Warum KI-Projekte scheitern: ein Umsetzungsproblem, kein Technologieproblem
Warum KI-Projekte scheitern, lässt sich für die Industrie klar beantworten: selten an der Technologie, meist an der Umsetzung. Es fehlen Datenzugang, ein Referenzwert vor dem Start, klare Regeln für die Nutzung und eine Betriebsverantwortung nach dem Pilot. Nach Deloitte 2026 ist deshalb nur jeder fünfte KI-Anwendungsfall in der Fertigung unternehmensweit skaliert.
Für Entscheider in Kürze
- Kernbefund: Die Industrie hat ein Umsetzungsproblem, kein Technologieproblem. Das zeigen repräsentative Erhebungen und unsere Auswertung von 52 veröffentlichten Praktikergesprächen (September 2025 bis August 2026) übereinstimmend.
- Aufwand: Nach Schneider Electric entfallen 80 bis 90 % des Aufwands einer KI-Transformation auf Change Management, Training und Workflow-Redesign (Unternehmensangabe, April 2026).
- Kosten: Die versteckte Position im Business Case sind Grundlagen wie Datenarchitektur und Schnittstellen. Nach Capgemini 2025 (Beratungsstudie) brauchen 80 % der Industrie-Initiativen zuerst solche Investitionen.
- Risiko: Wer ohne Referenzwert startet, kann den Erfolg später nicht belegen und bekommt kein zweites Budget.
- Gegenmittel: Ein eng geschnittener Anwendungsfall, eine Kennzahl, ein geregelter Betrieb.
Der Kernbefund: Warum KI-Projekte scheitern
In unserer Auswertung der Praktikergespräche wurden 206 einzelne Painpoint-Aussagen codiert. 42 davon betreffen Daten, IT/OT und Integration, 32 Führung, Kultur und Change. Technologie als solche taucht als Problem kaum auf. Das Modell funktioniert in aller Regel. Es kommt nur nicht an die Daten, es passt nicht in den Ablauf, oder niemand hat Zeit, es zu betreiben.
Philippe Rambach, Chief AI Officer bei Schneider Electric, hat es im April 2026 so formuliert: "80 bis 90 Prozent der Arbeit an einer KI-Transformation sind Change Management, Training und Workflow-Redesign, nicht Technologie." Es handelt sich um eine Unternehmensangabe, sie deckt sich aber mit dem Bild aus den Gesprächen.
Die Hemmnisse in Zahlen
Die repräsentativen Erhebungen bestätigen die Richtung. Auffällig ist, dass Geld nicht an erster Stelle steht.
| 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 |
| Unklarer ROI, branchenübergreifend | 62,7 % | IW Köln 2025, IW-Zukunftspanel |
| Fehlende Personalressourcen für die Umsetzung | 45 % | VDMA, Positionspapier Industrial AI 2026 |
| Nicht nachgewiesener Return on Investment | 44 % | VDMA, Positionspapier Industrial AI 2026 |
| Unzureichende Datenqualität | 42 % | VDMA, Positionspapier Industrial AI 2026 |
Zwei Zahlen verdienen einen zweiten Blick. Erstens der unklare oder nicht nachgewiesene Return: Er ist oft keine Eigenschaft der Technologie, sondern die Folge eines fehlenden Referenzwerts. Zweitens die fehlende Zeit: Ein Pilot, der nebenher läuft, hat keinen Besitzer, sobald der Projektdruck nachlässt.
Laut Bundesnetzagentur 2025 haben 6 % der Unternehmen KI getestet und den Einsatz wieder eingestellt. Fast die Hälfte der KI-nutzenden Unternehmen investierte im Vorjahr null Euro in KI. Wer Vorhaben ohne Budget für Grundlagen und Betrieb startet, programmiert die Enttäuschung vor.
Fünf Ursachen und ihre Gegenmittel
Wer verstehen will, warum KI-Projekte scheitern, findet in den Befunden des Branchenreports fünf wiederkehrende Ursachen. Jede hat ein erprobtes Gegenmittel.
