Warum 95 % aller KI-Projekte scheitern — und was Datenqualität damit zu tun hat
MIT-Studie 2025: 95 % aller KI-Pilotprojekte liefern keinen messbaren P&L-Beitrag. Der häufigste Grund ist nicht die Technologie — sondern die Daten dahinter.
Das Telefonat
Letzte Woche hat mich ein CFO aus dem Mittelstand angerufen. Maschinenbau, gut 700 Mitarbeitende, anständige Marge, anständiges Wachstum. Sein Unternehmen hatte vor sieben Monaten KI-Lizenzen für etwa die Hälfte der Belegschaft gekauft, dazu einen sauberen Rollout-Plan. Workshop, Champion-Programm, monatlicher Newsletter, alles dabei.
Seine Frage am Telefon: „Können Sie uns sagen, wo der Return geblieben ist?"
Die ehrliche Antwort kannte ich, bevor er fertig erzählt hatte. In etwa neunzehn von zwanzig vergleichbaren Projekten liegt es am gleichen Punkt, und das ist nicht aus dem Bauchgefühl: das MIT hat es im Sommer 2025 nüchtern mit Zahlen unterlegt.
Die Zahl, die einem den Tag verderben kann
Im Sommer 2025 hat das MIT (genauer: die NANDA-Initiative) eine Untersuchung mit dem Titel State of AI in Business veröffentlicht. Ausgewertet wurden 300 dokumentierte KI-Projekte, 52 Interviews mit Vorständen und 153 Befragungen von Führungskräften. Das ist kein Hochglanz-Whitepaper aus dem Marketing, sondern eine ziemlich nüchterne Aufstellung.
Das zentrale Ergebnis: bei 95 % aller generativen KI-Pilotprojekte ist kein messbarer Beitrag zur Gewinn- und Verlustrechnung erkennbar. Fünfundneunzig. Nicht der vom IT-Leiter geschätzte. Nicht der Eindruck im Mitarbeitergespräch. Nichts, was am Ende des Quartals im Controlling auftaucht.
Bevor jetzt jemand sagt „dann ist KI ja überschätzt": ist sie nicht. Die übrigen 5 % zeigen, dass es funktioniert. Die ehrliche Frage ist, warum so wenige Unternehmen dort hinkommen.
Stellen Sie sich einen Praktikanten vor
Stellen Sie sich einen Praktikanten vor, der jedes Dokument Ihres Unternehmens gelesen hat. Jeden Vertrag. Jede Reklamation. Jeden Projektbericht der letzten fünf Jahre. Sie könnten ihn fragen:
„Welche Kundengruppe hat im letzten Quartal am häufigsten reklamiert, und hängt das mit unserer Lieferanten-Umstellung im Februar zusammen?"
Antwort in 30 Sekunden, mit Quellenangabe. Das ist im Grunde, was wir meinen, wenn wir „Corporate LLM" sagen.
Der Unterschied zu ChatGPT: ChatGPT weiß alles über das offene Internet, aber nichts über Sie. Ein Corporate LLM kennt Ihr Unternehmen. Mit Zugriffsrechten, die Ihre Organisation respektieren, sodass die Buchhaltung Buchhaltung sieht und der Vertrieb Vertrieb. Für viele Unternehmen ist das die nächste Stufe nach einer breiten Copilot-Einführung, die zwar Meetings und Schreibarbeit beschleunigt, aber das eigentliche interne Wissen nicht erschließt.
Warum der Praktikant trotzdem scheitert
Ein Praktikant mit Gedächtnis kann nur so klug antworten wie die Akten, die er bekommt. Und in den meisten Unternehmen sehen die Akten so aus:
Ihre Vertragsdokumentation liegt in fünf Versionen, verteilt auf vier SharePoint-Ordner. Es gibt zehn Kommentare in der Marginalie eines Word-Dokuments aus 2022. Eine aktuelle Excel mit dem Stand von gestern liegt auf dem Laptop eines Bereichsleiters, der gerade in Urlaub ist. Und in einem dieser Ordner liegt noch eine PDF-Version, die niemand mehr pflegt, aber die alle aufrufen, wenn der Vertrag mal eben gebraucht wird.
In so einem Setup gibt selbst der beste Praktikant widersprüchliche Antworten. Genau das ist der häufigste Grund hinter den 95 % Misserfolg in der MIT-Studie. Nicht das Modell. Sondern, was es zu sehen bekommt.
In der Praxis fehlt es meistens an drei Dingen.
Erstens an einem klaren Datenstand. Die KI muss wissen, welche Version gilt und welche längst überholt ist. Klingt banal, ist es nicht.
Zweitens an Berechtigungen. Eine KI, die die Zugriffsrechte Ihrer Organisation umgeht statt sie zu respektieren, schafft Compliance-Risiken, die Ihre Datenschutzbeauftragte und der EU AI Act nicht goutieren. Mehr dazu in unserem EU-AI-Act-Fahrplan.
Drittens an dem, was wir „strukturierte Übertragung" nennen. Konkret: eine eingescannte Rechnung als JPG, ein Vertrag mit handschriftlichen Notizen, ein Projektbericht in einer alten Word-Datei. All das muss erst sauber aufbereitet werden, bevor eine KI damit produktiv arbeiten kann. In nahezu jedem Projekt wird der Aufwand dafür unterschätzt. Manchmal um den Faktor drei.
Wo abteilungsübergreifender Zugriff plötzlich Geld wert wird
Drei Beispiele aus echten Mandantengesprächen, leicht anonymisiert.
