Warum KI-Projekte im Mittelstand scheitern — und woran man es früh erkennt

Wenn ein KI-Projekt schiefgeht, liegt es selten am gewählten Modell. Es liegt fast immer daran, dass jemand zu früh “Ja” gesagt hat zu einer Frage, die niemand gestellt hatte. Wir haben in den letzten zwei Jahren rund vierzig KI-Initiativen im deutschen Mittelstand begleitet — als Beratende, als Zweitmeinung oder als Nothelfer. Die Ursachen für gescheiterte Projekte ähneln sich.

Dieser Beitrag listet keine zehn Stolpersteine. Er nennt sechs Frühindikatoren, an denen du schon vor dem Kickoff erkennst, ob ein Projekt eine reale Chance hat oder ob es nur formal stattfindet.

Das eigentliche Problem: KI scheitert organisatorisch

Die populäre Annahme ist, dass KI-Projekte komplex sind, weil die Technologie kompliziert ist. Sie ist es nicht — jedenfalls nicht für die Anwendungsfälle, die im Mittelstand 90 Prozent der Wertschöpfung ausmachen würden. Die meisten Projekte verlangen weder Modellforschung noch besonders raffinierte Architekturen. Sie verlangen sauber definierte Prozesse, brauchbare Daten und Menschen, die das Ergebnis täglich nutzen. Genau das sind die Festlegungen, die in eine tragfähige KI-Strategie gehören — und im Eifer eines Projekts gern übersprungen werden.

Genau an diesen drei Punkten brechen Projekte. Wenn ein Vertriebsteam die neue KI-gestützte Recherchefunktion nach vier Wochen nicht mehr öffnet, weil sie in zwei Klicks mehr Aufwand erzeugt als das alte Vorgehen, ist das kein Modell-Problem. Es ist ein Prozess- und Akzeptanz-Problem, das sich meist nur mit einer ernst gemeinten Schulung der Mitarbeiter lösen lässt. Wer den Unterschied versteht, schaut nicht primär auf die Technologie, wenn er den Erfolg eines Vorhabens einschätzt.

Die sechs Warnsignale

Die folgenden sechs Indikatoren lassen sich oft schon vor dem Kickoff prüfen — lange bevor das erste Modell trainiert wird. Jeder einzelne ist für sich genommen ein Warnzeichen; treten mehrere zusammen auf, steht das Projekt auf wackligem Fundament.

Warnsignal 1: Es gibt kein klares Vorher/Nachher-Maß

Die erste Frage in jedem Kick-off-Gespräch sollte lauten: An welcher Zahl messen wir in sechs Monaten, ob das hier funktioniert hat? Wenn die Antwort lautet “an der Zufriedenheit der Mitarbeiter” oder “an Effizienzgewinnen”, ist das Projekt bereits am Anfang in Schwierigkeiten.

Eine taugliche Kennzahl hat drei Eigenschaften: Sie ist heute schon messbar (sonst gibt es keinen Vorher-Wert), sie liegt nah am eigentlichen Geschäftsproblem (nicht “Modell-Genauigkeit”, sondern “Bearbeitungszeit pro Vorgang”), und sie lässt sich von einer Person verantworten. Wenn ein Use-Case keine solche Kennzahl produziert, solltest du ihn entweder umformulieren oder fallen lassen — nicht trotzdem starten und hoffen, dass sich später etwas ergibt.

Warnsignal 2: Daten sind “irgendwie vorhanden”

Bei jedem zweiten Projekt-Briefing hören wir den Satz: “Daten haben wir genug.” Bei der konkreten Nachfrage stellt sich heraus, dass die Daten in fünf Systemen liegen, dass die Felder uneinheitlich gefüllt sind, dass alte Bestände nicht migriert wurden, und dass niemand klar sagen kann, welche Datensätze überhaupt aktuell sind.

Ein KI-Projekt, das in dieser Datenlage startet, verbringt sechzig Prozent seines Budgets mit Datenklärung — und liefert oft trotzdem schlechtere Ergebnisse als gehofft. Eine kurze, ehrliche Daten-Inventur vor dem Projekt ist die Investition, die später vor der größten Enttäuschung schützt.

Praxistipp: Verlange vor dem Kickoff einen “Datensatz-Steckbrief” mit fünf Angaben — Quellsystem, Aktualität, Vollständigkeit, Verantwortliche/r, Zugriffsrechte. Wenn das niemand in zwei Tagen liefern kann, fehlt entweder das Mandat oder die Realität, die man im Projekt voraussetzt.

Warnsignal 3: Kein klares operatives Sponsorship

KI-Projekte haben zwei Sponsoren: einen strategischen (typischerweise die Geschäftsführung, gibt das Budget frei) und einen operativen (eine Bereichsleiterin oder einen Abteilungsleiter, deren Tagesgeschäft am Ende betroffen ist). Der erste reicht nicht.

Wenn das Projekt vom Vorstand kommt, der Vertriebsleiter aber gleichzeitig drei andere Prioritäten hat und das Thema “wenn er dazu kommt” begleitet, wird die Einführung nicht stattfinden. Das ist keine Frage von Wille — es ist eine Frage von verfügbarer Aufmerksamkeit.

Erkennbar wird das daran, dass operative Sponsoren sich vor dem Kickoff nicht persönlich auf einen wöchentlichen Termin festlegen wollen. Wer sechzig Minuten pro Woche für die nächsten sechs Monate nicht zusagen kann, ist im Zweifel kein tragfähiger Sponsor.

