Ihr KI-Problem ist wahrscheinlich kein KI-Problem.

Das Muster kenne ich inzwischen gut. Ein Unternehmen startet ein KI-Pilotprojekt, die Demo begeistert, alle sind elektrisiert. Drei Monate später ist die Euphorie verflogen. Der Chatbot gibt Antworten, die keiner braucht. Das Scoring-Modell priorisiert Kunden, die es gar nicht mehr gibt. Und im Lenkungskreis fällt der Satz, den ich schon zu oft gehört habe: „Vielleicht war das Modell doch nicht das richtige.“

Fast immer ist das die falsche Diagnose.

Die großen Sprachmodelle sind heute so gut und so zugänglich wie nie. GPT, Claude, Gemini: Was Sie nutzen können, kann Ihr Wettbewerber auch nutzen, oft zum gleichen Preis. Wenn zwei Unternehmen mit derselben Technologie völlig unterschiedliche Ergebnisse erzielen, dann liegt der Unterschied offensichtlich nicht in der Technologie. Er liegt in dem, was drumherum passiert. Nach meiner Erfahrung sind es drei Dinge, an denen KI-Projekte wirklich scheitern. Und keines davon steht im Prospekt des Toolanbieters.

Erstens: KI macht Ihre Datenprobleme nicht weg. Sie macht sie sichtbar.

Jedes Unternehmen glaubt, seine Daten seien „eigentlich ganz okay“. Bis eine KI anfängt, damit zu arbeiten.

Denn KI verzeiht nichts. Ein Vertriebsmitarbeiter erkennt auf einen Blick, dass „Müller GmbH“, „Mueller GmbH & Co. KG“ und „Müller (alt, nicht anschreiben!)“ derselbe Kunde sind. Ein Scoring-Modell erkennt das nicht. Es zählt drei Firmen, berechnet drei Potenziale und schlägt drei Kampagnen vor. Was vorher ein stilles Ärgernis im CRM war, wird jetzt zur falschen Entscheidung mit Ansage.

Und der Kunde merkt es zuerst. Er bekommt zwei Mailings mit unterschiedlicher Anrede. Er erklärt dem Servicemitarbeiter zum dritten Mal sein Anliegen, weil der Kontext im anderen System liegt. Er wird als Neukunde umworben, obwohl er seit acht Jahren bestellt.

Schlechte Daten sind kein IT-Thema. Sie sind ein Kundenerlebnis-Thema.

Das ist der Punkt, den viele Datenqualitätsdiskussionen übersehen. Jede Dublette, jeder veraltete Eintrag, jedes Silo wird irgendwann zu einem Moment, in dem sich ein Kunde nicht gesehen fühlt. Wer also in KI investiert, ohne vorher zu klären, ob Kundendaten eindeutig, aktuell und zusammengeführt sind, automatisiert seine blinden Flecken, in höherem Tempo und größerem Maßstab.

Zu den Daten gehört auch die Frage, was Sie damit überhaupt dürfen. Ich erlebe zwei Extreme: Unternehmen, die Datenschutz als Totschlagargument nutzen, um gar nicht erst anzufangen. Und Unternehmen, die einfach loslegen und hoffen, dass niemand fragt. Beides ist riskant, und spätestens mit dem EU AI Act ist das Thema endgültig auf dem Tisch der Geschäftsführung angekommen. Wer von Anfang an klärt, welche Daten für welchen Zweck genutzt werden dürfen, baut kein Hindernis auf. Er baut die Grundlage dafür, dass die Lösung skalieren darf, wenn sie funktioniert.

Zweitens: Ein schlechter Prozess mit KI ist ein schlechter Prozess. Nur schneller.

Der zweite Klassiker: KI wird auf einen Prozess gesetzt, der schon vorher nicht funktioniert hat.

Wenn Marketing Leads generiert, die der Vertrieb grundsätzlich ignoriert, dann ändert ein KI-gestütztes Lead-Scoring daran gar nichts. Es produziert nur präziser bewertete Leads, die ignoriert werden. Wenn Serviceanfragen intern dreimal weitergereicht werden, bevor jemand zuständig ist, dann sortiert die KI die Anfragen jetzt eben schneller in eine Warteschlange, in der sie liegen bleiben.

