Warum KI-Projekte im Mittelstand scheitern — sechs Muster

Nicht jedes KI-Projekt, das startet, kommt auch an. Manche versanden nach der Präsentation, manche laufen ein paar Wochen und werden dann leise abgeschaltet, manche liefern etwas, das niemand mehr benutzt. Das Muster dahinter ist selten die Technik — die funktioniert in den allermeisten Fällen. Es sind wiederkehrende Fehler in der Vorbereitung und im Umgang mit dem Projekt danach.

Dieser Beitrag beschreibt sechs Muster, die wir in Erstgesprächen und Prozessanalysen immer wieder sehen — nicht als Vorwurf an gescheiterte Projekte, sondern als Liste, an der man das eigene Vorhaben vorab spiegeln kann.

Die kurze Antwort

KI-Projekte im Mittelstand scheitern selten an der Technik, sondern an sechs wiederkehrenden Mustern: das Projekt beginnt zu groß statt mit einem kleinen, abgeschlossenen Baustein; die Datengrundlage ist schlechter als angenommen; die Mitarbeiter werden nicht eingebunden, sondern vor eine fertige Lösung gestellt; niemand ist nach dem Start für Betreuung zuständig; der Erfolg wird nie an einer klaren Kennzahl gemessen; und die Erwartung an das, was KI leisten kann, war von Anfang an zu hoch. Jedes einzelne Muster lässt sich vermeiden, wenn man es vor dem Start kennt — die meisten scheiternden Projekte zeigen mehr als eines davon gleichzeitig.

Muster 1: Zu groß angefangen

Das häufigste Muster zuerst: Ein Projekt soll gleich mehrere Abteilungen, mehrere Systeme und mehrere Abläufe auf einmal verändern. Das klingt nach großem Wurf, führt aber dazu, dass niemand innerhalb weniger Wochen ein Ergebnis sieht — und ohne sichtbares Ergebnis verliert ein Projekt intern seine Fürsprecher. Der Gegenentwurf ist unspektakulär: ein Ablauf, ein klar begrenzter Umfang, ein Ergebnis, das nach Tagen oder wenigen Wochen läuft. Aus diesem ersten Baustein entsteht die Zeit und das Vertrauen für den nächsten. Wieso die erste Automatisierung klein sein sollte, hängt eng mit diesem Muster zusammen — ein zu großer erster Schritt ist der zuverlässigste Weg, ein Projekt intern zu verlieren, bevor es etwas gezeigt hat.

Muster 2: Die Datengrundlage war schlechter als gedacht

Ein Projekt wird auf Basis dessen geplant, wie ein System aussehen sollte — nicht, wie es tatsächlich aussieht. Erst während der Umsetzung fällt auf, dass derselbe Kunde in drei Schreibweisen im System steht, Artikelnummern historisch gewachsen sind oder Freitextfelder das enthalten, was eigentlich strukturiert vorliegen sollte. Diese Aufräumarbeit kostet Zeit, die im ursprünglichen Zeitplan nicht vorgesehen war, und macht ein Projekt teurer und langsamer als versprochen. Der Gegenentwurf ist, die Datenqualität vor der Kalkulation zu prüfen, nicht danach — genau das ist einer der Punkte, die in einer ordentlichen Prozessanalyse vorab geklärt werden, statt während der Umsetzung als Überraschung aufzutauchen.

Muster 3: Die Belegschaft wird vor vollendete Tatsachen gestellt

Ein Tool wird eingeführt, ohne dass die Personen, die künftig damit arbeiten sollen, vorher gefragt wurden, wo der eigentliche Zeitfresser liegt. Das Ergebnis ist ein System, das auf dem Papier funktioniert und in der Praxis umgangen wird — weil es an der Stelle ansetzt, die von außen wie das Problem aussah, nicht an der Stelle, die es für die Mitarbeiter tatsächlich war. Akzeptanz entsteht nicht durch eine gute Ankündigung, sondern dadurch, dass die Betroffenen früh sagen können, was am alten Ablauf wirklich nervt — und das Projekt genau dort ansetzt.

Muster 4: Niemand ist nach dem Start zuständig

Ein Ablauf wird eingerichtet, läuft ein paar Monate — und dann ändert ein Lieferant sein Rechnungsformat, eine Schnittstelle wird abgeschaltet, oder ein Formularfeld wird umbenannt. Ohne jemanden, der das nachzieht, bleibt die Automatisierung stehen, meist unbemerkt, bis jemand eine falsche oder fehlende Buchung entdeckt. Danach arbeitet wieder jemand von Hand, oft ohne dass es offiziell rückgängig gemacht wurde. Das ist kein Ausnahmefall, sondern der Normalfall bei jedem System, das mit der Außenwelt verbunden ist. Betreuung gehört deshalb von Anfang an ins Projekt, nicht als nachträglicher Zusatzverkauf.

