Warum KI-Projekte selten skalieren

Die Erwartungen an künstliche Intelligenz (KI) sind enorm: Laut aktuellen Prognosen von Gartner werden bis Ende des Jahres 2026 mehr als 80 Prozent der Unternehmen KI-Modelle in ihre Geschäftsprozesse integriert haben.

Doch in vielen Unternehmen sieht die Realität noch anders aus.

Erste Anwendungen laufen, Piloten liefern Ergebnisse, und intern entsteht der Eindruck, dass der nächste Schritt eigentlich nur noch eine Frage der Zeit ist. Genau das stellt sich in der Praxis oft als Fehleinschätzung heraus. Denn der Übergang vom Piloten in den produktiven Betrieb ist kein gradueller Schritt, sondern ein Bruch. Was unter kontrollierten Bedingungen funktioniert, verhält sich im Alltag plötzlich anders: langsamer, fehleranfälliger, schwerer zu kontrollieren. Der Grund dafür liegt selten im Modell selbst, sondern in den Bedingungen, unter denen es betrieben werden soll.

Wenn aus einem Use Case ein System wird

In der Pilotphase ist der Anwendungsfall bewusst klein gehalten. Daten werden gezielt ausgewählt, oft sogar manuell vorgefiltert. Die Anzahl der Nutzer ist überschaubar, Lastspitzen spielen keine Rolle, und Fehler lassen sich durch menschliche Eingriffe korrigieren. Mit der Skalierung verschiebt sich dieser Rahmen. Der gleiche Use Case wird Teil eines Prozesses, der kontinuierlich laufen muss. Das System bekommt nicht mehr nur „gute“ Daten, sondern alle Daten. Es muss mit Randfällen umgehen, zusätzliche Kontextinformationen einbeziehen und auch dann zuverlässig bleiben, wenn viele Anfragen parallel verarbeitet werden. Kleine Ungenauigkeiten, die im Pilot tolerierbar sind, werden plötzlich relevant, wenn Entscheidungen automatisiert weiterverarbeitet werden.

Daten sehen im Pilot besser aus, als sie sind

Ein zentraler Grund für diese Brüche liegt in der Datenbasis. Im Pilot wird häufig mit einem Ausschnitt gearbeitet, der den Anwendungsfall gut abbildet. Daten werden bereinigt, vereinheitlicht oder zumindest so ausgewählt, dass sie keine grundlegenden Widersprüche enthalten.

Im produktiven Betrieb fällt diese Vorauswahl weg. Stattdessen treffen Systeme auf gewachsene Datenlandschaften: unterschiedliche Datenquellen, verschiedene Versionen desselben Sachverhalts, historisch gewachsene Strukturen ohne einheitliche Definitionen.

Ein typisches Beispiel sind Begriffe, die in verschiedenen Abteilungen unterschiedlich verwendet werden. Was im Vertrieb eine Kategorie ist, kann im Controlling anders definiert sein. Für Menschen ist das meist kein Problem, weil sie den Kontext kennen. Für ein KI-System führt es zu Inkonsistenzen, die sich nicht ohne weiteres auflösen lassen.

Fachwissen ist selten formalisiert

Hinzu kommt die Rolle von Fachwissen. Viele Entscheidungen im Unternehmen basieren nicht ausschließlich auf Daten, sondern auf Erfahrung: implizite Regeln, Ausnahmen, kontextabhängige Bewertungen. Dieses Wissen ist selten vollständig dokumentiert.

Im Pilot lässt sich das oft kompensieren. Fachbereiche prüfen Ergebnisse, korrigieren sie bei Bedarf und gleichen Unstimmigkeiten aus. In der Skalierung wird genau das zum Problem. Wenn Entscheidungen automatisiert oder in hoher Frequenz getroffen werden, lässt sich diese manuelle Korrekturschleife nicht immer dauerhaft aufrechterhalten. Begriffe müssen definiert, Regeln explizit gemacht, Ausnahmen beschrieben werden. Ein Aufwand, der oft unterschätzt wird, weil er nicht im Modelltraining steckt, sondern in der Vorarbeit.

Organisation wird sichtbar, wenn es ernst wird

Auch organisatorisch verändern sich die Anforderungen. Solange ein Projekt als Pilot läuft, können viele Fragen offen bleiben. Verantwortlichkeiten sind oft verteilt oder implizit geregelt, Budgets projektbezogen, Zielgrößen eher qualitativ. Mit der Skalierung reicht das nicht mehr aus. Ein produktives System braucht klare Zuständigkeiten: Wer ist für die Daten verantwortlich? Wer betreibt das Modell? Wer entscheidet über Änderungen oder Erweiterungen? Und woran wird gemessen, ob die Anwendung tatsächlich Wert schafft?

In vielen Unternehmen bleibt KI deshalb in einer Zwischenposition: technisch vorhanden, punktuell genutzt, aber nicht fest in die Kernprozesse integriert. Der eigentliche Mehrwert entsteht jedoch erst, wenn sie genau dort ansetzt.

Technisch wird aus einem Modell eine Infrastruktur

Auf technischer Ebene zeigt sich ein ähnliches Muster. In der Pilotphase steht das Modell im Mittelpunkt. Mit der Skalierung wird daraus ein System, das dauerhaft betrieben werden muss. Modelle müssen versioniert, Trainingsdaten nachvollziehbar dokumentiert und Ergebnisse überwacht werden. Hinzu kommen Schnittstellen zu bestehenden Systemen, Einbindung in Prozesse sowie der Umgang mit Last und Ausfällen. Diese Themen sind aus klassischer Softwareentwicklung bekannt, werden in KI-Projekten aber oft erst spät adressiert.

Regulierung kommt nicht zum Schluss, sondern mittendrin

Sobald KI-Anwendungen produktiv eingesetzt werden, steigen auch die Anforderungen an Nachvollziehbarkeit und Dokumentation. Es reicht nicht mehr, dass ein System „meistens richtig“ liegt. Unternehmen müssen erklären können, wie ein Ergebnis zustande kommt, auf welchen Daten es basiert und wer für Entscheidungen verantwortlich ist.

Warum Piloten anders gedacht werden müssen

Viele KI-Projekte scheitern nicht an ihrer grundsätzlichen Funktionalität. Sie scheitern daran, dass sie als Experiment starten und erst später in die Realität des Unternehmens übersetzt werden sollen. Genau darin liegt aber auch der Ausweg.

Ein Pilot muss nicht groß sein, um skalierbar angelegt zu sein. Entscheidend ist, dass er von Anfang an unter Bedingungen entwickelt wird, die dem späteren Betrieb nahekommen: mit realen Daten, klaren Verantwortlichkeiten, definierten Schnittstellen, messbaren Zielen und einem Verständnis dafür, wie die Anwendung in bestehende Workflows eingebunden wird. Dann verändert sich die Logik des Projekts. Es geht nicht mehr nur darum, zu zeigen, dass ein Modell etwas kann. Es geht darum, früh zu prüfen, ob es im Zusammenspiel mit Daten, Prozessen, Fachwissen und Organisation tragfähig ist.

Für Unternehmen ist das der entscheidende Perspektivwechsel: Skalierung beginnt nicht nach dem erfolgreichen Proof of Concept, sondern mit dessen Konzeption. Wer KI von Beginn an als Teil eines fachlichen und organisatorischen Systems versteht, reduziert spätere Brüche und erhöht die Chance, dass aus einem überzeugenden Prototyp ein produktiver Standard wird.