Wir bekommen regelmäßig Anfragen von Betrieben, die mit einem KI-Projekt schlechte Erfahrungen gemacht haben. Das Muster ist fast immer dasselbe: Tool gekauft, kurz getestet, nicht genutzt. Oder: Externer Dienstleister hat etwas gebaut, das niemand produktiv einsetzt. Oder: Pilot lief, Rollout kam nie. Diese Projekte sind selten technisch gescheitert. Sie sind an einem von fünf wiederkehrenden Mustern gescheitert, und alle fünf lassen sich vor dem Start erkennen.
Aus über 15 Projekten kennen wir die Muster. Und wir haben daraus Checklisten für unsere eigenen Kickoffs entwickelt, die den häufigsten Fehlern vorbeugen.
Die 5 häufigsten Gründe, warum KI-Projekte scheitern
Grund 1: Scope zu vage
"Wir wollen KI im Unternehmen einführen." Dieser Satz ist der häufigste Scope-Beschreibung in Analysegesprächen, und er ist kein Projekt. Ein Projekt braucht ein konkret benanntes Problem, einen klar abgegrenzten Prozess und eine messbare Zielgröße. Alles andere wird zur Dauer-Diskussion, in der jede Entscheidung offen bleibt.
Die Bitkom-Analysen zu Digitalisierung in Planungsbüros bestätigen das Muster: Vage Zielsetzungen korrelieren stark mit ausbleibendem Erfolg. Die Bitkom-Themenseite zur digitalen Transformation in Planungsbüros hat das dokumentiert. Die Handelsblatt-Übersicht zur KI-Einführung zeigt ähnliche Ergebnisse.
Gegenmittel: Vor dem Kick-off exakt benennen, welcher Prozess automatisiert wird, welches Team der Nutzer ist, welche Zahl sich ändern soll. In zwei Sätzen.
Grund 2: Daten nicht zugänglich
Der häufigste Schock zwischen Kick-off und Prototyp: "Die Daten, die wir brauchen, sind im CRM / ERP / Dokumenten-System, und wir haben dafür keine API / keine Freigabe / keine saubere Struktur."
Das ist kein KI-Problem. Das ist ein Daten-Problem. Und es ist vorher klärbar: Welche Datenquellen braucht das System? Welche sind technisch erreichbar? Wer hat Zugriffsrechte? Welche Dokumenten-Struktur ist im Einsatz? Heise dokumentiert regelmäßig, wie die Daten-Zugänglichkeit zum Engpass in KI-Projekten wird.
Gegenmittel: In der ersten Projektwoche die Datenquellen auflisten, Zugriff testen, Sample-Export ziehen. Wenn es hier klemmt, wird es später zu spät.
Grund 3: Team nicht mitgenommen
Wir haben Projekte gesehen, die technisch perfekt lagen und an der Akzeptanz scheiterten. Das Team nutzte das System nicht, weil es nicht eingebunden war, weil die Schulung fehlte, weil die Vorteile nicht klar waren, weil Ängste nicht adressiert wurden.
Change-Management ist bei KI-Projekten keine Option, sondern ein Pfeiler. Die Fraunhofer-Analysen zum Planungsbüros und neuen Technologien zeigen: In Betrieben, wo die Geschäftsführung das Projekt aktiv flankiert und die Teams früh eingebunden werden, steigt die Nutzungsquote nach Go-Live drastisch. Ohne diese Flanke bleibt das System liegen, auch wenn es technisch läuft.
Gegenmittel: Vor Projektstart Team-Workshop (60 Minuten): Was soll das System können, wen entlastet es, wer ist verantwortlich? Während der Umsetzung: zweiwöchige Updates mit dem operativen Team, Feedback integrieren.
Grund 4: Integration zu spät geklärt
"Erst mal der Prototyp, die Integration kommt später" klingt pragmatisch, ist aber ein Projekt-Killer. Wenn der Prototyp steht und dann festgestellt wird, dass die CRM-Anbindung drei Monate dauert, verliert das Projekt seinen Schwung. Teams springen ab, Zeitpläne verrutschen, Stakeholder werden ungeduldig.
Die McKinsey-Studien zu KI-Transformation dokumentieren dieses Muster. Integration ist einer der häufigsten Zeitvernichter in KI-Projekten. Die McKinsey State of AI zeigt laufende Erhebungen dazu.
Gegenmittel: Bei Projekt-Design die Integration vom Tag 1 mitdenken. Welche API wird gebraucht? Welche Nutzer-Identitäten werden synchronisiert? Welche Berechtigungen braucht der Agent? Prototyp und Integration laufen parallel, nicht sequenziell.
Grund 5: KPIs unmessbar
"Wir wollen Zeit sparen" ist kein KPI. "Wir wollen die Bearbeitungszeit pro Kundenanfrage von 45 auf 10 Minuten reduzieren" ist einer. Der Unterschied: Zahl, Basis-Messung, Ziel-Messung, Zeitraum.
Ohne messbare KPIs gibt es kein Go-Live, kein Projekt-Abschluss, keine Erfolgsgeschichte. Es gibt nur subjektive Einschätzungen, und die sind politisch. Die Bitkom-Studie zu KI in Planungsbüros zeigt: Projekte mit harten KPIs werden drei- bis viermal häufiger zu Ende gebracht als Projekte mit weichen Zielsetzungen.
