KI-Piloten skalieren: Warum vier von fünf Anwendungsfällen im Pilot bleiben
KI-Piloten skalieren heißt, einen erprobten Anwendungsfall dauerhaft in den Regelbetrieb zu überführen und danach auf weitere Linien oder Werke zu übertragen. In der Fertigung gelingt das bislang nur bei 20 % der Anwendungsfälle (Deloitte 2026). Der Engpass liegt selten in der Technik, sondern in Datenzugang, Referenzwerten, Betriebsverantwortung und der Reihenfolge der Schritte.
Bild: Hanna Barakat & Archival Images of AI + AIxDESIGN / Weaving Wires 2 / Licenced by CC-BY 4.0
Für Entscheider in Kürze
- Lage: 58,7 % der Unternehmen im verarbeitenden Gewerbe nutzen KI (ifo, Mai 2026), aber nur jeder fünfte Anwendungsfall ist unternehmensweit ausgerollt (Deloitte 2026, Beratungsstudie).
- Aufwand: Der größte Aufwand entsteht nicht beim Modell, sondern bei Datenanbindung, Prozessanpassung und Betrieb. Nach Capgemini 2025 (Beratungsstudie) brauchen 80 % der Daten- und KI-Initiativen in der Industrie zuerst Investitionen in technische Grundlagen.
- Kosten: Breite Plattformvorhaben erreichen einen zufriedenstellenden Return im Mittel erst nach zwei bis vier Jahren, eng geschnittene Einzelfälle nach drei bis zwölf Monaten (Deloitte 2025, Beratungsstudie).
- Risiko: Ohne definierte Betriebsverantwortung verliert ein Modell seinen Nutzen über die Zeit wieder. Der Pilot endet dann als Einzelstück ohne Besitzer.
- Konsequenz: Ein Anwendungsfall, ein Referenzwert, ein geregelter Betrieb, erst danach die Übertragung.
Der Skalierungsgraben in Zahlen
Die Adoptionszahlen der letzten Jahre wirken beeindruckend. Laut ifo Konjunkturumfrage stieg der Anteil der Industrieunternehmen mit KI-Einsatz von 17,3 % im Juni 2023 auf 58,7 % im Mai 2026, bei rund 6.000 befragten Unternehmen. Das verarbeitende Gewerbe liegt damit über dem gesamtwirtschaftlichen Durchschnitt von 54,5 %. Diese Zahl misst allerdings, wer angefangen hat, nicht wer angekommen ist.
Sobald die Frage enger gestellt wird, schrumpft das Bild. Die folgende Tabelle führt die Stufen zusammen, wie sie im Branchenreport "KI im produzierenden Gewerbe" dokumentiert sind.
| Stufe | Wert | Bezugsgröße | Quelle |
|---|---|---|---|
| Nutzen KI überhaupt | 58,7 % | Unternehmen im verarbeitenden Gewerbe | ifo Konjunkturumfrage, Mai 2026 |
| Nutzen KI in der Produktion | 40 % | Industrieunternehmen ab 100 Beschäftigten | Bitkom Industrie 4.0 2026, n=555 |
| Anwendungsfälle unternehmensweit skaliert | 20 % | Anwendungsfälle bei über 140 Herstellern | Deloitte AI in Manufacturing 2026 |
| Betreiben KI in der Fertigung wirklich in der Breite | 5 % | Industrieunternehmen | Capgemini 2025 (Beratungsstudie) |
| Nutzen KI über alle Geschäftsbereiche | 2,2 % | Unternehmen | IW Köln 2025 |
Wichtig für die Einordnung: Die Werte stammen aus unterschiedlichen Erhebungen mit unterschiedlichen Grundgesamtheiten. Sie zeigen eine Richtung, keinen exakten Trichter. Die Richtung ist allerdings eindeutig.
Bemerkenswert ist der Wert von Bitkom: 40 % nutzen KI in der Produktion, nach 42 % im Vorjahr. Das liegt im Rahmen der Fehlermarge, die Nutzung an der Linie stagniert also. Der Zuwachs der Gesamtquote stammt überwiegend aus Verwaltung, Vertrieb und Softwareentwicklung. Im Maschinen- und Anlagenbau ist die Lücke besonders deutlich: 43 % nutzen KI im Unternehmen (VDMA 2025), aber nur 13 % in der eigenen Produktion (Fraunhofer ISI 2024).
