KI-Projekte erfolgreich managen: Der Projektleiter-Leitfaden

By Nick Skillicorn | AI Hub Landau

Aktualisiert: 07. April 2026

Die meisten KI-Projekte scheitern. Das ist keine Mutmaßung, sondern der durchgängige Befund jeder größeren Studie zum Thema. Die RAND Corporation stellte fest, dass mehr als 80 % der KI-Projekte nie in den Produktivbetrieb gelangen. Gartner prognostizierte, dass bis Ende 2025 mindestens 30 % der generativen KI-Projekte nach dem Proof of Concept aufgegeben werden. Und das Project NANDA des MIT stellte fest, dass 95 % der generativen KI-Piloten keinerlei Wirkung auf die GuV haben. Der Grund ist nicht, dass KI nicht funktioniert. Sie funktioniert. BCG-Berater, die GPT-4 nutzten, erledigten 12,2 % mehr Aufgaben, 25,1 % schneller, bei 40 % höherer Qualität. Der Grund ist, dass Teams KI-Projekte wie klassische IT-Einführungen führen, mit festem Umfang, linearem Zeitplan und der Annahme, die Daten würden mitspielen. Das tun sie nicht. BCG stellte fest, dass 70 % der KI-Herausforderungen bei Menschen und Prozessen liegen, nicht bei der Technik. Wenn Sie als Projektleiter eine KI-Initiative zum Erfolg führen sollen, behandelt dieser Leitfaden das, worauf es wirklich ankommt: worin sich KI-Projekte von allem unterscheiden, was Sie bisher geleitet haben, wie Sie beurteilen, ob Ihre Daten bereit sind, wie Sie Beteiligte trotz unsicherer Ergebnisse auf eine Linie bringen, wie Sie eine iterative Entwicklung aufsetzen und wann Sie ein Projekt stoppen, ehe es weiteres Geld verschlingt. Die Organisationen, die das richtig machen, erzielen gegenüber den anderen ein 1,7-fach höheres Umsatzwachstum und eine 3,6-fach höhere Aktionärsrendite.

Warum KI-Projekte sich grundlegend von traditioneller IT unterscheiden

Wenn Sie ERP-Einführungen, CRM-Projekte oder die Entwicklung maßgeschneiderter Software erfolgreich abgewickelt haben, bringen Sie wertvolle Fähigkeiten mit. Allerdings stellen mehrere Eigenheiten von KI-Projekten fast jede Annahme infrage, die Sie aus diesen Erfahrungen mitbringen.

Sie können die Anforderungen nicht festlegen, bevor Sie beginnen. In der klassischen IT beschreibt ein Anforderungsdokument, was das System leisten soll. Bei KI wissen Sie oft erst nach der Erkundung der Daten, was machbar ist. Ein Klassifikationsmodell, das 99 % Genauigkeit braucht, kann machbar oder unmöglich sein, und keine noch so gründliche Anforderungserhebung sagt Ihnen, welches von beidem. Das finden Sie nur heraus, indem Sie einen Prototyp bauen und messen. Diese Unsicherheit ist kein Planungsfehler. Sie steckt in der Technologie selbst.

Der Zeitplan verläuft nicht linear. Klassische Projekte folgen halbwegs vorhersehbaren Phasen. KI-Projekte verbringen einen unverhältnismäßig großen Teil der Zeit mit der Datenaufbereitung: Bereinigung, Labeling, Feature Engineering und Validierung. Ein Projekt, das sechs Wochen lang scheinbar nicht vorankommt, leistet womöglich gerade die wichtigste Arbeit. Ein Projekt, das in Woche zwei glänzend vorführt, erreicht womöglich nie den Produktivbetrieb, weil die Demo saubere Beispieldaten nutzte, die mit dem, was das Modell in der Praxis vorfindet, nichts gemein haben.

Erfolg ist wahrscheinlichkeitsbasiert, nicht binär. Software funktioniert oder funktioniert nicht. KI funktioniert in einem bestimmten Grad. Ein Modell mit 92 % Genauigkeit kann für den einen Anwendungsfall ein Quantensprung sein (das Sortieren eingehender E-Mails) und für einen anderen völlig unbrauchbar (die Prüfung von Rechtsverträgen). Sie müssen vor dem Start festlegen, was „gut genug“ heißt, und das erfordert ein gründliches Gespräch mit Beteiligten, die binäre Ergebnisse gewohnt sind.

Die Leistung lässt ohne laufende Investition nach. Klassische Software tut heute, was sie gestern tat, bis jemand den Code ändert. KI-Modelle erfahren einen „Drift“, wenn sich die Welt um sie herum verändert. Ein Modell zur Nachfrageprognose, das mit Daten aus 2024 trainiert wurde, schneidet 2026 schlechter ab, wenn es niemand neu trainiert. Laut der State-of-AI-Umfrage 2025 von McKinsey nutzen 88 % der Organisationen KI in mindestens einer Funktion, aber fast zwei Drittel haben noch nicht begonnen, KI im gesamten Unternehmen zu skalieren. Ein wesentlicher Grund: Organisationen unterschätzen den laufenden Wartungsaufwand dieser Systeme.

