Dieser Artikel richtet sich an CEOs, CIOs, COOs und Transformationsverantwortliche, die in KI investieren — oder es planen — und sich fragen, warum die Ergebnisse ausbleiben.

KI ist Business: Warum IT allein das Problem nicht lösen kann

Die unbequeme Wahrheit

95 %. So viele unternehmensweite KI-Pilotprojekte liefern keinerlei messbare Kapitalrendite — gemäss dem MIT-Bericht State of AI in Business 2025, basierend auf 150 Führungskräfte-Interviews, 350 Mitarbeiterbefragungen und der Analyse von 300 öffentlich dokumentierten KI-Deployments.

30 %. So viele generative KI-Projekte werden laut Gartner nach dem Proof-of-Concept-Stadium aufgegeben — wegen mangelhafter Datenqualität, unklarem Geschäftswert, eskalierenden Kosten oder fehlenden Risikokontrollen. (Gartner, Juli 2024)

40 %. So viele Agentic-AI-Projekte werden laut Gartner bis Ende 2027 eingestellt — «oft falsch eingesetzt, getrieben vom Hype, blind für die wahren Skalierungskosten». (Gartner, Juni 2025)

Und gleichzeitig: Fast 9 von 10 Unternehmen geben an, KI bereits regelmässig einzusetzen. (McKinsey State of AI, 2025)

Die Lücke zwischen Nutzung und Wertschöpfung ist kein Technologieproblem. Es ist ein Führungs-, Governance- und Organisationsproblem.

Die Antwort ist unbequem — aber klar: KI ist kein IT-Projekt. Es ist ein Führungsthema.

Warum KI-Initiativen scheitern — die 4 Hauptursachen

1. Strategie ohne Wertbeitrag: Use Cases ohne Priorisierung

Die meisten Unternehmen starten mit einer langen Liste von KI-Ideen. Nur wenige haben ein strukturiertes, priorisiertes Portfolio mit klaren Business Cases und Werthypothesen. Das Resultat: Energie verpufft, Investitionen werden dupliziert, und keine Initiative erreicht die kritische Masse für echten Impact.

Die Frage, die Sie sich stellen sollten: Haben Sie ein Use-Case-Portfolio mit expliziten Priorisierungskriterien — und verfolgen Sie die Wertrealisierung nach dem Go-live systematisch?

2. Daten, Governance und Risiko: das unterschätzte Fundament

Datenqualität ist der am häufigsten genannte Misserfolgsgrund — und er ist berechtigt. Aber das eigentliche Problem geht tiefer: Wer ist für welche Daten verantwortlich? Wer genehmigt Zugang? Wer steuert Qualitätsstandards? Ohne klare Dateneigentümerschaft werden selbst gute Daten in der Praxis unzugänglich — oder unzuverlässig.

Gartner (2025): 63 % der Unternehmen haben keine KI-fähige Dateninfrastruktur.

Dieselbe Logik gilt für Governance und Risiko. In regulierten Branchen — und die Schweiz ist voll davon — wird laut McKinsey 30 bis 50 % der KI-Entwicklungszeit für Compliance aufgewendet. Das ist kein Zeichen für übertriebene Bürokratie. Es ist ein Zeichen dafür, dass KI-Risikogovernance nicht von Anfang an mitgedacht, sondern nachträglich aufgesetzt wurde. Responsible-AI-Frameworks, Model Risk Management und Privacy-by-Design sind keine Hindernisse für Schnelligkeit. Sie sind Voraussetzungen für nachhaltige Skalierung.

3. Operating Model: Rollen, Ownership, Entscheidungsketten

Wer besitzt eine KI-Initiative nach dem Pilot? Wer überwacht das Modell im Produktionsbetrieb? Wer entscheidet, wann neu trainiert, neu ausgerollt — oder abgeschaltet wird?

Die meisten Unternehmen beantworten diese Fragen nie, bevor sie starten. Das Resultat: erfolgreiche Piloten ohne Eigentümer in der Produktion. Modelle driften. Entscheidungen werden intransparent. Vertrauen erodiert.

4. Change Management, Adoption und Betrieb: der menschliche Faktor — bis in die Produktion

Das MIT (State of AI in Business 2025) zeigt: Unternehmen, die Linienmanager — nicht zentrale KI-Labs — zur treibenden Kraft der Adoption machen, sind deutlich erfolgreicher. Proscis jahrzehntelange Forschung bestätigt: Ohne Awareness, Desire, Knowledge, Ability und Reinforcement auf individueller Ebene bleibt selbst die beste Technologie ungenutzt. Die meisten KI-Programme investieren 95 % des Budgets in Technologie — und 5 % in den Faktor Mensch. Das Verhältnis sollte näher bei 50/50 liegen.

Dieselbe Frage stellt sich im Betrieb. Der gefährlichste Satz im KI-Kontext lautet: «Der Pilot war ein Erfolg.» McKinsey (2025) bestätigt: «Der Übergang von Piloten zu skaliertem Impact ist in den meisten Organisationen noch immer eine offene Baustelle.» MLOps-Infrastruktur, Monitoring, Drift-Erkennung und klare Betriebsverantwortung sind keine nachgelagerten Details — sie entscheiden darüber, ob ein Pilot je echten Wert erzeugt.

