Warum KI-Projekte scheitern und was das über die Organisation aussagt

Viele Organisationen können einen beeindruckenden KI-Prototyp bauen. Das Modell funktioniert. Die Demo überzeugt. Der Business Case wirkt vielversprechend.

Dann stockt die Initiative.

Wenn das passiert, klingen die Erklärungen technisch: Datenqualität, Skalierbarkeit, Integration. Das sind reale Probleme, aber in den meisten Fällen sind sie nicht die eigentliche Ursache. Sie sind sichtbare Folgen tieferliegender organisatorischer Muster.

Die unbequeme Wahrheit: KI scheitert nicht, weil der Organisation fähige Mitarbeitende fehlen. Sie scheitert, weil die Organisation nicht darauf ausgelegt ist, einen vielversprechenden Prototyp in wiederholbaren, kontrollierten Wert im grossen Massstab zu überführen. Oft schaffen Entscheidungen, die früh im Projekt unter Zeitdruck getroffen werden, genau jene Hindernisse, die später sichtbar werden.

Der Unterschied zwischen einem Prototyp und einer unternehmerischen Fähigkeit

Ein Prototyp beweist, dass etwas grundsätzlich funktionieren kann. Er entsteht in einer geschützten Umgebung: kuratierte Daten, motivierte Fachleute, vereinfachte Annahmen und minimale Governance-Reibung.

Eine produktive Lösung arbeitet unter realen Bedingungen: unsaubere Daten, Ausnahmen, Sicherheitsanforderungen, regulatorische Erwartungen, Prozessverantwortung, Rechenschaftspflicht und Nutzende, die an Ergebnissen gemessen werden, nicht an Innovation.

«Wir haben bewiesen, dass es funktioniert» ist nicht dasselbe wie «wir können es sicher und wirtschaftlich betreiben».

Warum viele Ausfallgründe Symptome sind, keine Ursachen

«Die Datenqualität war nicht gut genug.»

Das ist meistens kein primäres Technologieproblem. Es ist oft eine Führungs- und Governance-Frage. Den meisten Organisationen fehlen nicht die Daten. Ihnen fehlt die Datenverantwortung. Häufig trägt niemand das unternehmensweite Mandat zu definieren, was Daten bedeuten, wer sie ändern darf, wie Qualität gemessen wird und was geschieht, wenn sie sinkt. Definitionen entstanden lokal, in einzelnen Abteilungen und Funktionen.

Das Ergebnis ist absehbar: Jede KI-Initiative verbringt den grössten Teil ihrer Zeit damit, Daten zu bereinigen, Definitionen auszuhandeln und Datensätze neu aufzubauen, die anderswo bereits in anderer Form existieren.

«Die Lösung liess sich nicht skalieren.»

Skalierbarkeit hat selten mit dem Modell zu tun. Sie hängt davon ab, ob die Organisation die Fähigkeit aufgebaut hat, KI so einzuführen, zu überwachen und laufend zu betreiben wie jedes andere kritische Geschäftssystem.

Ein Prototyp ist ein Projekt. Eine skalierbare Lösung ist ein Produkt mit einem Betriebsmodell: klare Verantwortung, Leistungskontrollen, laufender Unterhalt und planbare Kosten. Ohne dieses Betriebsmodell wird jede Einführung zur Einzelanfertigung, und Skalierung wird wirtschaftlich unattraktiv.

«Wir konnten die Lösung nicht in unser Geschäft integrieren.»

Das ist das aufschlussreichste Symptom. Es bedeutet meist, dass die Organisation versucht hat, KI auf bestehende Arbeitsabläufe aufzusetzen, ohne zu verändern, wie tatsächlich gearbeitet wird. Das folgt einem Muster früherer Digitalisierungswellen, in denen sich das Medium änderte, der Prozess aber nicht. Dieselben Menschen erledigen dieselbe Arbeit am selben Ort.

Integration ist in erster Linie kein IT-Thema. Es ist ein Prozess- und Verantwortungsthema. KI verändert Entscheidungswege, Übergaben, Kontrollen, den Umgang mit Ausnahmen und Zuständigkeiten. Wo diese nicht neu gestaltet werden, schafft sich die Organisation Umgehungslösungen: Mitarbeitende umgehen das Tool, verdoppeln Arbeit sicherheitshalber oder greifen unter Druck auf manuelle Entscheidungen zurück. Das System mag technisch existieren. Es entfaltet keine Wirkung.

