80–85 % Misserfolgsquote: Eine Zahl, die seit Jahren konstant bleibt
Andreas Welsch, KI-Stratege und LinkedIn-Learning-Autor, bringt es in seinem aktuellen Beitrag Flipping The Script On 80% Of AI Project Failures auf den Punkt: Laut Gartner scheitern seit 7–8 Jahren konstant 80–85 % aller KI-Projekte, oder liefern nicht den erhofften Mehrwert.
Das Bemerkenswerte daran: Die Technologie ist in dieser Zeit massiv gereift. GPT-4, Claude oder Gemini, alle Modelle werden leistungsfähiger, günstiger und zugänglicher. Trotzdem bleibt die Erfolgsquote nahezu unverändert.
Die Schlussfolgerung liegt nahe: Das Problem liegt nicht bei der KI. Es liegt bei dem, was darunter fehlt.
Der eigentliche Engpass: Daten nutzbar machen
Welsch beschreibt eine zentrale Erkenntnis, die viele Unternehmen unterschätzen: Das Problem ist nicht das Erfassen von Daten, sondern das "Nutzbarmachen" von Daten.
Als Generative AI aufkam, schien das klassische Datenproblem gelöst. Ein guter Prompt, ein großes Sprachmodell und die Antworten klingen überzeugend. Doch überzeugend klingen und korrekt und relevant sein sind zwei verschiedene Dinge.
In der Praxis zeigt sich schnell: Wenn ein KI-Assistent oder Agent auf Unternehmensdaten zugreifen soll, müssen diese Daten drei Kriterien erfüllen:
- Accuracy: Die Daten müssen korrekt und aktuell sein
- Completeness: Relevante Informationen dürfen nicht fehlen oder in Silos liegen
- Freshness: Veraltete Daten führen zu veralteten Antworten
Welsch empfiehlt, diese Punkte als Phase 0 eines jeden KI-Projekts zu adressieren – noch bevor die eigentliche KI-Implementierung beginnt. Eine Empfehlung, die sich mit der Erfahrung aus tausenden DMS-Projekten deckt: Wer kein sauberes Fundament hat, baut auf Sand.
KI-Projekte sind nicht linear und brauchen deshalb ein stabiles Rückgrat
Ein weiterer Punkt, den Welsch herausarbeitet: KI-Projekte folgen keinem klassischen Wasserfallmodell. Wer versucht, KI-Initiativen in starre Arbeitspakete mit fixen Deadlines zu pressen, wird scheitern.
Selbst mit modernen Foundation Models (also vortrainierten Sprachmodellen) bleibt der Prozess iterativ. Die Fragen ändern sich: Zieht der Agent die richtigen Daten? Bleibt er innerhalb der Leitplanken? Sind die Ergebnisse nachvollziehbar?
Diese Iteration braucht eine Datenplattform, die mithält. Eine, die sich flexibel anpassen lässt, ohne bei jedem Update instabil zu werden. Eine, die Berechtigungen, auch gegenüber KI-Komponenten, konsequent durchsetzt. Und eine, die nicht bei jedem Modellwechsel eine Migration erzwingt.
Genau hier zeigt sich, ob ein Unternehmen auf einem Fundament steht oder auf einer Ansammlung von Insellösungen.
Was ein tragfähiges Datenfundament konkret leisten muss
Aus den Erkenntnissen von Welsch, und aus der Praxis hunderter Digitalisierungsprojekte, lassen sich klare Anforderungen ableiten, die ein Datenfundament erfüllen muss, bevor KI produktiv wird:
- Zentrale Datenhaltung: Alle relevanten Dokumente, E-Mails, Vorgänge und Informationen müssen an einem Ort zusammenlaufen. Solange Wissen über Fileserver, Mailpostfächer, Cloud-Drives und Fachapplikationen verstreut liegt, hat KI keine verlässliche Basis.
- Strukturierte Vernetzung: Es reicht nicht, Dokumente abzulegen. Zusammenhänge zwischen Kunde, Vertrag, Rechnung und Kommunikation müssen abgebildet sein, sonst findet KI Dokumente, versteht aber keine Zusammenhänge.
- Durchgängiges Berechtigungskonzept: Wenn KI-Assistenten auf Unternehmensdaten zugreifen, muss sichergestellt sein, dass sie nur das sehen, was der jeweilige Benutzer sehen darf. Ohne granulare Rechteverwaltung entsteht ein Sicherheitsrisiko.
- Revisionssicherheit und Compliance: Gerade in regulierten Branchen müssen Daten GoBD- und DSGVO-konform vorgehalten werden. Das Fundament muss Archivierung, Versionierung und Nachvollziehbarkeit als Standard mitbringen, und nicht als Zusatzmodul.