Muster 5: Der Erfolg wurde nie definiert

„Wir wollten das mal ausprobieren" ist keine Kennzahl. Projekte ohne festgelegtes Ziel — Stunden pro Woche, Fehlerquote, Bearbeitungszeit — lassen sich hinterher weder als Erfolg noch als Misserfolg einordnen, und genau deshalb werden sie irgendwann leise beendet, ohne dass jemand sagen kann, woran es lag. Die Rechnung ist dabei nicht kompliziert: Vorgänge pro Woche mal Minuten je Vorgang ergibt die Stunden im Jahr, die ein Ablauf kostet — daran lässt sich vorher UND nachher messen, ob sich etwas verändert hat. Eine ausführliche Version dieser Rechnung mit drei Beispielen steht in Wann rechnet sich eine Automatisierung?.

Muster 6: Die Erwartung war zu hoch

Der letzte Punkt betrifft weniger die Umsetzung als die Ausgangslage: KI wird als Lösung für Abläufe eingekauft, die eigentlich fachliche Einzelfallprüfung brauchen — eine rechtliche Bewertung, eine medizinische Einschätzung, eine individuelle Verhandlung. Keine Automatisierung nimmt diese Entscheidung ab, sie kann höchstens die Vorbereitung dafür erleichtern. Wird das vorher nicht klar kommuniziert, entsteht zwangsläufig Enttäuschung — nicht, weil die Technik versagt hat, sondern weil sie etwas leisten sollte, wofür sie nie gedacht war.

Die sechs Muster im Überblick

| Muster | Sichtbares Symptom | Gegenmittel | |---|---|---| | Zu groß angefangen | kein Ergebnis nach Wochen | kleiner, abgeschlossener erster Baustein | | Datengrundlage überschätzt | Projekt wird teurer als geplant | Datenqualität vor der Kalkulation prüfen | | Belegschaft übergangen | Tool wird umgangen | Betroffene früh einbinden | | Keine Betreuung | System bleibt unbemerkt stehen | Betreuung von Anfang an einplanen | | Erfolg nicht definiert | Projekt wird leise beendet | Kennzahl vorher und nachher messen | | Erwartung zu hoch | Enttäuschung trotz funktionierender Technik | Grenzen vorab benennen |

Woran man ein gefährdetes Projekt vorab erkennt

Die sechs Muster lassen sich vor dem Start prüfen, nicht erst, wenn ein Projekt schon läuft. Ein paar konkrete Fragen helfen dabei mehr als ein Bauchgefühl: Gibt es einen ersten Baustein, der auch für sich allein einen Nutzen hat — oder hängt alles am großen Ganzen? Wurde die Datenqualität schon einmal stichprobenartig geprüft, oder wird nur angenommen, dass die Systeme sauber gepflegt sind? Sitzt jemand aus der Praxis mit am Tisch, wenn der Ablauf beschrieben wird, oder wird er nur aus der Führungsebene heraus definiert? Ist geklärt, wer nach dem Start ansprechbar ist, wenn sich ein Format ändert? Und gibt es eine Zahl — Stunden, Fehlerquote, Bearbeitungszeit —, an der sich in drei Monaten ablesen lässt, ob sich das Projekt gelohnt hat?

Fehlt die Antwort auf mehr als eine dieser Fragen, ist das kein Grund, das Vorhaben zu stoppen — aber ein guter Zeitpunkt, es vor dem Start nachzuschärfen statt nach dem Scheitern zu analysieren, woran es lag.

Ein Beispiel aus der Praxis

Ein Beratungsunternehmen wollte in einem ersten Anlauf die komplette Angebotserstellung automatisieren — von der Anfrage bis zum versandfertigen PDF, inklusive individueller Preislogik für jeden der über zehn Beratertypen. Nach zwei Monaten ohne sichtbares Ergebnis wurde das Vorhaben pausiert. Im zweiten Anlauf wurde nur ein Teilschritt automatisiert: die Übernahme der Kundendaten aus der Anfrage in die Angebotsvorlage, ohne die Preislogik anzufassen. Das lief innerhalb von zwei Wochen und sparte von Anfang an messbare Zeit — auf dieser Basis wurde später Schritt für Schritt erweitert, statt in einem zweiten großen Anlauf erneut alles auf einmal zu versuchen.

Der nächste Schritt

Die meisten dieser sechs Muster lassen sich vor dem Start erkennen, nicht erst danach. Wenn du prüfen willst, ob dein geplantes Vorhaben eines davon in sich trägt: Genau das ist Teil der Prozessanalyse — kostenlos, 60 bis 90 Minuten, mit einer ehrlichen Einschätzung statt einer fertigen Lösung.

Und wenn du gerade einen Anbieter für ein Vorhaben auswählst: Die zwölf Prüffragen, mit denen sich seriöse Anbieter von reinen Verkäufern unterscheiden lassen, stehen unter KI-Agentur auswählen.