KI · Ratgeber · Einführung
Warum KI-Projekte im Mittelstand scheitern
Die meisten KI-Projekte scheitern nicht laut. Sie schlafen ein. Ich beschreibe die sieben Muster, die ich in Betrieben am häufigsten sehe, woran du sie erkennst, bevor Geld und Geduld weg sind, und was vor dem Start geklärt sein muss.
Warum scheitern KI-Projekte im Mittelstand?
KI-Projekte im Mittelstand scheitern selten an der Technik. Häufiger fehlt ein klar beschriebenes Problem, der Ablauf dahinter ist ungeordnet, die Daten liegen verstreut, niemand ist zuständig, die Mitarbeiter kommen zu spät dazu, es gibt keinen Maßstab für Erfolg, oder das Projekt startet zu groß. Wer diese Punkte vor dem Start klärt, nimmt die häufigsten Gründe aus dem Spiel, bevor das erste Werkzeug gekauft ist.
Wenn ich mit Inhabern über KI spreche, kommt früher oder später eine Geschichte über ein Projekt, das nichts geworden ist. Ein Chatbot auf der Website, der nach drei Wochen mehr Fragen erzeugt als beantwortet hat. Ein Abo, das seit Monaten abgebucht wird. Eine Lösung, die jemand gebaut hat und die keiner bedient. Der Ärger richtet sich fast immer gegen die Technik. Der Grund liegt fast nie dort.
Hier stehen die sieben Gründe, die ich am häufigsten sehe, jeweils mit dem Frühwarnzeichen, an dem du sie erkennst. Wie eine Einführung Schritt für Schritt läuft, steht im Ratgeber KI-Einführung im Unternehmen. Dieser Beitrag ist die Gegenprobe: Was muss stimmen, damit es überhaupt so weit kommt?
Veröffentlicht am 24. Oktober 2026 · 7 Min. Lesezeit · Autor: Christoph Brinke · Alle Blogbeiträge
Ich verkaufe keine KI, ich verkaufe Veränderung.
Vorweg
Was gescheitert im Betrieb meistens heißt
Ein gescheitertes KI-Projekt im Mittelstand sieht selten aus wie ein Absturz. Es gibt keinen Tag, an dem jemand sagt: Wir hören auf. Das Werkzeug wird weniger genutzt, dann nur noch von einer Person, dann von niemandem. Die Rechnung läuft weiter. Das macht dieses Scheitern so teuer, denn ohne Abbruch gibt es auch keine Auswertung und keine Lehre daraus.
Du liest oft, ein großer Teil aller KI-Projekte scheitere. Die Zahlen schwanken je nach Studie und Definition stark, deshalb nenne ich hier keine. Die Muster unten stammen aus meinen Gesprächen mit Inhabern aus Handwerk, Handel, Praxen und Dienstleistung. Sie sind nicht vollständig, aber sie decken das meiste ab, was ich sehe.
- ✓Scheitern ist meist leise
- ✓Ohne Abbruch keine Auswertung
- ✓Muster aus Gesprächen, keine Studienzahl
Die Gründe
Sieben Gründe, warum KI-Projekte scheitern
Jeder Grund kommt mit einem Frühwarnzeichen. Wenn du eines davon in deinem Projekt wiedererkennst, ist das kein Urteil über dich. Es ist die Stelle, an der du nachsteuern kannst.
- 01
Lösung sucht Problem
Am Anfang stand ein Werkzeug, das jemand auf einer Messe oder in einem Video gesehen hat. Erst danach wurde gesucht, wofür man es nutzen könnte. Frühwarnzeichen: Niemand kann in einem Satz sagen, welche Aufgabe danach schneller oder besser läuft.
- 02
Der Ablauf ist ungeordnet
Wenn jedes Angebot anders entsteht und jede Anfrage einen anderen Weg nimmt, beschleunigt KI vor allem das Durcheinander. Frühwarnzeichen: Zwei Mitarbeiter beschreiben denselben Ablauf unterschiedlich.
- 03
Die Daten liegen verstreut
KI braucht das Wissen des Betriebs: Leistungstexte, Preise, Regeln, frühere Fälle. Liegt das in drei Ordnern, zwei Postfächern und einem Kopf, liefert sie allgemeine Antworten statt der eigenen. Frühwarnzeichen: Die Ergebnisse klingen gut, passen aber nicht zum Betrieb.
- 04
Niemand ist zuständig
Der Inhaber hat das Projekt angestoßen, hat aber keine Zeit, es zu betreuen. Der Dienstleister hat geliefert und ist weitergezogen. Frühwarnzeichen: Auf die Frage, wer das Werkzeug pflegt, schauen sich alle an.