Vertrieb trifft Service. Ein Großkunde aus dem Healthcare-Sektor bittet um ein Angebot. Statt drei Tage Recherche zieht das Angebotsteam in zwei Minuten zusammen, was sonst über die ganze Abteilung verstreut wäre: alle bisherigen Aufträge, offene Tickets im Support, Vertragsbedingungen, aktuelle Marge. Der Vertriebsleiter unterzeichnet das Angebot mit einem klareren Bild und einer realistischeren Preisuntergrenze.
Recht trifft Einkauf. Lieferantenverhandlung. Die KI weiß sofort: welche Klauseln haben wir in vergleichbaren Verträgen schon ausgehandelt, welche sind später problematisch geworden, was hat die Geschäftsführung beim letzten Mal abgelehnt. Verhandlungen, die zwei Wochen dauerten, dauern danach zwei Tage. Realistisch, nicht aus dem Verkaufsprospekt.
Geschäftsführung trifft Daten. Statt eines PDF-Reports aus dem Controlling stellt der Vorstand die Frage direkt: „Welche Sparte hat im letzten Halbjahr am stärksten zur EBIT-Verbesserung beigetragen, und warum?" Die Antwort kommt mit Quellen, in 20 Sekunden, mitten im Meeting. Wir beobachten dabei einen Nebeneffekt, der uns selbst überrascht hat: Vorstände stellen plötzlich konkretere Fragen. Weil sie wissen, dass auch konkrete Antworten kommen.
Achtung: wer abteilungsübergreifende KI ohne saubere Zugriffsrechte einführt, schafft genau das Compliance-Risiko durch Shadow AI, das er eigentlich eindämmen wollte.
Eigenbau oder einkaufen?
Die MIT-Studie ist hier deutlicher als die meisten erwarten würden. Eigenbau-Lösungen scheitern doppelt so häufig wie eingekaufte: 67 % Erfolg bei externen Partnerschaften, 33 % bei rein internen Entwicklungen.
Das ist keine ideologische Frage und auch keine Verkaufsmasche von Dienstleistern (mich eingeschlossen). Es ist schlicht eine Frage der Spezialisierung. Datenintegration, Modellauswahl, Sicherheit, laufende Pflege. Das ist kein Nebenprojekt für die hauseigene IT-Abteilung, und im ersten Quartal wird es regelmäßig kleingeredet. Wie oft hören wir in Erstgesprächen den Satz: „Wir wollten es selbst bauen. Jetzt suchen wir einen Partner."
Es ist ein Muster.
Was C-Level konkret anders macht
Wer zu den 5 % erfolgreichen Projekten gehören will, macht in unserer Erfahrung drei Sachen anders als die anderen 95.
Erstens: starten mit einem klaren Geschäftsproblem, nicht mit einer Technologie. „Wir wollen unsere Angebotsschreiben um 40 % beschleunigen" ist ein guter Startpunkt. „Wir wollen ein Corporate LLM" ist kein Startpunkt, das ist ein Wunsch.
Zweitens: die Datenbasis prüfen, bevor das Modell gewählt wird. Welche Quellen müssen angebunden werden, wie aktuell sind sie, wer darf was sehen. Das ist die langweiligste Phase im Projekt. Es ist auch die wichtigste.
Drittens, falls Sie selbst zum ersten Mal so etwas aufsetzen: sich einen Partner suchen, der den Weg schon zehnmal gegangen ist. Die ersten sechs Monate sind teuer in Lernkurven, nicht in Lizenzen.
Jetzt starten
Der Return auf ein Corporate LLM hängt selten am Modell. Er hängt fast immer daran, ob Ihre internen Daten KI-fähig sind. Diese Frage lässt sich in zwei Workshop-Tagen sauber beantworten, bevor das erste Projekt anläuft. Wenn das für Sie gerade ein Thema ist, melden Sie sich. Wir machen das oft.
Quellen
Häufig gestellte Fragen
Was unterscheidet ein Corporate LLM von ChatGPT Enterprise?
Es ist kein anderes KI-Modell. Es ist eine kontrollierte Verbindung zwischen einem KI-Modell und Ihrem Unternehmenswissen. ChatGPT Enterprise weiß sehr viel über das offene Internet, aber nichts über Ihre Lieferverträge, Reklamationshistorie oder Projektstände. Ein Corporate LLM macht genau dieses interne Wissen abfragbar, und zwar so, dass die Buchhaltung nur Buchhaltungsdaten sieht und der Vertrieb nur Vertriebsdaten.
Welche Daten muss ich vorbereiten, bevor ich starte?
Weniger, als die meisten denken. Aber sauberer, als die meisten haben. Im Pilotbetrieb reichen oft zwei bis drei klar abgegrenzte Wissensquellen, etwa das CRM, die Angebots-Bibliothek und die letzten zwei Jahre Projektdokumentation. Wichtiger als die Menge sind Aktualität, klare Berechtigungen und die saubere Trennung zwischen gültigen und veralteten Versionen.
Sollten wir selbst bauen oder einkaufen?
Die MIT-Studie 2025 ist hier eindeutig: Eigenbau-Lösungen scheitern doppelt so häufig wie eingekaufte. 67 % Erfolg bei spezialisierten Partnerschaften, 33 % bei rein internen Entwicklungen. Datenintegration, Sicherheit und laufende Pflege sind aufwändiger, als es im Pilotprojekt aussieht. Ohne eine spezialisierte KI-Abteilung im Haus kommt man mit einem Partner schneller in den ROI.
