Warum KI-Piloten vor der Produktion scheitern — und die 90-Tage-Lösung

Ein gescheiterter KI-Pilot liegt vor, wenn ein Proof of Concept unter kontrollierten Bedingungen Wert nachweist, aber nie in die Produktion gelangt — ein Muster, das über 70 % der KI-Initiativen in Unternehmen betrifft. Die Demo funktioniert. Die Führung applaudiert. Das Budget wird freigegeben. Dann geht nichts live.

Die kurze Antwort: KI-Projekte scheitern, weil niemand für die Produktion plant. Das Modell ist meist in Ordnung. Was das Projekt killt, sind fehlendes MLOps, unsaubere Produktionsdaten, kein fachlicher Verantwortlicher, ungeklärte Compliance-Anforderungen und — am häufigsten — das Lösen eines Problems, das von vornherein keine KI brauchte. Die Technik ist der einfache Teil. Betrieb, Governance und organisatorische Verantwortung sind die Stellen, an denen Piloten sterben.

McKinseys State-of-AI-Report 2024 stellte fest, dass nur 26 % der Unternehmen KI über das Pilotstadium hinaus in den vollen Produktionsbetrieb gebracht haben. Gartners Untersuchung ist noch pointierter: Bis 2025 werden ihrer Schätzung nach 30 % der generativen KI-Projekte nach der Proof-of-Concept-Phase aufgegeben — wegen schlechter Datenqualität, unzureichender Risikokontrollen oder unklaren geschäftlichen Nutzens.

Wir haben dieses Muster dutzendfach im DACH-Mittelstand erlebt. Ein Unternehmen gibt einen sechsstelligen Betrag für einen KI-Proof-of-Concept aus. Die Demo beeindruckt den Vorstand. Dann liegt das Projekt monatelang — manchmal jahrelang — im Staging, weil niemand die letzten 80 % der Arbeit geplant hat.

Hier ist, was tatsächlich schiefläuft, und was dagegen zu tun ist.

Die fünf Gründe, warum KI-Piloten stecken bleiben

Jeder gescheiterte Pilot, den wir gesehen haben — und jedes Rescue-Mandat, das wir übernommen haben — lässt sich auf eines oder mehrere dieser fünf Probleme zurückführen. Sie sind nicht technischer Natur. Sie sind operativer Natur.

Was „produktionsreif“ tatsächlich bedeutet

Ein funktionierendes Modell ist kein produktives System. Hier ist, was Produktionsreife tatsächlich erfordert:

Monitoring und Alerting

Das System verfolgt Vorhersage-Konfidenz, Verschiebungen der Eingabeverteilung, Latenz, Fehlerraten und geschäftliche Ergebnismetriken in Echtzeit. Überschreitet die Modell-Drift Schwellenwerte, werden automatisch Alerts ausgelöst. Sie erfahren, dass das Modell degradiert, bevor es Ihre Kunden tun.

Automatisiertes Retraining

Modelle verfallen. Die Welt verändert sich, das Kundenverhalten verschiebt sich, und die Muster, die das Modell vor sechs Monaten gelernt hat, sind nicht mehr akkurat. Produktive Systeme brauchen automatisierte Retraining-Pipelines, die neue Daten aufnehmen, planmäßig oder ausgelöst neu trainieren, gegen zurückgehaltene Testdatensätze validieren und neue Versionen nur dann ausrollen, wenn sie das aktuelle Deployment übertreffen.

Menschliche Aufsicht

Der EU AI Act verlangt dies für viele Risikokategorien, aber es ist unabhängig davon gute Praxis. Menschliche Aufsicht bedeutet definierte Eskalationspfade für Vorhersagen mit geringer Konfidenz, Audit-Trails für automatisierte Entscheidungen und die Möglichkeit für qualifizierte Menschen, in das System einzugreifen oder es zu überstimmen. Das ist kein Häkchen. Das ist Architektur.

Versionierte Deployments mit Rollback

Jede Modellversion ist getaggt, gespeichert und reproduzierbar. Wenn eine neue Version schlechter abschneidet, rollen Sie in Minuten auf die vorherige zurück, nicht in Tagen. Das erfordert Infrastruktur — Model Registries, Deployment-Automatisierung und Traffic-Routing —, die die meisten Pilotprojekte nie aufbauen.

Compliance-Dokumentation

Herkunft der Trainingsdaten. Model Cards, die Fähigkeiten und Grenzen beschreiben. Risikoklassifizierungs-Nachweise. Folgenabschätzungen. Laufende Monitoring-Berichte. Diese Dokumentation ist keine Bürokratie — sie ist eine gesetzliche Anforderung des EU AI Act, und sie ist vom ersten Tag an deutlich leichter zu pflegen als im Nachhinein zu rekonstruieren.

Das 90-Tage-Framework

Wir haben produktive KI für Mittelstandsunternehmen wiederholt in unter 90 Tagen ausgeliefert. Nicht durch Abkürzungen, sondern indem wir das Problem der Operationalisierung vom ersten Tag an lösen, statt es als Nachgedanken zu behandeln. Das Framework läuft in vier Phasen, wobei Modellentwicklung und Produktionsinfrastruktur auf parallelen Spuren laufen.