- 05
Die Nutzer kommen zu spät dazu
Die Person, die die Aufgabe heute macht, erfährt erst bei der Einweisung von der Lösung. Ihr Wissen über Sonderfälle fehlt, ihre Skepsis ist berechtigt. Frühwarnzeichen: Im Team heißt es nur „das Ding vom Chef“.
- 06
Es gibt keinen Maßstab
Vorher wurde nicht festgehalten, wie lange die Aufgabe dauert oder wie oft sie anfällt. Nachher kann niemand sagen, ob es besser geworden ist. Frühwarnzeichen: Die Frage, ob es sich lohnt, wird mit einem Gefühl beantwortet.
- 07
Zu groß gestartet
Gleich der ganze Kundenservice, gleich alle Abteilungen, gleich ein eigenes System. Große Vorhaben haben viele Sonderfälle und viele Beteiligte. Frühwarnzeichen: Nach zwei Monaten gibt es einen Plan, aber noch keine einzige Aufgabe, die im Alltag anders läuft.
Unterschätzt
Zwei Bremsen, die fast niemand nennt: Recht und laufende Kosten
Zwei weitere Punkte bringen Projekte nicht sofort zu Fall, aber später ins Stocken. Der erste ist das Recht. Wer Kundendaten in ein Werkzeug gibt, ohne Vertrag zur Auftragsverarbeitung und ohne klare Regel, merkt das oft erst, wenn ein Kunde nachfragt. Dann wird gestoppt, und der Neustart kostet mehr als eine saubere Prüfung vorher. Seit Februar 2025 kommt die Pflicht zur KI-Kompetenz nach Art. 4 der KI-Verordnung dazu.
Der zweite Punkt sind die laufenden Kosten. Viele KI-Dienste rechnen nach Nutzung ab. Ein Ablauf, der im Test zehnmal am Tag lief, läuft im Alltag vielleicht hundertmal. Ich lege deshalb für jede Anwendung einen eigenen Zugang mit Monatslimit an, damit niemand von einer Rechnung überrascht wird. Wie du die Regeln für das Team festhältst, steht im Ratgeber KI-Richtlinie für Mitarbeiter.
- ✓Datenschutz vor dem Start prüfen
- ✓KI-Kompetenz nach Art. 4 mitdenken
- ✓Eigener Zugang mit Monatslimit je Anwendung
Vor dem Start
Was vor dem Start eines KI-Projekts geklärt sein muss
Aus den sieben Gründen ergibt sich eine kurze Liste. Ich gehe sie mit jedem Betrieb durch, bevor ein Werkzeug ausgewählt wird. Bleibt eine Frage offen, ist das kein Grund aufzugeben. Dann ist genau diese Frage die erste Aufgabe im Projekt.
Frag dich selbst
- Welche eine Aufgabe soll danach anders laufen, und wie oft fällt sie an?
- Läuft diese Aufgabe heute bei allen gleich ab?
- Wo liegt das Wissen, das die KI dafür braucht?
- Wer ist zuständig, wenn es hakt, und hat diese Person Zeit dafür?
- Ist die Person, die die Aufgabe heute macht, von Anfang an dabei?
- Woran merkst du nach sechs Wochen, ob es besser geworden ist?
Neustart
Wenn das Projekt schon eingeschlafen ist
Ein eingeschlafenes Projekt ist kein verlorenes Geld, wenn du daraus lernst. Ich empfehle drei Schritte. Erstens ehrlich abschließen: das Werkzeug kündigen oder bewusst behalten, aber nicht einfach weiterlaufen lassen. Zweitens die Person fragen, die es nutzen sollte, warum es nicht ging. Die Antwort ist fast immer einer der sieben Gründe. Drittens kleiner neu anfangen, mit genau einer Aufgabe.
Oft zeigt sich beim Neustart, dass die Aufgabe gar keine KI braucht. Eine feste Regel, eine Vorlage oder eine Automation löst sie zuverlässiger. Das ist kein Rückschritt. Es ist genau die Ehrlichkeit, die beim ersten Versuch gefehlt hat. Wo KI und feste Regeln zusammenarbeiten, beschreibt der Ratgeber KI-Automatisierung.
- ✓Bewusst abschließen statt weiterlaufen lassen
- ✓Die Nutzer nach dem Grund fragen
- ✓Kleiner neu anfangen
Haltung
Warum das Werkzeug selten der Grund ist
Keiner der sieben Gründe ist ein technischer. Sie betreffen Abläufe, Daten, Zuständigkeiten und Menschen. Deshalb fange ich in Betrieben nie mit der Werkzeugfrage an. Ein besseres Werkzeug ordnet kein Büro und ersetzt keinen fehlenden Ansprechpartner.
