Warum KI-Projekte steckenbleiben – und warum das Modell selten schuld ist

Der Pilot läuft, die Demo begeistert, die Geschäftsführung ist überzeugt – und dann kommt das Projekt nie richtig in Betrieb. Dieses Muster ist inzwischen so verbreitet, dass es einen Namen hat: „Pilot Purgatory", das Fegefeuer zwischen Prototyp und Produktion. Mehrere Analysen, die diese Woche kursierten, deuten auf dieselbe Ursache – und die ist unbequem, weil sie nicht beim Anbieter liegt, sondern im eigenen Haus.

Die Zahlen

Die meistzitierte stammt vom MIT: In einer Untersuchung namens „State of AI in Business 2025" erzielten 95 Prozent der KI-Pilotprojekte keinen messbaren Ergebnisbeitrag; nur rund 5 Prozent schafften es mit belegbarem Nutzen in den Regelbetrieb. Entscheidend ist die Begründung der Forscher: Der Unterschied erklärt sich nicht durch Modellqualität oder Regulierung, sondern durch die Herangehensweise – konkret durch die Lücke zwischen der KI und den Systemen, in denen die Arbeit tatsächlich stattfindet.

Woran diese Lücke hängt, zeigt eine Befragung von 1.050 IT-Verantwortlichen für den Connectivity Benchmark 2026 von Salesforce/MuleSoft: Ein durchschnittliches Unternehmen betreibt 957 Anwendungen – aber nur 27 Prozent davon sind miteinander verbunden. Der Rest sind Datensilos. 96 Prozent der Befragten halten Datenintegration für entscheidend, damit KI-Agenten überhaupt dauerhaft funktionieren. Die Zahl der eingesetzten Agenten steigt derweil von im Schnitt 12 heute auf erwartete 20 bis 2027 – also mehr Agenten auf einer Datenbasis, die noch nicht zusammenhängt.

Was wirklich blockiert

Ein KI-Agent ist ein Programm, das eine Aufgabe selbstständig über mehrere Schritte abarbeitet und dabei auf andere Systeme zugreift. Genau dieser Zugriff ist der Engpass. Die Modelle sind gut genug; woran es hakt, ist die Umgebung:

• Datenqualität. In einer Erhebung von Cloudera und der Harvard Business Review sagten nur 7 Prozent der Unternehmen, ihre Daten seien „vollständig KI-tauglich". Ein Agent, der auf Dubletten, veraltete Stammdaten und widersprüchliche Felder trifft, produziert widersprüchliche Ergebnisse.
• Fehlende Anbindung. Sitzt die KI isoliert neben ERP, CRM und Finanzsystem statt darin, muss jeder Handgriff umständlich überbrückt werden.
• Unklare Zuständigkeit. Ein großer Teil der Skalierungsfehler geht laut der Analyseplattform AgentMarketCap darauf zurück, dass niemand klar verantwortlich ist. Ein benannter Verantwortlicher erhöht die Chance, vom Pilot in die Produktion zu kommen, messbar.

Bemerkenswert ist ein weiterer Befund des MIT: Zugekaufte Werkzeuge von Anbietern kommen etwa doppelt so oft in den produktiven Betrieb wie selbst gebaute Lösungen, und die höchste Rendite liefert nicht das glänzende Kundenprojekt, sondern die unspektakuläre Automatisierung im Back-Office.

Die Gegenrede

Die 95-Prozent-Zahl sollte man nicht überstrapazieren. Kritiker halten die Studie für methodisch dünn – sie beruht in Teilen auf nur 52 Interviews, die die Autoren selbst als „nur richtungsweisend" einordnen, und sie definiert Erfolg eng als messbaren Gewinnbeitrag binnen sechs Monaten. Effizienzgewinne, die sich so schnell nicht in der Bilanz zeigen, fallen dabei unter den Tisch. „Messen Sie dieser Studie kein Gewicht bei", warnt der Marketing-KI-Fachmann Paul Roetzer offen. Die Botschaft ist also nicht „KI funktioniert nicht" – sondern: Wo sie scheitert, liegt es meist an der Vorbereitung, nicht am Werkzeug.

Was daraus folgt

Zuerst die langweilige Schicht in Ordnung bringen. Bevor der erste Agent startet: die zwei, drei Systeme sauber anbinden, die der Anwendungsfall berührt, und die Stammdaten dahinter aufräumen. Das ist unglamourös und genau der Teil, der über Erfolg entscheidet.

Dort anfangen, wo die Rendite belegt ist. Rechnungsprüfung, Stammdatenpflege, Einkauf, Serviceposteingang – Back-Office statt Schaufenster.

Einen Verantwortlichen benennen, der das Projekt vom Pilot bis in den Betrieb trägt und die Befugnis dazu hat.

Im Zweifel kaufen statt bauen. Für Standardaufgaben ist der Eigenbau selten den Aufwand wert.

Der rote Faden lässt sich in einem Satz zusammenfassen: Die entscheidende KI-Arbeit findet nicht im Modell statt, sondern in Ihren Daten und Prozessen. Das ist die schlechte Nachricht – und zugleich die gute, denn dieser Teil liegt in Ihrer Hand.