Warum 80 Prozent der KI-Piloten sterben und die anderen nicht

Ein Konzern-COO hat es diesen Sommer in einem Satz zusammengefasst, den das MIT für seinen Bericht mitgeschrieben hat: „Auf LinkedIn heißt es, alles habe sich verändert. In unserem Betrieb hat sich nichts Grundlegendes bewegt. Wir bearbeiten ein paar Verträge schneller, das war’s.“

Diese Lücke zwischen der Erzählung und dem Kontostand ist inzwischen vermessen. Das MIT hat im Juli 2025 über 300 dokumentierte KI-Initiativen ausgewertet und kommt zu einer unbequemen Zahl: 95 Prozent der Unternehmen sehen bislang null Return auf ihr GenAI-Budget. Die RAND Corporation zitiert Schätzungen, wonach über 80 Prozent der KI-Projekte scheitern, doppelt so oft wie normale IT-Vorhaben. Gartner rechnet damit, dass bis Ende 2027 mehr als 40 Prozent aller Agentic-AI-Projekte gecancelt werden. S&P Global meldet, dass 42 Prozent der Firmen 2025 die Mehrheit ihrer KI-Initiativen aufgegeben haben, nach 17 Prozent im Vorjahr.

Vier Studien, dieselbe Richtung. Wer sein KI-Budget als CFO ansieht, sollte verstehen, warum die meisten Piloten es nie über die Demo hinaus schaffen, und was die kleine Gruppe anders macht, die Millionen realisiert.

Der Trichter, den kaum jemand durchläuft

Das MIT liefert die Zahl, die man sich merken sollte, und sie gilt für maßgeschneiderte Enterprise-Tools. 60 Prozent der Organisationen bewerten solche Systeme. 20 Prozent kommen bis zum Piloten. 5 Prozent erreichen die Produktion. Generische Chatbots wie ChatGPT verbreiten sich zwar breiter, heben aber vor allem die individuelle Produktivität, nicht die Bilanz. Zwischen „wir haben was ausprobiert“ und „es läuft im Kerngeschäft und spart Geld“ verdunstet also fast alles.

Ein fairer Einwand, den ein kritischer Leser sofort bringt: Piloten sollen scheitern, dafür sind sie da. Stimmt. Der Punkt der Studien ist ein anderer. Die Firmen scheitern nicht am Experiment, sie scheitern am Sprung in den Alltag. Und sie scheitern reproduzierbar an denselben Stellen.

Warum sie sterben

Die naheliegende Vermutung ist die Technik. Sie ist falsch. RAND fasst 65 Interviews mit Data Scientists so zusammen: Die häufigste Ursache für gescheiterte KI-Projekte sind nicht die Modelle, sondern die Menschen an der Spitze. Ein unklarer Zweck, keine gemeinsame Definition von Erfolg, ein Sponsoring, das nach drei Monaten verblasst.

Das MIT nennt die tiefere Barriere „Learning Gap“. Die meisten Systeme behalten kein Feedback, kennen den Firmenkontext nicht und werden mit der Zeit nicht besser. Ein CIO im Report: „Wir haben dieses Jahr Dutzende Demos gesehen. Vielleicht ein oder zwei waren wirklich nützlich. Der Rest waren Wrapper oder Wissenschaftsprojekte.“

Dazu kommt ein Denkfehler bei der Verteilung des Geldes. Rund die Hälfte der GenAI-Budgets fließt laut MIT in Vertrieb und Marketing, an anderer Stelle nennt der Report sogar rund 70 Prozent, also dorthin, wo man KI vorzeigen kann. Der messbare Return sitzt woanders: im Back Office, bei reduzierten Agentur- und BPO-Kosten, bei Prozessen, die niemand auf der Bühne präsentiert. Sichtbarkeit und ROI liegen selten am selben Ort.

Ein Praktiker hat es unter dem MIT-Bericht auf Hacker News präzise formuliert: „LLMs bringen dich fast sofort 80 Prozent des Weges. Die letzten 20 Prozent, wo fehlendes Wissen, fehlende Daten und Genauigkeit ins Spiel kommen, sind eine Teergrube und ruinieren die Adoption.“

Was die 20 Prozent anders machen

Die erfolgreiche Minderheit unterscheidet sich in vier Punkten, und alle vier sind Managemententscheidungen, keine Modellfragen.

Erstens: enger Use-Case statt Plattform-Traum. Ein einziger Prozess, klar messbar, mit einem Ergebnis, das in Euro steht. Kein „KI-Layer über die ganze Organisation“.

Zweitens: kaufen und integrieren, wo es geht, statt alles selbst zu bauen. Das MIT beziffert es deutlich. Externe Partnerschaften haben die doppelte Erfolgsrate interner Eigenbauten. Der stolze Inhouse-Prototyp scheitert doppelt so oft wie die eingekaufte, sauber integrierte Lösung.

Drittens: Bewertung nach Geschäftsergebnis statt nach Benchmark. Die Käufer, die gewinnen, verlangen prozessspezifische Anpassung und messen an P&L-Wirkung. McKinsey ergänzt den stärksten Hebel: Nur wer den Workflow tatsächlich umbaut, sieht EBIT-Effekte. Rund 80 Prozent legen KI nur auf bestehende Abläufe und wundern sich über das Nichts, das dabei herauskommt.

