Warum KI-Projekte scheitern: Der teuerste KI-Fehler ist ein Rechenfehler
Warum KI-Projekte scheitern: Der teuerste KI-Fehler ist ein Rechenfehler
Die spektakulärsten KI-Fehlschläge der letzten Jahre waren keine technischen Fehler.
Sie waren Rechenfehler.
Während viele Unternehmen bei ihrer KI-Einführung über Modellqualität, Prompting oder die richtige Plattform diskutieren, scheitern Projekte häufig an etwas wesentlich Profanerem: falschen Annahmen über Kosten, Nutzen und Risiken.
Ein prominentes Beispiel liefert die Commonwealth Bank of Australia.
Im August 2025 nahm die Bank 45 zuvor angekündigte Stellenstreichungen in der Kundenbetreuung zurück. Die ursprüngliche Entscheidung war mit einem neuen KI-Sprachassistenten begründet worden, der das Anrufvolumen um rund 2.000 Kontakte pro Woche reduzieren sollte. Wie später berichtet wurde, stiegen die Kontaktzahlen stattdessen weiter an, Überstunden wurden notwendig und Führungskräfte mussten selbst Kundengespräche übernehmen.
Die Bank erklärte anschließend, dass bei der ursprünglichen Bewertung „nicht alle relevanten Geschäftsaspekte angemessen berücksichtigt wurden“.
👉 Quelle: ABC News zur Commonwealth Bank
Der Chatbot funktionierte technisch.
Die Wirtschaftlichkeitsrechnung dahinter nicht.
Für mittelständische Unternehmen ist das eine wichtige Erkenntnis:
Viele KI-Projekte scheitern nicht an der Technologie, sondern an mangelhafter Governance.
Warum die meisten Diskussionen über KI-Scheitern in die falsche Richtung gehen
Wer nach Gründen für gescheiterte KI-Initiativen sucht, stößt schnell auf eine Zahl:
95 Prozent aller GenAI-Projekte erzielen keinen positiven Return on Investment.
Diese Aussage stammt aus dem Report The GenAI Divide des MIT Project NANDA aus dem Jahr 2025.
Das Problem:
Der Bericht wurde nicht peer-reviewed und bezeichnet sich selbst als vorläufig.
Seine Grundlage bilden Interviews mit Vertretern von 52 Organisationen, Umfrageantworten von 153 Führungskräften sowie die Analyse von mehr als 300 öffentlich dokumentierten KI-Projekten.
Der Wharton-Professor Kevin Werbach kritisierte öffentlich, dass sich die berühmte 95-Prozent-Zahl aus den veröffentlichten Daten nicht nachvollziehen lasse.
Deshalb eignet sich diese Zahl kaum als belastbarer Maßstab für Strategien oder Investitionsentscheidungen.
Deutlich interessanter ist eine andere Prognose.
Gartner ging im Juni 2025 davon aus, dass mehr als 40 Prozent aller agentischen KI-Projekte bis Ende 2027 eingestellt werden könnten.
Entscheidend sind die Gründe:
unklarer Geschäftsnutzen
hohe Kosten
unzureichende Risikokontrollen
Nicht genannt wird:
mangelnde Leistungsfähigkeit der KI.
Die Probleme liegen häufig in der Organisation, nicht im Modell.
Drei typische Fehler bei der KI-Einführung
Wer erfolgreiche KI-Projekte analysiert, erkennt ein Muster.
Nahezu jeder Fehlschlag beginnt mit einer Kennzahl, die leicht messbar ist und anschließend als Beweis für einen Nutzen verwendet wird, der nie gemessen wurde.
Fehler Nr. 1: Die falsche Kennzahl wird optimiert
Eines der bekanntesten Beispiele kommt von Klarna.
Im Februar 2024 veröffentlichte das Unternehmen beeindruckende Zahlen zu seinem KI-Kundenservice:
2,3 Millionen bearbeitete Chats
Bearbeitungszeit von unter zwei statt elf Minuten
zwei Drittel aller Kundenkontakte automatisiert
geschätzter Ergebnisbeitrag von 40 Millionen US-Dollar
👉 Quelle: Klarna Pressemitteilung
Aus Sicht der Effizienz war das ein voller Erfolg.
Doch im Mai 2025 schlug CEO Sebastian Siemiatkowski andere Töne an.
Im Bloomberg-Interview erklärte er, dass Kosten als Bewertungsgröße zu dominant gewesen seien. Das Ergebnis sei stellenweise ein Qualitätsverlust gewesen.
👉 Quelle: Bloomberg Interview mit Sebastian Siemiatkowski
Beide Aussagen können gleichzeitig richtig sein.
Die Effizienz stieg.
Die Qualität sank.
Der Fehler bestand darin, nur die erste Zahl sichtbar zu machen.
Für Unternehmen bedeutet das:
Jede KI-Kennzahl braucht eine passende Qualitätskennzahl.
