Warum viele KI-Vorhaben ohne messbare Wirkung bleiben

Eine Zahl aus dem Sommer 2025 wird seither überall zitiert: Bei rund 95 Prozent der betrachteten Organisationen zeigte sich kein messbarer Beitrag der KI-Piloten zum Geschäftsergebnis. Sie stammt aus dem Bericht „The GenAI Divide: State of AI in Business 2025" des MIT-Projekts NANDA.

Dahinter steckt keine kontrollierte Wirkungsstudie. Der Bericht stützt sich nach eigener Angabe auf die Durchsicht von über 300 öffentlich bekannten KI-Vorhaben, 52 Interviews und 153 Fragebögen, nennt seine Ergebnisse selbst vorläufig und führt als Prüfer einen seiner vier Autoren. Er beschreibt also einen Zustand in einer bestimmten Auswahl von Unternehmen. Als Hauptgrund nennt er, dass die Systeme nicht dazulernen und sich nicht in die täglichen Abläufe fügen, nicht fehlende Technik, fehlende Regeln oder fehlendes Personal.

Das Muster deckt sich mit dem, was ich sehe. Meine Erklärung dafür ist unbequem: Es liegt fast nie an der Technik.

Der Punkt, an dem es kippt

Ein System zu bauen, das im Vorführmodus funktioniert, ist nach meiner Erfahrung leicht. Eines zu bauen, das nach acht Wochen noch benutzt wird, ist schwer. Dazwischen liegt alles, was üblicherweise nicht eingeplant wird.

Die erste Fassung meiner Wissensdatenbank funktionierte technisch einwandfrei und wurde kaum benutzt. Nicht weil sie schlecht war, sondern weil sie einen Schritt mehr kostete als die alte Gewohnheit. Wer schnell etwas sucht, öffnet den Ordner, den er kennt.

Vier Gründe, die ich immer wieder sehe

Es löst kein Problem, das jemand hat. Der häufigste Fall: Jemand hat ein Werkzeug gesehen und dann eine Verwendung dafür gesucht. Ich gehe die umgekehrte Reihenfolge, zuerst der Ablauf, dann das Werkzeug.

Es ist umständlicher als der alte Weg. Braucht die neue Lösung drei Klicks und die alte zwei, gewinnt fast immer die alte. Bei mir hat nur gehalten, was dort sitzt, wo die Arbeit ohnehin passiert; ein eigenes Fenster, das man erst öffnen muss, nie.

Niemand hat gezeigt, wie es geht. Ein Werkzeug ohne Einführung wird nach dem eigenen Vorurteil benutzt. Wer KI für Spielerei hält, probiert es einmal mit einer unfairen Frage, sieht sich bestätigt und lässt es. Eine halbe Stunde gemeinsam an einem echten Fall hat bei mir mehr bewirkt als eine schriftliche Anleitung.

Es ist niemandes Aufgabe. Ist keiner zuständig, die Inhalte aktuell zu halten und Fehler zu sammeln, verrottet das System leise. Bei einer Wissensdatenbank fällt das erst auf, wenn sie eine veraltete Vorgabe ausgibt und jemand danach handelt.

Was bei mir den Unterschied macht

Ich fange klein an, an einer echten Aufgabe. Nicht die Plattform für alles, sondern der eine Dokumentenberg, der am meisten wehtut. Wenn der läuft und benutzt wird, kommt der nächste dazu.

Ich frage die Leute vorher. Wer den Ablauf täglich macht, weiß, wo es klemmt, und benutzt das Ergebnis eher.

Ich messe, ob es benutzt wird. Nicht ob es funktioniert. Das sind zwei verschiedene Dinge, und für mich zählt das zweite.

Ich benenne einen Zuständigen. Für die Inhalte, für die Rückmeldungen, für die Frage „warum kam da Unsinn heraus".

Der ehrlichste Satz zum Thema

Die Technik ist nach meiner Erfahrung selten der Engpass. Der Engpass ist, dass ein neues Werkzeug eine eingespielte Gewohnheit ersetzen soll, und Gewohnheiten sind zäh. Wer das einplant, hat aus meiner Sicht die bessere Aussicht, in der kleinen Gruppe mit messbarem Nutzen zu landen. Wer glaubt, ein gutes System setze sich von selbst durch, eher nicht.

Quelle: MIT NANDA, „The GenAI Divide: State of AI in Business 2025", Juli 2025, abrufbar als PDF-Kopie bei mlq.ai¹, Stand 19. August 2026. Bei NANDA selbst liegt das Dokument nicht mehr, die alte Adresse leitet auf die Gruppenseite am MIT Media Lab² um. Der Bericht bezeichnet seine Ergebnisse als vorläufig, nennt als Prüfer einen seiner Autoren und weist selbst darauf hin, dass er nur die Ansicht seiner Autoren und Prüfer wiedergibt.