Warum 80 % der KI-Projekte in KMU vor der Produktion scheitern

Die Zahl ist unbequem, aber gut belegt. Laut einer Analyse der RAND Corporation aus dem Jahr 2025 liefern 80,3 % aller KI-Projekte nicht den erwarteten Mehrwert. Jedes dritte davon wird aufgegeben, bevor es überhaupt in Produktion geht.

Die Versuchung ist groß, das der Technologie anzulasten. Es klingt plausibel: Die Modelle waren nicht ausgereift, die Daten unzureichend, das Tool falsch gewählt. Die Forschung zeigt jedoch etwas anderes. Das Scheitern ist selten technisch. Es ist ein Problem der Reihenfolge, der Vorbereitung und der Menschen.

Dieser Artikel verkauft keine Wunderlösung. Er beschreibt, warum KI-Projekte in industriellen KMU — besonders im deutschen Mittelstand — scheitern und was die 20 % unterscheidet, die tatsächlich in Produktion kommen.

Die Zahlen hinter der Schlagzeile

Die Quellen stimmen überein, wenn auch mit Nuancen:

Die Lage im deutschen Mittelstand verdient besondere Aufmerksamkeit. Aktuelle Analysen schätzen die Scheiternsrate bei KI-Projekten im Mittelstand auf 80 bis 85 % — höher als bei klassischen IT-Projekten. Die identifizierten Ursachen: unzureichende Datenreife, schlechte Datenqualität und kulturelle Widerstände gegen Veränderung.

Was folgt, zerlegt diese Ursachen in vier beobachtbare Blöcke.

Ursache 1: Die Daten sind nicht bereit — auch wenn es so aussieht

Den ersten Satz, den ich in fast jedem industriellen KMU höre, ist derselbe: "Daten haben wir genug." Und das stimmt. Es gibt ein ERP, Tabellenkalkulationen, Produktionsprotokolle. Das Problem ist nicht die Menge. Es ist der Zustand.

In der Praxis bedeutet das:

• Daten leben in getrennten Silos (ERP, CRM, Excel des Produktionsleiters, Papierdokumentation).
• Die Erfassungskriterien unterscheiden sich zwischen Schichten oder Abteilungen.
• Niemand ist formell für die Datenqualität verantwortlich.
• Es gibt keine saubere Zeitreihe, die über wenige Monate hinausgeht, um ein Modell zu trainieren.

Ein reales Nachfrageprognoseprojekt, das das gebundene Lagerkapital um 25 % reduziert, funktioniert nicht wegen des Modells. Es funktioniert, weil die Daten zuvor wochenlang bereinigt wurden. Diese unsichtbare Arbeit ist das, was niemand einpreist — und das, was die erfolgreichen 20 % vom Rest trennt.

Was zu tun ist: Vor der Toolauswahl die Daten diagnostizieren. Ein 30-tägiger KI-Audit identifiziert, welche Quellen existieren, in welchem Zustand sie sind und welcher Anwendungsfall den kürzesten Weg in die Produktion hat.

Ursache 2: Piloten ohne Abbruchkriterium und ohne Erfolgskriterium

Viele KI-Piloten werden schon beim ersten Meeting falsch aufgesetzt. Es wird definiert, was gemacht werden soll — aber nicht, was "funktionieren" bedeutet. Ohne diese Linie zieht sich der Pilot hin, verliert das Executive Sponsorship und stirbt an Auszehrung.

Das typische Muster:

• Ein Anbieter zeigt eine beeindruckende Demo. Das Unternehmen unterschreibt einen 3- bis 6-monatigen Piloten.
• Niemand schreibt auf, welche Geschäftskennzahl sich verbessern muss. Nach 4 Monaten gibt es einen technischen Bericht, aber kein operatives KPI hat sich bewegt.
• Das Projekt wird "bis zur nächsten Phase" eingefroren. Die nächste Phase kommt nie.

Der Unterschied zu Projekten, die skalieren, liegt in der ersten Woche. Dort wird eine Geschäftskennzahl (keine technische) definiert, eine Erfolgsschwelle und eine Abbruchschwelle. Wenn nach 8 Wochen die Erfolgsschwelle nicht erreicht wird, wird ohne Drama abgeschaltet. Wenn doch, wird mit bereits zugewiesenem Budget skaliert.