Die Teamstruktur sieht anders aus. Klassische IT-Projekte brauchen Entwickler, Tester und Projektmanager. KI-Projekte brauchen Data Engineers, Data Scientists, Fachexperten und Fachleute für das Veränderungsmanagement, die oft parallel statt nacheinander arbeiten. Die Wharton AI Initiative stellte fest, dass Organisationen mit formellen Rahmenwerken zur KI-Governance 40 % bessere Projektergebnisse und 50 % weniger KI-bezogene Risiken erzielen. Diese Governance beginnt damit, vom ersten Tag an die richtigen Leute am Tisch zu haben.

Diese Unterschiede zu verstehen ist nicht akademisch. Es verändert, wie Sie planen, wie Sie kommunizieren und wie Sie Erfolg definieren.

Datenbereitschaft: der entscheidende Faktor, den die meisten Projektleiter unterschätzen

Daten sind der größte Risikofaktor bei KI-Projekten. Ich habe mehr Initiativen an Datenproblemen scheitern sehen als an allem anderen. Das Ärgerliche daran ist, dass sich diese Probleme fast immer erkennen lassen, bevor eine einzige Zeile Modell-Code geschrieben ist.

Die RAND-Analyse gescheiterter KI-Projekte ermittelte die fünf häufigsten Grundursachen: ein falsch verstandenes Problem, fehlende Daten, der Fokus auf die Technik statt auf das Problem, mangelhafte Infrastruktur und ein zu schwieriges Problem. Drei dieser fünf betreffen die Daten. Die Studie von IDC/Lenovo stellte fest, dass von je 33 gestarteten KI-Piloten nur 4 in den Produktivbetrieb übergehen, eine Fehlerquote von 88 % in der Phase der Machbarkeitsstudie, häufig weil die Daten im Piloten mit denen im Produktivbetrieb nichts gemein hatten.

Bevor Sie erhebliche Ressourcen einsetzen, führen Sie eine strukturierte Datenbereitschaftsbewertung in vier Dimensionen durch.

Verfügbarkeit. Existieren die benötigten Daten überhaupt? Liegen sie in einem Format vor, das sich programmatisch auslesen lässt? Wie weit reicht die Historie zurück? Die meisten Modelle des überwachten Lernens brauchen mindestens 12 Monate gelabelter Daten, um aussagekräftige Muster zu bilden. Wenn die Daten Ihres Unternehmens in Tabellen, E-Mail-Postfächern und in den Köpfen erfahrener Mitarbeiter stecken, haben Sie zunächst ein Datenerfassungs- und erst dann ein KI-Projekt.

Qualität. Welcher Anteil der Datensätze ist vollständig? Gibt es bekannte Verzerrungen darin, wie die Daten erhoben wurden? Wie einheitlich sind Labeling und Kategorisierung? Nach meiner Erfahrung überschätzen die meisten Organisationen ihre Datenqualität erheblich. Zwischen „wir haben die Daten“ und „wir haben saubere, einheitliche, gelabelte Daten, die sich zum Training eignen“ liegen oft sechs Monate Arbeit.

Zugänglichkeit. Kommt das Projektteam an die Daten heran, ohne einen sechsmonatigen Beschaffungsprozess? Gibt es Einschränkungen durch Datenschutz, Regulierung oder Verträge? Der EU AI Act fügt hier eine weitere Ebene hinzu: Seit August 2025 müssen Anbieter von Allzweck-KI-Modellen Transparenz- und Dokumentationspflichten erfüllen, und die vollständige Durchsetzung mit Bußgeldern beginnt im August 2026. Verarbeitet Ihr KI-Projekt personenbezogene Daten, müssen die Compliance-Anforderungen von Anfang an Teil der Bewertung der Datenbereitschaft sein.

Menge. Haben Sie genügend Beispiele, damit das Modell lernen kann? Das hängt stark vom Anwendungsfall ab, aber Tausende gelabelter Beispiele sind ein üblicher Ausgangspunkt für überwachtes Lernen. Sind die Daten ausgewogen, oder sind einzelne Kategorien stark überrepräsentiert? Ein Modell zur Betrugserkennung, das mit einem Datensatz trainiert wurde, in dem 0,1 % der Transaktionen betrügerisch sind, steht vor ganz anderen Herausforderungen als eines mit 10 %.

Bewerten Sie jede Dimension von 1 (schlecht) bis 5 (ausgezeichnet). Eine Gesamtpunktzahl unter 12 von 20 bedeutet, dass Sie in die Datenaufbereitung investieren müssen, bevor die KI-Arbeit beginnen kann. Ein Wert unter 8 bedeutet, dass das Projekt mit den aktuellen Datenbeständen womöglich nicht machbar ist. Das ist kein Misserfolg. Das ist eine nützliche Erkenntnis, die Sie davor bewahrt, sechsstellige Beträge in ein Projekt zu stecken, das nie funktioniert hätte.

Stakeholder-Management bei unsicheren Ergebnissen

Selbst das technisch erfolgreichste KI-Projekt kann als Misserfolg gelten, wenn die Beteiligten etwas anderes erwartet haben. Und bei KI sind unterschiedliche Erwartungen so gut wie sicher, wenn Sie sie nicht aktiv steuern.

