Hindernisse bei der KI-Einführung: warum Daten und Integration bremsen
Die größten Hindernisse bei der KI-Einführung in der Produktion sind Datenzugang, IT/OT-Integration und fehlende Betriebsverantwortung, nicht die Technologie. In unserer Auswertung von 52 Praktikergesprächen betreffen 42 von 206 Painpoint-Aussagen Daten, IT/OT und Integration. In Umfragen nennen 77 % Datenschutzanforderungen als Hemmnis Nummer eins (Bitkom 2026).
Für Entscheider in Kürze
- Aufwand: Der größte Block liegt vor dem ersten Modell. Nach Capgemini 2025 brauchen 80 % der Industrie-Initiativen zuerst Investitionen in Datenarchitektur und OT/IT-Integration.
- Kosten: Diese Grundlagenkosten stehen selten im Angebot. Wer sie im Business Case versteckt, produziert die Enttäuschung, die später als gescheitertes KI-Projekt gebucht wird.
- Risiko: In 39 % der Unternehmen des verarbeitenden Gewerbes wird KI nur toleriert (ZEW 2026). Dort weiß niemand, welche Daten wohin fließen.
- Hebel: Klare Datenklassifikation, ein freigegebenes Werkzeug, ein eng geschnittener erster Fall und ein definierter Betrieb.
Was Umfragen als Hemmnisse nennen
Die Hemmnisse sind gut vermessen. Auffällig ist die Rangfolge: Datenschutz steht vor Fachkräften, Fachkräfte vor Zeit, Zeit vor Sicherheit, Sicherheit vor Geld. Das Problem ist selten, dass ein Modell nicht funktioniert. Das Problem ist, dass es nicht an die Daten kommt und niemand Zeit hat, es zu betreiben.
| Hemmnis | Anteil | Quelle |
|---|---|---|
| Datenschutzanforderungen | 77 % | Bitkom 2026, n=604 |
| Fachkräftemangel | 70 % | Bitkom 2026, n=604 |
| Fehlende Zeit | 66 % | Bitkom 2026, n=604 |
| IT-Sicherheit | 61 % | Bitkom 2026, n=604 |
| Finanzmittel | 48 % | Bitkom 2026, n=604 |
| Fehlende Personalressourcen für die Umsetzung | 45 % | VDMA 2025 |
| Nicht nachgewiesener Return on Investment | 44 % | VDMA 2025 |
| Unzureichende Datenqualität | 42 % | VDMA 2025 |
| Unklarer ROI, branchenübergreifend | 62,7 % | IW Köln 2025 |
Datenschutz als KI-Hemmnis steht damit klar vorn. Dahinter steckt eine konkrete Sorge: Konstruktionsdaten, Kalkulationen und Kundeninformationen könnten in öffentliche Dienste wandern. Wer diese Sorge ernst nimmt, landet schnell bei der Frage, wo ein Modell läuft. Eine Antwort darauf ist KI im eigenen Rechenzentrum, bei der Daten weder das Haus noch die EU verlassen.
Was Praktiker sagen: 206 Aussagen nach Themen
Umfragen messen Zustimmung zu vorgegebenen Kategorien. Um zu prüfen, ob die Befunde auch dort auftauchen, wo Praktiker frei sprechen, haben wir 52 veröffentlichte Praktikergespräche aus der Industrie (September 2025 bis August 2026) ausgewertet und 206 einzelne Painpoint-Aussagen codiert. Mehrfachzuordnungen waren möglich.
| Themenfeld | Nennungen |
|---|---|
| Daten, IT/OT, Integration | 42 |
| Führung, Kultur, Change | 32 |
| Komplexität und Varianten | 18 |
| Umsetzung und Skalierung | 16 |
| KI, Erwartung gegen Realität | 11 |
| Fachkräfte und Kompetenzen | 11 |
| Kosten und ROI | 10 |
| Papier, Wissen, Dokumentation | 10 |
| Standort und Wettbewerb | 10 |
Das größte Themenfeld umfasst Datensilos, fehlende Standards, heterogene Maschinenparks, die Nachrüstung alter Anlagen, OPC UA und PackML als Lücke sowie gewachsene IT-Landschaften mit technischen Schulden. Kein anderes Thema kommt auch nur in die Nähe. Technologie als solche taucht als Problem kaum auf. Warum daraus ein Umsetzungsproblem statt eines Technologieproblems folgt, beschreibt unser Beitrag Warum KI-Projekte scheitern.
Ein methodischer Vorbehalt gehört dazu: Die Auswertung bildet die Selbstdarstellung der Sprechenden ab und dient als qualitative Gegenprobe, nicht als repräsentative Statistik.