Warnsignal 4: Rollen sind nicht besetzt, sondern verteilt

Im Pflichtenheft steht “Projektleitung: Frau Müller”. In der Realität bedeutet das oft: Frau Müller hat zwei Tage pro Woche, ein anderer Kollege übernimmt die Datenarbeit, die IT bewertet die Sicherheitsaspekte, ein externer Berater steuert die Methode. Jeder hat einen Anteil, niemand hat die Verantwortung.

Im Mittelstand ist Personalverdünnung der häufigste organisatorische Fehler. Drei halbe Stellen ergeben anderthalb Vollzeit-Äquivalente — und null Verantwortliche. Es lohnt sich, lieber eine kleinere Lösung mit einer wirklich verantwortlichen Person zu starten als ein großes Projekt mit verteilter Last.

Warnsignal 5: Das Budget ist eng, aber die Erwartungen sind hoch

Die schwierigste Konstellation entsteht, wenn ein Unternehmen 30 k EUR für ein KI-Projekt freigibt und gleichzeitig erwartet, dass das Projekt einen sichtbaren Effekt auf ein millionenschweres Geschäftsfeld hat. In dieser Lücke entsteht der Konflikt, dass die Beteiligten anfangen, das Projekt politisch zu erzählen, statt operativ zu führen.

Eine schmale Lösung mit kleinem Anspruch ist robuster als ein großes Versprechen mit halbem Budget. Realistische Größenordnungen für einen ersten produktiven Use-Case im Mittelstand bewegen sich zwischen 40 und 120 k EUR — einschließlich externer Leistung, Lizenzen und interner Freistellung. Darunter wird es Pilotcharakter behalten. Das ist nicht schlimm — aber dann sollte es auch so benannt sein.

Warnsignal 6: Die Roadmap reicht über zwölf Monate hinaus

Wenn die Projekt-Roadmap detaillierte Meilensteine für das übernächste Jahr enthält, ist das selten Ausdruck von Weitblick. In der Praxis bedeutet es: Niemand wollte sich auf die unbequeme Diskussion einlassen, was man vom ersten Jahr lernen muss, bevor man den nächsten Schritt plant.

Tragfähige KI-Roadmaps haben einen klaren Horizont von zwölf Monaten und ein bewusstes “wir entscheiden zum Halbjahr neu” für alles, was später kommt. Diese Disziplin schützt vor Festlegungen, die im Lichte der ersten Erfahrungen falsch wirken — und trotzdem nicht mehr zurückgenommen werden, weil sie ja schon im Plan stehen.

Wie man ein laufendes Projekt rettet

Wenn du diese sechs Warnsignale bei dir wiedererkennst und das Projekt bereits läuft: Es gibt drei Reparaturansätze, die in unserer Praxis funktioniert haben.

Erstens, einen Reset-Termin einberufen. Sechzig Minuten, drei Personen: strategischer Sponsor, operativer Sponsor, externe Begleitung. Auf der Agenda: Was haben wir bisher gelernt? Welche Annahmen vom Beginn stimmen heute nicht mehr? Wenn wir mit dem heutigen Wissen starten würden, würden wir das Projekt überhaupt so aufsetzen? Dieser Termin klärt mehr als drei Wochen Status-Reporting.

Zweitens, den Scope auf einen einzigen, messbaren Use-Case verengen. Lieber einen ehrlichen Vorher/Nachher-Vergleich für einen kleinen Prozess als ein breit angelegtes Programm, das nach sechs Monaten noch keine einzige produktive Anwendung hat.

Drittens, ein klares Stop-or-Continue-Kriterium setzen. Drei Monate Frist, eine definierte Kennzahl, klare Bedingungen für Fortsetzung oder Beendigung. Diese Disziplin ist unbequem, befreit aber alle Beteiligten von der unausgesprochenen Annahme, dass das Projekt ohnehin weitergeht.

Wann es richtig ist, ehrlich zu beenden

Nicht jedes KI-Projekt verdient eine Rettung. Wenn nach drei Monaten weder Daten, Sponsor noch Anwendungsfall stabil sind, ist die Beendigung in der Regel die wirtschaftlichste Entscheidung. Wichtig ist, dass die Beendigung dokumentiert wird — was wurde gelernt, was würde man beim nächsten Anlauf anders machen. Diese Dokumentation ist die einzige Form, wie man aus einem gescheiterten Projekt noch Wert zieht.

Im Mittelstand begegnen wir oft der Befürchtung, ein gestopptes Projekt sei eine Niederlage. In der Realität ist es ein Signal von operativer Reife — und in den meisten Fällen die Voraussetzung dafür, dass das nächste Projekt mit besseren Bedingungen startet.

Was du jetzt prüfen kannst

Wenn du aktuell mitten in einem KI-Vorhaben stehst oder eines planst: Beantworte für dich die sechs oben genannten Punkte schriftlich, auf einer A4-Seite, ohne Beschönigung. Wenn an drei oder mehr Stellen eine ehrliche Antwort schwierig ist, lohnt sich eine kurze, neutrale Außensicht — und die Überlegung, die richtige KI-Beratung zu wählen.

Wir nehmen uns für solche Reviews regelmäßig eine Stunde — ohne Erwartung, dass am Ende ein Auftrag steht. Manchmal ist der wertvollste Output dieser Gespräche die klare Bestätigung, dass das Projekt richtig aufgesetzt ist. Manchmal ist es die noch wertvollere Erkenntnis, dass eine Anpassung jetzt deutlich günstiger ist als in sechs Monaten.