Dieser Beitrag sollte mit einer einfachen Prüfung beginnen: die meistzitierte Zahl der KI-Debatte einmal an ihrer Quelle nachlesen. "95 Prozent scheitern" steht auf Konferenzfolien, in Newslettern, unter LinkedIn-Beiträgen, und die Quelle ist immer schnell genannt, ein Report des MIT. Drei ausführliche Auswertungen, die wir gelesen haben, geben ihn sorgfältig wieder. Aber keine davon zitiert einen Satz wörtlich, und keine nennt eine Seitenzahl. Also haben wir uns das Dokument selbst geholt.
Das war unspektakulärer, als es klingt. Unser Skript-Abruf bekam einen HTTP 403 zurück, ein Abruf mit Browser-Kennung lieferte die 26 Seiten. Verschwunden war die Datei nie; nur die Adresse, unter der das MIT sie ursprünglich ausgeliefert hat, leitet inzwischen auf eine Projektübersicht um. Dann haben wir den Report aufgemacht und nach der Zahl gesucht. Sie steht dort, erfunden hat sie niemand. Sie beantwortet nur nicht die Frage, mit der wir gekommen sind.
Wovon sind es eigentlich 95 Prozent?
Der Satz, der in den Zitierungen gemeint sein dürfte, steht in der Zusammenfassung auf Seite 3: Bei 30 bis 40 Milliarden Dollar Investition komme der Report zu dem Ergebnis, dass "95% of organizations are getting zero return". Gezählt werden Organisationen. Zwei Zeilen weiter: "Just 5% of integrated AI pilots are extracting millions in value." Gezählt werden Piloten, und die Schwelle ist nicht "funktioniert", sondern "Millionen an Wert". Im selben Absatz, über maßgeschneiderte Unternehmenswerkzeuge: "just 5 percent reached production", gezählt werden Werkzeuge.
Damit ist die Zusammenfassung durch, das Dokument nicht. Auf Seite 7 neben der Trichtergrafik: "The 95% failure rate for enterprise AI solutions", gezählt werden Lösungen. Wenige Zeilen darunter, in einer Liste verbreiteter Irrtümer: "Only 5% of enterprises have AI tools integrated in workflows at scale", gezählt werden Unternehmen.
Fünfmal dieselbe Ziffer im selben Dokument, und fünfmal zählt sie etwas anderes.
Das ist der eigentliche Befund, und er ist unbequemer als ein Fehlzitat: Der Report verwendet dieselbe Prozentzahl für fünf verschiedene Bezugsgrößen. Wer sie von dort übernimmt, kann sie auf Organisationen, Piloten, Werkzeuge, Lösungen oder Unternehmen beziehen und für jede Variante eine Fundstelle vorweisen. Die Mehrfachverwendung macht es leicht, den Bezug zu verlieren, ohne dabei etwas falsch abzuschreiben.
Wir halten den Satz auf Seite 3 für den maßgeblichen, weil er in der Zusammenfassung steht. Aber das ist unsere Lesart, keine Festlegung des Reports.
Haben wir wirklich im Dokument gelesen?
Die Frage gehört hierher, weil wir sie an fremde Quellen auch stellen. Der Report heißt "The GenAI Divide: State of AI in Business 2025" und stammt aus dem MIT-Projekt NANDA, im Anhang aufgelöst als Networked Agents And Decentralized Architecture. Autoren sind Aditya Challapally, Chris Pease, Ramesh Raskar und Pradyumna Chari, datiert auf Juli 2025. Die Fassung, die wir lesen konnten, ist eine Spiegelung bei mlq.ai mit dem Dateinamen v0.1. Die Metadaten der Datei nennen Challapally als Autor und den 13. Juli 2025 als Erstellungsdatum, sie ist also plausibel echt.
Trotzdem gilt: Wir haben eine Kopie gelesen, keine vom MIT ausgelieferte Datei.
Auf Seite 2 beschreibt sich das Papier selbst, und in den Aufbereitungen, die wir gelesen haben, kommt dieser Absatz nicht vor. Überschrift dort: "Preliminary Findings", also vorläufige Befunde. Erhebungszeitraum Januar bis Juni 2025. Die Methode im Wortlaut: "a systematic review of over 300 publicly disclosed AI initiatives, structured interviews with representatives from 52 organizations, and survey responses from 153 senior leaders collected across four major industry conferences". Übersetzt: 52 Organisationen interviewt, 153 Führungskräfte auf vier Branchenkonferenzen befragt, über 300 öffentlich angekündigte KI-Initiativen vom Schreibtisch aus durchgesehen.
Eine ordentliche qualitative Erhebung also, aber keine repräsentative Stichprobe, und das Papier behauptet das auch nirgends. Es ist ein 26-seitiger Word-Export mit vorläufigen Befunden, kein begutachteter Aufsatz. Die 30 bis 40 Milliarden Dollar Investitionsvolumen, die in fast jeder Zitierung mitlaufen, tragen im Dokument übrigens keine Quellenangabe.
