Künstliche Intelligenz steht in vielen Unternehmen weit oben auf der Agenda. Eine aktuelle Umfrage unter Marketingentscheiderinnen und -entscheidern ordnet das Thema den wichtigsten strategischen Feldern zu. Gleichzeitig berichten dieselben Erhebungen von einer hohen Abbruchquote: Rund 85 Prozent der Projekte erreichen den produktiven Regelbetrieb nicht, sondern verharren im Pilotstatus oder werden still eingestellt.

Bemerkenswert ist der Grund. Es sind in aller Regel nicht die Modelle, die versagen, und auch nicht die Schnittstellen. Es fehlt an Prozessen, an klaren Zuständigkeiten und an einer belastbaren Datenbasis. Anders formuliert: Das Problem ist organisatorisch, nicht technisch.

Der Pilot als Sackgasse

Ein typischer Verlauf sieht so aus: Eine Fachabteilung testet ein Werkzeug, etwa für Textentwürfe, Klassifizierung von Anfragen oder Auswertung von Formulardaten. Der Test funktioniert, die Ergebnisse überzeugen im kleinen Rahmen. Dann beginnt die eigentliche Arbeit – und genau dort endet das Projekt häufig.

Denn im Piloten darf vieles improvisiert bleiben. Daten werden von Hand zusammengestellt, Ergebnisse manuell geprüft, Fehler informell korrigiert. Für den Regelbetrieb reicht das nicht. Dort braucht es definierte Eingangsdaten, dokumentierte Verantwortlichkeiten, Freigabewege und eine Antwort auf die Frage, wer eingreift, wenn das System etwas Falsches ausgibt.

Wer diese Fragen erst nach dem Piloten stellt, stellt sie zu spät. Der Aufwand, ein funktionierendes Experiment nachträglich in eine Organisation einzupassen, übersteigt oft den Aufwand des Experiments selbst – und genau an dieser Stelle versanden Budgets.

Datenbasis vor Modellwahl

Ein wiederkehrendes Muster: Unternehmen diskutieren intensiv über Anbieter und Modelle, bevor geklärt ist, welche Daten überhaupt in verwertbarer Form vorliegen. Produktinformationen liegen in drei Systemen, Kundendaten sind unterschiedlich gepflegt, Inhalte im Content-Management-System – also im redaktionellen Backend der Website – sind über Jahre gewachsen und uneinheitlich strukturiert.

Ein Sprachmodell gleicht solche Lücken nicht aus. Es reproduziert sie. Wer beispielsweise eine KI-gestützte Suche oder eine automatisierte Produktbeschreibung plant, sollte zuerst prüfen, ob Felder konsistent befüllt sind, ob Redundanzen bestehen und ob es eine führende Quelle für jedes Datum gibt. Diese Vorarbeit wirkt unspektakulär, entscheidet aber darüber, ob ein Projekt trägt.

Was Teams unterscheidet, die es in den Betrieb schaffen

Aus den Beobachtungen lassen sich einige Merkmale ableiten, die erfolgreiche Vorhaben von gescheiterten trennen:

  • Ein konkreter Prozess statt einer Technologie. Der Ausgangspunkt ist eine benennbare Aufgabe mit messbarem Aufwand – nicht der Wunsch, KI einzusetzen.
  • Benannte Verantwortung. Es gibt eine Person, die für Ergebnisqualität, Datenpflege und Weiterentwicklung zuständig ist. Nicht ein Gremium, nicht eine Abteilung.
  • Definierte Abbruchkriterien. Vor dem Start steht fest, woran sich Erfolg zeigt und wann ein Vorhaben beendet wird. Das verhindert Piloten, die jahrelang weiterlaufen, ohne je produktiv zu werden.
  • Einbindung der Fachanwender. Wer den Prozess täglich ausführt, kennt die Ausnahmen. Diese Ausnahmen sind es, an denen automatisierte Verfahren scheitern.
  • Kontrollpunkte im Ablauf. Bei kritischen Ausgaben bleibt eine menschliche Freigabe eingeplant – dokumentiert, nicht improvisiert.

Erwartungen realistisch halten

Ein Teil der Abbrüche geht auf überhöhte Erwartungen zurück. Wird ein Projekt mit der Aussicht auf umfassende Automatisierung gestartet, wirkt jede Teilentlastung wie ein Misserfolg. Wird dagegen von Beginn an eine begrenzte, klar umrissene Verbesserung angestrebt, lässt sich der Nutzen belegen – und daraus entsteht die Grundlage für den nächsten Schritt.

Sinnvoll ist deshalb ein Zuschnitt, der überschaubar bleibt: ein Prozess, eine Datenquelle, eine Nutzergruppe. Erst wenn dieser Ausschnitt stabil im Betrieb läuft, lohnt die Ausweitung. Der umgekehrte Weg – eine breite Plattformentscheidung ohne bewährten Anwendungsfall – führt regelmäßig zu Systemen, die niemand nutzt.

Governance ist kein Nachgedanke

Sobald KI produktiv Inhalte erzeugt oder Entscheidungen vorbereitet, entstehen Fragen nach Nachvollziehbarkeit, Datenschutz und Haftung. Wer Kundendaten verarbeitet, muss wissen, wohin diese Daten fließen und wie lange sie gespeichert werden. Wer Texte veröffentlicht, braucht eine redaktionelle Kontrolle. Diese Punkte gehören in die Projektplanung, nicht in eine spätere Nachbesserung.

Der organisatorische Rahmen ist damit kein Bremsklotz, sondern die Voraussetzung dafür, dass ein Pilot überhaupt in den Betrieb übergehen darf.

Einordnung für Web- und Softwareprojekte

Für Web- und Prozessprojekte bedeutet das vor allem eines: Der Aufwand verschiebt sich von der Modellauswahl hin zur Vorbereitung von Daten, Schnittstellen und Abläufen. Ein sauber strukturiertes Content-Management-System, gepflegte Produktdaten und dokumentierte Freigabewege sind die eigentliche Grundlage jeder KI-Funktion auf einer Website oder im Backoffice. Wer diese Basis schafft, kann KI-Bausteine später ergänzen oder austauschen, ohne das Projekt neu aufzusetzen – und landet damit nicht in der Gruppe der Vorhaben, die im Pilotstatus enden.

Quellen