Warum KI-Projekte in KMU scheitern – bevor sie beginnen

Stellen Sie sich ein Produktionsunternehmen mit 25 Mitarbeitenden vor. Der Vertrieb möchte einen Chatbot zur Qualifizierung eingehender Anfragen. Der Betrieb will den Abgleich von Bestellungen automatisieren. Die Buchhaltung wünscht sich eine schnellere Rechnungsverarbeitung. Alle drei Anliegen sind nachvollziehbar. Keines davon wurde mit den anderen hinsichtlich des tatsächlichen Nutzens verglichen – also versucht das Unternehmen entweder, alle drei gleichzeitig umzusetzen und bringt keines davon sauber zu Ende, oder es entscheidet sich für den Vorschlag, der in der letzten Führungsrunde am überzeugendsten präsentiert wurde.

Das liegt in der Regel nicht an mangelndem Ehrgeiz, sondern an einer fehlenden gemeinsamen Methode. Nur wenige KMU haben die Gewohnheit, konkurrierende Initiativen systematisch gegeneinander zu bewerten, und KI-Anbieter präsentieren meist eine einzelne Lösung, statt zu helfen, sie gegen alle anderen Optionen abzuwägen.

Anzeichen, dass diese Grundlage fehlt

• Es werden informell mehrere „KI-Projekte“ diskutiert, aber keines hat einen Verantwortlichen oder ein definiertes Ziel.
• Entscheidungen darüber, was als Nächstes gebaut wird, fallen im selben Meeting, in dem sie vorgeschlagen werden.
• Niemand kann in einem Satz erklären, warum gerade diese Initiative gewählt wurde und nicht eine andere.

Was stattdessen zu tun ist

• Schreiben Sie jede aktuell kursierende KI-Idee auf, auch die informellen.
• Bewerten Sie jede anhand derselben zwei Fragen: Wie viel Nutzen würde das realistisch bringen, und wie aufwendig wäre die Umsetzung tatsächlich.
• Verpflichten Sie sich auf die ein oder zwei besten Optionen, bevor Sie irgendetwas anderes beginnen.

Fast kein KMU hat perfekte Daten, und das ist auch in Ordnung. Die eigentliche Frage ist nicht, ob Ihre Daten fehlerfrei sind, sondern ob sie strukturiert und konsistent genug sind, um als Grundlage für eine automatisierte Entscheidung zu dienen. Nehmen Sie eine typische Kundendatenbank: drei Schreibweisen desselben Firmennamens, kein einheitliches Feld für Branche oder Unternehmensgröße, und der wichtigste Kontext vergraben in Freitextnotizen, die nur eine einzige Mitarbeiterin wirklich interpretieren kann. Eine KI, die gebeten wird, diese Daten zusammenzufassen oder zu segmentieren, scheitert nicht laut – sie liefert ein Ergebnis, das überzeugend wirkt und leise falsch ist. Für einen genaueren Blick darauf, was „ausreichend gut“ in der Praxis bedeutet, siehe Woran Sie erkennen, ob Ihre Daten KI-bereit sind.

Wo Datenprobleme typischerweise auftreten

• Doppelte oder widersprüchliche Kundendatensätze — Segmentierung und Personalisierung werden unzuverlässig.
• Wichtiger Kontext in Freitextnotizen vergraben — nichts Strukturiertes, worauf Automatisierung aufsetzen kann.
• Keine Routine zur Aktualisierung von Datensätzen — die Qualität verschlechtert sich mit der Zeit, statt sich zu verbessern.

Was stattdessen zu tun ist

• Wählen Sie einen zentralen Datensatz – Kund:innen, Produkte oder Vorgänge – und prüfen Sie ihn zuerst auf Duplikate, Lücken und uneinheitliche Formate.
• Einigen Sie sich auf den einen Ort, an dem jede Art von Information liegen soll, auch wenn die Bereinigung selbst schrittweise erfolgt.
• Behandeln Sie die Datenbereinigung als Teil von Budget und Zeitplan des KI-Projekts, nicht als kostenlose Voraussetzung, die sich von selbst erledigt.

Das ist im Grunde eine komprimierte Version dessen, was eine strukturierte KI-Readiness-Analyse leistet – nur ohne den externen, strukturierten Blick von außen, der genau das erfasst, was man von innen leicht übersieht. Wie das im Detail funktioniert, beschreiben wir ausführlicher in Was eine KI-Readiness-Analyse wirklich prüft.