KI-Projekt starten: 3 Fehler die jedes Unternehmen vermeiden sollte

Warum scheitern KI-Projekte im Mittelstand?

Die Statistik ist ernüchternd: Laut Gartner scheitern rund 85 % aller KI-Projekte — sie werden entweder nie produktiv, liefern nicht den erwarteten Mehrwert oder werden nach der Pilotphase stillschweigend eingestellt. Im Mittelstand liegt die Quote sogar noch höher.

Das liegt selten an der Technologie. KI-Modelle funktionieren heute erstaunlich gut. Es liegt an drei wiederkehrenden Fehlern, die ich in den letzten Jahren bei dutzenden Projekten beobachtet habe. In diesem Artikel zeige ich Ihnen diese Fehler — und wie Sie sie von Anfang an vermeiden.

Kernaussage: Die häufigsten Ursachen für das Scheitern von KI-Projekten sind nicht technischer Natur. Es sind strategische und organisatorische Fehler, die sich mit dem richtigen Vorgehen leicht vermeiden lassen.

Fehler 1: Mit der Technologie starten statt mit dem Geschäftsproblem

Was schief läuft

Der typische Einstieg klingt so: „Wir müssen auch was mit KI machen.” Oder: „Der Wettbewerb nutzt schon ChatGPT.” Daraus entsteht ein Projekt, das eine Technologie sucht — nicht ein Problem löst.

Das Ergebnis: Ein Chatbot, den niemand nutzt. Ein Dashboard, das niemand braucht. Ein Proof of Concept, der technisch funktioniert, aber keinen messbaren Geschäftswert hat.

Ein Beispiel aus der Praxis

Ein mittelständischer Großhändler wollte „KI für den Vertrieb” einführen. Das Projektteam evaluierte drei Monate lang verschiedene KI-Plattformen, baute einen Prototyp für Lead-Scoring und präsentierte stolz die Ergebnisse. Problem: Die Vertriebsmitarbeiter hatten gar kein Lead-Problem — sie hatten ein Angebots-Problem. 80 % ihrer Zeit ging für die manuelle Erstellung individueller Angebote drauf.

Die KI-Plattform konnte das Lead-Scoring perfekt — aber niemand brauchte es. Das Projekt wurde nach sechs Monaten und 120.000 Euro Investition eingestellt.

Wie Sie es richtig machen

Starten Sie mit dem Schmerz, nicht mit der Lösung.

1. Prozesse analysieren: Wo verbringen Ihre Mitarbeiter die meiste Zeit mit repetitiven Aufgaben?
2. Kosten quantifizieren: Was kostet Sie das Problem heute? (Personalkosten, Fehlerkosten, Opportunitätskosten)
3. Erst dann Technologie prüfen: Kann KI dieses spezifische Problem lösen? Welcher Ansatz passt?
4. ROI vorher rechnen: Wenn die erwartete Einsparung nicht mindestens das 3-fache der Investition beträgt, überdenken Sie das Projekt

Faustregel: Ein gutes KI-Projekt lässt sich in einem Satz beschreiben: „Wir automatisieren [konkreten Prozess], um [messbares Ergebnis] zu erreichen.” Wenn Sie dafür mehr als einen Satz brauchen, ist das Projekt noch nicht reif.

Checkliste: Ist Ihr KI-Projekt geschäftlich fundiert?

• Das zu lösende Problem ist klar definiert und messbar
• Die betroffenen Mitarbeiter bestätigen, dass es ein echtes Problem ist
• Die aktuellen Kosten des Problems sind quantifiziert
• Der erwartete ROI wurde berechnet
• Es gibt einen Business Owner (nicht nur einen IT-Owner) für das Projekt

Fehler 2: Alles auf einmal automatisieren wollen

Was schief läuft

Der zweite Fehler folgt oft direkt auf eine erfolgreiche erste Analyse: „Wenn wir schon KI einführen, dann richtig.” Statt eines fokussierten Piloten wird ein umfassendes Transformationsprogramm aufgesetzt. Fünf Abteilungen, zwölf Use Cases, ein ambitionierter Projektplan über 18 Monate.

Das Ergebnis: Nach sechs Monaten ist nichts produktiv. Das Budget ist halb aufgebraucht. Die Fachabteilungen verlieren die Geduld. Die Geschäftsleitung fragt nach Ergebnissen. Und das Projektteam steckt in endlosen Abstimmungsrunden fest.

