Du hast es sicher schon gehört. Vielleicht sogar selbst gesagt: "Wir müssen jetzt in KI investieren."

Und dann? Ein Vendor-Demo. Ein Pilotprojekt. Begeisterung im Lenkungsausschuss. Sechs Monate später: Das Projekt läuft noch irgendwo. Niemand nutzt es. Jemand hat eine neue Idee.

Das ist kein Einzelfall. Es ist ein Muster.

Wir arbeiten seit Jahren mit Schweizer KMU und Mid-Market Unternehmen an KI-Projekten. Und ehrlich gesagt – die Technologie war selten das Problem. Fast immer steckt der eigentliche Fehler frühzeitig, tief in der Vorbereitung. Bevor eine einzige Zeile Code geschrieben wurde.

Hier sind die fünf Fehler, die wir am häufigsten sehen. Und was stattdessen funktioniert.

Fehler 1: Technologie ohne Geschäftsziel

"Wir brauchen KI." Diesen Satz hören wir oft. Was wir seltener hören: "Wir haben dieses konkrete Problem, und wir glauben, KI könnte helfen."

Der Unterschied ist entscheidend.

Viele Unternehmen starten ihre KI-Strategie rückwärts. Der Vendor präsentiert eine Demo. Das Tool sieht beeindruckend aus. Dann beginnt die Suche nach Anwendungsszenarien, die das Tool rechtfertigen. Das ist wie ein Hammer auf der Suche nach einem Nagel.

Wir hatten vor kurzem einen Fall: Ein Industrieunternehmen wollte ein Large Language Model für internes Wissensmanagement einführen. Budget war genehmigt. Technisch machbar. Aber als wir fragten, welches konkrete Problem gelöst werden soll – Stille. "Wir wollen halt moderner werden."

Das ist kein Geschäftsziel. Das ist ein Wunsch.

Was stattdessen funktioniert: Start beim Problem, nicht beim Tool. Welcher Prozess kostet euch heute wie viel Zeit? Wo verliert ihr Kunden, weil ihr zu langsam reagiert? Wo gibt es Qualitätsprobleme, die Menschen frustrieren? Wenn du diese Fragen nicht mit konkreten Zahlen beantworten kannst, ist eine KI-Strategie noch verfrüht.

(Unser KI-Readiness-Check gibt dir einen ersten Rahmen, um das zu beurteilen.)

Fehler 2: Der Pilotprojekt-Friedhof

Händedrücke auf der Zielgeraden. Das Pilotprojekt läuft. Die Ergebnisse sind vielversprechend. Alle sind begeistert.

Und dann... nichts.

Sechs Monate später läuft noch ein anderes Pilotprojekt. Dann noch eines. Irgendwann hat das Unternehmen fünfzehn Piloten – und keinen einzigen produktiven KI-Einsatz. Wir nennen das den Pilotprojekt-Friedhof.

Das ist nicht nur ein Ressourcenproblem. Es ist ein strategisches Signal: Irgendetwas zwischen "funktioniert im Lab" und "funktioniert im Betrieb" bricht weg. Meistens mehrere Dinge gleichzeitig.

Was fehlt, ist die Skalierungsplanung. Niemand hat vorab geplant, wie das System in bestehende Prozesse integriert wird. Wie Operations funktioniert, wenn das Modell einen schlechten Tag hat. Wer verantwortlich ist, wenn Outputs falsch sind. Wie das Change Management aussieht für die Teams, die damit arbeiten sollen.

Ein Pilot ohne Skalierungsplan ist kein strategisches Investment. Es ist ein teures Experiment.

Was stattdessen funktioniert: Definiere von Anfang an, was "Erfolg" in Produktion bedeutet. Nicht als PowerPoint-Folie, sondern als konkrete Bedingungen: Wer nutzt es? Wie häufig? Was passiert bei Fehlfunktionen? Wer trägt Verantwortung? Wenn du diese Fragen nicht beantworten kannst, startest du den Pilot zu früh.

Fehler 3: Fehlende Datengrundlage

KI braucht Daten. Das weiss jeder. Was viele unterschätzen: wie weit entfernt die meisten Unternehmen davon sind, wirklich nutzbare Daten zu haben.

Wir machen bei jedem KI-Projekt frühzeitig einen Daten-Check. Die Ergebnisse sind regelmässig ernüchternd. Kundendaten in drei verschiedenen CRM-Systemen, keine gemeinsame ID. Produktionsdaten in Excel-Dateien, die lokal auf Laptops von Mitarbeitenden gespeichert sind. Historische Daten, die nur als PDFs vorliegen. Fehlende Zeitstempel. Inkonsistente Kategorisierungen über Jahre.

Das ist kein Versagen – das ist die Realität der meisten KMU. Daten wurden nie als strategisches Asset behandelt, sondern als Nebenprodukt der Arbeit.