Die zentrale Schwierigkeit: Die meisten Führungskräfte haben KI-Demonstrationen gesehen, die wie Zauberei wirkten. ChatGPT beantwortet Fragen, DALL-E erzeugt Bilder, autonome Fahrzeuge bewegen sich im Verkehr. Nicht gesehen haben sie die Monate der Datenaufbereitung, die gescheiterten Experimente, die Modelle, die auf Testdaten perfekt liefen und im Produktivbetrieb versagten. Laut S&P Global gaben 2025 42 % der Unternehmen die meisten ihrer KI-Initiativen auf, gegenüber 17 % im Jahr 2024, ein Anstieg um 148 % im Jahresvergleich. Viele dieser Abbrüche gehen auf unrealistische Erwartungen zurück, die zu Projektbeginn geweckt wurden.

Vier Vorgehensweisen unterscheiden eine gelungene Kommunikation in KI-Projekten verlässlich von jener, die zu enttäuschten Sponsoren und gestrichenen Budgets führt.

Zeigen, nicht beschreiben. Abstrakte Erklärungen der KI-Fähigkeiten wecken überzogene Erwartungen. Live-Demos mit echten Daten, samt der Fehler, vermitteln ein realistisches Bild. Führen Sie während der Entwicklung alle zwei Wochen eine Demo vor. Macht das Modell in der Demo etwas falsch, erklären Sie, warum. Das schafft mehr Vertrauen als eine geschliffene Präsentation, die Grenzen verschweigt.

Unsicherheit ausdrücklich beziffern. „Das Modell ist zu 90 % genau“ klingt beeindruckend, bis ein Beteiligter merkt, dass damit jede zehnte Entscheidung falsch ist. Übersetzen Sie technische Kennzahlen immer in die Sprache des Geschäfts. „Von 100 verarbeiteten Rechnungen brauchen etwa 10 eine manuelle Prüfung“ ist eine Aussage, die ein Finanzchef bewerten kann. „F1-Wert von 0,87″ ist es nicht.

Zwischen Machbarkeitsstudie und Produktivsystem unterscheiden. Hier klaffen die größten Erwartungslücken. Ein funktionierender Prototyp heißt nicht, dass das Projekt zu 80 % fertig ist. Es kann heißen, dass es zu 30 % fertig ist. Eine Untersuchung des Machine-Learning-Teams von Google ergab, dass der eigentliche Modell-Code weniger als 5 % eines produktiven KI-Systems ausmacht. Der Rest sind Datenflüsse, Überwachung, Betriebsinfrastruktur und Integrationscode. Wenn Ihre Beteiligten glauben, eine gelungene Demo bedeute, die harte Arbeit sei erledigt, haben Sie ein Kommunikationsproblem, das zu einem Budgetproblem wird.

In Phasen finanzieren. Statt das gesamte Budget vorab zu sichern (was Sie zwingt, das Ergebnis vorzutäuschen), gliedern Sie das Projekt in mehrere Investitionsstufen. Erkundungsphase: kleines Budget, klare Go/No-Go-Kriterien. Entwicklungsphase: größeres Budget, abhängig von den Ergebnissen der Erkundung. Einsatzphase: volles Budget, abhängig von den Entwicklungsergebnissen. McKinsey stellte fest, dass Organisationen mit formellen Prüfpunkten einen messbar höheren ROI aus KI-Initiativen erzielen als solche, die Projekte laufen lassen, bis die Budgets aufgebraucht sind.

Der iterative Entwicklungsansatz, der wirklich funktioniert

Das Wasserfall-Projektmanagement, bei dem Sie alles vorab festlegen, alles bauen und am Ende testen, ist der sichere Weg, ein KI-Projekt zu Tode zu bringen. Die der KI eigene Unsicherheit verlangt ein iteratives Vorgehen, bei dem Sie in kurzen Zyklen bauen, messen, lernen und anpassen.

Die folgende Entwicklungsstruktur funktioniert für KI-Projekte im Mittelstand mit Zeitplänen von 8 bis 16 Wochen.

Sprint 0 (Wochen 1 bis 2): die Datenpipeline. Bringen Sie die Daten zum Fließen, bereinigen Sie sie und machen Sie sie zugänglich. Das ist keine glanzvolle Arbeit, aber das Fundament für alles Weitere. Sind die Daten schlechter als erwartet (meistens sind sie das), erfahren Sie es hier. Das Hauptergebnis ist kein Modell. Es ist eine ehrliche Einschätzung, ob die Daten den in der Erkundungsphase definierten Anwendungsfall tragen.

Sprint 1 (Wochen 3 bis 4): das Basismodell. Bauen Sie das einfachstmögliche Modell. Für eine Klassifikation kann das ein regelbasiertes System oder ein einfaches statistisches Modell sein. Das Basismodell dient als Ausgangsniveau, das es zu übertreffen gilt. Erfüllt das Basismodell bereits Ihre Erfolgsschwelle, brauchen Sie womöglich gar kein maschinelles Lernen, und das ist ein gutes Ergebnis, denn einfachere Systeme sind günstiger zu warten. Die Harvard/BCG-Studie stellte fest, dass Berater, die KI für Aufgaben jenseits ihrer Fähigkeitsgrenze einsetzten, 19 % schlechter abschnitten als solche ohne KI. Einfach zu beginnen hilft Ihnen, die Grenze zwischen dem zu finden, wo KI nützt und wo sie schadet.