Genau das meine ich mit meinem Leitsatz. Der Wert eines KI-Projekts entsteht in der Veränderung drumherum: ein Ablauf, der einheitlich wird, Wissen, das aufgeschrieben wird, eine Person, die anders arbeiten will. Wie ich das in Betrieben angehe, steht auf der Seite zur KI-Beratung.
Erster Schritt
Wie du das Risiko vor dem ersten Euro senkst
Bevor du Geld in ein Werkzeug steckst, verschaff dir einen Überblick, wo dein Betrieb steht. Der Zeitfresser-Finder zeigt dir in ein paar Minuten, wo jeden Monat Stunden verloren gehen. Im AI-Ready-Check schauen wir in 60 Minuten per Google Meet auf Prozesse, Daten, Technik und Organisation, also genau auf die Stellen, an denen KI-Projekte sonst einschlafen. Am Ende stehen ein Punktwert von 0 bis 100 und der nächste sinnvolle Schritt.
Über den Autor
Christoph Brinke
Ich war über 15 Jahre in der Kfz-Branche, als Lackierer, als Kfz-Sachverständiger und auf der Seite, die Aufträge verteilt. Heute baue ich KI für inhabergeführte Unternehmen und empfehle nur, was ich selbst gebaut habe.
Gelernter Fahrzeuglackierer, Kfz-Sachverständiger · Weiterbildung: IHK AI Practitioner · KI-Kompetenz nach Art. 4 KI-Verordnung (IMB.Berlin, 2025) · Claude Code Masterclass (Everlast, 2026)
LinkedIn-ProfilWerdegang und QualifikationenAlle BlogbeiträgeGespräch anfragen
Häufige Fragen
Häufige Fragen zu gescheiterten KI-Projekten
Woran scheitern KI-Projekte im Mittelstand am häufigsten?
Nach meiner Erfahrung an fehlender Klarheit vor dem Start: Es gibt kein klar beschriebenes Problem, der Ablauf dahinter ist nicht geordnet, oder niemand ist zuständig. Technische Probleme sind seltener der Grund. Wer vor dem Start eine einzige Aufgabe auswählt, ihren Aufwand festhält und eine zuständige Person benennt, vermeidet die häufigsten Fehler.
Wie erkenne ich früh, dass ein KI-Projekt scheitert?
An typischen Frühwarnzeichen: Niemand kann in einem Satz sagen, welche Aufgabe besser wird. Die Ergebnisse klingen gut, passen aber nicht zum Betrieb. Auf die Frage nach der Zuständigkeit schaut man sich an. Und ob es sich lohnt, wird mit einem Gefühl statt mit einem Vorher-Nachher-Vergleich beantwortet.
Brauchen kleine Betriebe überhaupt ein KI-Projekt?
Nicht als großes Projekt. Für kleine und mittlere Betriebe reicht meist eine einzelne Anwendung für eine Aufgabe, die jede Woche wiederkommt, etwa Angebote vorbereiten oder Anfragen sortieren. Wichtig ist, dass sie mit Starttag, zuständiger Person und Maßstab eingeführt wird. Danach kommt die nächste Aufgabe.
Was mache ich mit einem KI-Werkzeug, das niemand nutzt?
Bewusst entscheiden statt weiterlaufen lassen. Frag die Person, die es nutzen sollte, warum es nicht funktioniert hat. Liegt es am Ablauf, an fehlendem Wissen oder an fehlender Zuständigkeit, lässt sich das beheben. Passt das Werkzeug nicht zur Aufgabe, kündige es und starte mit einer kleineren Aufgabe neu.
Scheitern KI-Projekte an den Kosten?
Selten an den Anschaffungskosten, öfter an laufenden Kosten, die niemand im Blick hatte. Viele KI-Dienste rechnen nach Nutzung ab, und im Alltag laufen Abläufe viel häufiger als im Test. Ein eigener Zugang je Anwendung mit Monatslimit verhindert Überraschungen und zeigt, was die Anwendung wirklich kostet.
Der erste Schritt
Erst prüfen, dann kaufen.
Im AI-Ready-Check schauen wir in 60 Minuten auf Prozesse, Daten, Technik und Organisation deines Betriebs, also auf genau die Stellen, an denen KI-Projekte einschlafen. Du bekommst einen Punktwert von 0 bis 100 in fünf Stufen und die Aufgabe, mit der du sicher anfängst.