Das Problem: KI-Modelle verstärken die Qualität der Daten, die sie erhalten. Schlechte Daten ergeben schlechte Resultate – egal wie gut das Modell ist. "Garbage in, garbage out" gilt hier mehr denn je.

Was stattdessen funktioniert: Bevor du eine KI-Strategie entwickelst, brauchst du eine ehrliche Bestandsaufnahme deiner Datensituation. Wo liegen die Daten, die du für deinen Use Case benötigen würdest? Sind sie vollständig, konsistent, zugänglich? Was müsste geändert werden, damit ein KI-System damit arbeiten kann?

Das ist keine glamouröse Arbeit. Aber sie entscheidet über Erfolg oder Misserfolg mehr als jede Modellfrage.

(Mehr dazu, wie KI in Schweizer KMU sinnvoll eingesetzt werden kann, findest du in unserem Post KI im KMU: zwischen ChatGPT-Chaos und echtem Geschäftswert.)

Fehler 4: Kein Change Management

Hier ist eine unbequeme Wahrheit, die viele KI-Projekte ignorieren: Das Tool kann perfekt sein und trotzdem scheitern, wenn die Menschen, die damit arbeiten sollen, es nicht nutzen.

Wir haben Implementierungen begleitet, wo alles technisch stimmte. Das Modell war gut trainiert. Die Integration in bestehende Systeme funktionierte. Die Benutzeroberfläche war intuitiv. Und trotzdem: Drei Monate nach dem Go-Live arbeitete das Team wieder mit den alten Prozessen.

Warum? Weil niemand das Team mitgenommen hatte.

Menschen haben berechtigte Fragen, wenn KI-Systeme eingeführt werden. Werde ich ersetzt? Kann ich den Outputs vertrauen? Was passiert, wenn das System einen Fehler macht – wer trägt die Verantwortung? Diese Fragen wurden nicht beantwortet, also haben die Mitarbeitenden ihre eigene Antwort gefunden: Lieber beim Bewährten bleiben.

Das ist kein Widerstand gegen Veränderung. Das ist vernünftiges Verhalten angesichts schlechter Kommunikation.

Was stattdessen funktioniert: Change Management beginnt nicht nach der Implementierung, sondern bei der Problemdefinition. Beziehe die Teams früh ein. Erkläre, welches Problem gelöst wird – und warum das auch für sie besser ist. Baue Vertrauen durch Transparenz auf: Was kann das System, was kann es nicht? Wo braucht es menschliche Kontrolle?

KI-Implementierung ohne Organisationsentwicklung ist Systemeinführung auf Hoffnung.

Fehler 5: Alles auf einmal

"Wir machen jetzt KI" als unternehmensweites Mandat. Alle Abteilungen sollen zeitgleich Anwendungsfälle identifizieren. Fünf Workstreams, drei Steering Committees, ein Transformationsprogramm.

Das klingt nach Ambition. Es ist meistens Lähmung.

Der Fokus geht verloren. Jede Abteilung kämpft um Ressourcen und Priorität. Niemand hat das vollständige Bild. Das erste Erfolgserlebnis – das eine, das zeigt dass KI tatsächlich funktioniert – bleibt aus, weil alles halbfertig ist.

Es gibt eine simple Regel, die wir fast in jedem Engagement anwenden: Fang mit einem Use Case an. Dem einen, bei dem du eine klare Problemdefinition hast, akzeptable Daten, ein Team das mitziehen will, und eine Möglichkeit, Erfolg zu messen.

Bring das in Produktion. Zeig, dass es funktioniert. Dann bau darauf auf.

Das ist nicht Kleinkrämerei. Das ist wie jede technologische Transformation nachhaltig gelingt – nicht durch Grossflächenangriffe, sondern durch beweisbare Fortschritte.

(Wie du entscheidest, welcher Use Case der richtige Startpunkt ist, behandeln wir ausführlich in unserem Pipeline-Artikel KI-Use-Cases priorisieren.)

Was bedeutet das für dich?

Wenn du nur eines aus diesem Artikel mitnimmst: Die KI-Strategie scheitert nicht im Maschinenraum. Sie scheitert in den Meetings davor.

Fehlende Geschäftsziele. Fehlende Daten. Fehlende Skalierungsplanung. Fehlende Einbindung der Menschen. Fehlender Fokus. Das sind keine technischen Probleme – das sind Entscheidungen, die du steuern kannst.

Die gute Nachricht: Diese Fehler lassen sich frühzeitig erkennen. Bevor ein Budget freigegeben wird. Bevor ein Vendor-Vertrag unterzeichnet wird. Bevor der Pilot scheitert.

Wenn du gerade dabei bist, eine KI-Strategie zu entwickeln oder ein laufendes Projekt zu bewerten – wir helfen dir, die richtigen Fragen zu stellen, bevor du die falschen Antworten kaufst.

Mehr dazu, wie wir das angehen: /services/ai