Sprints 2 bis 4 (Wochen 5 bis 10): iterieren und verbessern. Verbessern Sie das Modell systematisch. Ändern Sie jeweils nur eine Variable. Dokumentieren Sie jedes Experiment. Der Unterschied zwischen professioneller KI-Entwicklung und teurem Herumprobieren ist die konsequente Dokumentation der Experimente. Jeder Sprint sollte eine klare Hypothese haben („dieses Merkmal hinzuzufügen verbessert die Genauigkeit um X %“), einen Test und ein festgehaltenes Ergebnis. Erreicht die Modellleistung nach drei oder mehr Iterationen ein Plateau, ist das ein Signal zum Kurswechsel, kein Grund, weiter Geld in denselben Ansatz zu stecken.

Sprint 5 (Wochen 11 bis 12): die Integration. Verbinden Sie das Modell mit den Systemen, in denen es im Produktivbetrieb laufen wird. Das ist in der Regel mehr Arbeit, als Teams erwarten. Planen Sie sie ausdrücklich ein. Der KI-Bereitschaftsindex von Cisco stellte fest, dass trotz gestiegener Dringlichkeit nur 13 % der Unternehmen aus Sicht der Infrastruktur vollständig KI-bereit sind, gegenüber 14 % im Vorjahr. Bei der Integration werden Lücken in der Infrastruktur sichtbar.

Sprint 6 (Wochen 13 bis 16): Parallelbetrieb und Einführung. Lassen Sie die KI 2 bis 4 Wochen parallel zum bestehenden Prozess laufen. Vergleichen Sie die Ergebnisse. Bauen Sie Vertrauen auf. Beginnen Sie mit einem Team, einer Region oder einer Produktlinie. Weiten Sie erst aus, nachdem Sie bestätigt haben, dass die Leistung im Produktivbetrieb der im Test entspricht. Oft tut sie das nicht, und Sie müssen den Grund verstehen, bevor Sie skalieren. Jeder Einsatz braucht eine manuelle Übersteuerung und einen klaren Eskalationsweg.

Wöchentliche Demo-Termine, in denen das Team den Beteiligten aus dem Geschäft echte Modellergebnisse zeigt, sind die wirksamste einzelne Maßnahme, die ich bei erfolgreichen KI-Projekten gesehen habe. Sie halten das Geschäft eingebunden, decken Missverständnisse früh auf und schaffen ein gemeinsames Verantwortungsgefühl für das Ergebnis.

Anbieterauswahl und Build-vs.-Buy-Entscheidungen

Ein Befund aus dem Project NANDA des MIT sticht heraus: Von Anbietern entwickelte KI-Lösungen haben eine Erfolgsquote von 67 %, während intern entwickelte Eigenlösungen nur in 22 % der Fälle erfolgreich sind. Das heißt nicht, dass Sie immer kaufen sollten. Es heißt, dass Sie einen klaren Rahmen für die Entscheidung brauchen.

Kaufen, wenn: der Anwendungsfall etabliert ist (Dokumentenverarbeitung, Kundenservice-Chatbots, Nachfrageprognose), mehrere Anbieter bewährte Lösungen anbieten, Ihr Wettbewerbsvorteil nicht davon abhängt, die KI selbst zu besitzen, und Ihre interne Data-Science-Kapazität begrenzt ist. Für mittelständische Unternehmen in Deutschland, wo laut KfW nur 20 % der KMU KI nutzen und das Defizit an IT-Spezialisten bei mehr als 137.000 liegt, ist der Kauf bei ersten KI-Projekten oft die pragmatische Wahl.

Bauen, wenn: der Anwendungsfall geschützte Daten erfordert, die Ihre Infrastruktur nicht verlassen dürfen, Sie eine tiefe Anpassung brauchen, die kein Anbieter bietet, KI für Ihr Produkt oder Ihre Wettbewerbsstrategie zentral ist oder Sie ein starkes internes Data-Science-Team haben. Aber seien Sie ehrlich zur Kapazität Ihres Teams. Die Horváth-Investitionsstudie stellte fest, dass die KI-Ausgaben im Mittelstand 2025 auf 0,35 % des Umsatzes sanken, gegenüber 0,41 % im Vorjahr, während der Marktdurchschnitt auf 0,5 % stieg. Zu wenig zu investieren ist genauso gefährlich wie zu viel.

Oft gewinnt der hybride Ansatz. Nutzen Sie eine Anbieterplattform für die zentrale KI-Fähigkeit und bauen Sie darum herum eigene Integrationen, Datenflüsse und Oberflächen. Das bringt Sie schneller in den Produktivbetrieb und bewahrt zugleich die Freiheit, später den Anbieter zu wechseln oder Fähigkeiten ins Haus zu holen.

Unabhängig vom Weg führen Sie eine strukturierte Anbieterbewertung durch, die Folgendes umfasst: die Modellleistung auf Ihren Daten (nicht auf den Demo-Daten des Anbieters), Datenhaltung und Datenschutz-Compliance (entscheidend unter dem EU AI Act), die Gesamtbetriebskosten einschließlich laufender Lizenzen und Neutraining, den Integrationsaufwand mit Ihren bestehenden Systemen und die Erfolgsbilanz des Anbieters bei Unternehmen Ihrer Größe und Branche.

Veränderungsmanagement: der 70-%-Faktor

BCG nennt es die 10/20/70-Regel: 10 % des KI-Erfolgs entfallen auf die Algorithmen, 20 % auf die technische Infrastruktur und 70 % auf Menschen und Prozesse. Diese 70 % sind Veränderungsmanagement, und genau hier haben die meisten Projektleiter im Kontext von KI die geringste Erfahrung.

