Erst das Asset, dann die Demo

Zwanzig handverlesene PDFs. Mehr brauchte die Demo nicht. Im Vorstandsmeeting beantwortet ein KI-Assistent Fragen zu Wartungshandbüchern, sauber, schnell, mit Quellenangabe. Applaus, Budget für den Rollout. Sechs Monate später sind es 40.000 Dokumente, von vielen Handbüchern gibt es drei Versionen, die Stücklisten liegen in Excel, die Servicehistorie im Kopf von zwei Technikern kurz vor der Rente. Die Antworten werden falsch, das Vertrauen ist weg. Das Projekt wird nicht beendet. Es schläft einfach ein.

Ein anderes Unternehmen, dieselbe Idee. Die ersten Monate passiert nichts, was man vorführen könnte. Das Team verknüpft Fehlercodes mit Ersatzteilen, räumt Handbücher auf, schreibt auf, welche Kennzahl sich verändern muss, damit sich das Ganze rechnet, und wer dafür bezahlt. Die erste Demo kommt spät und sieht unspektakulär aus. Ein Jahr später läuft das System im Betrieb.

Beide hatten dasselbe Modell. Gescheitert ist das eine Projekt nicht an der KI, sondern an dem, was vor der KI hätte passieren müssen.

Das Missverständnis: Es liegt am Modell

Wenn ein KI-Projekt nicht vom Fleck kommt, ist der erste Reflex fast immer derselbe: Das Modell ist noch nicht gut genug. Also wartet man auf die nächste Generation, wechselt den Anbieter, startet den nächsten Pilot. Und der nächste Pilot sieht in der Demo wieder großartig aus.

Das führt zu nichts. Die Forschung dazu ist ziemlich eindeutig. Gartner hat 2026 Infrastruktur- und Betriebsverantwortliche befragt und hält fest, dass der ROI von KI nicht von der Raffinesse des Modells abhängt. Die Forscher der MIT-Initiative NANDA kommen 2025 zum gleichen Schluss: Die Kluft zwischen erfolgreichen und gescheiterten Projekten hängt nicht an der Modellqualität, sondern am Vorgehen. Und BCG fasst es in eine Faustregel: Zehn Prozent des Aufwands gehören den Algorithmen, zwanzig der Technik, siebzig den Menschen und Prozessen.

Das Modell ist heute der Teil, den jeder kaufen kann. Gerade deshalb entscheidet es so selten.

Die Zahlen: Zwischen Pilot und P&L liegt ein Graben

S&P Global Market Intelligence hat Ende 2024 über tausend IT- und Fachverantwortliche in Nordamerika und Europa befragt. Im Schnitt stellt ein Unternehmen 46 Prozent seiner KI-Proofs-of-Concept ein, bevor sie in Produktion gehen. Der Anteil der Unternehmen, die die meisten ihrer KI-Initiativen vorher abbrechen, ist innerhalb eines Jahres von 17 auf 42 Prozent gestiegen.

Gartner kommt in einer eigenen Umfrage auf ein ähnliches Bild: Nur 48 Prozent der KI-Projekte erreichen überhaupt die Produktion, und vom Prototyp bis dahin vergehen im Schnitt acht Monate. Für generative KI hatte Gartner schon 2024 vorhergesagt, dass mindestens 30 Prozent der Projekte bis Ende 2025 nach dem Proof of Concept aufgegeben werden.

Und selbst wo KI läuft, landet sie selten in der Ergebnisrechnung. In McKinseys Erhebung von 2026 sagen 37 Prozent der Befragten, dass KI überhaupt zum EBIT ihres Unternehmens beiträgt. Der Wert hat sich gegenüber dem Vorjahr kaum bewegt.

Die erste Ursache: Es gibt keinen Business Case

Fragt man, woran es hängt, steht ein Punkt fast immer ganz oben. In Gartners Umfrage ist das größte Hindernis nicht Technik, nicht Talent und nicht Daten, sondern die Schwierigkeit, den Wert eines KI-Projekts zu beziffern und nachzuweisen. 49 Prozent nennen genau das. Die RAND Corporation hat 65 erfahrene Data Scientists und Engineers interviewt. Die häufigste Ursache für gescheiterte Projekte: Die Beteiligten haben nicht verstanden oder nicht klar gesagt, welches Problem die KI eigentlich lösen soll.

BCG hat 2026 CEOs großer Unternehmen gefragt, ob sie den P&L-Effekt ihrer KI-Initiativen definiert haben. Für alle Initiativen können das 14 Prozent sagen. Gartner selbst warnt davor, „spektakulären Demos hinterherzulaufen".

Das ist der Kern des Problems. Eine Demo beweist, dass ein Modell eine Aufgabe lösen kann. Sie beweist nicht, dass jemand dafür bezahlt. Wer den Pilot vor dem Business Case baut, bekommt eine schöne Vorführung und keine Antwort auf die einzige Frage, die im Lenkungsausschuss am Ende zählt: Was bringt uns das?

