Tag 5: Warum 95 Prozent der KI-Projekte scheitern

Marc

Es gibt diese eine Zahl, Stefan, die mir seit Wochen im Kopf herumgeht. Das MIT Project NANDA hat über 300 GenAI Einführungen untersucht, 52 Interviews geführt, über 150 Befragte. Und das Ergebnis ist erschütternd: 95 Prozent der generativen KI Pilotprojekte haben absolut keine messbare Wirkung auf die Erfolgsrechnung erzielt.

Stefan

Fünfundneunzig Prozent. Das ist eine Vernichtungsquote für Pilotprojekte.

Marc

Und und und das Zweite, Gartner legt nach: 60 Prozent aller KI Projekte werden bis Ende 2026 komplett aufgegeben, weil die Daten schlicht nicht KI tauglich sind. Nicht, weil die Modelle zu dumm wären, sondern weil das Fundament fehlt.

Stefan

Das, das trifft genau den Nerv. Die Leute schauen sich eine glänzende Demo von einem neuen Sprachmodell an, verwechseln die Faszination mit einem Business Case, und dann verpufft das Geld. Der Engpass liegt fast nie beim Modell selbst. Der Engpass liegt davor.

Marc

In den Gesprächen mit Personalverantwortlichen und Geschäftsleitungsmitgliedern sehe ich das ständig. Da kommt der CEO am Montag in die Firma und ruft: Wir müssen jetzt irgendwas mit ChatGPT oder AI Agenten machen! Das ist klassischer Technologie Push.

Stefan

Genau. Man hat ein Werkzeug in der Hand und sucht verzweifelt nach einem Problem, das irgendwie dazu passt. Was wir stattdessen brauchen, ist Problem Pull. Welches konkrete Problem in der Wertschöpfungskette tut so weh, dass wir es lösen müssen? Und welche Daten brauchen wir dafür?

Marc

Die Zahlen für die Schweiz spiegeln das exakt wider. Laut dem UBS Outlook vom Mai 2026 nutzen zwar sechs von zehn Schweizer Unternehmen KI, aber schau dir die KMU an: Nur 34 Prozent integrieren KI wirklich bewusst in ihre Geschäftsprozesse. Im Jahr 2024 waren es 22 Prozent. Der Zuwachs ist da, aber die Hauptgründe für den Verzicht bleiben: Unklarheit über die Eignung für das eigene Geschäftsmodell und Unsicherheit bezüglich des tatsächlichen Nutzens.

Stefan

Das heisst, zwei Drittel der Schweizer Firmen stehen eigentlich am Rand, weil sie gar nicht wissen, wo sie überhaupt ansetzen sollen?

Marc

Exakt. Es fehlt am systematischen Discovery Prozess. Wenn du mich fragst, lassen sich viele von bunten Demos blenden. Ein Berater zeigt ein nettes Video, alle klatschen, und drei Monate später merkt man: Der Assistent steht komplett neben dem Arbeitsablauf. Die Mitarbeitenden nutzen ihn nicht, weil er einen Umweg bedeutet.

Stefan

Lass uns das Trichter Prinzip herleiten, Marc. Wenn ich vor dem Bauen nicht festlege, welche Kennzahl sich um wie viel verbessern soll, sagen wir die Bearbeitungszeit von 75 Minuten auf 15 Minuten, dann habe ich keinen Ausgangswert. Ohne Ausgangswert gibt es keinen Nachher Vergleich. Und ohne Nachher Vergleich gibt es keinen messbaren Return auf der Erfolgsrechnung.

Marc

So ist es. Wenn du den Nutzen nicht vorab definierst und misst, wird dir der Finanzchef später keinen einzigen Franken Gewinngutschrift anerkennen. So einfach ist das.

Stefan

Wir müssen hier ganz sauber Ordnung in die Begriffe bringen, sonst reden wir in der Use Case Discovery aneinander vorbei. In den Kursen sehe ich dauernd, dass Handlungsfeld, Use Case und Business Case durcheinandergeworfen werden.

Marc

Ja, das ist ein Klassiker. Bringen wir die Kaskade auf den Punkt.

Stefan

Das Handlungsfeld ist die Antwort auf die Frage: Wo suchen wir? Ein Bereich mit Problem oder Optimierungspotenzial. Zum Beispiel: Rechnungsprüfung im Einkauf. Das gehört im AIBS Qualifikationsprofil zu HKB B1. Der Use Case ist die Antwort auf: Was genau tun wir? Ein abgegrenzter Anwendungsfall mit Auslöser, Ablauf, Ergebnis und Nutzniesser. Und der Business Case, der rechnet Kosten, Nutzen und Szenarien gegeneinander auf. Der entsteht erst später in Modul C.