Warum der Nutzen trotzdem real ist
Die niedrige Skalierungsquote ist kein Beleg dafür, dass KI in der Fertigung wenig bringt. Dort, wo KI produktiv läuft, berichten 84 % der Hersteller messbaren Wert (Deloitte 2026, Beratungsstudie). Das Problem ist nicht die Wirkung, sondern die Verbreitung.
Häufig zitiert wird in diesem Zusammenhang eine Zahl aus dem MIT-NANDA-Report von Juli 2025, wonach 95 % der generativen KI-Lösungen in Unternehmen keinen messbaren Ergebniseffekt erreichen. Die Studie ist nicht begutachtet und methodisch breit kritisiert. Für dieselbe Aussage ist die Deloitte-Zahl von 20 % skalierten Anwendungsfällen die belastbarere Grundlage.
Wo KI-Piloten in der Praxis hängen bleiben
Wer KI-Piloten skalieren und KI in den Produktivbetrieb überführen will, muss verstehen, an welchen Stellen der Übergang reißt. Aus den Erhebungen und aus unserer Auswertung von 52 veröffentlichten Praktikergesprächen (September 2025 bis August 2026) ergeben sich vier wiederkehrende Bruchstellen.
Bruchstelle 1: Kein Referenzwert vor dem Start
Nur 14 der 52 ausgewerteten Gespräche nennen überhaupt ein Ergebnis mit einer belastbaren Zahl. Wenn der Ausgangswert vor dem Pilot nicht festgehalten wurde, lässt sich der Erfolg danach nicht belegen. Ohne Beleg gibt es kein zweites Budget, und ohne zweites Budget keine Übertragung auf weitere Werke.
Bruchstelle 2: Das Fundament fehlt
Laut Capgemini 2025 erfordern 80 % der Daten- und KI-Initiativen in der Industrie vorgelagerte Investitionen in Datenarchitektur, OT/IT-Integration und Schnittstellen. Diese Position taucht in vielen Angeboten nicht auf. Der Pilot läuft auf einer Sonderlösung, die sich nicht auf Werk zwei übertragen lässt.
Bruchstelle 3: Niemand betreibt das System
In unserer Auswertung der Praktikergespräche wird viel über Anwendungsfälle gesprochen, fast nie darüber, wo das Modell läuft, wer es betreibt und wie der Betrieb abgesichert wird. Modelle verschlechtern sich über die Zeit, wenn Daten und Prozesse sich ändern. Wer keine Betriebsverantwortung definiert, verliert den Nutzen nach etwa zwölf Monaten wieder. Genau diese Lücke adressiert ein geregelter KI-Betrieb als Managed Service, bei dem Überwachung der Modellgüte, Nachtraining und Dokumentation festgelegt sind.
Bruchstelle 4: Menschen und Regeln kommen zu spät
Philippe Rambach, Chief AI Officer bei Schneider Electric, beziffert den Anteil von Change Management, Training und Workflow-Redesign an einer KI-Transformation auf 80 bis 90 Prozent (Unternehmensangabe, April 2026). Wird der Betriebsrat erst vor dem Rollout statt vor dem Pilot eingebunden, verzögert sich die Übertragung regelmäßig.
Die richtige Reihenfolge beim KI-Piloten skalieren
Der Branchenreport leitet aus den Befunden eine einfache Reihenfolge ab: erst Klarheit über Daten und Regeln, dann ein einzelner Anwendungsfall mit kurzer Amortisation, dann der Betrieb, erst danach die Skalierung. Wer mit Plattform, Strategiepapier und Leitmodell beginnt, läuft in die Pilotfalle und landet mit hoher Wahrscheinlichkeit in den 80 %, die den Pilotstatus nie verlassen.