Viertens: Tempo. Die schnellsten Mittelständler kommen laut MIT in etwa 90 Tagen vom Piloten in die Produktion. Großkonzerne brauchen neun Monate und länger, oft weil Gremien und Beschaffung den Prototyp totverwalten, bevor er atmen kann.

Vom Slide zum laufenden System

In der Praxis sieht der Unterschied unspektakulär aus. Ein Outdoor-Equipment-Hersteller, mit dem wir bei AI Pirates gearbeitet haben, hatte kein Technikproblem, sondern zwanzig gute Ideen und keine Priorisierung. Erst ein nüchternes Readiness-Assessment, dann eine nach ROI sortierte Use-Case-Liste, dann eine Roadmap über 18 Monate. Kein Showcase, ein Fahrplan.

Bei einem Filmstudio ging es darum, KI in die Development-Phase zu verankern, ohne die kreative Kontrolle abzugeben. Am Ende produzieren beide Development-Teams ihre Pitch-Trailer eigenständig. Der Wert steckt nicht im Tool, sondern darin, dass Menschen es ohne uns weiterführen.

Das ist der Kern. Beratung, die in Folien endet, produziert Piloten, die in Folien sterben. Was überlebt, ist ein System, das ins Kerngeschäft integriert ist und dem eigenen Team gehört.

Der europäische Zusatzfaktor

In der DACH-Region kommt eine Hürde dazu, die US-Studien unterschätzen. Bitkom nennt für Deutschland in seiner KI-Studie 2025 Rechtsunsicherheit und fehlendes Know-how als die beiden größten Bremsen, jeweils 53 Prozent. Vorgesehen ist, dass ab dem 2. August 2026 die Pflichten des EU AI Act für Hochrisiko-Systeme greifen, mit Bußgeldern bis 15 Millionen Euro oder 3 Prozent des weltweiten Umsatzes. Ob der Termin hält, ist offen: Der geplante Digital Omnibus könnte die Frist auf Dezember 2027 verschieben, final beschlossen war das zum Redaktionsschluss nicht. Jeder Aufruf eines US-gehosteten Modells mit Personendaten ist ein regulierter Verarbeitungsvorgang.

Für einen Geschäftsführer heißt das: Ein Pilot, der Compliance erst am Ende dazudenkt, ist schon tot, er weiß es nur noch nicht. Souveräne Infrastruktur, EU-Hosting und die Option auf self-hosted Modelle sind hier kein Feature für die Broschüre, sondern die Bedingung dafür, dass ein System überhaupt in Produktion gehen darf.

Die eine Frage vor dem nächsten Piloten

Bevor Sie das nächste KI-Projekt freigeben, prüfen Sie eine Sache. Gibt es einen einzigen Prozess, dessen Verbesserung Sie in Euro beziffern können, dessen Ergebnis Ihr Team ohne externen Dauerbetrieb weiterführen kann, und der die Datenschutzfrage vom ersten Tag an mitträgt? Wenn ja, haben Sie einen Kandidaten für die 20 Prozent. Wenn nein, bauen Sie gerade an einer weiteren Demo.

---

Maximilian Anzile ist Gründer und Strategic AI Lead bei AI Pirates, einer KI-Agentur aus München. AI Pirates baut produktionsreife KI-Systeme auf europäischer Infrastruktur mit DSGVO-konformer Architektur, unter anderem für Medien- und Handelsunternehmen im deutschsprachigen Raum.

Häufige Fragen

Wie viele KI-Projekte scheitern wirklich?

Je nach Definition zwischen 80 und 95 Prozent. RAND zitiert Schätzungen, wonach über 80 Prozent der KI-Projekte scheitern. Das MIT stellt fest, dass 95 Prozent der Unternehmen bislang keinen messbaren Return auf ihr GenAI-Budget sehen und nur 5 Prozent den Sprung in die Produktion schaffen.

Warum scheitern die meisten KI-Piloten?

Selten an der Technik. Häufiger an unklarem Zweck, fehlender Datenbasis, verblassendem Management-Sponsoring und Systemen, die kein Feedback behalten. Hinzu kommt, dass Budgets in sichtbare Vorzeigefunktionen fließen statt in Back-Office-Prozesse mit echtem ROI.

Sollten Unternehmen KI selbst bauen oder kaufen?

Das MIT misst für externe Partnerschaften die doppelte Erfolgsrate interner Eigenbauten. Für die meisten Firmen ist kaufen und sauber integrieren der schnellere Weg zur Produktion, solange die Lösung an das eigene Team übergeben werden kann.

Was ändert der EU AI Act für KI-Projekte?

Vorgesehen ist, dass ab dem 2. August 2026 Pflichten für Hochrisiko-Systeme gelten, mit Bußgeldern bis 15 Millionen Euro oder 3 Prozent des weltweiten Umsatzes. Der geplante Digital Omnibus könnte diese Frist auf Dezember 2027 verschieben. Datenschutz und Hosting müssen in jedem Fall von Beginn an Teil des Projekts sein, sonst ist der Weg in die Produktion versperrt.