Warum KI-Projekte scheitern: Der Mythos der 60-Prozent-Quote

Wer nach den Ursachen für erfolglose Digitalisierungsinitiativen sucht, stößt unweigerlich auf eine scheinbar in Stein gemeißelte Zahl: 60 Prozent. Eine angebliche Analyse aus dem Sommer 2026 soll belegen, dass genau dieser Anteil der KI-Projekte im Mittelstand an inkonsistenten Formaten, Lücken in den Stammdaten und fehlender Historie scheitert. Die Schlussfolgerung vieler Berater lautet dann schlicht, man müsse die Datenqualität verbessern. Doch wer auf Basis solcher verfälschten Zitate Entscheidungen trifft, investiert sein Budget an der falschen Stelle. Das Problem liegt tiefer als bei ein paar Tippfehlern in der Kundendatenbank. Es geht um die architektonische Unfähigkeit vieler Systeme, eine Kennzahl lückenlos zu belegen.

Warum KI-Projekte scheitern und was hinter der 60-Prozent-Zahl steckt

Warum KI-Projekte scheitern, lässt sich nicht mit einer pauschalen Quote für den deutschen Mittelstand beantworten, da die oft zitierte 60-Prozent-Zahl auf einer aus dem Kontext gerissenen Prognose beruht. Der Ursprung dieser Zahl ist keine rückblickende Analyse aus dem Juli 2026, sondern eine Pressemitteilung von Gartner vom 26. Februar 2025. Darin prognostizierten die Analysten, dass bis 2026 weltweit 60 Prozent der KI-Projekte aufgegeben werden, wenn sie nicht durch KI-taugliche Daten unterstützt werden. Es handelte sich um eine Vorhersage für globale Organisationen, nicht um eine gemessene Abbruchquote im deutschen Mittelstand.

Dass Blogs wie prodot.de diese Zahl später mit spezifischen Gründen wie "inkonsistenten Formaten" oder "fehlender Historie" ausschmücken und explizit auf den Mittelstand beziehen, ist eine freie Interpretation. Die Realität der Fehlschläge ist weitaus vielschichtiger und in anderen Erhebungen deutlich drastischer dokumentiert. So zeigt eine Meta-Analyse der RAND Corporation aus dem Jahr 2025 über 65 dokumentierte Enterprise-KI-Initiativen, dass 80,3 Prozent der Projekte keinen Geschäftswert liefern. Davon werden 33,8 Prozent noch vor dem Produktivbetrieb abgebrochen. Eine Umfrage von S&P Global Market Intelligence unter mehr als 1.000 Unternehmen ergab 2025, dass 42 Prozent der Firmen die meisten ihrer KI-Initiativen aufgeben. Das Scheitern ist real, aber die Ursache ist nicht das, was in oberflächlichen Zusammenfassungen steht.

Was mangelnde Datenqualität in der betrieblichen Praxis bedeutet

Schlechte Datenqualität bedeutet in der betrieblichen Praxis, dass dieselbe Kennzahl in sechs verschiedenen Systemen steht und keine davon verlässlich stimmt. Wenn das ERP-System, der Online-Shop, das Kassensystem und die Marktplatz-Abrechnung unterschiedliche Wahrheiten über den Umsatz eines Tages ausgeben, fehlt das Fundament für jede Automatisierung. Eine Künstliche Intelligenz kann keine intelligenten Entscheidungen treffen, wenn sie auf widersprüchlichen Rohdaten operiert.

Das Problem verschärft sich, wenn Unternehmen versuchen, diese Diskrepanzen durch manuelle Exporte und Excel-Inseln zu überbrücken. In vielen Betrieben wird der Monatsabschluss oder die Liquiditätsplanung durch das händische Zusammenkopieren von Tabellen erstellt. Für einen menschlichen Controller mag das funktionieren, weil er aus Erfahrung weiß, welche Spalte er ignorieren muss. Ein KI-Agent hingegen benötigt eine normalisierte Wahrheit. Wenn Marktplätze, Shops, ERP, Ads, Retouren, Bestände und Preise nicht sauber zusammengezogen und verknüpfbar (joinbar) sind, produziert das System Halluzinationen oder schlicht falsche Handlungsempfehlungen.