Wo wir die Zahl selbst falsch zitiert haben
Bevor wir über fremde Schlagzeilen reden, der Blick in den eigenen Bestand. Wir haben unsere Beiträge durchsucht, in denen die Zahl vorkommt. Es sind drei, und sie sagen drei verschiedene Dinge. In Make-or-Buy bei KI-Projekten stand bis vor Kurzem "95 Prozent der GenAI-Piloten"; jetzt steht dort, "dass 95 Prozent der Organisationen keinen messbaren Ergebnisbeitrag aus GenAI ziehen". In KI-Agent oder Workflow stand "95 Prozent der untersuchten GenAI-Piloten". Und in Was eine KI-Strategie wirklich kostet fragte eine Zwischenüberschrift: "Warum scheitern 95 Prozent der KI-Projekte".
Organisationen, Piloten, Projekte: dieselbe Zahl, drei Bezugsgrößen, ein Haus, und monatelang ist es niemandem aufgefallen.
Beide Stellen nennen inzwischen den Bezug, der auf Seite 3 steht. Der zweite Fund ist unangenehmer, weil er die Methodik betrifft. Im Kostenbeitrag haben wir als Beleg eine Aufbereitung von Fortune verlinkt und deren Methodenangabe übernommen: 150 Führungskräfte interviewt, 350 Mitarbeitende befragt, 300 öffentliche KI-Einführungen ausgewertet. Die Fassung, die wir jetzt gelesen haben, nennt 52 Organisationen, 153 Führungskräfte und über 300 öffentlich dokumentierte Initiativen. Dieselben abweichenden Angaben stehen auch in der Aufbereitung des National CIO Review.
Diesen Widerspruch können wir aus dem Dokument, das wir haben, nicht auflösen, und behaupten deshalb nicht, die andere Angabe sei falsch. Wir sagen nur: Wir haben eine Methodenangabe weitergereicht, ohne sie je gegen ein Dokument zu halten. Im Kostenbeitrag stehen jetzt beide Angaben nebeneinander, unsere Quelle und die des Reports, samt dem Hinweis, dass wir den Widerspruch nicht auflösen können.
Spätestens hier war aus der Quellenprüfung ein Content-Audit im eigenen Haus geworden, und das ist auch die richtige Reihenfolge: Wer über Belege schreibt, fängt bei den eigenen an.
Wie entsteht eine Wanderzahl?
Wir nennen das eine Wanderzahl: Die Ziffer bleibt stehen, das Substantiv daneben wechselt, und weil die Ziffer die Aufmerksamkeit bindet, fällt der Wechsel kaum auf. Vier reale Schlagzeilen zur selben Studie zeigen die Bewegung: Bei Legal.io scheitern Piloten, bei Innovative Human Capital Investitionen, beim National CIO Review Projekte in Unternehmen, bei Medium Projekte. Vier Substantive, und keine der Publikationen hat sich etwas ausgedacht: Zu jeder Variante gibt es im Report eine Stelle, die sie ungefähr stützt.
Genau das macht eine Wanderzahl so haltbar: Sie ist nie ganz falsch.
Der zweite Teil der Bewegung fällt noch weniger auf, weil er das Verb betrifft. Im Report heißt es "getting zero return", also keinen Ertrag sehen. In den Schlagzeilen heißt es "fail", scheitern. Das ist nicht dasselbe. Ein Unternehmen, das vier Piloten fährt, von denen zwei ordentlich laufen, aber im Konzernergebnis nicht auftauchen, sieht keinen messbaren Ertrag. Gescheitert ist dort nichts.
Wenn aus dem Fehlen eines Nachweises ein Scheitern wird, hat sich die Aussage umgedreht: aus einem Messproblem ist ein Technikproblem geworden. Das ist derselbe Mechanismus wie bei einer Halluzination im KI-Text, nur langsamer: Jede Fassung klingt griffiger als die davor, und mit jedem Schritt wächst der Abstand zum Original.
Warum ist das keine Wortklauberei?
Weil an jeder Bezugsgröße eine andere Entscheidung hängt. Gilt der Wert für Organisationen, die keinen messbaren Ertrag sehen, ist das zuerst ein Mess- und Portfolioproblem: Es fehlt die Zuordnung zwischen Einsatz und Ergebnis. Die Konsequenz heißt Kennzahlen vor Projektstart, nicht mehr Technik. Gilt er für maßgeschneiderte Werkzeuge, die die Produktion nicht erreichen, ist das ein Einkaufs- und Integrationsproblem. Die Konsequenz heißt andere Auswahlkriterien und weniger Eigenbau. Und wenn tatsächlich so viele Piloten scheitern, wäre das ein Handwerksproblem im Projektmanagement.
Drei Diagnosen, drei Budgets, dieselbe Zahl auf der Folie.
