Warum 87% aller KI-Projekte nie in Produktion gehen

Die RAND Corporation hat 2024 einen Bericht veröffentlicht, der es in sich hat: Mehr als 80 Prozent aller KI-Projekte scheitern. Das ist doppelt so hoch wie die ohnehin erschreckende Fehlerquote von IT-Projekten ohne KI. Gartner geht sogar weiter: 87 Prozent der Data-Science-Projekte erreichen nie die Produktionsphase.

Lass diese Zahl sacken. Von zehn KI-Projekten, die heute gestartet werden, werden weniger als zwei jemals echte Nutzer erreichen. Der Rest stirbt als Proof of Concept, als Prototyp, als Folie in einem Quartalsbericht.

Die fünf echten Gründe

Die RAND-Studie hat 65 erfahrene KI-Praktiker interviewt — keine Theoretiker, sondern Leute die seit Jahren Modelle bauen und deployen. Was sie gefunden haben, überrascht nur die, die noch nie ein Enterprise-KI-Projekt von innen gesehen haben:

1. Das falsche Problem lösen

84 Prozent der Befragten nannten dies als Hauptursache. Die Führungsebene sagt: „Baut uns KI.“ Aber was genau optimiert werden soll, für welche Metrik, in welchem Workflow — das bleibt vage. Teams bauen dann brillante Modelle für Probleme, die niemand hat.

2. Daten — das ungelöste Kernproblem

30 von 50 Interviewten nannten schlechte Datenqualität als primären Grund. Nicht fehlende Daten — schlechte. Inkonsistent, unvollständig, nicht repräsentativ. Die Modelle funktionieren im Labor, aber nicht in der Realität, weil die Realität schmutzig ist.

“„80 Prozent von KI ist die Drecksarbeit des Data Engineering. Man braucht gute Leute für die Drecksarbeit — sonst vergiften ihre Fehler die Algorithmen.“”

3. Technologie statt Problem im Fokus

Teams jagen dem neuesten Framework hinterher statt das echte Problem zu lösen. Data Scientists experimentieren mit Transformer-Architekturen, obwohl ein Random Forest reichen würde. Der individuelle Anreiz (Lebenslauf aufpolieren) steht dem Projekterfolg im Weg.

4. Keine Infrastruktur für Produktion

Ein Modell im Notebook ist kein Produkt. Ohne MLOps-Pipeline, ohne Monitoring, ohne Deployment-Strategie bleibt selbst das beste Modell ein Experiment. Data Engineers werden als „die Klempner der Data Science“ gesehen — und entsprechend unterbesetzt.

5. Probleme die zu schwer sind

Manchmal ist das Problem schlicht (noch) nicht lösbar. Nicht jede Aufgabe eignet sich für KI. Subjektive menschliche Urteile automatisieren, Computer Vision in unstrukturierten Umgebungen, Vorhersagen mit zu vielen Variablen — KI ist kein Zauberstab.

Was die Erfolgreichen anders machen

Die 13 Prozent die in Produktion gehen haben etwas gemeinsam: Sie beginnen beim Problem, nicht bei der Technologie. Sie investieren in Datenqualität bevor sie ein einziges Modell trainieren. Sie haben Infrastruktur-Teams die genauso respektiert werden wie die Model-Bauer.

Und dann kam GenAI

Gartner prognostiziert: 30 Prozent aller generativen KI-Projekte werden bis Ende 2025 nach dem Proof-of-Concept aufgegeben. Die Gründe: schlechte Datenqualität, unkontrollierte Kosten, unklarer Business Value. Die Geschichte wiederholt sich — nur schneller.

Gleichzeitig nutzen laut McKinsey 72 Prozent aller Unternehmen KI in mindestens einer Funktion — aber nur 14 Prozent sind laut Cisco tatsächlich bereit dafür. Die Lücke zwischen Ambition und Realität wächst.

Was das für dein Unternehmen bedeutet

Wenn du KI einführen willst, starte nicht mit der Frage „Welches Modell?“ Starte mit: Welches Problem kostet uns heute Geld? Haben wir die Daten in der nötigen Qualität? Wer bringt es in Produktion und wartet es? Wenn auf eine dieser Fragen die Antwort fehlt — dann ist das der erste Schritt, nicht das Modell.

Die 87 Prozent sind kein Naturgesetz. Sie sind das Ergebnis vermeidbarer Fehler. Der häufigste: zu früh an die Lösung denken, bevor das Problem verstanden ist.

Quellen: RAND Corporation RRA2680-1 (2024), Gartner (2023/2024), McKinsey State of AI (2024), Cisco AI Readiness Index (2023)