Wie fehlende Rückverfolgbarkeit die Automatisierung blockiert

Eine erfolgreiche Automatisierung durch Künstliche Intelligenz setzt voraus, dass jede berechnete Kennzahl lückenlos bis zu ihrem Ursprungsbeleg auditierbar ist. Wenn ein System meldet, dass die Energiekosten je Betriebstag um 18 Prozent gestiegen sind und dies das Ergebnis um 2,1 Punkte drückt, muss ein Nutzer – oder ein nachgelagerter KI-Agent – diese Behauptung prüfen können. Ist das Ergebnis eine Blackbox, fehlt das Vertrauen, und das Projekt wird gestoppt.

Genau hier scheitern die meisten Initiativen, die schnell einen Chatbot auf unstrukturierte Unternehmensdaten loslassen. Die KI liefert zwar Antworten, kann aber den Rechenweg nicht belegen. Ohne eine klare Kette von der Quelle bis zur Ausgabe ist das System für geschäftskritische Entscheidungen unbrauchbar. Es fehlt die Governance, die sicherstellt, dass Handlungen nachvollziehbar bleiben.

Wie ein auditierbares Business-Monitoring das Fundament legt

Ein funktionierendes Business-Monitoring führt Rohdaten aus allen Quellen zu einer durchgängigen Rechnung zusammen, bei der jeder Wert bis zur Quelle rückverfolgbar bleibt. Das bedeutet das Ende von Excel-Inseln. Statt Daten manuell zu aggregieren, werden sie automatisiert importiert und allokiert. Das Ergebnis ist eine durchgängige GuV-Kaskade, ein sauberer Monatsabschluss und ein rollierender 13- bis 52-Wochen-Liquiditätsforecast aus einer einzigen Quelle.

Der entscheidende Unterschied zu herkömmlichen Dashboards ist die Tiefe der Auditierbarkeit. Jede Kennzahl muss einer strikten Logik folgen: Quellfeld → Mapping → Tarif → Formel. Wenn eine Kostenmodellierung bis zur einzelnen Rechnungszeile hinab reicht – inklusive Versand-, Provisions-, Plattform- und Lagerkosten, die versioniert je Kanal, Kategorie und Land allokiert sind –, dann ist das System auditierbar statt eine Blackbox. Ein solches System skaliert auch bei 1,2 Millionen Rechnungen und 2 Millionen Rechnungszeilen mit einer Historie über mehrere Jahre. Über Protokolle wie MCP (Model Context Protocol) können KI-Agenten diese saubere Datenbasis dann nutzen, um verlässliche Antworten zu generieren.

Wie die Prüfung der eigenen Systeme jetzt abläuft

Geschäftsführer prüfen die KI-Tauglichkeit ihrer Daten am besten, indem sie den Weg einer zentralen Kennzahl vom Dashboard rückwärts bis zum Rohdaten-Export verfolgen. Der Test ist simpel: Nehmen Sie den Deckungsbeitrag eines spezifischen Produkts oder einer Dienstleistung aus dem letzten Monat. Bitten Sie die IT oder das Controlling, den exakten Rechenweg bis zum Ursprungsbeleg aufzuzeigen.

Sobald in dieser Kette der Satz fällt "Das ziehen wir uns hier als CSV und passen es in Excel an", ist das Fundament für KI-Automatisierung nicht gegeben. Jeder Medienbruch und jeder manuelle Eingriff zerstört die Kette, die ein Algorithmus benötigt, um verlässlich zu arbeiten. Bevor Budgets in komplexe KI-Modelle fließen, muss die Datenbasis so normalisiert werden, dass Marktplätze, Shops und ERP-Systeme eine einzige, handlungsfähige Wahrheit bilden. Nur wenn konkrete Empfehlungen mit Begründung geliefert werden und nichts ohne Freigabe feuert (Approval-First), entsteht ein System, dem Mensch und Maschine vertrauen können.