Warum 9 von 10 KI-Projekten in KMU floppen

In den letzten 18 Monaten haben wir ungefähr 20 KI-Projekte in deutschen KMU gesehen — eigene, von Kunden, von Bekannten in der Branche. Die meisten waren nach 3-6 Monaten still gestorben. Nicht spektakulär gescheitert, sondern leise vom Schreibtisch gerutscht.

Hier sind die vier Muster, die wir in fast jedem Fall gesehen haben.

Muster 1: Das Projekt wurde wegen FOMO gestartet, nicht wegen eines Problems

Geschäftsführer kommt aus dem Wochenend-Workshop "KI für Unternehmer" zurück, ist begeistert, sagt der IT: "Wir machen jetzt was mit KI." Niemand kann auf Anhieb sagen, welches konkrete Problem gelöst werden soll. Es geht um "Wettbewerbsfähigkeit", "Zukunft", "die Welle nicht verpassen".

Was passiert: Die IT baut irgendetwas. Meistens einen Chatbot auf der Website, weil das am offensichtlichsten "nach KI aussieht". Der Chatbot beantwortet 5% der Anfragen schlecht, frustriert Kunden, wird nach 4 Monaten stillgelegt. Ergebnis: 15.000 Euro investiert, Frust beim Team, keine Lernkurve.

Was stattdessen funktioniert

Bevor ihr ein KI-Projekt startet: schreibt einen Satz in der Form "Wir haben Problem X, das uns Y Stunden pro Woche kostet oder Z Euro Umsatz entgeht — KI könnte das lösen, weil A." Wenn ihr diesen Satz nicht klar formulieren könnt, startet kein Projekt.

Muster 2: Verantwortung wird an die IT delegiert, ohne Fach-Input

Klassiker. "Macht ihr das mit der KI", sagt die Geschäftsführung zur IT-Abteilung. Die IT baut technisch saubere Lösungen — aber für den falschen Use Case, mit den falschen Beispieldaten, ohne Verständnis für den eigentlichen Geschäftsprozess.

Beispiel aus echtem Leben: Ein Großhandel wollte einen Bot, der Kunden-Mails klassifiziert. Die IT hat einen technisch perfekten Klassifikator gebaut, mit OpenAI, schöner Pipeline, schickem Dashboard. Das Problem: Die IT wusste nicht, dass 60% der Mails inhaltlich gemischt sind ("Frage zu Rechnung UND Bestellung UND Lieferung in einer Mail"). Die Klassifikation als "eine Kategorie pro Mail" war Schwachsinn für den Use Case. Drei Monate Arbeit für nichts.

Was stattdessen funktioniert

KI-Projekte brauchen ein Tandem aus IT und Fachbereich. Nicht abwechselnd, sondern parallel. Der Fachbereich muss verstehen, was die KI macht (zumindest auf Anwendungs-Ebene). Die IT muss verstehen, wie der Prozess wirklich abläuft (nicht wie er im Handbuch steht).

Muster 3: Es wird vergessen, dass KI sich ständig ändert

Das System wird gebaut, geht in Produktion, funktioniert. Niemand kümmert sich mehr drum. Drei Monate später ändert OpenAI die Preise, der Workflow wird unwirtschaftlich. Sechs Monate später wird das verwendete Modell deprecated, der Bot bricht. Neun Monate später ist es nicht mehr DSGVO-konform, weil die AGB sich geändert haben.

Niemand merkt das. Bis ein Kunde sich beschwert oder die Buchhaltung die Rechnung sieht.

Was stattdessen funktioniert

KI-Projekte brauchen einen "Update-Owner". Eine Person, die mindestens monatlich prüft, was sich am eingesetzten Stack geändert hat. Wenn ihr keine eigene Person dafür haben wollt, holt euch einen externen Update-Service (gibt es bei uns kostenlos für Kunden).

Muster 4: Zu hohe Erwartung, zu wenig Iteration

Die KI soll "den Vertrieb revolutionieren" oder "die Kundenbetreuung übernehmen". Wenn sie das nach 6 Wochen nicht tut, gilt das Projekt als gescheitert.

Was tatsächlich realistisch ist: KI übernimmt 20-40% einer spezifischen Teilaufgabe. Mail-Triage spart Mitarbeitern 30% Zeit, nicht 100%. Voice-Agent fängt 60% der Standard-Anrufe ab, nicht alle. Wenn die Erwartung "alle" ist, ist das Projekt zum Scheitern verurteilt.

Was stattdessen funktioniert

Setzt euch konkrete, messbare Ziele für die ersten 90 Tage: "Wir wollen 30% der Standard-Mails automatisch klassifizieren." Wenn ihr das erreicht, baut ihr darauf auf. Wenn nicht, optimiert ihr. Iteration in kleinen Schritten schlägt großen Wurf um Längen.

Die 10% die funktionieren — was machen die anders?

Wir haben uns die wenigen erfolgreichen Projekte näher angeschaut. Vier Gemeinsamkeiten:

1. Sie haben mit einem klar definierten Schmerzpunkt gestartet. Nicht "irgendwas mit KI", sondern "wir verlieren 20% der Anrufer, das kostet uns X". Klare Metrik, klares Ziel.
2. Fachbereich und IT arbeiteten parallel. Wöchentliche Calls, gemeinsame Tests, Fachbereich konnte am Ende selbst Prompts anpassen.
3. Es gab eine verantwortliche Person für laufende Wartung. Meistens jemand aus der IT mit 20% ihrer Zeit dafür frei gestellt — oder ein externer Berater auf Stundenbasis.
4. Erwartungen wurden klein gehalten und dann nach oben skaliert. Erst Mail-Triage, dann Mail-Antwort-Drafts, dann Voll-Automatisierung für bestimmte Kategorien.

Was wir empfehlen

Wenn ihr ein KI-Projekt startet, fragt euch:

• Welches konkrete Problem wollen wir lösen? Wie messen wir Erfolg?
• Wer aus dem Fachbereich ist verantwortlich? Wer aus der IT? Wie oft tauschen die sich aus?
• Wer kümmert sich um Updates und Wartung — und mit wie viel Zeit?
• Was ist ein realistisches 90-Tage-Ziel?

Wenn ihr alle vier Fragen klar beantworten könnt, seid ihr in den 10%, die es schaffen. Wenn nicht, klärt das vorher, sonst gehört euer Projekt zu den 90%.