Ein Beispiel aus der Praxis

Ein Automobilzulieferer plante die „KI-gestützte Smart Factory”. Der Projektplan umfasste gleichzeitig Predictive Maintenance, automatische Qualitätskontrolle, KI-basierte Produktionsplanung und intelligente Logistik. Vier externe Berater, zwei interne Projektleiter, ein 12-köpfiges Projektteam.

Nach neun Monaten war kein einziger Use Case live. Die Predictive-Maintenance-Lösung hatte 92 % Genauigkeit im Lab, funktionierte aber nicht mit den echten Sensordaten der Maschinen. Die Qualitätskontrolle scheiterte an fehlenden Trainingsdaten. Die Produktionsplanung an der fehlenden ERP-Schnittstelle.

Das Unternehmen stoppte das Projekt, startete neu — diesmal nur mit Predictive Maintenance an einer Maschine. Sechs Wochen später war der erste Use Case produktiv.

Wie Sie es richtig machen

Ein Use Case. Eine Maschine. Ein Team. Sechs Wochen.

1. Einen einzigen Use Case wählen: Den mit dem klarsten ROI und den wenigsten Abhängigkeiten
2. Kleinstes mögliches Scope: Eine Abteilung, eine Maschine, ein Prozess
3. Zeitrahmen fixieren: Maximal 8–12 Wochen bis zum Pilot-Ergebnis
4. Kleine Teams: 3–5 Personen, davon mindestens einer aus der Fachabteilung
5. Erst nach Erfolg erweitern: Rollout und nächster Use Case erst nach bewiesenem ROI

Aus der Praxis: Die erfolgreichsten KI-Projekte, die ich begleitet habe, hatten alle eines gemeinsam: Sie starteten lächerlich klein. Ein Prozess, ein Problem, eine Lösung. Und sie waren innerhalb von Wochen produktiv, nicht Monaten.

Die richtige Reihenfolge

Phase	Dauer	Umfang	Ziel
Pilot	6–12 Wochen	1 Use Case, 1 Bereich	Machbarkeit + ROI beweisen
Rollout	2–4 Monate	Gleicher Use Case, alle Bereiche	Skalierung + Prozess stabilisieren
Erweiterung	Laufend	Nächster Use Case	Portfolio ausbauen

Fehler 3: Die Datenqualität unterschätzen

Was schief läuft

„Wir haben jede Menge Daten” — das höre ich in fast jedem Erstgespräch. Und meistens stimmt es: Es gibt Daten. Aber wenn man genauer hinschaut, zeigt sich ein anderes Bild:

• Datensilos: Vertrieb, Produktion und Buchhaltung haben jeweils eigene Systeme. Kundendaten existieren dreimal, mit unterschiedlichen Schreibweisen
• Lücken: 30 % der Datensätze haben fehlende Felder. Maschinensensoren liefern sporadisch statt kontinuierlich
• Inkonsistenzen: Gleiche Werte in unterschiedlichen Formaten (Datum, Einheiten, Bezeichnungen)
• Historische Altlasten: Daten aus Altsystemen, deren Struktur niemand mehr kennt

KI-Modelle sind nur so gut wie ihre Trainingsdaten. „Garbage in, garbage out” gilt bei KI noch stärker als bei herkömmlicher Software.

Ein Beispiel aus der Praxis

Ein Maschinenbauunternehmen wollte KI-basiertes Demand Forecasting einführen. Die Auftragshistorie der letzten fünf Jahre lag im ERP-System vor — auf den ersten Blick eine solide Datenbasis.

Bei der Analyse stellte sich heraus: In den ersten zwei Jahren wurden Retouren nicht korrekt erfasst. Sonderkonditionen waren als reguläre Aufträge verbucht. Und ein Systemwechsel vor drei Jahren hatte zu einem Bruch in der Artikelnummerierung geführt — das gleiche Produkt hatte in den alten und neuen Daten unterschiedliche Nummern.

Das KI-Modell lieferte Prognosen mit 45 % Genauigkeit — schlechter als der Bauchgefühl-Forecast des Vertriebsleiters. Erst nach vier Wochen Datenbereinigung erreichte das Modell 82 % Genauigkeit.

