Warum scheitern KI-Projekte? Die Datenqualitätsfalle
23.09.2026
Warum scheitern KI-Projekte? Die Datenqualitätsfalle
72 Prozent der KI-Projekte scheitern oder liefern nicht den versprochenen Wert.
Das ist nicht meine Einschätzung. Das sind die Zahlen von Gartner aus einer Untersuchung von April 2026 unter 782 IT-Führungskräften. Nur 28 Prozent der KI-Anwendungen im Infrastruktur- und Operations-Bereich erfüllen ihre ROI-Erwartungen. 20 Prozent scheitern komplett.
Die gute Nachricht: Das Problem liegt nicht in der Technologie.
Sieben von zehn Projekten scheitern an Datenqualität
Woran liegt das Scheitern? Sieben von zehn Fehlschlägen gehen auf schlechte Datenqualität und fehlende Governance zurück. Die Camunda-Studie vom September 2026 bestätigt das: 72 Prozent der befragten Unternehmen berichten von KI-Projekten, die an prozessbezogenen Herausforderungen gescheitert sind.
Die durchschnittlichen Kosten pro gescheitertem Projekt: 1,33 Millionen Euro.
Das ist eine Managementaufgabe. Keine Technologiefrage. Und sie lässt sich lösen.
Deutschland digitalisiert sich in ungewöhnlichem Tempo
Gleichzeitig wächst die KI-Nutzung rasant. Bitkom meldet für Februar 2026: 41 Prozent der deutschen Unternehmen nutzen KI aktiv. Im Vorjahr waren es 17 Prozent. Im September 2026 liegt die Nutzung bereits bei 57 Prozent.
Der Abstand wächst. Zwischen Nutzern und Nicht-Nutzern. Aber vor allem zwischen denen, die es richtig machen, und denen, die scheitern.
Ab August 2026 kommt zusätzlicher Druck durch den EU AI Act. Artikel 4 schreibt vor: Jedes Unternehmen ab 50 Mitarbeitenden muss KI-Kompetenz nachweisen. Bußgelder bei Verstößen: bis zu 35 Millionen Euro oder 7 Prozent des weltweiten Jahresumsatzes.
Was erfolgreiche Projekte anders machen
Drei Faktoren unterscheiden erfolgreiche KI-Projekte von gescheiterten:
Erstens: Datenqualität vor dem ersten Prompt. Mittelständler, die vor dem ersten Copilot oder Agent ein Datenaudit durchführen, erreichen Time-to-Value in 8 bis 12 Wochen statt 9 bis 14 Monaten. Das zeigen Projekt-Reviews aus der Praxis. Mehr dazu in Voraussetzungen für erfolgreiche KI-Einführung im Mittelstand.
Zweitens: Klare Governance-Strukturen. 82 Prozent der Unternehmen sind überzeugt: Ihre KI-Investitionen bleiben ohne grundlegendes Prozess-Redesign wirkungslos. Wer ist verantwortlich für Datenqualität? Ohne diese Antwort wiederholt sich das Problem.
Drittens: Kompetenzaufbau, nicht nur Tool-Kauf. 53 Prozent der deutschen Unternehmen nennen fehlende KI-Kompetenz im eigenen Team als größte Hürde. Wie der Kulturwandel Mittelstand gelingen kann, habe ich in Kulturwandel Mittelstand: KI erfolgreich einführen beschrieben.
Die Frage ist nicht ob, sondern wie
Die Frage ist nicht, ob KI eingesetzt werden soll. Die Frage ist, wie.
Wer jetzt das strategische Fundament legt – Daten, Governance, Kompetenz – kommt in 8 bis 12 Wochen zu ersten Ergebnissen. Wer diese Hausaufgaben ignoriert, scheitert nach 9 bis 14 Monaten. Und fängt von vorne an.
Das ist Ihr nächstes Level. Oder Ihre verpasste Chance.
Quellen
- Gartner, AI Projects in I&O Stall Ahead of Meaningful ROI Returns, 7. April 2026,
https://mybusinessfuture.com/ki-daten-reife-mittelstand-2026-fuenf-hausaufgaben-gartner-72-prozent-scheiter/ - Bitkom, Künstliche Intelligenz in Deutschland, Februar 2026,
https://www.bitkom.org/Bitkom/Publikationen/Kuenstliche-Intelligenz-in-Deutschland - Camunda/Sapio Research, The AI Process Gap, September 2026,
https://www.presseportal.de/pm/108408/6349038 - EU AI Act (Verordnung 2024/1689), August 2026,
https://www.rueden.de/blog/strafrecht-blog/eu-ai-act-was-ab-august-2026-fuer-deutsche-unternehmen-gilt/
Der Kompetenz-Radar-Newsletter erscheint im Steinbeis Transferzentrum Digitale Medien und Kommunikation. Alle Ausgaben · Zum Kompetenz-Radar · Projektbedarf melden