Warum dieser Punkt im Mittelstand besonders schwer wiegt

Die deutsche Kultur schätzt das Commitment zum Plan. In KI-Projekten wird diese Tugend zur Falle, wenn der ursprüngliche Plan schlecht formuliert war. Das Team führt ein Projekt weiter, das keinen Sinn mehr macht, weil ein Stopp als persönliches Scheitern erlebt wird. Ein explizites, schriftlich vereinbartes Abbruchkriterium entpersonalisiert die Entscheidung.

Ursache 3: Niemand spricht mit dem Maschinenbediener

Das ist der kulturell kostspieligste Fehler. Das Projekt wird zwischen Geschäftsführung, IT und einem externen Berater entworfen. Der Maschinenbediener, der seit 20 Jahren den realen Prozess kennt, kommt erst am Ende dazu — wenn das System schon fast fertig ist. Und dann nutzt er es nicht.

Die RAND-Forschung identifiziert das fehlende Co-Design mit dem Endnutzer als die folgenreichste Ursache für Scheitern — weit vor jedem technischen Problem. Das MIT bestätigt: KI-Tools ohne Nutzerfeedback-Mechanismus verbessern sich nach dem Launch nicht.

In einem industriellen KMU sieht das so aus: Eine teure Software ersetzt eine Excel-Tabelle, aber das Team nutzt die Excel heimlich weiter, weil das neue Tool nicht zum Arbeitsrhythmus passt. Das Projekt ist "in Produktion" auf dem Papier — aber nicht in der Realität.

Was zu tun ist: Das Projekt beim Bediener beginnen, nicht bei der Geschäftsführung. Ein Nachmittag in der Produktion vor der ersten Zeile Code spart typischerweise drei Monate Nacharbeit.

Ursache 4: Die Integration wird nie geplant

Das Modell funktioniert isoliert. Das Problem taucht auf, wenn es mit ERP, CRM und Produktionssystem verbunden werden soll. Dann treten die Dinge zutage, die niemand zuvor angeschaut hatte: APIs, die nicht existieren, inkompatible Formate, Genehmigungen, die niemand erteilen kann, Daten, die jede Nacht manuell übertragen werden müssen.

Gartner zeigt: Betriebsverantwortliche, die KI erfolgreich eingeführt haben, nennen als Hauptgrund die Integration in bestehende Systeme und Abläufe — nicht das Schaffen eines parallelen Tools.

Eine schlecht geplante Integration verdoppelt den Zeitplan und verdreifacht die Kosten. Eine gut geplante lässt sich in der Diagnosephase lösen — bevor jemand ein Modell anfasst.

Was die 20 % machen, die funktionieren

Projekte, die in Produktion kommen, teilen ein Muster. Es ist kein glamouröses Muster:

1. Sie beginnen mit Daten, nicht mit Modellen. Das Daten-Audit ist Schritt null — nicht Schritt null-Komma-fünf.
2. Sie definieren in Woche eins eine Geschäftskennzahl. Keine technische. Eine operative. Etwas, das der Geschäftsführer ohne Übersetzung versteht.
3. Sie beziehen den Maschinenbediener ein, bevor sie den Berater holen. Ein Nachmittag in der Produktion vor jedem technischen Vorschlag.
4. Sie planen die IT-Integration vor dem ersten Prototyp. Welche APIs existieren, welche Formate das ERP verarbeitet, wer die Genehmigungen erteilt.
5. Sie haben ein explizites Abbruchkriterium. Schriftlich, unterzeichnet, dem gesamten Team vom ersten Tag an bekannt.
6. Sie transferieren Wissen vom ersten Tag an intern. Dokumentation in der Sprache des Unternehmens, nicht nur auf Englisch.

Keiner dieser Punkte erfordert mehr Budget. Er erfordert eine andere Reihenfolge. Das ist fast immer das Einzige, was den Piloten, der stirbt, von dem unterscheidet, der skaliert.

Fazit

80 % der KI-Projekte scheitern nicht an mangelnder Technologie. Sie scheitern an fehlender Datenvorbereitung, an fehlenden Erfolgskriterien, an Design ohne den Endnutzer und an improvisierter Integration. Das sind Probleme, die sich diagnostizieren lassen — bevor der erste Euro für ein Modell ausgegeben wird.

Für ein industrielles KMU, das mit KI beginnen möchte, lautet die nützliche Frage nicht Welches Tool kaufe ich?. Sie lautet: Was muss ich ordnen, bevor ich irgendetwas kaufe? Wer diese zweite Frage richtig beantwortet, gehört zu den 20 %, die in Produktion kommen.