Warum die meisten AI-Projekte scheitern

Wenn ich auf die letzten zwei Jahre AI-Projekte schaue (eigene, beobachtete, postmortemisierte), sehen die gescheiterten einander ähnlicher als die erfolgreichen. Hier sind die fünf Muster, die ich am häufigsten sehe.

1.Das Problem wird nie sauber definiert.

„Wir wollen AI machen“ ist keine Spec. „Wir wollen eine LLM-basierte Suche bauen“ auch nicht. Eine saubere Spec sagt: wer nutzt das, was war ihre Alternative vorher, was muss sich messbar verbessern, was darf sich verschlechtern. Wenn diese Sätze nicht zu Beginn auf einer Seite stehen, scheitert das Projekt. Meistens durch Scope-Inflation, manchmal durch Anti-Adoption.

2.Es wird auf Demos optimiert, nicht auf Production.

AI-Demos sind so gut, dass sie immer beeindrucken. Production ist dasselbe Problem mit Latenz, Failure Modes, Cost per Call, Auditability, und drei Edge Cases pro Stunde, die der CEO niemals zu Gesicht bekommen hat. Wer den Sprung von Demo zu Production unterschätzt, baut unter Druck dann ein Provisorium, das nie aus dem Provisorium herauskommt.

3.Die Datenfrage wird verschoben.

Jedes Unternehmen hat schlechtere Daten, als es selbst glaubt. Bei klassischer Software war das ein erträgliches Übel. Bei AI ist es der Kostenfaktor Nummer eins, gemessen in Engineering-Wochen, die niemand vorher eingeplant hat. „Wir machen das nachher mit RAG“ ist kein Plan, sondern ein Wunsch.

4.Die Org wird nicht mitgenommen.

Ein AI-Feature ändert oft, wie ein Team arbeitet. Wenn das Team nicht versteht, warum, oder Angst hat, dass es ihren Job ersetzt, wird das Feature heimlich oder offen sabotiert. Ich habe Projekte gesehen, die technisch perfekt waren und nach sechs Monaten still abgeschaltet wurden, weil niemand sie nutzte. Das ist keine technische Frage.

5.Der Erfolgsbegriff erodiert.

Am Anfang: „Wir wollen Produktivität in Engineering verdoppeln“. Nach drei Monaten: „Wir wollen erstmal zeigen, dass irgendwas läuft“. Nach sechs Monaten: „Wir wollen das Lessons-Learned-Deck schreiben“. Diese Erosion ist normal, wenn man sie nicht aktiv bekämpft. Sie zu bekämpfen heißt: jeden Monat die ursprüngliche Spec hervorholen und ehrlich messen.

Was die Erfolgreichen teilen

Ein scharfes Problem. Ein Champion mit Durchsetzungsmacht. Eine Person, die die Zahlen ehrlich liest. Ein Team, das den Preis kennt. Eine Geduld von 12+ Monaten. Und ein Plan B, falls AI nicht hilft.

Das ist alles. Das hatten Projekte, die seit 1999 funktionieren, und Projekte, die seit 2024 funktionieren, gemeinsam. Die Tools ändern sich. Was zum Erfolg führt, nicht.