Marc

Und wer Unschärfe im Use Case zulässt, verbrennt später in der Umsetzung Millionen. Schauen wir uns ein reales Musterbeispiel an, das genau zeigt, wie ein starker Use Case aussieht: Zurich Insurance mit der Plattform Cytora.

Stefan

Ah, das Zurich Beispiel! Erzähl die Zahlen, Marc.

Marc

Im Gewerbeversicherungsbereich treffen täglich unstrukturierte, mehrsprachige Risk Submissions ein. E Mails, PDFs, Makleranfragen über verschiedene Kanäle. Vorher prüften Underwriter diese Eingänge manuell über mehrere Systeme hinweg. Die manuelle Triage Dauer lag bei 75 Minuten pro Fall. Die Erfassungsgenauigkeit lag bei 70 bis 80 Prozent.

Stefan

Fünfundsiebzig Minuten nur, um zu entscheiden, ob man das Risiko überhaupt rechnet oder ablehnt. Was macht Cytora da genau?

Marc

Zurich setzt Cytora als intelligenten Eingangsprozess ein. Die Dokumente werden automatisch ausgelesen, übersetzt, strukturiert und gegen die Underwriting Standards abgeglichen. Das Ergebnis: Die manuelle Triage Zeit im Underwriting sinkt von 75 auf 15 Minuten pro Fall. Eine Reduktion der manuellen Triage Dauer um 80 Prozent. Und die Dunkelverarbeitung im Eingang stieg von 10 auf 95 Prozent.

Stefan

Technisch gesehen ist Cytora hier ein headless intelligence layer. Es ersetzt nicht das Kernsystem, sondern schaltet sich als Übersetzungsschicht vor das Underwriting System. Es verwandelt chaotischen Freitext in strukturierten Kontext, den die bestehenden Workflows sofort verarbeiten können.

Marc

Und für unsere Studierenden im AIBS Kurs ist das die entscheidende Lektion für die Projektarbeit in Prüfungsteil 1: Ein Steckbrief wie Rechnungsprüfung mit KI ist wertlos. Ein starker Steckbrief nennt das Mengengerüst. 42000 Belege pro Jahr, 6 Minuten pro Beleg, Ziel ist die Steigerung der Dunkelverarbeitung von 12 auf 60 Prozent. Ohne Zahl kein Use Case.

Stefan

Genau deshalb nutzen wir das Wertschöpfungsraster. Von der Beschaffung über Produktion, Logistik, Marketing, Verkauf bis zum Service geht man jede Stufe durch. Man fragt nach den Jobs to be Done: Wo wartet jemand? Wo wird doppelt erfasst? Wo entstehen Fehler? Wo wird unter Unsicherheit entschieden?

Marc

Und zwar ohne sofort ein Werkzeug im Kopf zu haben. Erst den Schmerz identifizieren, dann den Use Case beschreiben, und ganz am Ende das passende KI Modell suchen.

Marc

Lass uns über die Erhebung sprechen, Stefan. Wie finde ich denn diese Pain Points überhaupt? Wenn du in ein Schweizer Unternehmen gehst und die Abteilungsleiter in Interviews fragst, wie ihre Prozesse laufen, bekommst du eine wunderschöne Märchenstunde erzählt.

Stefan

Das Soll Wunschbild, das im Prozesshandbuch steht, aber seit fünf Jahren niemand mehr befolgt!

Marc

Ganz genau! Wir haben vier Erhebungsmethoden laut BABOK Standard, und jede hat ihren blinden Fleck. Erstens: Dokumentenanalyse. Zeigt, wie der Prozess gedacht war, nicht wie er läuft. Zweitens: Befragungen und Interviews. Zeigen Interessen und subjektive Wahrnehmungen. Drittens: Beobachtung. Zeigt Einzelfälle an diesem einen Dienstag, aber nicht die Verteilung übers Jahr. Und viertens: Messung.

Stefan

Und wo kommt Process Mining ins Spiel?

Marc

Ich hatte diesen Fall bei einem Schweizer Industrieunternehmen. In den Interviews beteuerten alle Beteiligten hoch und heilig: Eine Freigabe für Sonderbestellungen dauert bei uns im Schnitt zehn Minuten. Wir haben dann Process Mining aufgesetzt, die Event Logs aus dem SAP gezogen, Fall ID, Aktivität, Zeitstempel.

