KI ist im Mittelstand angekommen: Laut ifo-Konjunkturumfrage vom Mai 2026 setzen 54,5 Prozent der deutschen Unternehmen KI ein, im Jahr davor waren es 40,9. Damit verschiebt sich das Risiko. Die Frage ist nicht mehr, ob du KI einsetzt, sondern ob dein Projekt zu denen gehört, die etwas davon haben. Denn parallel zur Adoption ist die Abbruchquote gestiegen, und zwar schneller, als die Analysten vorhergesagt hatten. Wir haben die belastbaren Untersuchungen der letzten zwei Jahre nebeneinandergelegt. Das Ergebnis ist unbequem und tröstlich zugleich: Es sind immer dieselben fünf Muster, und jedes davon ist erkennbar, bevor Budget fließt.
Zuerst die Größenordnung. Gartner prognostizierte im Juli 2024, dass mindestens 30 Prozent der GenAI-Projekte bis Ende 2025 nach dem Proof of Concept abgebrochen werden - wegen schlechter Datenqualität, unzureichender Risikokontrollen, steigender Kosten oder unklaren Geschäftswerts. Die Messung fiel dann härter aus als die Prognose: In der Unternehmensbefragung von S&P Global Market Intelligence 2025 gaben 42 Prozent der Unternehmen an, die Mehrheit ihrer KI-Initiativen abgebrochen zu haben - im Vorjahr waren es 17 Prozent. Im Schnitt wurden 46 Prozent der Proof of Concepts verworfen, bevor sie die Produktion erreichten.
Warum bricht fast die Hälfte ab? Die gründlichste Antwort auf die Frage nach den Ursachen stammt von der RAND Corporation, die 65 erfahrene Data Scientists und Engineers zu gescheiterten Projekten befragt hat. Deren fünf Hauptursachen decken sich auffällig mit dem, was Gartner, McKinsey und Deloitte auf der Business-Seite messen. Daraus ergeben sich die fünf Muster.
Muster 1: Das Projekt hat ein Werkzeug, aber kein Problem
Die am häufigsten genannte Ursache in den RAND-Interviews ist nicht technisch: Die Beteiligten missverstehen oder kommunizieren falsch, welches Problem die KI überhaupt lösen soll. Auf Platz drei folgt das Spiegelbild: Der Fokus liegt auf der neuesten Technologie statt auf einem echten Problem. Beides zusammen ergibt das klassische Projekt, das mit dem Satz "Wir müssen etwas mit KI machen" beginnt und mit einem Werkzeug endet, das niemand vermisst, wenn es ausfällt.
Dass Fokus messbar Geld wert ist, zeigt BCG in der Auswertung von 1.803 C-Level-Befragten: Unternehmen, die signifikanten Wert aus KI ziehen, verfolgen im Schnitt 3,5 Use Cases. Die Nachzügler verzetteln sich auf 6,1 - und die fokussierte Gruppe holt den 2,1-fachen Return. Mehr Projekte bedeuten nicht mehr Ergebnis, sondern dünneres Budget, dünnere Aufmerksamkeit und dünnere Daten pro Projekt.
Frühwarnzeichen: Der Projektname nennt die Technologie statt den Prozess. "ChatGPT einführen" ist kein Projekt. "Angebotserstellung von vier Tagen auf einen verkürzen" ist eins. Ob dafür überhaupt ein KI-Agent nötig ist oder ein simpler Workflow reicht, ist dann die zweite Frage - die Abgrenzung steht in KI-Agent oder Automations-Workflow.
Muster 2: Die Daten sind nicht bereit
Ursache Nummer zwei bei RAND: Der Organisation fehlen die Daten, um das Vorhaben zu tragen. Gartner nannte schlechte Datenqualität als ersten der vier Abbruchgründe. Und in der CDO-Befragung von Informatica vom Januar 2026 nennen 57 Prozent der 600 befragten Datenverantwortlichen mangelnde Datenzuverlässigkeit als Schlüsselbarriere auf dem Weg vom Pilot in die Produktion - wobei man dazusagen muss, dass Informatica als Datenmanagement-Anbieter von genau diesem Narrativ lebt. Die Richtung stimmt trotzdem, sie deckt sich mit den unabhängigen Quellen.
Das Tückische an diesem Muster: Es zeigt sich erst spät. Im Proof of Concept arbeitet das Team mit handverlesenen Beispielen, und alles sieht gut aus. In der Produktion kommen dann die echten Daten - Dubletten, veraltete Einträge, fehlende Felder, drei Schreibweisen pro Kunde. Warum das jede Automation ruiniert und wie du den Zustand deiner Daten in einem Nachmittag ehrlich erhebst, haben wir in CRM-Hygiene vor KI aufgeschrieben.
Frühwarnzeichen: Niemand im Raum kann sagen, wo die Daten liegen, wie viele es sind und wie alt sie sind. Wenn diese drei Fragen eine Recherche brauchen, ist das die erste Arbeitswoche des Projekts - vor dem Business Case, nicht nach ihm.
Muster 3: Das Werkzeug kommt, der Prozess bleibt
Das am besten belegte Einzelergebnis der ganzen Quellenlage stammt von McKinsey: In der Auswertung von 25 getesteten Organisations-Attributen hat das Neugestalten von Arbeitsabläufen den größten Effekt auf den Gewinnbeitrag von generativer KI. Nicht das Modell, nicht das Budget, nicht die Toolwahl: der Prozess. Gleichzeitig zeigt Deloittes State of AI 2026 (3.235 Führungskräfte in 24 Ländern), dass nur 30 Prozent der Organisationen ihre Prozesse um die KI herum neu gestalten. Die anderen 70 Prozent legen das Werkzeug auf den alten Ablauf und wundern sich, dass die Zeitersparnis im Alltag verdunstet.
