Das Pilotprojekt, das niemand für gescheitert erklären wollte

Ein mittelständischer Betrieb startet mit viel Elan ein KI-Pilotprojekt. Nach drei Monaten läuft ein Demonstrator, in der Vorführung sieht alles gut aus, alle nicken. Und dann passiert das Verräterischste überhaupt: nichts. Das Projekt wird nicht ausgerollt, aber auch nicht offiziell beendet. Es versandet. Niemand kann sagen, ob es funktioniert hat – weil vorher niemand festgelegt hat, was „funktioniert“ überhaupt heißen sollte. Ohne diese eine Festlegung ist die Frage, warum KI-Projekte im Mittelstand scheitern, gar nicht zu beantworten: Es gibt keinen Maßstab, an dem sich Erfolg oder Misserfolg ablesen ließe.

Dieser Beitrag liefert Ihnen das fehlende Stück: einen Pilot-Scoping-One-Pager, den Sie vor dem Start ausfüllen. Seine acht Felder erzwingen genau die Entscheidungen, deren Fehlen die meisten Piloten kippen lässt – und machen aus einem vagen „wir probieren mal KI“ ein Vorhaben mit klarem Ausgang.

Die Zahlen: die meisten Piloten kommen nie in Produktion

Das Versanden ist kein Einzelfall, sondern der Normalfall. Die durchschnittliche Organisation verwarf 46 % ihrer KI-Proofs-of-Concept, bevor sie überhaupt in Produktion gingen – und der Anteil der Firmen, die die meisten ihrer KI-Initiativen wieder aufgaben, sprang binnen eines Jahres von 17 auf 42 % (S&P Global Market Intelligence, 2025, via CIO Dive, über 1.000 Befragte in Nordamerika und Europa). Selbst dort, wo ein Pilot es in den Betrieb schafft, ist der Erfolg nicht garantiert: Laut der MIT-NANDA-Untersuchung „The GenAI Divide“ erzielen nur rund 5 % der Pilotprogramme mit generativer KI eine schnelle Umsatzwirkung, während die große Mehrheit stagniert – mit wenig bis keinem messbaren Effekt auf die Gewinn-und-Verlust-Rechnung (MIT NANDA, 2025, wie berichtet von Fortune/Yahoo Finance, Basis u. a. 52 Interviews und rund 300 dokumentierte Initiativen).

Der deutsche Befund passt ins Bild, ohne die Zahlen einfach zu übernehmen – die obigen Erhebungen messen überwiegend große, US- und nordamerika-lastige Unternehmen. Für Deutschland zeigt der Bitkom: 41 % der Firmen ab 20 Beschäftigten nutzen KI, aber von diesen Nutzern berichten nur 52 % einen messbaren Beitrag zum Unternehmenserfolg (Bitkom, 2026, 604 Unternehmen). Anders gesagt: Fast die Hälfte derer, die KI bereits einsetzen, kann keinen belegbaren Effekt vorweisen.

Warum KI-Projekte im Mittelstand scheitern: nicht das Modell, sondern das Scoping

Die naheliegende Erklärung – „die Technik ist noch nicht so weit“ – ist die falsche. Nach einer viel zitierten Schätzung scheitern mehr als 80 Prozent der KI-Projekte – doppelt so oft wie IT-Projekte ohne KI (RAND, 2024). Wichtiger als die genaue Quote ist die Ursachenfrage – und hier ist der Befund eindeutig: Für ihre Studie hat die RAND Corporation 65 erfahrene Data Scientists und Ingenieure befragt und die Hauptgründe herausgearbeitet. Piloten scheitern an missverstandenen Zielen, an Daten, die nicht die erhoffte Qualität haben, an Vorhaben, die von unten getrieben statt vom Bedarf her gedacht sind. Diese Ursachen sind überwiegend organisatorischer Natur, nicht algorithmischer – anders gesagt: eine Frage des Scopings.

Das führt zu einer Umdeutung, die den Kern der Sache trifft und die man selten hört: Ein Pilot, der mit einem gut belegten „Nein, nicht ausrollen“ endet, ist ein Erfolg – kein Misserfolg. Er hat Sie sechs Wochen und ein überschaubares Budget gekostet statt eines gescheiterten Roll-outs, der sich über ein Jahr zieht und Vertrauen im Team verbrennt. Ein Pilot ist ein Experiment, kein Versprechen. Sein Zweck ist eine belastbare Entscheidung – Ausrollen oder Sein lassen –, nicht ein garantiertes Ja. Treffen kann diese Entscheidung aber nur, wer vorher festgelegt hat, was er messen will.

