Scheitern wirklich 95 % aller KI-Projekte? Was die Forschung tatsächlich sagt

„95 % aller KI-Projekte scheitern“ ist zur meistzitierten Zahl der Tech-Welt geworden. Sie steht in Pitch-Decks, auf LinkedIn und in Vorstandsrunden, meist ohne Quelle. Wenn du kurz davor bist, echtes Geld in ein KI-Projekt zu stecken, verdient diese Zahl einen genaueren Blick, also sind wir zurück zu den Studien dahinter.

Was sagt die Forschung tatsächlich?

Quellen: MIT-Bericht, wie von Fortune berichtet, RAND, Gartner, Bitkom.

Wie belastbar sind diese Zahlen?

Belastbar genug, um danach zu handeln, aber nicht präzise genug, um sie als Naturgesetz zu zitieren. Die „95 %“ sind die Kehrseite des MIT-Ergebnisses, dass rund 5 % der Piloten messbaren Wert schaffen; der Bericht stützt sich auf 150 Interviews, 350 Umfrageantworten und 300 öffentliche Einsätze. Die 80 % von RAND sind eine zitierte Schätzung, keine eigene Messung. Die 40 % von Gartner sind eine Prognose. Jede Studie definiert „Scheitern“ anders.

Entscheidend ist, dass sie in dieselbe Richtung zeigen. Die Nutzung steigt schnell, Bitkom sah sie in Deutschland innerhalb eines Jahres fast verdoppelt, während der Anteil der Projekte, die dauerhaften Wert schaffen, klein bleibt. Immer mehr Unternehmen steigen ins Rennen ein, und die meisten kommen nicht ins Ziel.

Warum scheitern KI-Projekte laut den Studien?

Nebeneinander gelesen sind die Ursachen erstaunlich untechnisch:

• Das Problem ist unklar. Die häufigste Ursache bei RAND: Beteiligte verstehen falsch oder kommunizieren schlecht, welches Problem die KI lösen soll.
• Es passt nicht zum echten Workflow. MIT beschreibt eine „Lernlücke“: Generische Tools funktionieren für Einzelne, stocken aber im Unternehmen, weil sie sich nicht an die tatsächlichen Abläufe anpassen.
• Kosten und Nutzen geraten außer Kontrolle. Gartner nennt steigende Kosten und unklaren Geschäftswert als Hauptgründe, warum Agenten-Projekte eingestellt werden.
• Risikokontrollen fehlen. Gartner nennt auch unzureichende Risikokontrollen: die Leitplanken, das Monitoring und den Datenschutz, die eine Demo nie braucht.
• Daten und Infrastruktur fehlen. RAND nennt fehlende Trainingsdaten und schwache Infrastruktur für den Betrieb von Modellen als wiederkehrende Ursachen.

Auffällig ist, was nicht auf der Liste steht: das Modell. Das Scheitern passiert in der Lücke zwischen einer vielversprechenden Demo und einem System, das zu einem echten Unternehmen passt. Diese Lücke beschreiben wir ausführlich in 7 Anzeichen, dass dein KI-MVP nicht produktionsreif ist, und für Agenten in warum KI-Agenten in der Demo glänzen und im echten Einsatz scheitern.

Was machen die Projekte, die überleben, anders?

1. 01Sie starten mit einem konkreten Problem, definiert mit den Menschen, denen es gehört. Das ist die erste Empfehlung von RAND.
2. 02Sie beweisen es günstig, bevor sie skalieren. Ein Prototyp ist ein Experiment, also geht nichts verloren, wenn die Idee nicht trägt.
3. 03Sie richten es am echten Workflow aus, nicht an einer generischen Vorlage, und schließen so die Lernlücke, die MIT beschreibt.
4. 04Sie planen die Produktionsschicht früh ein: Kostenlimits, Risikokontrollen, Sicherheit und DSGVO, bevor echte Nutzer und Daten kommen.

Warum bauen wir den ersten Prototyp kostenlos?

Weil die Daten zeigen, dass der teure Fehler darin liegt, eine Idee produktionsreif zu machen, bevor man weiß, dass sie funktioniert. Also haben wir die Reihenfolge umgedreht. Wir bauen deinen ersten funktionierenden Prototyp kostenlos, zugeschnitten auf dein konkretes Problem. Du siehst ihn laufen, bevor du etwas ausgibst, und entscheidest erst dann, ob er mit eingebauter Sicherheit und EU-Compliance produktionsreif gemacht wird, die Arbeit unserer Security-Praxis.

Wir sind schnell, wo Tempo nichts kostet: Unser Team hat beim Cursor Hackathon Berlin den 2. Platz belegt, mit einem funktionierenden Produkt unter Zeitdruck, gegen rund 120 andere Builder. Und wir sind diszipliniert, wo es zählt. Die KI baut die Demo; wir bauen das Geschäft.