Was erfolgreiche Unternehmen anders machen

BCGs Analyse von über 1.250 Unternehmen in 68 Ländern zeigt ein konsistentes Muster bei KI-Vorreitern:

1. KI-Strategie ist Unternehmensstrategie — keine IT-Initiative parallel zum Geschäft
2. Investment Governance ist explizit — mit klaren Entscheidungsrechten, Portfolio-Management und ROI-Tracking
3. Das Linienmanagement treibt die Adoption — nicht die IT-Abteilung oder ein zentrales KI-Labor
4. Responsible AI ist eingebaut — Governance, Ethik und Compliance werden von Anfang an in die Architektur integriert, nicht nachträglich aufgesetzt
5. Daten werden als strategisches Asset behandelt — mit Eigentümerschaft, Qualitätsstandards und Zugriffsrichtlinien, die vor dem ersten Modell definiert werden

Was Unternehmen unterscheidet, ist nicht die Qualität des KI-Modells. Es ist die Qualität der Organisation drumherum.

Der pragmatische erste Schritt — ein KI-Readiness Assessment

Und jetzt die gute Nachricht: Sie müssen nicht alle sechs Probleme auf einmal lösen.

Was Sie brauchen, ist Klarheit darüber, wo Ihre Organisation heute steht — und was Sie zuerst angehen müssen, um überproportional viel Wert freizusetzen.

Genau das ist der Zweck eines strukturierten KI-Readiness Assessments.

Was es umfasst

Das INNOCARUS KI-Readiness Assessment bewertet Ihre Organisation entlang 10 Dimensionen — von Strategie und Leadership bis hin zu Daten, Technologie, Ethik und Ökosystem:

Dimension
Strategie & Value Case
Leadership & Governance
Daten-Fundament
Technologie & Architektur
Ethik, Risiko & Compliance
Kultur & Change Management ⚡
Talent & Skills
Operating Model & Prozesse
Finanzen & Investment
Ecosystem & Partnerschaften

Das Framework integriert führende Methoden von McKinsey, Deloitte, BCG, Bain, Accenture, EY und Umbrex — und übersetzt sie in praxisnahe, interview-basierte Bewertungskriterien.

Das Assessment ist ganzheitlich konzipiert — 30 Kernelemente, 300+ strukturierte Fragen, die situationsspezifisch eingesetzt werden, eine 6-stufige Reifegrad-Skala. Aber es ist pragmatisch in der Anwendung.

Sie müssen nicht alle Fragen in einem ersten Durchgang beantworten. Wir starten dort, wo der Druck am grössten ist: Ihre Top-3 bis 5 strategischen Use Cases, Ihre kritischsten Daten- und Governance-Lücken, Ihre Handlungsfähigkeit für die nächsten 12 Monate — nicht für die nächsten 5 Jahre.

Das Ergebnis ist kein Score. Es ist eine priorisierte Aktions-Roadmap: Wo sind Ihre Quick Wins, Ihre mittelfristigen Investitionen, Ihre strukturellen Lücken — gerankt nach Impact und Umsetzbarkeit.

«Das Ziel ist nicht ein perfekter Score — sondern eine handlungsfähige Roadmap.»

Die drei Artefakte, die Sie mitnehmen:

1. Readiness-Profil — eine bewertete, evidenzbasierte Standortbestimmung über alle 10 Dimensionen
2. Gap- & Risiko-Map — die 3–5 strukturellen Blocker, die Skalierung am wahrscheinlichsten verhindern
3. Priorisierte KI-Roadmap — ein 100-Tage-Aktionsplan mit Verantwortlichkeiten, Timeline und KPIs

Fazit: KI ist eine Führungsentscheidung

Eine KI-Initiative, die primär als IT-Projekt geführt wird, hat eine hohe Misserfolgswahrscheinlichkeit. MIT, Gartner, McKinsey, BCG und drei Jahrzehnte Transformationserfahrung belegen das — unabhängig voneinander.

Was die 5 % der Unternehmen, die skalieren, von den 95 % unterscheidet, die stagnieren, sind nicht bessere Algorithmen. Es ist bessere Führung: klarere Strategie, bewusstere Governance, gezielteres Change Management — und die organisatorische Bereitschaft, vom Pilot in den Produktionsbetrieb zu kommen.

Der erste Schritt ist kein Pilot. Es ist das Verständnis dafür, wo Sie heute stehen.

Wer diese Komplexität unterschätzt, investiert in Piloten — und wartet vergebens auf Wirkung. Ein sinnvoller erster Schritt ist deshalb keine weitere Use-Case-Ideation, sondern eine ehrliche Standortbestimmung: Was ist heute wirklich vorhanden — in Strategie, Daten, Governance, Organisation und Kultur? Genau das leistet ein strukturiertes Readiness Assessment.

Haben Sie eine KI-Initiative erlebt, die wegen organisatorischer Faktoren erfolgreich war — oder gescheitert ist? Ich freue mich auf den Austausch in den Kommentaren.

Olivier Gemoets ist Gründer der INNOCARUS AG. Seit drei Jahrzehnten begleitet er Unternehmen durch komplexe Transformationen — von der Strategie bis zur operativen Verankerung. Schwerpunkte: Digitale Transformation, KI-Strategie, Change Management & Interim Leadership.

Quellen

• MIT, State of AI in Business 2025 — mlq.ai
• Gartner, GenAI Projects Abandoned After PoC, Juli 2024 — gartner.com
• Gartner, Agentic AI Projects Canceled by 2027, Juni 2025 — gartner.com
• Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, Februar 2025 — gartner.com
• McKinsey, The State of AI 2025 — mckinsey.com
• McKinsey, Overcoming Two Issues Sinking Gen AI Programs, 2025 — mckinsey.com
• BCG, AI Adoption Puzzle: Why Usage Is Up But Impact Is Not, 2025 — bcg.com
• RAND Corporation, via WorkOS AI Failure Analysis, 2025
• S&P Global / Medium AI Analytics Diaries, 2026