Die zweite Ursache: Es gibt kein Asset

Die zweite Ursache sitzt eine Ebene tiefer, in den Daten. Laut Gartner haben 63 Prozent der Unternehmen nicht die richtigen Datenmanagement-Praktiken für KI oder wissen es nicht genau. Gartner erwartet, dass bis 2026 sechzig Prozent der KI-Projekte ohne KI-fähige Daten aufgegeben werden. In BCGs Studie von 2025 nennen 68 Prozent fehlenden Zugang zu hochwertigen Daten als zentrale Hürde. 79 Prozent sagen, ihnen fehlt die Kompetenz für unstrukturierte Daten.

Diese letzte Zahl verdient einen zweiten Blick. Unstrukturierte Daten, das sind genau die Handbücher, Stücklisten, Wartungsberichte, Schaltpläne und Servicetickets aus der Demo. In Industrie und Mittelstand liegt dort das eigentliche Wissen. Und genau dort ist es für eine KI erst einmal unbrauchbar.

Eine KI, die auf diesem Material antworten soll, braucht vorher ein abfragbares Modell davon: welches Dokument gilt, welches Teil zu welchem Fehler gehört, welche Version aktuell ist. Das ist kein Nebenprojekt der IT. Es ist der Schritt, von dem alles andere abhängt.

Das Zugeständnis: Die KI liefert längst

Fairerweise muss man sagen: Die Geschichte vom ewig scheiternden KI-Projekt stimmt so nicht mehr. BCG meldete im September 2026, dass inzwischen fast die Hälfte der Unternehmen echten Wert mit KI erzeugt. Ein Jahr zuvor waren es nach BCGs eigener Zählung noch fünf Prozent. In einer Wharton-Studie berichten rund drei von vier Führungskräften großer US-Unternehmen von einem positiven ROI. Das sind Selbstauskünfte, aber der Trend ist eindeutig.

Das widerlegt die These nicht. Es schärft sie. Denn die Unternehmen, die liefern, unterscheiden sich genau an diesen beiden Stellen. Bei McKinsey haben fast drei Viertel der Spitzenreiter ihre Arbeitsabläufe wegen KI grundlegend umgebaut, bei allen anderen nur ein Viertel. BCG beschreibt die Gewinner als Unternehmen, die Workflows von Ende zu Ende neu bauen und den Effekt direkt in ihrer P&L messen.

Es scheitert nicht die KI. Es scheitern die Projekte, die als Demo gebaut wurden.

Die Einsicht: Erst das Asset, dann die Demo

Die Reihenfolge ist simpel, und sie wird trotzdem fast immer umgedreht. Erst der Business Case: welche Zahl sich bewegen muss, für wen, und wer bezahlt. Dann das Asset: die Daten und das Wissen, auf denen die KI diese Zahl bewegen kann, aufbereitet und verlässlich. Und erst dann das Modell und die Demo.

Fehlt der Business Case, bekommst du eine Vorführung ohne Käufer. Fehlt das Asset, bekommst du einen Pilot, der im Labor glänzt und im Betrieb zerfällt. Beides zusammen ist die Bedingung. Das Modell ist nur noch das Werkzeug.

Der unspektakuläre Schritt war früher teuer, weil er Spezialisten und Monate brauchte. Mit KI wird er selbst deutlich billiger. Unspektakulär bleibt er trotzdem. Und er bleibt die Voraussetzung für alles, was danach kommt.

Eine Leitplanke, bevor jemand falsch abbiegt

„Erst das Asset" heißt nicht: erst einmal zwei Jahre Datenstrategie. Wer alle Daten des Unternehmens aufräumen will, bevor er eine einzige Anwendung baut, hat das nächste Großprojekt ohne Ergebnis gestartet.

Das Asset entsteht entlang eines konkreten Business Case. Die Daten, die dieser eine Fall braucht, werden sauber gemacht. Dann der nächste Fall. So wächst das Asset mit jedem Projekt, und jedes Projekt rechnet sich auf dem Weg.

Was sich dadurch am Proof of Concept ändert

Der klassische PoC beantwortet die Frage: Kann das Modell das? Die Antwort ist heute fast immer ja. Genau deshalb ist sie wertlos.

Ein PoC, der etwas taugt, beantwortet andere Fragen. Trägt das Asset, also reichen Qualität und Struktur der Daten im Echtbetrieb und nicht nur bei zwanzig handverlesenen Dokumenten? Bewegt sich die Zahl aus dem Business Case? Und gibt es ein klares Kriterium, wann man aufhört? Ein Proof of Concept ohne Abbruchkriterium ist kein Test. Er ist der Anfang eines Projekts, das niemand mehr stoppen will.

Der Zoom-out: Das Wissen liegt in den Aktenordnern

Europas Industrie und Mittelstand haben einen Vorteil, den sie selten als Vorteil sehen: jahrzehntelang gesammeltes Wissen über ihre Produkte, Anlagen und Kunden. Es steckt in Handbüchern, Zeichnungen, Servicehistorien und den Köpfen erfahrener Leute. Unstrukturiert, verstreut, schwer zugänglich. Für eine KI ist es in diesem Zustand fast nichts wert.