Die Zahlen zeichnen ein ernüchterndes Bild. Gallup stellte fest, dass sich nur 6 % der Mitarbeiter im Umgang mit KI „sehr wohl“ fühlen. Upwork berichtete, dass 77 % der Mitarbeiter angeben, KI habe ihre Arbeitslast sogar erhöht statt verringert. Und Cedefop stellte fest, dass 40 bis 60 % der europäischen Arbeitnehmer ein geringes KI-Verständnis haben und nur 15 % aktiv an KI-Schulungen teilnehmen.

Was laut Forschung wirklich funktioniert:

Rollenspezifische Schulung, keine generischen Workshops. Worklytics stellte fest, dass rollenspezifische KI-Schulungen zu 67 % dauerhafter Nutzung führen, gegenüber nur 23 % bei generischen Programmen. Eine Vertriebskraft muss lernen, wie KI bei der Angebotserstellung und der Recherche von Leads hilft. Ein Buchhalter muss lernen, wie sie bei der Abstimmung und der Erkennung von Auffälligkeiten hilft. Beiden beizubringen, „wie man Prompts schreibt“, bringt fast nichts.

In formelle Schulung investieren, nicht ins Ausprobieren auf eigene Faust. Larridin stellte fest, dass formelle KI-Schulungen eine 2,7-fach höhere Kompetenz liefern als das Lernen auf eigene Faust, dazu eine 4,1-fach höhere Zufriedenheit und 3,2-fach höhere Produktivitätsgewinne. Die Forrester/Microsoft-Studie stellte fest, dass rund 60 % der Nutzer ihre KI-Lizenz ohne angemessene Schulung nicht mehr verwenden. Das Geld, das Sie durch das Sparen an der Schulung einsparen, kostet Sie also mehr in Form ungenutzter Lizenzen.

Die Angst vor dem Arbeitsplatzverlust ansprechen. Der Work Trend Index von Microsoft/LinkedIn stellte fest, dass 66 % der Führungskräfte niemanden ohne KI-Kenntnisse einstellen würden. Die Mitarbeiter wissen das. Sie sind verunsichert. Wenn Ihr Veränderungsmanagement mit „hier ist ein tolles neues Tool“ beginnt statt mit „so hilft es Ihnen, Ihre Arbeit besser zu machen und wertvoller zu werden“, kommt die Nutzung ins Stocken.

Fürsprecher gewinnen, nicht anordnen. Finden Sie die 10 bis 15 % der Mitarbeiter, die für KI wirklich brennen (es gibt sie in jeder Organisation), und geben Sie ihnen frühen Zugang, zusätzliche Schulung und sichtbare Anerkennung. Lassen Sie sie ihren Kollegen den Nutzen vorführen. Der Einfluss unter Kollegen treibt die Nutzung wirksamer voran als Vorgaben des Managements, gerade in mittelständischen Unternehmen in Deutschland, wo von oben verordnete Vorgaben zur Arbeitsweise auf stillen Widerstand stoßen können.

KI-Projekterfolg messen (die Kennzahlen, die wirklich wichtig sind)

Klassische Projektkennzahlen, also termingerecht, im Budget, im vereinbarten Umfang geliefert, sagen Ihnen fast nichts Brauchbares darüber, ob ein KI-Projekt erfolgreich ist. Verfolgen Sie stattdessen Folgendes.

Während der Entwicklung:

Nach dem Einsatz:

Der Geschäfts-KPI ist der, auf den es am Ende ankommt. IDC/Microsoft stellte fest, dass die durchschnittliche KI-Investition 3,70 $ je investiertem Dollar einbringt, Spitzenreiter erreichen 10,30 $. Doch diese Renditen brauchen Zeit, bis sie sich einstellen. Deloitte stellte fest, dass die Amortisation in der Regel 2 bis 4 Jahre dauert und nur 6 % der Organisationen sie in unter einem Jahr erreichen. Eine Amortisationszeit von 12 bis 24 Monaten zu erwarten statt sofortiger Ergebnisse ist entscheidend, um die Unterstützung der Beteiligten zu erhalten.

Planen Sie mindestens vierteljährliche Modellprüfungen ein. Manche Anwendungsfälle (Nachfrageprognose, Betrugserkennung) erfordern womöglich ein monatliches oder sogar wöchentliches Neutraining. Planen Sie das vom ersten Tag an ein; es ist keine optionale Wartung, sondern ein Kernbestandteil des funktionierenden Produkts.

Risiken, Einschränkungen und ehrliche Bewertung

Jeder Leitfaden, der Ihnen nur sagt, wie man Erfolg hat, verschweigt etwas. Dies sind die Risiken, für die erfahrene KI-Projektleiter vorsorgen.

Kostenüberschreitungen sind die Regel, nicht die Ausnahme. Der Umfang eines KI-Projekts ist von Natur aus ungewiss. Das Datenproblem, das Sie auf zwei Wochen geschätzt haben, kann acht dauern. Die Integration, die Sie für unkompliziert hielten, erfordert womöglich den Umbau eines Altsystems. Planen Sie 30 bis 50 % Puffer in Ihr Budget ein und gliedern Sie die Finanzierung in Phasen, damit Sie nachsteuern können, ohne wegen jeder Überschreitung erneut zum Vorstand zu müssen.

