95 % der KI-Projekte in Unternehmen scheitern
Ein neuer Bericht des MIT, der von der NANDA-Initiative veröffentlicht wurde, zeigt, dass die meisten Bemühungen von Unternehmen trotz massiver Investitionen in generative künstliche Intelligenz scheitern. Die Studie basiert auf 150 Interviews mit Führungskräften, einer Umfrage unter 350 Beschäftigten und der Analyse von 300 öffentlich bekannten KI-Implementierungen. Sie offenbart einen deutlichen Unterschied zwischen erfolgreichen Fällen und solchen, die ins Stocken geraten. Laut Aditya Challapally, dem Hauptautor des Berichts und Forscher im NANDA-Projekt am MIT, erzielen nur etwa 5 % der KI-Pilotprogramme ein schnelles Umsatzwachstum, während die überwältigende Mehrheit – 95 % – keine nennenswerten finanziellen Auswirkungen auf das Geschäftsergebnis des Unternehmens hat.
Dieses Scheitern ist nicht auf die schlechte Qualität der KI-Modelle selbst zurückzuführen, sondern vielmehr auf den sogenannten „Learning Gap“ – eine Lernlücke, die sowohl die Tools als auch die Organisationen betrifft. Generische Tools wie ChatGPT eignen sich dank ihrer Flexibilität hervorragend für Einzelpersonen, scheitern jedoch im Unternehmensumfeld, da sie weder aus Arbeitsabläufen lernen noch sich an diese anpassen. Der Bericht, über den die Autorin Sheryl Estrada in einem Artikel für Fortune schrieb, betont, dass Unternehmen häufig Regulierungen oder die Leistung der Modelle verantwortlich machen, das eigentliche Problem jedoch in der mangelhaften Integration in die Geschäftsprozesse liegt.
Warum Pilotprogramme scheitern und wo Geld verloren geht
Eine der wichtigsten Erkenntnisse ist die schlechte Verteilung der Budgets. Mehr als die Hälfte der Budgets für generative KI fließt in Vertriebs- und Marketingtools, obwohl die Automatisierung des Backoffice die höchste Kapitalrendite (ROI) erzielt – also jener internen Verwaltungsbereiche, in denen die Kosten für externe Agenturen, Outsourcing und betriebliche Prozesse gesenkt werden. Laut Daten des MIT scheitern intern entwickelte KI-Systeme fast doppelt so häufig wie solche, die von spezialisierten Anbietern erworben wurden. Dennoch bestehen viele Unternehmen, insbesondere in regulierten Branchen wie dem Finanzdienstleistungssektor, darauf, eigene proprietäre Systeme aufzubauen.
Aditya Challapally merkte in einem Interview an, dass Unternehmen oft zögern, ihre Misserfolge offenzulegen. „Fast überall, wo wir hinkamen, versuchten Unternehmen, ein eigenes Tool zu entwickeln“, sagte er. Die Daten zeigen jedoch, dass zugekaufte Lösungen mit einer Erfolgsquote von rund 67 % zuverlässigere Ergebnisse liefern. Die interne Entwicklung ist dagegen nur in einem Drittel der Fälle erfolgreich. Ein weiteres Problem stellt die sogenannte „Shadow AI“ dar – nicht autorisierte Tools wie ChatGPT, die Beschäftigte ohne Aufsicht verwenden, wodurch Sicherheitsrisiken und mangelnde Kontrolle zunehmen.
Erfolgsfälle und was sich daraus lernen lässt
Einige Unternehmen sind mit generativer KI jedoch äußerst erfolgreich. So konnten etwa junge Start-ups, die von 19- oder 20-jährigen Gründern geführt werden, ihre Einnahmen innerhalb eines Jahres von null auf 20 Millionen US-Dollar (rund 450 Millionen CZK) steigern. Laut Challapally gelang ihnen dies, indem sie sich auf einen einzigen konkreten Problempunkt konzentrierten, ihn gut lösten und intelligente Partnerschaften mit Unternehmen eingingen, die ihre Tools nutzen. Erfolgreiche Großunternehmen übertragen die Entscheidungsbefugnis häufig an Linienmanager statt an zentrale KI-Labore und wählen Tools, die sich tief integrieren lassen und schrittweise anpassen.
Der Bericht weist außerdem auf die anhaltenden Veränderungen auf dem Arbeitsmarkt hin. Statt Massenentlassungen verzichten Unternehmen eher darauf, frei werdende Stellen neu zu besetzen, insbesondere im Kundensupport und in der Verwaltung. Diese Veränderungen konzentrieren sich auf Tätigkeiten, die aufgrund ihrer geringen Wertschöpfung zuvor ausgelagert worden waren. Darüber hinaus entstehen fortschrittliche Systeme wie agentische KI, die lernt, sich erinnert und innerhalb festgelegter Grenzen selbstständig handelt, was die Richtung der zukünftigen Entwicklung erkennen lässt.
Technische Grenzen und die Zukunft der KI in der Wirtschaft
Weitere Informationen aus den MIT-Forschungen zeigen, dass generative KI technische Einschränkungen aufweist – die Modelle können spezifische Aufgaben präzise bewältigen, verfügen jedoch über kein kohärentes inneres Weltmodell. Sie können beispielsweise genaue Navigationsanweisungen für New York geben, scheitern jedoch bei Straßensperrungen oder Umleitungen. Die Effektivität hängt von der Qualität der Benutzeranfragen (Prompts) ab, und das automatische Umschreiben von Prompts führt mitunter zu schlechteren Ergebnissen, wenn diese nicht mit der Absicht des Benutzers übereinstimmen.
In der Softwareentwicklung kann KI die Produktivität von Entwicklern unter kontrollierten Bedingungen um bis zu 55 % steigern. Eine schnelle und unvorsichtige Implementierung erhöht jedoch die technischen Schulden, insbesondere bei der Integration in ältere Systeme, was zu Problemen mit Skalierbarkeit und Stabilität führt. Das MIT betont, dass die organisatorische Bereitschaft, eine sorgfältige Integration und realistische Erwartungen entscheidend sind, um das Potenzial generativer KI auszuschöpfen. Auch wenn die US-Notenbank davon ausgeht, dass KI die Produktivität letztlich steigern wird, weisen die gegenwärtigen Misserfolge auf erhebliche Herausforderungen sowohl bei der Technologie als auch bei ihrer Anwendung hin.
Dieser Bericht des MIT dient Unternehmen als Warnung: Ohne den richtigen Ansatz bleibt generative KI lediglich ein teures Spielzeug ohne echten Nutzen. Wenn Sie erfolgreich sein wollen, konzentrieren Sie sich auf Anpassungsfähigkeit, Partnerschaften und die Automatisierung des Backoffice – das ist der Weg zu echten Ergebnissen.