Wer es strukturiert, besitzt das Asset, auf das jede KI-Anwendung im eigenen Feld angewiesen ist. Das Modell kann jeder Wettbewerber kaufen. Das Wissen über die eigene installierte Basis nicht. Warum sich mit genau diesem Asset plötzlich Geschäftsmodelle rechnen, die gestern Unsinn waren, steht in Was gestern nicht rechnete, rechnet heute. Wie das im Service konkret aussieht, in Die Kostenstelle, die besser verdient als dein Kerngeschäft.

Das Prinzip: Den Business Case vor das Modell stellen

Wie sähe ein Vorgehen aus, das den Graben zwischen Pilot und P&L tatsächlich überbrückt? Es hätte vier Eigenschaften.

Erstens: Der Business Case kommt zuerst. Welche Zahl soll sich bewegen, für wen, und wer zahlt dafür? Ohne diese Antwort gibt es keinen Pilot.

Zweitens: Das Asset ist Teil des Projekts, nicht seine Vorbedingung. Daten und Dokumentation werden genau für diesen Fall aufbereitet, und das Ergebnis bleibt als wiederverwendbares Asset im Unternehmen.

Drittens: Der PoC testet das Geschäft, nicht das Modell. Echte Daten statt handverlesener, eine Zielzahl statt Begeisterung, ein Abbruchkriterium statt Hoffnung.

Viertens: Gebaut wird der Ablauf, nicht das Werkzeug. KI wirkt dort, wo der Workflow um sie herum neu gebaut wird, nicht dort, wo sie als Assistent neben einen alten Prozess gestellt wird.

Der Kreis schließt sich

Die Demo mit den zwanzig PDFs war nicht schlecht. Sie hat bewiesen, was ohnehin klar war: dass das Modell Fragen beantworten kann. Das andere Projekt hatte lange nichts vorzuzeigen und hat am Ende das Einzige geliefert, was zählt: einen Betrieb, der sich rechnet.

Die Demo beweist, dass das Modell funktioniert. Ob das Geschäft funktioniert, entscheidet sich vorher — am Asset und am Business Case.

Quellen

• S&P Global Market Intelligence (451 Research), „Generative AI Shows Rapid Growth but Yields Mixed Results" (2025; Umfrage Okt.–Nov. 2024, n = 1.006): 46 % der PoCs vor Produktion eingestellt, 42 % der Unternehmen brechen die meisten KI-Initiativen ab (Vorjahr 17 %) — spglobal.com
• Gartner, „Gartner Survey Finds Generative AI Is Now the Most Frequently Deployed AI Solution in Organizations" (7.5.2024): 48 % der KI-Projekte erreichen die Produktion, acht Monate vom Prototyp; Wertnachweis größtes Hindernis (49 %) — gartner.com
• Gartner, „Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025" (29.7.2024): Prognose — gartner.com
• Gartner, „Lack of AI-Ready Data Puts AI Projects at Risk" (26.2.2025): 63 % ohne oder unsicher über KI-taugliches Datenmanagement; Prognose 60 % Abbruch bis 2026 — gartner.com
• Gartner, „Gartner Says AI Projects in I&O Stall Ahead of Meaningful ROI Returns" (7.4.2026): ROI hängt nicht an der Raffinesse des Modells — gartner.com
• Gartner, „Why Half of GenAI Projects Fail: Avoid These 5 Common Mistakes" (2026): Warnung vor „flashy demos" — gartner.com
• RAND Corporation (Ryseff, De Bruhl, Newberry), „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed" (2024): Fehlverstandenes Problem als häufigste Ursache, fehlende Daten und Dateninfrastruktur — rand.org
• Boston Consulting Group, „The Widening AI Value Gap: Build for the Future 2025" (2025, n = 1.250): 68 % fehlender Zugang zu hochwertigen Daten, 79 % fehlende Kompetenz für unstrukturierte Daten, 10-20-70-Regel — bcg.com
• Boston Consulting Group, „Nearly Nine in Ten CEOs See Some Cost or Revenue Benefits from AI in Targeted Areas, But Most Are Struggling to Scale It" (22.7.2026, n = 152): 14 % haben den P&L-Effekt aller KI-Initiativen definiert — bcg.com
• Boston Consulting Group, „AI Is Starting to Pay Off. Almost 50% of Companies Now Generate Value with It." (30.9.2026, n = 1.330) — bcg.com
• McKinsey & Company, „The State of AI in 2026: On the Road to ROI" (2026, n = 1.719): 37 % mit EBIT-Beitrag, fast drei Viertel der Spitzenreiter mit grundlegend umgebauten Workflows — mckinsey.com
• MIT NANDA, „The GenAI Divide: State of AI in Business 2025" (2025, vorläufig): Kluft „not driven by model quality … but by approach" — Report-PDF
• Wharton Human-AI Research / GBK Collective, „Accountable Acceleration: Gen AI Fast-Tracks Into the Enterprise" (2025): rund drei Viertel berichten positiven ROI (Selbstauskunft) — wharton.upenn.edu