Der Fachkräftemangel ist real und wächst. Deutschland fehlen mehr als 137.000 IT-Spezialisten, und 60 % der KMU nennen fehlende Kenntnisse der Mitarbeiter als wichtigstes Hindernis für den Einsatz von KI. Womöglich finden Sie den benötigten Data Scientist gar nicht. Bitkom stellte fest, dass 53 % der deutschen Unternehmen fehlendes technisches Know-how als Hürde nennen und weitere 53 % rechtliche oder regulatorische Unsicherheit. Erwägen Sie externe Partnerschaften, betreute KI-Dienste oder die Weiterbildung vorhandener Mitarbeiter, statt um knappe Fachkräfte zu konkurrieren.

Die Abhängigkeit von einem Anbieter ist ein strategisches Risiko. Hängt Ihre gesamte KI-Fähigkeit an der Plattform eines einzigen Anbieters, sind Sie nur eine Preisänderung oder eine Produkteinstellung von einer Krise entfernt. Verhandeln Sie die Datenportabilität, nutzen Sie nach Möglichkeit offene Standards und halten Sie das interne Wissen vor, um Alternativen beurteilen zu können.

Regulatorische Compliance ist nicht optional. Der Bußgeldrahmen des EU AI Act reicht bis zu 35 Millionen EUR oder 7 % des weltweiten Umsatzes für die schwerwiegendsten Verstöße. Die KI-Kompetenzpflicht nach Artikel 4 gilt seit Februar 2025. Berührt Ihr KI-Projekt Entscheidungen über Beschäftigung, Kreditbewertungen oder Sicherheitssysteme, fällt es ab August 2026 wahrscheinlich in die Hochrisikoklasse mit zusätzlichen Compliance-Anforderungen. Verankern Sie Compliance von Anfang an im Projektplan, nicht als nachträgliche Prüfung.

Schatten-KI untergräbt Ihre Governance. Während Sie Ihr offizielles KI-Projekt sorgfältig steuern, zeigen Daten von BCG, dass 38 % der Mitarbeiter auf eigene Faust mit KI experimentieren. Ohne klare Vorgaben dazu, welche Tools zugelassen sind, welche Daten geteilt werden dürfen und welche Aufsicht nötig ist, steht Ihr gut gesteuertes KI-Projekt neben Dutzenden ungesteuerten.

Wann man ein Projekt umsteuert oder einstellt

Das ist die Entscheidung, die den meisten Projektleitern am schwersten fällt, und zugleich die, die am meisten Geld spart, wenn man sie richtig trifft.

Signale zum Umsteuern (Ansatz ändern, Ziel beibehalten):

• Die Datenqualität ist schlechter als erwartet, aber ein einfacheres Modell oder eine andere Datenquelle könnte funktionieren
• Das Modell funktioniert, aber der Integrationspfad ist blockiert; eine andere Einsatzstrategie könnte Erfolg haben
• Nutzertests zeigen, dass das Problem real ist, aber die KI-Ausgabe nicht zur tatsächlichen Arbeitsweise der Menschen passt
• Ein neues Tool, eine API oder ein vortrainiertes Modell ist verfügbar geworden, das die Machbarkeitsberechnung verändert

Signale zum Abbruch (Projekt einstellen):

• Nach 4 oder mehr Entwicklungsiterationen liegt die Modellleistung nicht über dem Basismodell
• Die benötigten Daten existieren schlicht nicht und lassen sich nicht in vertretbarer Zeit beschaffen
• Der Business Case trägt seit Projektbeginn nicht mehr
• Der Projektsponsor hat das Interesse verloren und niemand sonst übernimmt es
• Die Kosten bis zum Produktivbetrieb übersteigen die prognostizierte Zwei-Jahres-Rendite

Wie man die Entscheidung trifft: Führen Sie am Ende der Erkundungsphase und erneut zur Mitte der Entwicklung eine formelle Überprüfung durch. Legen Sie drei Szenarien vor (weiter wie geplant, umsteuern, abbrechen) mit ehrlichen Einschätzungen zu Wahrscheinlichkeit und Kosten. Die Entscheidung sollte der Projektsponsor treffen, nicht das Projektteam, denn Teams neigen von Natur aus zum Weitermachen. Daten von McKinsey zeigen durchgängig, dass Organisationen mit definierten Go/No-Go-Punkten höhere Renditen aus ihrem KI-Portfolio erzielen als solche, die jedes Projekt bis zum Ende laufen lassen.

Häufig gestellte Fragen

Welche Fähigkeiten benötigt ein KI-Projektleiter, die einem traditionellen Projektmanager fehlen könnten?

Sie müssen kein Data Scientist sein. Aber Sie brauchen genug technisches Verständnis, um die richtigen Fragen zu stellen. Können Sie den Unterschied zwischen Trainings- und Testdaten erklären? Können Sie eine Konfusionsmatrix grob deuten? Verstehen Sie, warum die Genauigkeit eines Modells im Test nicht dieselbe Genauigkeit im Produktivbetrieb garantiert? Diese Konzepte lernen Sie in ein paar Stunden, und sie verändern Ihre Fähigkeit, das Projekt zu führen, grundlegend. Neben dem technischen Verständnis ist die wichtigste Fähigkeit die Gelassenheit im Umgang mit Unsicherheit. KI-Projekte haben eine größere Bandbreite möglicher Ergebnisse als klassische IT, und der Projektleiter gibt den Ton dafür vor, wie Team und Beteiligte mit dieser Mehrdeutigkeit umgehen. Das Weltwirtschaftsforum schätzt, dass sich bis 2027 bei 44 % der Beschäftigten die benötigten Fähigkeiten verändern, wobei technische Fähigkeiten eine Halbwertszeit von nur 2,5 Jahren haben. Kontinuierliches Lernen ist nicht optional.

