Nur 28% der KI-Projekte erfüllen ihren ROI: woran das wirklich liegt

In jeder zweiten KI-Demo läuft gerade ein Agent, der angeblich alles allein erledigt und „Ihr Geschäft verändert". Das sieht oft beeindruckend aus.

In der Realität sehen die Zahlen anders aus. Gartner hat ausgewertet, wie KI-Projekte tatsächlich enden:

28% erfüllen die Erwartungen an den ROI vollständig.
20% scheitern komplett.
Die übrigen rund 52% bleiben irgendwo dazwischen hängen. Projekte, die nicht abgebrochen werden, aber auch nicht den versprochenen Wert liefern.

Drei von vier KI-Initiativen verfehlen also das ROI-Ziel, das vor dem Start in der Präsentation stand.

Es liegt nicht an der Technik

Wer die Statistik liest, vermutet zuerst: Die KI-Modelle sind noch nicht reif genug. Falsch. Die Modelle von 2026 sind besser als die meisten denken, und in vielen Mittelstands-Anwendungsfällen schon seit zwei Jahren gut genug.

Die Lücke entsteht beim Start.

Darum trägt der typische erste Schritt nicht

Die meisten Unternehmen am Hochrhein, mit denen ich spreche, beginnen mit derselben Frage: „Welches KI-Tool kaufen wir jetzt?"

Dann wird ein Tool ausgesucht (oft das, dessen Vertrieb am freundlichsten war) irgendwo ans Geschäft angesetzt und vielleicht mit einer Schulung versehen. Die Hoffnung: aus dieser Konstellation entsteht messbarer Wert.

Doch das ist selten der Fall, wie die Zahlen zeigen. Weil keine konkrete Aufgabe definiert war, gegen die das Tool antritt. Weil kein klares Erfolgsmaß existiert. Weil drei Abteilungen gleichzeitig „mal etwas mit KI ausprobieren", und am Ende niemand die Verantwortung für das Ergebnis trägt.

Aus dieser Diffusion entstehen die 52% im Gartner-Mittelfeld.

Was die 28% Erfolgreichen anders machen

Die Unternehmen, bei denen KI tatsächlich ROI liefert, fangen nicht groß an. Sie fangen klein an, dafür präzise.

Sie wählen eine Aufgabe. Eine, die heute im Geschäft Wirkung erzeugt. Eine, die sich quantifizieren lässt: Stunden, Durchlaufzeit, Fehlerquote, Antwortzeit. Eine, für die ein konkreter Bereichsleiter die Verantwortung übernimmt.

Sie definieren vor dem Start, woran sie in drei Monaten erkennen, ob es funktioniert hat. Nicht „die Mitarbeiter sollen es nutzen". Sondern: „Wenn die Durchlaufzeit für Erstangebote um 25% sinkt, war es ein Erfolg."

Erst wenn diese eine Aufgabe sauber gelöst ist, kommt der nächste Schritt. Ein zweiter Use Case. Eine Skalierung. Eine Integration. Aber niemals gleichzeitig, niemals parallel, niemals diffus.

Klein anfangen ist nicht unambitioniert

Es ist der einzige Weg, der erfahrungsgemäß irgendwo ankommt.

Wer mit „wir machen jetzt mal eine umfassende KI-Strategie für die ganze Firma" startet, hat in zwölf Monaten meist eine Folienlandschaft und keinen einzigen produktiv genutzten Anwendungsfall. Wer mit einer einzelnen, präzise gestellten Aufgabe startet, hat in drei Monaten Daten. Aus diesen Daten entsteht die nächste Entscheidung, und zwar gestützt und nicht nur geraten.

Die richtige erste Frage

Die richtige erste Frage lautet also nicht „Welches Tool kaufen wir?" Sie lautet:

„Welche eine Aufgabe soll die KI übernehmen, und woran genau merken wir, dass sie es kann?"

Wer das sauber beantworten kann, gehört zu den 28%. Wer es nicht beantworten kann, muss diese Klärung vor jeder Tool-Entscheidung leisten, sonst beginnt das Projekt schon mit der falschen Frage.

Was Sie heute tun können

Stellen Sie sich in einem Satz die Aufgabe vor, die Sie zuerst angehen würden. Dann prüfen Sie drei Punkte:

Ist sie konkret genug, eine einzelne Aufgabe, nicht ein ganzer Bereich?
Ist das Erfolgsmaß quantifiziert, Zahl plus Zeitraum?
Gibt es einen Verantwortlichen, eine Person, kein Komitee?

Wenn ja, haben Sie den Startpunkt.

Quelle: Gartner, „AI Projects in I&O Stall Ahead of Meaningful ROI Returns".

Über den Autor: Thomas Schröpfer arbeitet hauptberuflich als Go-to-Market Product Manager bei einem Schweizer Anbieter von KI-Infrastruktur. Nebenberuflich berät er Mittelständler am Hochrhein zu strategischen KI-Fragen, mit Schwerpunkt auf Entscheidungsvorbereitung vor Investitionen.