- Updatefähigkeit bei Individualisierung: Jedes Unternehmen hat eigene Prozesse. Die Plattform muss sich tiefgreifend anpassen lassen, ohne dass die Updatefähigkeit verloren geht. Sonst entstehen technologische Schulden, die jede KI-Initiative blockieren.
Wie agorum core dieses Fundament liefert
agorum core wurde nicht als KI-Tool gebaut. Es wurde als zentrale Unternehmensplattform für Dokumentenmanagement, Workflows und revisionssichere Datenhaltung entwickelt. - seit 2002, Open-Source-basiert, in Deutschland.
Genau das macht es zum Fundament, das KI-Projekte brauchen:
- Ein zentraler Ort für alles: Dokumente, E-Mails, Vorgänge, Verträge – alles in einem System, mit Volltextsuche, Metadaten und automatischer Versionierung.
- Vernetzung durch NORA | 360: Informationen werden innerhalb von agorum core logisch verknüpft. Kunde, Projekt, Rechnung, Kommunikation. So entsteht der Kontext, den KI braucht, um Zusammenhänge zu verstehen – nicht nur Einzeldokumente zu finden.
- KI-Assistenz durch ALBERT | AI: Multi-LLM-fähig, berechtigungskonform, nachvollziehbar. Kein Lock-in auf ein einzelnes Modell. Was ALBERT einmal an Unternehmenswissen gelernt hat, bleibt dauerhaft verfügbar.
- Volle Datensouveränität: On-Premise, eigene Cloud oder agorum Cloud. In jedem Fall unter eigener Kontrolle. Keine fremd gespeicherten Daten.
- Individuell und updatefähig: Tiefgreifende Konfiguration ohne technologische Schulden. Das löst genau das Problem, das Welsch als einen der Hauptgründe für das Scheitern von KI-Projekten identifiziert.
Die Plattform ist nicht die Antwort auf die KI-Frage. Sie ist die Voraussetzung dafür, dass die Frage überhaupt sinnvoll gestellt werden kann.
Die drei Schritte vor dem ersten KI-Projekt
Bevor du in deinem Unternehmen ein KI-Projekt startest, lohnt sich ein ehrlicher Blick auf den Status quo – orientiert an der Phase 0, die Welsch empfiehlt:
- Dateninventur durchführen: Wo liegen deine Unternehmensdaten? Wie viele Systeme sind beteiligt? Welche Informationen sind aktuell, welche veraltet, welche redundant? Nur was du kennst, kannst du für KI nutzbar machen.
- Daten zentralisieren und vernetzen: Konsolidiere deine Datenhaltung auf einer Plattform. Verknüpfe Informationen logisch. Schaffe eine einheitliche Wissensbasis, auf die KI zugreifen kann. Mit klaren Berechtigungen.
- Erfolgskriterien definieren: Was soll KI konkret leisten? Welches Geschäftsproblem wird gelöst? Welche messbaren Ergebnisse werden erwartet? Ohne klare Kriterien, so Welsch, werden KI-Projekte zu einem Experiment ohne Ende.
Diese drei Schritte sind keine KI-Arbeit. Sie sind Grundlagenarbeit. Aber sie entscheiden darüber, ob dein Unternehmen zu den 15–20 % gehört, die mit KI echte Ergebnisse erzielen.
agorum® Beratung Du willst wissen, wo dein Unternehmen steht?
Wir helfen dir, den Status deiner Datenbasis ehrlich zu bewerten und zeigen dir, wie du in wenigen Schritten das Fundament legst, auf dem KI tatsächlich funktioniert.
Jetzt Beratung anfragenFazit: KI ist kein Startpunkt – sondern ein Ergebnis
Die Zahlen von Gartner sprechen eine deutliche Sprache: 80–85 % Misserfolgsquote. Und das seit fast einem Jahrzehnt. Die Technologie hat sich in dieser Zeit radikal verbessert. Das Ergebnis nicht.
Der Grund dafür ist nicht technisch. Er ist strukturell. Unternehmen, die KI erfolgreich einsetzen, haben vorher ihre Hausaufgaben gemacht: Daten zentralisiert, Informationen vernetzt, Berechtigungen konsequent umgesetzt, Compliance sichergestellt.
Das ist keine aufregende Botschaft. Aber es ist die ehrliche. Und es ist genau das, was agorum core seit über 20 Jahren macht: Unternehmen eine stabile, datensouveräne und updatefähige Plattform geben – auf der heute Dokumentenmanagement und morgen KI läuft.
Egal wie sich KI-Modelle verändern: Wer auf einem soliden Fundament steht, ist dabei.
Quellen:
- Welsch, Andreas (2025): Flipping The Script On 80% Of AI Project Failures, The AI MEMO / Intelligence Briefing
- Gartner: Statistik zur Misserfolgsquote von KI-Projekten (80–85 %), zitiert in zahlreichen Branchenberichten seit 2017