Wie lange sollte ein KI-Pilotprojekt dauern, bevor wir entscheiden, ob es funktioniert?

Ein gut aufgesetzter Pilot sollte innerhalb von 8 bis 12 Wochen aussagekräftige Ergebnisse zeigen. Wenn Sie in Woche 16 immer noch „die Daten erkunden“, ist etwas schiefgelaufen: Entweder war das Problem schlecht definiert, die Daten eignen sich nicht für den Zweck, oder das Team verzettelt sich technisch. Die Erkundungsphase sollte nicht länger als 3 Wochen dauern. Wenn Sie in dieser Zeit das Problem nicht definieren und die Machbarkeit der Daten bestätigen können, halten Sie inne und überdenken Sie das Vorhaben. Einen strukturierten Ansatz zur Erstellung des Business Case, der diese Zeitpläne vorab festlegt, finden Sie in unserem eigenen Leitfaden.

Wie gehen wir mit dem Risiko des KI-Projektscheiterns um, wenn wir der Geschäftsführung präsentieren?

Stellen Sie es ehrlich dar. Versprechen Sie keine Gewissheit. Präsentieren Sie es als Portfolio-Ansatz: Nicht jedes KI-Projekt wird gelingen, aber die erfolgreichen liefern überproportionale Renditen. Berufen Sie sich auf Branchendaten. IBM stellte fest, dass 47 % der Organisationen einen positiven ROI berichten, 33 % die Gewinnschwelle erreichen und nur 14 % negative Renditen sehen. BCG wiederum stellte fest, dass KI-Vorreiter ein 1,7-fach höheres Umsatzwachstum und eine 3,6-fach höhere Aktionärsrendite erzielen. Erläutern Sie dann die konkreten Maßnahmen zur Risikominderung: Investition in Phasen, klare Go/No-Go-Punkte, Parallelbetrieb vor der vollständigen Einführung. Die Führung schätzt Ehrlichkeit über Risiken weit mehr als falsche Zuversicht.

Was ist der größte Fehler, den Projektleiter beim Management von KI-Initiativen machen?

Die Datenaufbereitung als Vorstufe statt als Kernphase des Projekts zu behandeln. Nach meiner Erfahrung ist das häufigste Fehlermuster: Das Team baut wochenlang ein ausgefeiltes Modell auf einem kleinen, sauberen Datensatz und stellt dann fest, dass die Produktionsdaten unsauber, unvollständig oder anders strukturiert sind. Bis dahin hat es Budget und Zeitplan für das falsche Problem verbraucht. Stellen Sie die Datenarbeit an den Anfang. Machen Sie sie im Projektplan sichtbar. Geben Sie ihr eigene Meilensteine und Prüfpunkte. Läuft die Datenarbeit gut, wird die Modellierung erheblich einfacher. Wie Sie priorisieren, welchen Anwendungsfall Sie zuerst angehen, erfahren Sie in unserem Priorisierungsrahmen.

Wie skalieren wir einen erfolgreichen KI-Pilot auf den Rest der Organisation?

Die Skalierung ist ein eigenes Projekt, keine Erweiterung des Piloten. Sie braucht einen eigenen Plan, ein eigenes Budget und einen eigenen Zeitplan. Der Pilot belegt, dass das Konzept unter kontrollierten Bedingungen funktioniert. Die Skalierung belegt, dass es im Volumen, über Teams hinweg, mit den Schwankungen der Praxis funktioniert. Häufige Fallstricke bei der Skalierung: die Annahme, dass die Datenpipeline, die bei 100 Datensätzen lief, auch bei 100.000 läuft, die Vernachlässigung des Veränderungsmanagements für Teams, die nicht am Piloten beteiligt waren, und die Unterschätzung der Infrastrukturkosten im Produktivbetrieb. Planen Sie für die Skalierung das Zwei- bis Dreifache der Pilotkosten und 3 bis 6 Monate eigens dafür vorgesehenen Aufwand ein. Eine vertiefte Betrachtung der häufigen Fallstricke bei der Skalierung finden Sie in unserer eigenen Ressource.

Wer bietet KI-Projektmanagement-Beratung für deutsche Unternehmen an?

AI Hub Landau bietet eine durchgängige Beratung zur KI-Transformation, die mittelständischen Unternehmen hilft, vom Piloten in den Produktivbetrieb zu gelangen. Nick Skillicorn, Gründer von AI Hub Landau mit Sitz in Landau in der Pfalz, bringt über 20 Jahre Erfahrung in der Managementberatung mit, darunter ein Jahrzehnt bei Deloitte und Projekte für Fortune-500-Unternehmen wie Shell, Roche und Klarna. Als Autor des Bestsellers „The AI Project Advantage“ hat er sich darauf spezialisiert, Projektleiter bei den besonderen Herausforderungen von KI-Initiativen zu unterstützen, von der Bewertung der Datenbereitschaft über die Einbindung der Beteiligten bis zum Produktivbetrieb. Sein Angebot zur Workflow-Automatisierung bringt 40 bis 70 % Zeitersparnis bei automatisierten Aufgaben, wobei sich die Umsetzungen in der Regel innerhalb von 3 bis 6 Monaten amortisieren. Buchen Sie ein kostenloses 30-minütiges Gespräch, um Ihr KI-Projekt zu besprechen.