Das zugrunde liegende Muster: Digitalisierung ohne Gesamtkonzept

Zwei Muster zeigen sich durchgängig, wenn Organisationen ihre digitale Geschichte betrachten:

• Manche Initiativen entstanden von unten. Einzelne Funktionen verbesserten sich lokal und erzielten echten Fortschritt, doch die Ergebnisse blieben in Silos, weil Daten und Prozesse nicht durchgängig gestaltet waren.
• Andere wurden von oben gesteuert und auf die höchste kurzfristige Kapitalrendite ausgerichtet. Das brachte schnelle Erfolge, optimierte aber isolierte Teile der Wertschöpfungskette statt des Ganzen.

Beides ist nachvollziehbar. Das Problem entsteht, wenn keiner der beiden Ansätze durch ein unternehmensweites Konzept ergänzt wird: eine gemeinsame Prozesssicht, ein kohärentes Datenmodell, klare Governance und eine über Organisationsgrenzen hinweg abgestimmte Führung.

Was gegeben sein muss, damit KI skaliert

KI funktioniert am besten, wenn die Führung einen horizontalen Ansatz verfolgt, keine Abteilungsinitiative. Drei Führungsentscheide sind dabei zentral.

• Erstens muss KI in der durchgängigen Wertschöpfung verankert sein. Priorität hat die Wertschöpfungskette: wo sich Entscheidungen, Qualität, Zeit und Risiko über Funktionen hinweg verbessern lassen, nicht nur innerhalb eines einzelnen Teams.
• Zweitens muss Verantwortung klar und einzelnen Personen zugeordnet sein, nicht kollektiv getragen. Erfolgreiche KI-Umsetzung verlangt, dass Geschäftsverantwortung, technische Umsetzung und Risikoaufsicht getrennte Zuständigkeiten bleiben, die von benannten Führungspersonen innerhalb einer einzigen, integrierten Governance-Struktur getragen werden. Wo diese Zuständigkeiten fragmentiert sind oder Gremien überlassen werden, verlangsamt sich die Entscheidungsfindung, verwässert die Verantwortung, und die Organisation tut sich schwer, Tempo, Qualität und Risikodisziplin über den gesamten Umsetzungszyklus zu halten.
• Drittens muss die Führung bereit sein, Arbeitsabläufe und Rollen neu zu gestalten. KI verändert Arbeit. Besteht die Organisation darauf, bestehende Prozesse unverändert zu lassen, wird KI zum Add-on. Add-ons überstehen die betriebliche Realität selten.

Der grösste Blocker ist meist organisatorische Altlast

Ambition ist selten der limitierende Faktor. Die meisten Organisationen tragen erhebliche technische und organisatorische Altlasten mit sich: fragmentierte Systeme, unklare Datenherkunft, manuelle Kontrollen und Ausnahmen, die über informelles Wissen gehandhabt werden.

Kurzfristig wirkt eine manuelle Umgehungslösung günstiger als die Behebung der Grundlage. Langfristig entstehen Opportunitätskosten, operationelles Risiko und eine wachsende Komplexitätslast.

Deshalb können viele KI-Initiativen nicht im grossen Massstab liefern: Sie stehen auf instabilem Fundament.

Die Frage für Verwaltungsrat und Geschäftsleitung

Gelingt der KI-Prototyp, scheitert aber die Einführung, liegt die Versuchung nahe, dem Modell oder dem Team die Schuld zu geben.

Die besseren Fragen lauten:

• Bauen wir KI als einmalige Initiative, oder bauen wir die organisatorische Fähigkeit auf, KI sicher, wiederholbar und im grossen Massstab zu betreiben?
• Verstehen wir, dass kurzfristige ROI-Optimierung langfristig Kosten, Führungsaltlasten und Wettbewerbsnachteile verstärkt?

KI wird zunehmend Teil zentraler Geschäftsprozesse. Das verlangt dieselbe Disziplin wie jede andere kritische Fähigkeit: klare Verantwortung, betriebliche Kontrollen und Führung durch den Wandel.

Sind diese Voraussetzungen erfüllt, verbessert sich die Datenqualität, wird Integration machbar, und Skalierung wird zu einem unternehmerischen Entscheid statt zu einem technischen Glücksspiel.