| Ursache | Woran Sie es erkennen | Gegenmittel |
|---|---|---|
| Auswahl nach Datenlage | Der Anwendungsfall wurde gewählt, weil dort zufällig Daten liegen | Anlagen und Prozesse nach Geschäftskritikalität auswählen |
| Kein Referenzwert | Niemand kennt die Ausgangskennzahl aus dem System | Eine Kennzahl je Anwendungsfall, Referenzwert aus dem Vorjahr, vor dem Start festgelegt |
| Einzellösung | Der Pilot läuft nur an einer Linie und nur mit Sonderaufwand | Den Pilot so bauen, dass er auf Werk zwei und drei übertragbar ist |
| Technik ohne Menschen | Prozess, Schulung und Kennzahlen folgen erst nach dem Projekt | Prozess-Redesign und Kompetenzaufbau gehören ins Projekt |
| Kein Betrieb | Unklar, wer Modellgüte überwacht und nachtrainiert | Betriebsverantwortung vor dem Rollout festlegen |
Die fünfte Ursache wird am häufigsten unterschätzt. Modelle verschlechtern sich über die Zeit. Wer keine Betriebsverantwortung definiert, verliert den Nutzen nach etwa zwölf Monaten wieder. In den Praktikergesprächen ist genau dieses Thema ein weißer Fleck: Es wird viel über Anwendungsfälle gesprochen, fast nie darüber, wo das Modell läuft und wer es betreibt. Ein geregelter KI-Betrieb als Managed Service legt Überwachung, Nachtraining und Nachweisführung verbindlich fest.
Das Governance-Vakuum
Eine ZEW-Erhebung vom Frühjahr 2026 bei rund 1.500 Unternehmen zeigt, wie ungeregelt KI im verarbeitenden Gewerbe oft genutzt wird: Nur 30 % stellen ihren Beschäftigten KI-Anwendungen aktiv bereit, 39 % tolerieren die Nutzung lediglich, 8 % verbieten sie ausdrücklich.
Toleranz ist keine Governance. Wo Beschäftigte KI ohne Regeln, freigegebene Werkzeuge und Datenklassifikation nutzen, wandern Konstruktionsdaten, Kalkulationen und Kundeninformationen in öffentliche Dienste. Ein Verbot löst das Problem nicht, es verlagert es in die Schatten-IT. Wirksamer sind eine kurze, verständliche Richtlinie und ein freigegebenes Werkzeug.
Dazu gehört die Mitbestimmung. Praktisch bewährt hat sich, den Betriebsrat vor dem Pilot einzubinden und nicht erst vor dem Rollout, weil eine nachträglich verhandelte Betriebsvereinbarung regelmäßig teurer ist als eine vorab abgestimmte.
Was erfolgreiche Vorhaben anders machen
Nur 14 der 52 ausgewerteten Gespräche nennen überhaupt ein Ergebnis mit einer Zahl. In diesen dokumentierten Fällen aus der Industrie zeigen sich zwei Muster. Es handelt sich um Unternehmensangaben aus unserer eigenen Auswertung, nicht um Projekte, an denen wir beteiligt waren.
Muster 1: Geschwindigkeit ist die eigentliche Währung
Auffällig oft belegt die Zahl nicht die Technologie, sondern das Umsetzungstempo: sechs Wochen bei VW in der Gläsernen Manufaktur, zehn Monate bis zum Produktionsstart in einem Plattformprojekt, unter 24 Monaten je Werk bei Progroup. Wer intern für ein Vorhaben wirbt, überzeugt mit der Zeit bis zum ersten Ergebnis eher als mit Prozentwerten. Deshalb lohnt ein Umsetzungsrahmen mit fester Dauer, wie ihn die Seite zum KI-Projekt zum Festpreis beschreibt, mit 72 Stunden bis zum ersten Piloten und 4 bis 10 Wochen Umsetzungsdauer.
Muster 2: Der Hebel liegt vor der KI
Mehrere der stärksten Zahlen stammen nicht aus KI-Projekten, sondern aus Prozessarbeit: die Umstellung von Push auf Pull bei RUWAC, die Standardisierung bei Progroup, der Wechsel von Papier auf digitale Boards bei AbbVie. Mehrere Gesprächspartner sagen dasselbe: erst den physischen Prozess klären, dann automatisieren.
Drei Befunde aus den Studien
Der Branchenreport fasst drei weitere Unterschiede zusammen. Lösungen, die über strategische Partnerschaften entstehen, erreichen den Produktivbetrieb deutlich häufiger als reine Eigenentwicklungen. Wirksam sind Systeme, die in bestehende Abläufe eingebettet sind, nicht generische Assistenten, die nur die individuelle Produktivität verbessern. Außerdem braucht die Mehrheit der Industrie-Initiativen zuerst ein Fundament aus Datenarchitektur und OT/IT-Integration. Wer diese Position im Business Case versteckt, produziert die Enttäuschung, die später als gescheitertes KI-Projekt gebucht wird.
Wie Sie einen Umsetzungspartner nach diesen Kriterien prüfen, zeigt der Leitfaden KI-Dienstleister auswählen. Einen Überblick, wie Umsetzung und Betrieb zusammenhängen, gibt die Seite KI-Umsetzung für den Mittelstand.