1. 01

   Scope und Klassifizierung

   Bevor Modellcode geschrieben wird: den Anwendungsfall in geschäftlichen Begriffen definieren, jede Datenquelle abbilden, die das produktive System benötigen wird, die Datenqualität profilieren und die Risikoklassifizierung nach EU AI Act durchführen. Diese Phase beendet schlechte Projekte früh — etwa ein Drittel der Mandate pivotiert oder stoppt hier. Ergebnis: einseitiger Scope, Datenzugriffsplan, Risikoklassifizierung und eine Go/No-go-Entscheidung.

   ⏱ Woche 1-2

2. 02

   Bauen und integrieren

   Zwei Arbeitsstränge parallel. Der erste baut das Modell oder den Agenten — verbindet es über MCP mit echten Geschäftsdaten, trainiert auf produktionsrepräsentativen Datensätzen, iteriert an der Genauigkeit. Der zweite baut das MLOps-Gerüst: CI/CD, automatisierte Tests, Monitoring, Deployment-Automatisierung. Bis Woche sechs ein funktionierendes internes Release, das Stakeholder an echten Workflows testen können.

   ⏱ Woche 3-8

3. 03

   Härten und Compliance herstellen

   Das System soll den Kontakt mit der Realität überstehen: Lasttests, Chaos Engineering, Failure-Walkthroughs. Monitoring-Schwellenwerte gegen die Baseline-Performance aus Phase zwei tunen. Drift-Erkennung kalibrieren. Alerting in die Incident-Tools des Teams verdrahten. Compliance-Dokumente finalisieren — Model Cards, Datenherkunft, Risikobewertung, Aufsichtsverfahren (Artikel 11 und 17 des EU AI Act).

   ⏱ Woche 9-11

4. 04

   Ausliefern und übergeben

   Deployment auf EU-gehostete Infrastruktur. Das interne Team erhält Runbooks, Architekturdokumentation und praxisnahes Training. On-Call wird übergeben. Das System läuft am Montagmorgen, ohne dass wir im Raum sind. Wir bleiben nach der Übergabe für einen Supportzeitraum verfügbar, aber das Ziel ist Unabhängigkeit — ein produktives KI-System, das externe Berater zum Betrieb braucht, ist nicht produktionsreif.

   ⏱ Woche 12

Der Unterschied liegt nicht in der Geschwindigkeit — er liegt in der Reihenfolge. Die parallele Ausführung von Modellentwicklung und Betriebsinfrastruktur komprimiert den Zeitplan, ohne den Scope zu beschneiden.

Wann KI nicht die Antwort ist

Wir weisen rund 30 % der Unternehmen ab, die mit dem Wunsch nach KI zu uns kommen. Das klingt nach schlechtem Geschäft. Es ist genau das Gegenteil.

Wenn wir einem Interessenten sagen, dass seine Dateninfrastruktur nicht bereit ist, oder dass sein Problem besser mit einer Regel-Engine gelöst wird, oder dass die Wartungskosten eines produktiven ML-Systems den Mehrwert gegenüber einem einfacheren Ansatz nicht rechtfertigen — dann erinnern sie sich daran. Die Hälfte von ihnen kommt zwölf Monate später zurück, wenn sie die Voraussetzungen geschaffen haben und ein Problem haben, das wirklich von KI profitiert.

Hier sind die Anzeichen, dass KI für Ihre aktuelle Situation wahrscheinlich nicht die richtige Antwort ist:

• Ihre Daten sind nicht zugänglich. Wenn das Herausholen von Daten aus Ihren Systemen manuelle Exporte, IT-Tickets und drei Wochen Wartezeit erfordert, haben Sie ein Problem mit der Dateninfrastruktur, kein KI-Problem. Beheben Sie das zuerst.
• Ihre Prozesse sind nicht definiert. KI automatisiert oder erweitert bestehende Prozesse. Wenn der Prozess selbst undefiniert, uneinheitlich oder kaputt ist, verstärkt KI das Chaos. Definieren Sie den Prozess, dann automatisieren Sie ihn.
• Das Problem wird durch besseres Reporting gelöst. Viele „KI-Anwendungsfälle“ sind in Wirklichkeit Analytics-Anwendungsfälle. Wenn Sie eigentlich ein Dashboard brauchen, das die richtigen Kennzahlen den richtigen Leuten zur richtigen Zeit zeigt, bauen Sie das. Es ist schneller, günstiger und leichter zu pflegen.
• Der ROI rechtfertigt die Betriebskosten nicht. Ein produktives ML-System kostet Geld im Betrieb, Monitoring, Retraining und in der Wartung — auf unbestimmte Zeit. Wenn der geschäftliche Wert diese laufenden Kosten nicht klar übersteigt, wird das Projekt irgendwann die Finanzierung verlieren. Besser, das vorab zu wissen.

Ehrlich darüber zu sein, ist die Art, wie man Vertrauen aufbaut. Und Vertrauen ist die Art, wie man ein Geschäft aufbaut, das Bestand hat.

Pilot zwischen Staging und Produktion stecken geblieben?

Sagen Sie uns, wo es klemmt — Daten, MLOps, Verantwortung oder Compliance — und wir skizzieren einen 90-Tage-Weg von Ihrem Ausgangspunkt zu einem System, das am Montagmorgen läuft, ohne dass wir im Raum sind.