Gegenmittel: Drei KPIs, jeweils mit Basis-Messung und Ziel-Messung. Im Kick-off festlegen, nicht im Review nachreichen.
Der Grund, der in Planungsbüros am häufigsten trägt
Über alle Projekte hinweg scheitert selten die Technik. Es scheitert an der Ablage: Wenn Pläne in drei Indexständen nebeneinanderliegen und niemand sicher sagen kann, welcher der gültige ist, kann auch eine Suche darüber nur raten.
Deshalb steht am Anfang nicht das Modell, sondern eine Woche mit Ihrem Bestand. Erst wenn klar ist, welcher Planstand gilt und welche Ablage führt, lohnt der nächste Schritt.
Was das bedeutet: Die Vorher-Checkliste
Vor Projektstart die fünf Fragen durchgehen:
- Scope: Welcher Prozess wird automatisiert? In zwei Sätzen.
- Daten: Welche Datenquellen, welche Zugriffe, welche Qualität?
- Team: Wer nutzt das System, wer ist Champion, wie wird geschult?
- Integration: Welche Systeme müssen verbunden werden, wie, bis wann?
- KPIs: Drei messbare Ziele mit Basis- und Ziel-Messung?
Wenn alle fünf Fragen klar beantwortbar sind, ist das Projekt bereit. Wenn nicht, sollte der Kick-off um eine bis zwei Wochen verschoben werden, um die Lücken zu schließen. Das rettet in der Regel mehr Zeit, als es kostet.
KI-Projekte scheitern selten an der KI. Sie scheitern an Scope, Daten, Menschen, Integration oder Messbarkeit, und das kann man vorher sehen.
Ein Praxisbeispiel: Die Rettung in Woche 2
Ein Fall aus unseren Projekten: Ein Betrieb wollte einen KI-Agenten für Kundenanfragen bauen. Scope war klar, Team war eingebunden, KPIs standen. Aber in Woche 2 stellten wir fest: Die Kundendaten waren in einem 15 Jahre alten CRM, das keine moderne API hat. Die saubere Datenbasis fehlte.
Drei Varianten standen zur Diskussion: CRM-Migration (6 Monate), Workaround über Mail-Import (3 Wochen, mittlere Qualität) oder CRM-Modul-Update (8 Wochen, saubere Lösung). Entscheidung: Workaround für Pilot, CRM-Update parallel. Das KI-Projekt lief ohne Verzögerung, die CRM-Sanierung wurde mitangestoßen. Nach 14 Wochen war beides produktiv.
Ohne die frühe Daten-Prüfung wäre das in Woche 8 aufgeschlagen. Da hätte es das Projekt um Monate verzögert.
Unser Take
In unseren über 15 Projekten haben wir gelernt: Die meisten KI-Projekte scheitern an Dingen, die man vorher sehen könnte. Deshalb investieren wir am Anfang jedes Projekts 1 bis 2 Stunden in die fünf Fragen und verschieben Kick-offs lieber, wenn eine der Antworten unklar ist. Das kostet uns Sprint-Geschwindigkeit am Anfang, spart aber in der Regel 2 bis 4 Wochen im Gesamtverlauf.
Die ehrliche Wahrheit: Nicht jedes Projekt, das auf uns zukommt, sollte auch laufen. Manchmal ist der Prozess nicht reif genug, die Daten-Lage zu schlecht, das Team nicht bereit. In diesen Fällen sagen wir Nein oder schlagen ein kleineres Vorprojekt vor (Daten-Aufräumen, Team-Schulung), das die Voraussetzungen schafft. Ein "Ja zu jedem Projekt" wäre der sicherste Weg, in den gescheiterten 50 Prozent der Branche zu landen.
Für sächsische Planungsbüros ist die Empfehlung klar: Vor dem Kick-off ehrlich prüfen, ob alle fünf Punkte auf Grün stehen. Wenn ja, loslegen. Wenn nicht, erst die Lücken schließen. Es wird sich lohnen.
Häufige Fragen
Wie viele KI-Projekte in Planungsbüros scheitern wirklich?
Je nach Studie zwischen 30 und 70 Prozent. Unser Erfahrungswert aus über 15 Projekten: Wer die fünf Ursachen vorher adressiert, kommt auf eine Zielerreichung über 90 Prozent.
Was ist der häufigste Fehlergrund?
Zu vager Scope. 'KI einführen' ist kein Projekt. Ein klar benannter Prozess mit messbarem Ziel ist einer.
Scheitern Projekte an der Technik?
Selten. Die Basistechnologie ist 2026 reif. Scheitern passiert früher: Scope, Daten, Menschen, Integration, lange bevor Technik zum Thema wird.
Was ist mit Change-Management?
Ein unterschätzter Faktor. Ohne Team-Einbindung wird das System nicht genutzt, egal wie gut es ist. Mindestens 20 Prozent des Budgets für Change und Schulung einplanen.
Wie erkenne ich vor Projektstart, ob es klappt?
Fünf Fragen: Scope konkret, Daten zugänglich, Team mitgenommen, Integration geklärt, KPIs messbar. Alle fünf auf Ja: gut aufgestellt.
Stand: Juni 2026. Projekterfahrung aus über 15 Umsetzungen in Sachsen und darüber hinaus.