Automatisierung ist ein Verstärker. Sie verstärkt gute Abläufe und sie verstärkt kaputte. Deshalb gehört vor jedes Automatisierungsvorhaben eine unbequeme Frage: Würde dieser Prozess auch ohne KI funktionieren, wenn ihn ein sehr schneller, sehr fleißiger Mensch ausführen würde? Wenn die Antwort Nein lautet, ist das Projekt noch nicht reif. Dann ist erst der Prozess dran, nicht das Tool. Fairerweise gilt dieser Test nur für Automatisierung. Wo KI etwas leistet, das kein Mensch leisten kann, etwa Muster in Millionen Datenpunkten erkennen, greift ein anderer Maßstab. Nur sind die meisten Projekte, die ich sehe, eben genau das: Automatisierung.

Und in dieses Kapitel gehören auch die Menschen, die mit dem Ergebnis arbeiten sollen. Das beste System scheitert, wenn der Vertrieb nicht versteht, was es ihm bringt, oder der Service es als Kontrollinstrument erlebt. Wer einen Prozess neu denkt, muss die Beteiligten früh mitnehmen. Sonst wird aus der Einführung eine stille Verweigerung, und die taucht in keinem Projektbericht auf.

Das klingt banal. In der Praxis werden diese Fragen aber selten gestellt, weil die Tool-Entscheidung so viel greifbarer und attraktiver ist als die Prozess- und Überzeugungsarbeit dahinter.

Drittens: Ohne Verantwortung bleibt jedes Pilotprojekt ein Pilotprojekt.

Der dritte Grund ist der leiseste, und vermutlich der häufigste: Es ist niemand wirklich verantwortlich.

Viele KI-Initiativen starten als Experiment einer einzelnen Abteilung. Die IT probiert etwas aus, das Marketing testet ein Tool, irgendwo läuft ein Proof of Concept. Was fehlt, ist die Antwort auf drei einfache Fragen: Welches Geschäftsproblem lösen wir damit? Woran messen wir, ob es funktioniert? Und wer trägt das Ergebnis, auch wenn es unbequem wird?

Ohne diese Antworten passiert das, was ich „Pilot-Endlosschleife“ nenne: Das Projekt ist zu erfolgreich, um es zu beerdigen, und zu unverbindlich, um es ernsthaft auszurollen. Es läuft weiter, kostet Geld und Aufmerksamkeit, und nach einem Jahr weiß niemand mehr genau, wofür es eigentlich da war.

Die Reihenfolge umdrehen

Wenn ich diese drei Punkte zusammennehme, ergibt sich eine simple Konsequenz: Die meisten Unternehmen stellen die Fragen in der falschen Reihenfolge.

Sie fragen zuerst „Welches KI-Tool nehmen wir?“ und irgendwann später „Auf welcher Grundlage soll das eigentlich arbeiten?“. Sinnvoll ist genau die umgekehrte Reihenfolge. Erst das Geschäftsproblem, das gelöst werden soll. Dann der Prozess, in dem die Lösung leben muss. Dann die Daten, die sie braucht. Dann die Verantwortung, die sie trägt. Und erst ganz am Ende die Frage nach Modell und Anbieter. Sie merken: Geplant wird in anderer Reihenfolge als gescheitert. Gescheitert wird dort, wo es zuerst weh tut. Geplant wird vom Problem her.

Damit hier kein Missverständnis entsteht: Die technische Umsetzung ist keine Nebensache. Modellwahl, Integration und sauberes Testen entscheiden über Kosten, Geschwindigkeit und darüber, ob eine Lösung datenschutzkonform betrieben werden kann. Aber sie entscheiden erst dann über den Erfolg, wenn die Grundlagen stehen. Vorher entscheiden sie nur darüber, wie elegant ein Projekt scheitert.

Das Ironische daran: Dieser Weg ist nicht langsamer. Er wirkt nur am Anfang so. Wer die Grundlagen klärt, kommt beim ersten echten Use Case schneller in die Produktion, weil er nicht bei jedem Schritt über die eigenen Altlasten stolpert. Die teuerste Variante ist nicht das gründliche Vorgehen. Die teuerste Variante ist das dritte gescheiterte Pilotprojekt, nach dem die Organisation nicht mehr an KI glaubt. Dieses verbrannte Vertrauen holen Sie so schnell nicht zurück.

Drei Fragen für Ihr nächstes KI-Projekt

Bevor Sie das nächste KI-Vorhaben freigeben, lohnt ein ehrlicher Blick auf drei Fragen.

Dreimal Ja: Dann haben Sie beste Voraussetzungen, und die Modellwahl wird vom Glücksspiel zum Handwerk. Bei einem Nein wissen Sie jetzt, wo die Arbeit wirklich liegt. Das ist keine schlechte Nachricht. Es ist die Erkenntnis, die Ihnen das nächste enttäuschte Lenkungskreis-Meeting erspart.