Für den deutschsprachigen Raum kommt ein personelles Problem dazu: In der repräsentativen Bitkom-Befragung von 604 Unternehmen nennen 53 Prozent fehlendes technisches Know-how und 51 Prozent fehlende personelle Ressourcen als größte Hemmnisse. Ein neuer Prozess braucht jemanden, der ihn baut, erklärt und in den ersten Wochen repariert. Wenn diese Person nicht benannt ist, übernimmt sie niemand.
Frühwarnzeichen: Im Projektplan gibt es keinen Satz dazu, was sich am Arbeitsablauf der Beteiligten ändert. Wenn nach dem Rollout alle exakt so arbeiten wie vorher, war es kein Projekt, sondern eine Lizenz.
Muster 4: Der Pilot bleibt Pilot
Hier verdichtet sich alles. McKinseys State of AI vom November 2025 (1.993 Befragte aus 105 Ländern) zeigt die Schere: 88 Prozent der Unternehmen nutzen KI inzwischen in mindestens einer Funktion, aber fast zwei Drittel stecken in der Experimentier- oder Pilotphase fest. Nur 7 Prozent berichten, KI voll skaliert einsetzen. Deloitte misst dasselbe von der anderen Seite: Nur 25 Prozent der Organisationen haben 40 Prozent oder mehr ihrer Piloten in Produktion gebracht.
Der Pilot ist der bequemste Ort eines KI-Projekts: kleines Budget, ausgewählte Daten, wohlwollende Nutzer, keine Verantwortung für den Ernstfall. Die Produktion verlangt dagegen Antworten auf unbequeme Fragen - wer trägt den Betrieb, was passiert bei Fehlern, welche Guardrails begrenzen das System, wer haftet für die Ausgabe. Gartner nennt unzureichende Risikokontrollen ausdrücklich als Abbruchgrund, und laut Deloitte haben erst 21 Prozent der Organisationen ein reifes Governance-Modell für KI-Agenten. Diese Fragen sind im Piloten alle vertagt und in der Produktion alle fällig. Genau an dieser Schwelle sterben die 46 Prozent aus der S&P-Messung.
Frühwarnzeichen: Der Pilot hat kein Enddatum, keinen benannten Betriebs-Owner und keine Kriterien, ab wann er in Produktion geht oder abgeschaltet wird. Ein Pilot ohne Abschaltkriterium ist kein Test, sondern ein Dauerzustand.
Muster 5: Niemand misst, ob es etwas bringt
Das leiseste Muster, und vermutlich das teuerste. McKinsey hat es beziffert: Weniger als eines von fünf Unternehmen verfolgt klar definierte Kennzahlen für seine GenAI-Lösungen - und dasselbe KPI-Tracking ist zugleich einer der stärksten Prädiktoren dafür, dass unterm Strich etwas ankommt. Wie grundlegend eine saubere Modell-Evaluierung fehlt, zeigt auch die Investitionsseite: Im BCG AI Radar 2026 (2.360 Executives, darunter 640 CEOs) geben 94 Prozent an, weiter in KI zu investieren, selbst wenn ihre Initiativen 2026 keinen Ertrag liefern. Man kann das Zuversicht nennen. Man kann es auch so lesen: Die Mehrheit hat keinen Messwert, der sie stoppen könnte.
In dieses Muster gehört auch die meistzitierte KI-Zahl des letzten Jahres: die 95 Prozent ohne messbaren Return aus dem MIT-NANDA-Report. Wir haben sie in einem eigenen Beitrag auseinandergenommen - die Kurzfassung: Die Zahl misst Organisationen ohne messbaren Gewinn-Effekt, nicht gescheiterte Projekte, und die Studie ist klein und vorläufig. Aber selbst wer sie halbiert, landet bei einem Befund, der zu allen anderen Quellen passt: Der Normalfall ist nicht das KI-Projekt, das Schaden anrichtet. Der Normalfall ist das KI-Projekt, von dem niemand sagen kann, was es gebracht hat.
Frühwarnzeichen: "Erfolg" ist im Projektantrag ein Adjektiv, keine Zahl. Wenn dort "effizienter", "schneller" oder "entlastet" steht, aber keine Basislinie und kein Zielwert, wird nach dem Rollout niemand mehr messen wollen - weil das Ergebnis dann jemandem gehört.
Drei Hebel für den nächsten Projektstart
Schreib den einen Satz, bevor du das Werkzeug wählst. "Wir verkürzen Prozess X von A auf B, gemessen an Z." Wenn dieser Satz nicht existiert, ist das Vorhaben ein Experiment - das ist legitim, aber dann bekommt es ein Experimentier-Budget und ein Enddatum statt eines Rollout-Plans.
Zieh 50 echte Fälle, bevor du den Business Case rechnest. Nimm fünfzig echte Datensätze oder Vorgänge und geh sie von Hand durch. Was du dabei über Dubletten, Lücken und Sonderfälle lernst, entscheidet über das Projekt - und es kostet einen Nachmittag statt eines gescheiterten Quartals.
Schreib die Produktionskriterien in den Piloten. Ein Betriebs-Owner mit Namen, eine Kennzahl mit Basislinie, definierte Leitplanken für das, was das System nicht darf, und ein Datum, an dem entschieden wird: skalieren oder abschalten. Alles davon passt auf eine Seite, und diese Seite trennt die 7 Prozent von den zwei Dritteln.
Wenn du gerade ein KI-Projekt vor dir hast und wissen willst, welches der fünf Muster darin schon angelegt ist: Wir gehen die Idee gern einmal mit dir durch, bevor Budget fließt. Meistens dauert das ein Gespräch, nicht ein Audit. 🧭