Der Pilot-Scoping-One-Pager

Der One-Pager ist bewusst eine einzige Seite. Wenn Sie ihn nicht auf eine Seite bekommen, ist der Pilot noch nicht scharf genug umrissen. Füllen Sie die rechte Spalte für Ihr Vorhaben aus – jedes Feld zwingt Sie zu einer Entscheidung, deren Fehlen später zum Scheitern führt.

Zwei Felder tragen den größten Teil der Last. Die Erfolgsmetrik scheitert fast immer daran, dass sie mehrere Ziele auf einmal will – schneller und billiger und genauer. Beschränken Sie sich auf eine Zahl; die anderen notieren Sie höchstens als Nebenbedingung. Und die Baseline ist der Wert, den die meisten überspringen: Ohne den heutigen Ausgangswert derselben Größe können Sie am Ende nicht sagen, ob sich etwas verbessert hat – und der Pilot landet genau in dem Zustand aus dem ersten Absatz.

Ein ausgefülltes Beispiel: E-Mail-Triage am zentralen Postfach

Nehmen wir ein realistisches Vorhaben. Am zentralen info@-Postfach landen rund 60 E-Mails am Tag; eine Mitarbeiterin sortiert sie morgens von Hand nach Zuständigkeit (Vertrieb, Support, Buchhaltung, Spam). So sieht der One-Pager dafür aus:

Beachten Sie, dass Erfolgsmetrik und Baseline dieselbe Größe messen – den täglichen Sortieraufwand. Das macht den Vergleich am Ende belastbar: 45 gegen 12 Minuten pro Tag ist eine Aussage, „läuft ganz gut“ ist keine. Die Zuordnungsgenauigkeit steht dabei bewusst nicht als Erfolgsmetrik, sondern als Nebenbedingung im Go/No-Go – sonst würden Sie Zeit sparen, indem Sie Qualität opfern.

Das Go/No-Go ehrlich lesen

Der schwierigste Teil kommt zum Schluss – und er ist eine Frage der Disziplin, nicht der Technik. Legen Sie die Schwelle vor dem Start fest und rühren Sie sie danach nicht mehr an. Die typische Falle: Der Pilot verfehlt die vorab gesetzte Schwelle knapp, und die Versuchung ist groß, das Kriterium nachträglich abzusenken, damit die investierte Arbeit nicht umsonst war. In diesem Moment haben Sie den Zweck des Piloten zerstört. Ein knapp verfehltes Ziel ist ein „Nein“ – und ein sauber belegtes „Nein“ ist, wie oben gesagt, ein gutes Ergebnis: Es hat Sie sechs Wochen gekostet statt eines Fehl-Roll-outs. Wer bei den Zahlen ehrlich bleibt, gewinnt beim nächsten Piloten die Glaubwürdigkeit, die den Unterschied macht.

Was das für Ihren nächsten Piloten heißt

Bevor Sie das nächste Mal ein KI-Vorhaben starten, nehmen Sie sich eine halbe Stunde und füllen Sie diese acht Felder aus. Bleibt ein Feld leer – kein klarer Owner, keine Baseline, kein Enddatum –, dann ist genau das die Stelle, an der der Pilot später scheitern wird. Reparieren Sie es jetzt, auf dem Papier, wo es nichts kostet. Welche Aufgabe sich überhaupt für einen Piloten eignet, klären Sie vorab mit unserer Automatisierungs-Entscheidungsmatrix; wie Sie eine belastbare Baseline und Erfolgsmetrik in Euro und Stunden berechnen, zeigt der Beitrag zu den Kosten manueller Prozesse.

So arbeiten wir bei Kortexa: Wir starten kein Pilotprojekt, ohne diesen One-Pager gemeinsam ausgefüllt zu haben – inklusive des unbequemen Go/No-Go-Kriteriums. Wenn Sie Ihr geplantes Vorhaben einmal gegen die acht Felder halten möchten, bieten wir ein kostenloses Erstgespräch an. Kein Angebot, keine Präsentation; nur ein zweiter Blick darauf, wo der Pilot noch unscharf ist – und ob er sich überhaupt lohnt.

— Misho Manolov, Gründer