Stefan

Und was haben die Datenprotokolle gezeigt?

Marc

Die tatsächliche Durchlaufzeit lag im Median bei drei Tagen Liegezeit! Der Vorgang lag ewig in irgendwelchen Postfächern, weil bei Unklarheiten eine inoffizielle Mail Schleife gedreht wurde, die in keinem Organigramm auftauchte.

Stefan

Das zeigt so schön: Datenprotokolle sind ehrlicher als Bauchgefühl. Process Mining rekonstruiert aus den Spuren der Quellsysteme die reale Prozesslandschaft mit allen Schleifen und Abweichungen. Und Task Mining ergänzt das, indem es die manuelle Handarbeit erfasst, das ständige Copypasten zwischen Excel, Outlook und dem ERP System.

Marc

Aber Vorsicht: Process Mining zeigt nur, was IST, nicht was sein SOLL. Wer einen chaotischen Prozess digitalisiert oder mit KI automatisiert, hat danach einfach nur ein automatisiertes Chaos.

Stefan

Genau da schlägt auch die Warnung vom Gartner Data and Analytics Summit vom März 2026 ein. Gartner betont, dass KI Agenten ohne einen Semantic Layer nicht zuverlässig arbeiten können. Eine semantische Schicht verknüpft die reine Datenspur mit der geschäftlichen Bedeutung. Wenn der Agent nicht versteht, was ein stornierter Auftrag im Geschäftskontext bedeutet, erzeugt er Halluzinationen oder zieht falsche Schlüsse.

Marc

Das heisst, die Kombination macht den Erfolg: Process Mining liefert das ehrliche Mengengerüst, und der KI Spezialist baut den operativen Kontext auf. Erst dann hat man ein verlässliches Fundament für die Use Case Evaluation.

Stefan

Jetzt kommen wir zum kritischsten Teil der Use Case Discovery. Du hast eine Longlist mit Ideen, aber taugen die Daten überhaupt? Wir prüfen im AIBS Raster vier Eignungskriterien in einer ganz festen Reihenfolge: Zugang, Menge und Repräsentativität, Qualität, sowie Ethik und Recht.

Marc

Warum diese strikte Reihenfolge, Stefan? Warum nicht zuerst die Qualität prüfen?

Stefan

Weil der Zugang das einzige Knockout Kriterium ist! Was nützt mir ein theoretisch perfekter Datensatz, wenn die Schnittstelle fehlt, die Rechtsabteilung die Nutzung untersagt oder der Drittanbieter im Vertrag die KI Analyse verbietet? Wenn ich keinen Zugang habe, muss ich Qualität und Ethik gar nicht erst analysieren. Das spart enorm Zeit.

Marc

Absolut verständlich. Und wenn der Zugang da ist, schauen wir auf die Datenqualität. Nach DAMA UK gibt es sechs primäre Dimensionen: Vollständigkeit, Eindeutigkeit, Aktualität, Gültigkeit, Korrektheit und Konsistenz.

Stefan

Und diese Dimensionen darf man nicht pauschal bewerten. 95 Prozent Vollständigkeit reichen für eine Trendprognose im Marketing locker aus, aber für eine automatisierte Gutschrift im Finanzbereich sind 95 Prozent absolut ungenügend. Da brauchst du 99 Komma 9 Prozent.

Marc

Und wie steht es mit dem Thema Bias und Repräsentativität? Das wird in Schweizer Firmen oft unterschätzt. Man denkt: Wir haben doch historische Daten aus fünf Jahren, die sind super!

Stefan

Ja, genau da liegt die Falle: Garbage in, Bias out. Nimm ein automatisierte Scoring für Kreditvergaben oder Bewerbungen. Wenn in den letzten fünf Jahren vor allem eine bestimmte Personengruppe bevorzugt wurde, lernt das KI Modell dieses historische Muster als Gesetzmässigkeit. Und durch die Automatisierung verstärkt sich diese Verzerrung über Rückkopplungsschleifen immer weiter, ohne dass es jemand merkt.

