Jede Woche lesen wir neue Studien: 80%, 87%, 92% aller KI-Projekte erreichen nicht die Produktion. Die Zahlen variieren, die Botschaft nicht. Und jedes Mal wird dieselbe Erklärung serviert: fehlende Datenqualität, mangelnde Akzeptanz, zu wenig Budget. Das ist nicht falsch. Aber es ist auch nicht der Kern des Problems.
Grund 1: Der Prozess ist ein Phantom
Fragen Sie einen Abteilungsleiter, wie sein Prozess funktioniert. Er wird Ihnen ein sauberes Diagramm zeigen. Fragen Sie die Sachbearbeiter. Sie werden Ihnen von Excel-Listen erzählen, von E-Mails an Kollegen, von Workarounds, die seit Jahren niemand dokumentiert hat. KI-Projekte, die auf dem Phantom-Prozess aufbauen, automatisieren etwas, das so nicht existiert. Das Ergebnis: technisch funktionsfähig, praktisch nutzlos.
Grund 2: KI ohne Leitplanken
Ein KI-Agent, der autonom Entscheidungen trifft, klingt beeindruckend. Bis er eine falsche Entscheidung trifft. Und niemand weiß, warum. In regulierten Branchen — Versicherung, Banken, Gesundheitswesen — ist das nicht nur peinlich, sondern teuer. Die meisten KI-Projekte ignorieren die Frage: Wann soll ein Mensch eingreifen? Human-in-the-Loop ist kein Feature. Es ist eine Architekturentscheidung, die von Tag eins an getroffen werden muss.
Grund 3: Die Integrationslücke
Die KI funktioniert im Notebook. Beeindruckend. Aber Ihr ERP läuft auf einem Server aus 2014. Ihr DMS hat eine REST-API, die mehr Bugs hat als Endpoints. Und Ihr CRM wurde das letzte Mal aktualisiert, als Angela Merkel noch Kanzlerin war. Die Integration in bestehende Systemlandschaften ist der Punkt, an dem gute Demos zu gescheiterten Projekten werden. Ohne eine saubere Anbindung — etwa über das Model Context Protocol — bleibt die KI ein Inselsystem.
Was die anderen 10% anders machen
Die erfolgreichen Projekte haben drei Dinge gemeinsam. Erstens: Sie beginnen mit dem echten Prozess, nicht mit dem PowerPoint-Prozess. Sie verbringen Wochen damit, zu verstehen, wie die Arbeit wirklich abläuft. Zweitens: Sie definieren klare Übergabepunkte zwischen KI und Mensch. Nicht nachträglich, sondern als zentrales Designprinzip. Drittens: Sie investieren genauso viel in die Integration wie in das Modell. Eine KI, die nicht auf Ihre Daten zugreifen kann, ist ein teures Experiment.
Fazit
KI im Mittelstand ist kein Technologieproblem. Es ist ein Organisationsproblem, ein Integrationsproblem und ein Kontrollproblem. Wer alle drei gleichzeitig löst, gehört zu den 10%. Wer nur eins davon angeht, hat eine hübsche Demo.