Wie Sie es richtig machen

Investieren Sie 60 % der Pilotzeit in Daten, nicht in Modelle.

1. Daten-Audit durchführen: Bevor Sie ein Modell bauen, verstehen Sie Ihre Daten

   • Welche Quellen gibt es?
   • Wie vollständig sind die Daten?
   • Gibt es systematische Fehler?
   • Wie aktuell sind die Daten?

2. Mindestqualität definieren: Nicht alle Datenprobleme müssen vor dem Pilot gelöst werden — aber Sie müssen wissen, welche

   • Welche Felder sind kritisch für das Modell?
   • Welche Fehlerrate ist akzeptabel?
   • Können fehlende Werte sinnvoll ersetzt werden?

3. Datenbereinigung einplanen: Kalkulieren Sie 30–50 % des Projektbudgets für Datenarbeit ein

   • Duplikate entfernen
   • Fehlende Werte behandeln
   • Formate vereinheitlichen
   • Plausibilitätsprüfungen implementieren

4. Datenpipeline aufbauen: Nicht nur einmalig bereinigen, sondern einen nachhaltigen Prozess etablieren

   • Automatisierte Qualitätschecks
   • Monitoring für Datenanomalien
   • Klare Verantwortlichkeiten für Datenqualität

Kenngröße: Ein KI-Modell braucht typischerweise 500–5.000 saubere, repräsentative Datensätze für den Einstieg. Das klingt nach wenig — aber „sauber und repräsentativ” ist der entscheidende Punkt.

Datenqualitäts-Schnelltest

Beantworten Sie diese fünf Fragen für Ihre geplante KI-Anwendung:

Frage	Gut	Problematisch
Wie viele relevante Datensätze haben Sie?	> 1.000	< 500
Wie vollständig sind die kritischen Felder?	> 90 %	< 70 %
Wie alt sind die Daten?	< 2 Jahre	> 5 Jahre
Gibt es eine einheitliche Struktur?	Ja, ein System	Mehrere Silos
Werden Daten kontinuierlich erfasst?	Automatisch	Manuell, sporadisch

Wenn Sie bei zwei oder mehr Fragen im Bereich „Problematisch” landen, planen Sie zusätzliche Zeit für die Datenaufbereitung ein — oder wählen Sie einen Use Case mit besserer Datenlage.

Bonus: Die drei Fehler hängen zusammen

In der Praxis treten diese Fehler selten isoliert auf. Ein Unternehmen, das mit Technologie statt Geschäftsproblem startet (Fehler 1), neigt dazu, gleich alles zu wollen (Fehler 2) — und merkt erst spät, dass die Daten nicht mitspielen (Fehler 3).

Der gemeinsame Nenner: Fehlende Fokussierung. Erfolgreiche KI-Projekte im Mittelstand haben immer drei Eigenschaften:

1. Ein klar definiertes Geschäftsproblem mit messbarem ROI
2. Einen bewusst kleinen Scope mit schneller Time-to-Value
3. Eine ehrliche Bewertung der Datenlage mit realistischem Aufwand für Datenbereinigung

Fazit: Klein starten, schnell lernen, dann skalieren

Die beste Strategie für Ihr erstes KI-Projekt ist kein 18-Monats-Plan mit 500 Seiten Pflichtenheft. Es ist ein fokussierter Pilot, der in 8 Wochen beweist, dass KI für Ihr konkretes Problem funktioniert.

Investieren Sie die ersten zwei Wochen in Problemanalyse und Datenbewertung. Bauen Sie in den nächsten vier Wochen einen Prototyp. Und nutzen Sie die letzten zwei Wochen, um den ROI mit echten Zahlen zu belegen.

Wenn der Pilot funktioniert, haben Sie die beste Grundlage für die nächsten Schritte. Wenn er nicht funktioniert, haben Sie es in acht Wochen und mit überschaubarem Budget herausgefunden — statt nach 18 Monaten und einer sechsstelligen Fehlinvestition.

Bereit für Ihr erstes KI-Projekt — aber dieses Mal richtig? Wir begleiten mittelständische Unternehmen von der Problemanalyse bis zum produktiven Piloten. Kein Buzzword-Bingo, sondern pragmatische Lösungen mit messbarem ROI.

Kostenloses Erstgespräch vereinbaren → | Mehr über unser Vorgehen →