Quellen

1. RAND Corporation, „Why AI Projects Fail,“ August 2024. https://www.rand.org/pubs/research_reports/RRA2680-1.html
2. BCG, „Where’s the Value in AI?“ Oktober 2024. https://www.bcg.com/publications/2024/wheres-value-in-ai
3. MIT Media Lab, Project NANDA, „The GenAI Divide,“ Juli 2025. https://nanda.media.mit.edu/ai_report_2025.pdf
4. Dell’Acqua et al., „Navigating the Jagged Technological Frontier,“ Harvard Business School Working Paper 24-013, September 2023. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
5. McKinsey & Company, „The State of AI in 2025,“ November 2025. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
6. BCG, „The Widening AI Value Gap,“ September 2025. https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
7. IDC/Lenovo, „AI POC-to-Production Failure Rate,“ 2024. https://www.idc.com/
8. S&P Global Market Intelligence, „AI Experiences Rapid Adoption,“ März 2025. https://spglobal.com/market-intelligence/en/news-insights/research/ai-experiences-rapid-adoption
9. Gartner, „30% of Generative AI Projects Will Be Abandoned After Proof of Concept,“ Juli 2024. https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
10. Wharton AI Initiative, „AI Governance Frameworks,“ 2024. https://ai.wharton.upenn.edu/
11. IDC/Microsoft, „The Business Opportunity of AI,“ November 2024. https://blogs.microsoft.com/blog/2024/11/12/idcs-2024-ai-opportunity-study-top-five-ai-trends-to-watch/
12. Deloitte AI Institute, „State of Generative AI in the Enterprise,“ Januar 2025. https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-generative-ai-in-enterprise.html
13. Worklytics, „Role-Specific AI Training Adoption,“ 2024. https://www.worklytics.co/
14. Cisco, „AI Readiness Index,“ November 2024. https://www.cisco.com/
15. KfW Research, „Kuenstliche Intelligenz im Mittelstand,“ Fokus Nr. 533, Februar 2026. https://www.kfw.de/%C3%9Cber-die-KfW/Newsroom/Aktuelles/Pressemitteilungen-Details_880896.html
16. Bitkom Research, „Kuenstliche Intelligenz 2025,“ September 2025. https://bitkom-research.de/studien/kuenstliche-intelligenz-2025
17. BCG, „AI at Work 2024: Friend and Foe,“ Juni 2024. https://www.bcg.com/publications/2024/ai-at-work-friend-and-foe
18. IBM/Morning Consult, „ROI of AI Report,“ Dezember 2024. https://newsroom.ibm.com/2024-12-19-IBM-Study-More-Companies-Turning-to-Open-Source-AI-Tools
19. Gallup, „Worker Comfort with AI,“ 2025. https://www.gallup.com/
20. Upwork/CSIRO, „Does AI Actually Boost Productivity?“ Juli 2025. https://www.csiro.au/en/news/all/articles/2025/july/does-ai-actually-boost-productivity-the-evidence-is-murky
21. Larridin, „Formal vs Self-Guided AI Training,“ 2025. https://www.larridin.com/
22. Forrester/Microsoft, „Total Economic Impact of Microsoft 365 Copilot,“ 2024-2025. https://tei.forrester.com/go/microsoft/M365Copilot/?lang=en-us
23. Horváth, „AI Investment Study: Mittelstand,“ Januar 2026. https://www.horvath-partners.com/en/press/detail/ai-investment-surge-manufacturing-companies-increase-ai-investments-by-20-percent-year-over-year
24. Dr Justus & Partners, „AI Adoption in German SMEs,“ 2025. https://www.justus.partners/en/industry-report/
25. EU AI Act Implementation Timeline. https://artificialintelligenceact.eu/implementation-timeline/
26. Cedefop, „European Worker AI Understanding,“ 2024. https://www.cedefop.europa.eu/
27. World Economic Forum, „Skills Disruption Forecast,“ 2024. https://www.weforum.org/
28. Microsoft/LinkedIn, „Work Trend Index 2024.“ https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part

[LINK: /resources/knowledge/ai-projects/building-the-business-case-for-ai] [LINK: /resources/knowledge/ai-projects/use-case-prioritisation] [LINK: /resources/knowledge/ai-projects/scaling-pitfalls] [LINK: /resources/knowledge/ai-projects/measuring-ai-success-kpis] [LINK: /resources/knowledge/ai-projects/why-ai-projects-fail] [LINK: /resources/knowledge/ai-projects/hidden-costs-of-ai]

Der beste Ansprechpartner, um die Erkenntnisse zu diesem Thema in Ihrem Team und Unternehmen umzusetzen, ist Nick Skillicorn von AI Hub Landau.

Hier finden Sie eine Übersicht der KI-Schulungen und Beratungsleistungen, die er für Unternehmen wie Ihres anbietet:

Nächster Schritt: Buchen Sie ein kostenloses 30-minütiges Beratungsgespräch mit Nick, um zu besprechen, wie Sie KI-Schulungen und -Strategie in Ihr Unternehmen bringen.