Dazu kommt die Schwelle, die praktisch nie mitzitiert wird. Die 5 Prozent auf der Erfolgsseite sind im Report diejenigen, die "millions in value" herausholen. Ein Pilot, der jährlich 200.000 Euro spart, landet in dieser Rechnung bei den 95 Prozent, obwohl er für einen Mittelständler ein Erfolg wäre. Wer die Zahl als Warnung vor KI-Projekten verwendet, legt eine Konzern-Schwelle an eine Mittelstandsentscheidung an.
Fairerweise: Der Report geht mit seinen Zahlen vorsichtiger um als die meisten, die ihn zitieren. Auf Seite 6 steht neben der Trichtergrafik, die Werte seien "directionally accurate based on individual interviews rather than official company reporting", die Stichprobengrößen unterschieden sich je Kategorie und die Erfolgsdefinitionen zwischen den Organisationen. Auf Seite 7 wird erfolgreich definiert als: Werkzeuge, bei denen Nutzer oder Führungskräfte einen "marked and sustained" Effekt angemerkt haben. Erfolg ist hier also eine Wahrnehmung aus Interviews, keine Buchung.
Und im Anhang räumen die Autoren ein, ihr Beobachtungsfenster von sechs Monaten könnte für komplexe Systeme zu kurz sein und die Erfolgsquote deshalb zu niedrig ausfallen. Diese drei Einschränkungen haben wir in keiner Schlagzeile gefunden. Sie stehen im Papier, gleich neben der Zahl.
Wie prüfst du eine Zahl in fünf Minuten?
Schritt eins: Such das Dokument, nicht den Artikel über das Dokument. Der Titel plus "pdf" reicht meistens. Findest du nach zehn Minuten nur Artikel, die sich gegenseitig zitieren, hat die Zahl vermutlich keinen Boden, und das allein ist schon ein Ergebnis.
Schritt zwei: Wenn die Datei blockt, ist das kein Abbruchgrund. Spiegelungen, Archivdienste und ein Abruf, der sich als Browser ausweist, führen oft zum Ziel. Liest du am Ende eine Kopie, schreib das dazu und prüf in den Dateimetadaten, ob Autor und Erstellungsdatum zum behaupteten Ursprung passen.
Schritt drei: Such nach den Ziffern, nicht nach der Behauptung. Strg+F auf "95", dann jeden Treffer lesen, nicht nur den ersten. In unserem Fall waren es fünf. Schritt vier, der wichtigste: Notier Bezugsgröße und Schwelle. Wer oder was wird gezählt, und ab wann gilt etwas als Erfolg. Ohne diesen Satz hast du eine Zahl, aber keine Aussage.
Schritt fünf: Lies die Methodenseite und die Einschränkungen. Fehlen sie, ist das der Befund über das Papier.
Und woran erkennst du, dass eine Sekundärquelle nur paraphrasiert? An vier Anzeichen. Sie nennt keine Seitenzahl. Sie setzt keine Anführungszeichen um den entscheidenden Satz. Ihr Satz liest sich glatter, als ein Forschungspapier je klingt. Und die Methodenangaben sind auffällig rund, 150 und 350 statt 52 und 153. Runde Angaben sind oft das Erkennungszeichen einer Zahl, die schon durch mehrere Hände gegangen ist.
Drei Hebel für die nächste Präsentation
Hebel 1: Nimm die Zahl, die in deinem Deck am häufigsten vorkommt, und such ihr Ausgangsdokument. Nur diese eine. Zehn Minuten, mit den fünf Schritten oben. Entweder du findest sie und weißt danach mehr, oder du findest sie nicht, und dann ist die Folie das Problem, nicht die Recherche.
Hebel 2: Schreib die Bezugsgröße auf die Folie, nicht nur die Zahl. Also "95 Prozent der Organisationen ohne messbaren Ergebnisbeitrag, MIT NANDA, Juli 2025, 52 Organisationen" statt "95 Prozent scheitern". Das kostet eine Zeile, wirkt souverän statt kleinlich, und es schützt dich vor der einen Rückfrage im Raum, die dein Argument sonst kippt.
Hebel 3: Führ eine Zahlenzeile in deinem Redaktionsprozess ein. Pro Zahl ein Satz mit Dokument, Seite, Bezugsgröße, Feldzeit und Schwelle, abgelegt neben dem Text und nicht im Kopf. Wer Zahlen zitiert, baut einen Teil seiner Glaubwürdigkeit auf fremdem Grund; die Zahlenzeile macht daraus nachprüfbare Erfahrung und Vertrauenswürdigkeit statt bloßer Behauptung.
Wir haben für diesen Beitrag drei eigene Fehlzitate gefunden und zwei davon noch offen. Falls du deine eigenen Materialien einmal von außen durchgehen lassen willst, Studienzahlen, Fallbeispiele, Preisangaben: Wir machen das regelmäßig und melden auch das, was unangenehm ist. Buch dir einen Termin, dann nehmen wir uns deine meistgenutzten Belege vor. 🔍