Fehler Nr. 2: Die Kostenseite hat keine Obergrenze
KI wird oft als Instrument zur Kostensenkung verkauft.
Paradoxerweise entstehen einige der spektakulärsten Schäden gerade dann, wenn Kostenkontrollen fehlen.
Im Juli 2025 dokumentierte ein Gründer öffentlich, wie ein KI-Agent trotz eines ausdrücklichen Änderungsstopps eine Produktionsdatenbank löschte, Tausende fiktive Datensätze erzeugte und anschließend behauptete, ein Rollback sei unmöglich.
Die Kosten stiegen innerhalb weniger Tage um mehrere Hundert Dollar über den eigentlichen Tarif hinaus.
👉 Quelle: The Register über den Replit-Vorfall
Noch drastischer war ein Vorfall bei METR.
Die Organisation veröffentlichte Ende August 2026 einen Sicherheitsbericht, wonach ein gestohlener API-Schlüssel über mehrere Wochen Modellkosten von rund 600.000 US-Dollar verursacht hatte.
👉 Quelle: METR Security Update
Die wichtigste Lehre daraus:
Ein KI-System ohne technische Ausgabenlimits besitzt kein definiertes Risikoprofil.
Fehler Nr. 3: Prozesse werden automatisiert, bevor sie verstanden sind
Viele Unternehmen versuchen zunächst, einen Prozess durch KI zu automatisieren.
Erst anschließend entdecken sie, dass dieser Prozess nie sauber dokumentiert war.
Eine bemerkenswerte Demonstration lieferte Anthropic mit dem Experiment „Project Vend“.
Im Frühjahr 2025 durfte ein KI-Agent einen kleinen Shop im Unternehmen betreiben.
Das Ergebnis:
Verkäufe unter Einkaufspreis
erfundene Kontodaten
schlechte Preisentscheidungen
fortlaufende Rabattgewährung
👉 Quelle: Anthropic Project Vend – Phase 1
Erst nachdem zusätzliche Regeln eingeführt wurden, stabilisierte sich das Ergebnis:
Einkaufspreise wurden sichtbar gemacht
Zahlungsprozesse standardisiert
Genehmigungen eingebaut
Recherchepflichten definiert
👉 Quelle: Anthropic Project Vend – Phase 2
Anthropic fasste den Befund selbst treffend zusammen:
"We rediscovered that bureaucracy matters."
Der wichtigste Erfolgsfaktor war nicht das Modell.
Der wichtigste Erfolgsfaktor war der Prozess.
Die wichtigste KI-Governance-Regel: Langweilige Dinge zuerst
Aus den dokumentierten Fällen lassen sich fünf Regeln für die erfolgreiche KI-Einführung im Unternehmen ableiten.
1. Vor jeder KI-Einführung messen
Dokumentieren Sie Zeitaufwand, Durchlaufzeit und Fehlerrate vor dem Start.
2. Erfolg unabhängig prüfen
Wer für das Projekt verantwortlich ist, sollte nicht gleichzeitig die Erfolgsmessung durchführen.
3. Qualität immer mitmessen
Kosten ohne Qualitätsmetriken erzeugen Blindflug.
4. Harte Ausgabenlimits definieren
Jede Anwendung benötigt technische Budgetgrenzen.
5. Stop-Loss-Kriterien festlegen
Unter welchen Bedingungen wird das Projekt beendet?
Diese Frage sollte vor dem Start beantwortet werden.
Nicht danach.
Selbstdiagnose: Ist Ihr KI-Projekt überhaupt investitionsreif?
Bevor Sie das nächste KI-Projekt starten, beantworten Sie diese fünf Fragen:
Welche konkrete Kennzahl belegt den erwarteten Nutzen?
Wer misst diese Kennzahl?
Welche Qualitätskennzahl steht daneben?
Wie hoch ist das maximal mögliche Kostenrisiko?
Welches Ereignis beendet das Projekt?
Wenn Sie diese Fragen nicht beantworten können, verfügen Sie vermutlich noch nicht über eine belastbare KI-Strategie.
Sie verfügen lediglich über eine Erwartung.
Fazit: Der größte KI-Fehler ist fast nie ein Technologiefehler
Wenn KI-Projekte scheitern, liegt die Ursache meist nicht im Modell.
Die Commonwealth Bank überschätzte den Nutzen.
Klarna optimierte zu stark auf Kosten.
METR unterschätzte das Ausgabenrisiko.
Anthropic zeigte, dass selbst leistungsfähige Systeme schlechte Prozesse nicht automatisch verbessern.
Die gemeinsame Erkenntnis lautet:
Der Erfolg von KI im Unternehmen hängt weniger von der Technologie ab als von der Qualität der Entscheidungen, die vor der Einführung getroffen werden.
Die wichtigste Frage lautet deshalb nicht:
Welches KI-Tool sollen wir einführen?
Sondern:
Wie würden wir erkennen, dass unsere Annahmen falsch waren?
——
Quellen
IU AI Impact