Zwei Blickwinkel, ein Befund
Auf den ersten Blick widersprechen sich die Datenebenen. Die Umfragen nennen Datenschutz und Fachkräfte zuerst, die Gespräche Daten und Integration. Tatsächlich beschreiben beide dasselbe: In der Umfrage wird das Risiko benannt, im Gespräch der Aufwand. Wer die Hindernisse bei der KI-Einführung verstehen will, braucht deshalb beide Perspektiven.
Die Kluft zeigt sich auch in der Verbreitung. Im Maschinen- und Anlagenbau nutzen 43 % KI im Unternehmen (VDMA 2025), aber nur 13 % in der eigenen Produktion (Fraunhofer ISI 2024). In der Fertigung stehen Maschinendaten, OT-Netze und Sicherheitsanforderungen im Weg. Eine Herstellerstudie ohne offengelegte Methodik liefert dazu ein Indiz: 93 % der Hersteller haben ein MES, aber nur 28 % haben es unternehmensweit skaliert.
Die technische Schicht
Datenqualität in der Produktion ist selten ein Problem der Menge. Sie ist ein Problem des Zugangs: Welche Daten liegen in welcher Taktung in welchem System, und wer gibt sie frei? Diese Frage steht vor jeder Modellwahl. Hinzu kommt die Regulatorik. Seit dem 12.09.2026 gilt die Data-Act-Pflicht zu Access by Design für neu in Verkehr gebrachte vernetzte Produkte. Der VDMA verweist auf OPC UA als technischen Umsetzungspfad. Nach unserer Lesart macht das eine saubere Datenanbindung für Maschinenbauer ohnehin zur Pflichtaufgabe.
Die organisatorische Schicht
Eine ZEW-Erhebung aus dem Frühjahr 2026 zeigt ein Governance-Vakuum. Im verarbeitenden Gewerbe ist die KI-Nutzung in 8 % der Unternehmen ausdrücklich verboten, nur 30 % stellen KI-Anwendungen aktiv bereit, 39 % tolerieren die Nutzung lediglich. Toleranz ist keine Governance. Verbote lösen das Problem ebenfalls nicht, sie verlagern es in die Schatten-IT. Wirksam ist eine kurze Richtlinie plus ein freigegebenes Werkzeug. Welche technischen und vertraglichen Nachweise dafür nötig sind, beschreiben wir auf der Seite zu DSGVO-konformer KI.
Beim Thema Mitbestimmung hat Bitkom im Februar 2026 einen Leitfaden veröffentlicht. Bewährt hat sich, den Betriebsrat vor dem Pilot einzubinden, nicht vor dem Rollout. Nachträglich verhandelte Betriebsvereinbarungen kosten regelmäßig mehr Zeit und Geld.
Hindernisse bei der KI-Einführung überwinden: fünf Regeln
Der Branchenreport fasst fünf Regeln zusammen, die sich in Projekten bewährt haben. Sie adressieren die Hindernisse bei der KI-Einführung direkt.
| Regel | Was sie bedeutet |
|---|---|
| Kritikalität vor Datenlage | Anlagen und Prozesse nach Geschäftskritikalität auswählen, nicht danach, wo zufällig Daten liegen. |
| Messbarer Zielwert | Eine einzige Kennzahl je Anwendungsfall, mit Referenzwert aus dem Vorjahr, vor Projektstart festgelegt. |
| Skalierung mitdenken | Den Pilot so bauen, dass er auf Werk zwei und drei übertragbar ist. |
| Menschen zuerst | Prozess-Redesign, Kompetenzaufbau und neue Kennzahlen gehören ins Projekt, nicht in die Nachbereitung. |
| Betrieb einplanen | Modelle verschlechtern sich über die Zeit. Ohne Betriebsverantwortung ist der Nutzen nach zwölf Monaten wieder weg. |
Die letzte Regel verdient besondere Aufmerksamkeit. In den ausgewerteten Gesprächen wird viel über Anwendungsfälle gesprochen, fast nie darüber, wo das Modell läuft, wer es betreibt und wie der Betrieb abgesichert wird. Genau dort scheitert nach dem Gesamtbild der Auswertung die Skalierung. Wir übernehmen deshalb nicht nur den Aufbau, sondern auch den Betrieb von KI-Systemen als Managed Service: Überwachung der Modellgüte, Nachtraining, Dokumentation. Unser generelles Betriebsziel liegt bei 99,9 %.
Ein weiterer Befund aus dem Report: Lösungen, die über strategische Partnerschaften entstehen, erreichen in rund 67 % der Fälle den Produktivbetrieb, reine Eigenentwicklungen nur in rund 33 %. Der Engpass sind nicht die Ressourcen, sondern der organisatorische Ansatz. Laut Schneider Electric (April 2026) entfallen 80 bis 90 % der Arbeit an einer KI-Transformation auf Change Management, Training und Neugestaltung von Arbeitsabläufen.
