erwarten, der nie eintreten kann. Was KMU brauchen, ist eine klare Entscheidungslogik, wo KI eingesetzt werden sollte und wo nicht.
Die KI-Workflow-Matrix (siehe auch: Operationalizing generative AI for marketing impact) liefert genau diesen Entscheidungsrahmen. Indem Prozesse entlang von vier Dimensionen bewertet werden: Standardisierte Prozesse mit hohem Volumen eignen sich besonders für KI-Projekte und spielen einen hohen ROI ein. Je höher der Entscheidungsanteil bei Prozessen ist und je größer der Anteil an spezifischen Regeln, desto weniger lohnen sich aktuelle KI-Projekte in diesem Bereich. Ein paar Beispiele aus der Praxis verdeutlichen, welche Unternehmensbereiche von KI-Projekten sehr schnell profitieren können:
Vertrieb:
- CRM-Datenanreicherung → hoher ROI, da Kundenprofile automatisch aktualisiert werden.
- Terminorganisation → hoher ROI, da intelligente Assistenten Routinen wie Terminabstimmungen übernehmen können.
- Copilot für Angebote → hybrider Ansatz: Entwürfe werden schnell erstellt, brauchen aber finale Validierung durch den Vertrieb.
- Lead Scoring → hoher ROI, wenn die Datenqualität stimmt, da Kaufwahrscheinlichkeiten priorisiert werden können.
Projektmanagement:
- Status-Updates → hoher ROI, da Berichte automatisch aus vorhandenen Task-Daten generiert werden.
- Risikomanagement → hybrider Ansatz: KI identifiziert Muster, die Risiken anzeigen, die Bewertung übernimmt der Projektleiter.
- Dashboards → hoher ROI, da Kennzahlen und Fortschritte in Echtzeit visualisiert werden.
Marketing:
- Kampagnen-Copilot → hybrider Ansatz: Kampagnenideen und Entwürfe entstehen automatisch, die finale Freigabe liegt beim Team.
- Content-Planung → moderater ROI, etwa durch halbautomatisierte Redaktionspläne.
- Performance-Analyse → hoher ROI, da Engagement-Daten klar messbar sind und Optimierungen sofort ableitbar werden.
- Trend-Monitoring → nur unterstützend nutzbar, da Trends sich schnell verändern und menschliches Urteilsvermögen erfordern.
Diese Beispiele machen sichtbar: Nicht jede KI-Anwendung hat den gleichen wirtschaftlichen Nutzen. Die KI-Workflow-Matrix bietet eine hilfreiche Orientierung, um das Automatisierungspotenzial einzelner Prozesse mit Hilfe von KI besser einzuschätzen.
Quellen:
Operationalizing generative AI for marketing impact
Most Companies Saw Zero Return on AI Investments: Study | Entrepreneur
Entdecken Sie ReqMan®: Die Zukunft der Prozesse mit KI
LinkedIn streamlines video ad creation with new Canva integration
Artikel mit KI bearbeitet