| Phase | Ziel | Typisches Ergebnis |
|---|---|---|
| Fundament | Inventar, Datenklassifikation, Nutzungsregeln | Klarheit, welche Daten das Haus verlassen dürfen |
| Erster Nutzen | Ein Anwendungsfall mit Referenzwert, Parallelbetrieb | Belegter Effekt gegen den Ausgangswert |
| Betrieb | Verantwortung für Modellgüte, Nachtraining, Abschaltung | Stabiler Regelbetrieb statt Pilot ohne Besitzer |
| Skalierung | Denselben Fall auf Werk zwei, Linie zwei übertragen | Wiederholung statt Verbreiterung |
Zwei Punkte verdienen besondere Aufmerksamkeit. Erstens bedeutet Skalierung Wiederholung, nicht Verbreiterung. Der bewährte Anwendungsfall wird auf die nächste Linie, das nächste Werk oder den nächsten Dokumententyp übertragen. Zweitens muss der Pilot von Anfang an so gebaut sein, dass er übertragbar ist, sonst beginnt die Arbeit jedes Mal von vorn.
Eine ausführliche Anleitung mit Prüfpunkten für jede Phase finden Sie im Leitfaden vom Pilotprojekt in den Betrieb.
Was ein skalierbarer Pilot mitbringen muss
Aus den Befunden lassen sich Anforderungen an einen Piloten ableiten, der später in die Breite gehen kann:
- Ein Anwendungsfall mit klarer Kante, ausgewählt nach Geschäftskritikalität, nicht danach, wo zufällig Daten liegen.
- Eine einzige Kennzahl mit Referenzwert aus dem Vorjahr, festgelegt vor dem Start.
- Ein Parallelbetrieb, in dem die KI vorschlägt und der Mensch entscheidet, bis die Qualität über Wochen stabil ist.
- Eine Architektur, die auf weitere Werke übertragbar ist, statt einer Einzellösung.
- Ein festgelegter Betrieb mit Zuständigkeiten, Reaktionszeiten und Nachweisführung.
Für den letzten Punkt lohnt ein Blick auf vereinbarte Service-Level für KI-Systeme. Dort wird festgelegt, wer im Störfall reagiert und in welcher Zeit. Wir arbeiten mit einem Betriebsziel von 99,9 % als generellem Richtwert, nicht als Einzelgarantie.
Auch die Planbarkeit der Umsetzung spielt eine Rolle. Ein Anwendungsfall, der sich in wenigen Wochen umsetzen lässt, liefert schneller den Beleg, den das nächste Budget braucht. Wie ein Rahmen mit 72 Stunden bis zum ersten Piloten und 4 bis 10 Wochen Umsetzungsdauer aussieht, zeigt die Seite zum KI-Projekt zum Festpreis.
Wie wir Infrastruktur, Umsetzung und Betrieb aus einer Hand organisieren, zeigt die Übersicht zur KI-Umsetzung im Mittelstand.
Häufige Fragen
Was bedeutet es, einen KI-Piloten zu skalieren?
Ein Pilot wird skaliert, wenn er aus dem Testbetrieb in den dauerhaften Regelbetrieb übergeht und anschließend auf weitere Linien, Werke oder Dokumententypen übertragen wird. Entscheidend ist, dass Betrieb, Verantwortung und Nachweisführung geregelt sind. Ein Pilot, der nur an einer Stelle läuft, gilt nicht als skaliert.
Wie viele KI-Anwendungsfälle in der Fertigung sind skaliert?
Nach Deloitte AI in Manufacturing 2026, einer Beratungsstudie mit über 140 Herstellern, ist nur jeder fünfte Anwendungsfall unternehmensweit ausgerollt. Das IW Köln misst für 2025, dass nur 2,2 % der Unternehmen KI über alle relevanten Geschäftsbereiche einsetzen.
Woran scheitert die Skalierung am häufigsten?
In unserer Auswertung der Praktikergespräche betreffen 42 von 206 Painpoint-Aussagen Daten, IT/OT und Integration, weitere 32 Führung, Kultur und Change. Technologie als solche taucht als Problem kaum auf. Hinzu kommen fehlende Referenzwerte und ein ungeregelter Betrieb.
Wie lange dauert es, bis sich ein skalierter Anwendungsfall rechnet?
Breite Plattformvorhaben brauchen im Mittel zwei bis vier Jahre bis zum zufriedenstellenden Return, nur 6 % schaffen es unter zwölf Monaten (Deloitte 2025, Beratungsstudie). Eng geschnittene Fälle wie vorausschauende Instandhaltung amortisieren sich dagegen oft in drei bis zwölf Monaten.