Marc

Wir müssen auch den rechtlichen Zeitdruck auf dem Schirm haben. Viele Planer nutzen noch veraltete Terminlisten. Seit dem 2. August 2026 gelten die Transparenzpflichten nach Artikel 50 des EU AI Act vollumfänglich und ohne Aufschub! Wer synthetische Inhalte erzeugt oder KI Chatbots einsetzt, muss das offenlegen. Auch das Schweizer revDSG gilt seit September 2023 technologieneutral für alle KI Datenverarbeitungen.

Stefan

Allerdings gab es beim EU AI Act eine wichtige Verschiebung durch den Digital Omnibus, der am 27. Juli 2026 in Kraft trat: Die Hochrisiko Pflichten nach Anhang III wurden auf den 2. Dezember 2027 verschoben. Das verschafft den Unternehmen etwas Luft bei Hochrisiko Systemen, entbindet sie aber keineswegs von den geltenden Transparenz und Datenschutzregeln.

Marc

Der Eidgenössische Datenschutzbeauftragte EDÖB hat das beim Fall Coop mit den intelligenten Kameras an Selbstbedienungskassen deutlich gemacht: Er verlangte Transparenz und Zweckbindung, verzichtete aber auf eine Untersuchung, weil nachgewiesen wurde, dass keine Gesichtserkennung stattfand. Das zeigt: Wer seine Datenflüsse und Zwecke im Steckbrief nicht präzise beschreiben kann, scheitert schon vor dem Audit.

Marc

Stefan, schauen wir auf das konkrete Tagesziel für den Kurstag 5 der AI Business Specialist Ausbildung. Was haben die Studierenden um 21 Uhr abends in der Hand?

Stefan

Nicht nur ein theoretisches Verständnis von Longlists, sondern eine echte, belastbare Longlist! Mindestens 15 Use Cases im einheitlichen Steckbrief Raster, davon mindestens 5 mit komplett geprüfter Dateneignung, plus eine eigene gewichtete Bewertungsmatrix.

Marc

Das ist immerhin die halbe Miete für die spätere Projektarbeit in Prüfungsteil 1, die mit 50 Prozent zur Gesamtnote zählt. Und warum verlangen wir ausgerechnet 15 Steckbriefe? Warum reichen nicht vier oder fünf gute Ideen?

Stefan

Weil Discovery ein Trichter ist! Laut dem BCG AI Radar 2026 priorisieren führende Unternehmen im Schnitt lediglich 3 Komma 5 bis 6 Komma 1 Use Cases. Die übrigen Firmen versuchen, 15 Dinge gleichzeitig halbherzig zu bauen. Und das Erstaunliche: Die Unternehmen, die sich fokussieren, erzielen einen 2 Komma 1 fach höheren erwarteten Return on Investment auf ihre KI Initiativen!

Marc

Weniger machen, das aber richtig und mit voller Ausstattung, schlägt das wilde Paralleltesten von zwanzig KI Spielereien um Längen. Fokussierung ist keine Methodenfrage, sondern eine Führungsentscheidung.

Stefan

Genau. Schauen wir uns noch das Steckbrief Raster an, das als Standard dient: Jeder Eintrag braucht einen prägnanten Titel mit Verb und Objekt, das Handlungsfeld, eine Problembeschreibung mit konkreter Zahl als Ausgangswert, den Prozessablauf mit Auslöser und Nutzniesser, die konkreten Datenquellen, den vierstufigen Daten Check, Abhängigkeiten und offene Punkte.

Marc

Und die Formel für die Erstbewertung kombiniert dann Nutzen und Machbarkeit. Nutzen misst Wirkung, Reichweite, strategische Passung und Sichtbarkeit. Machbarkeit misst Dateneignung, technische Komplexität, Abhängigkeiten und regulatorischen Aufwand.

Stefan

Und man muss sich immer an die 10 20 70 Regel von BCG erinnern: 10 Prozent des Aufwands sind die Algorithmen, 20 Prozent Technologie und Daten, aber 70 Prozent sind Menschen und Prozessanpassung. Wer die Machbarkeit nur rein technisch bewertet, unterschätzt vier Fünftel der Arbeit.

Marc

Mit dieser Argumentation können die Studierenden ihre Longlist sowohl vor dem Prüfungsexperten als auch vor dem eigenen Chef überzeugend verteidigen. Erhebung sauber dokumentieren, Datenzugang vorab klären, streng priorisieren und nur die Cases weiterziehen, die echten Return bringen.

Stefan

Perfekt. Damit steht das Fundament für die Case Werkstatt. Bringt eure Longlists mit, am nächsten Kurstag geht es direkt in die Priorisierung.