Warum KI-Projekte scheitern — fast nie an der Technik

KI-Projekte scheitern fast nie an der Technik. Sie scheitern an fehlender Methodik — denn KI ist ein Verstärker, kein Ersatz: Sie verstärkt gute und schlechte Praktiken gleichermaßen. Gute Methodik plus KI ergibt automatisierte Exzellenz, schlechte Methodik plus KI ergibt skalierten Murks.

Wie real dieser Effekt ist, zeigt eine METR-Studie mit 16 erfahrenen Open-Source-Entwicklern: Mit KI-Werkzeugen brauchten sie im Schnitt 19 Prozent mehr Zeit als ohne — schätzten sich anschließend aber 20 Prozent schneller ein. Kleine, fokussierte Aufgaben wurden tatsächlich schneller erledigt, das fühlte sich nach Turbo an. Doch Softwareentwicklung ist die Gestaltung von Systemen, nicht die Summe von Kleinaufgaben — und dort frisst die zusätzliche Zeit für Validierung und Fehlersuche den Vorsprung wieder auf.

Ein Einwand relativiert das aber deutlich: Laut einer viel zitierten MIT-Untersuchung sind gekaufte KI-Lösungen rund dreimal so oft erfolgreich wie Eigenentwicklungen — ein Befund, der die These vom „Verstärker” auf den ersten Blick widerlegt. Bei genauerem Hinsehen bestätigt er sie: Gemessen wurden Eigenentwicklungen ohne Spezifikation, ohne Qualitätstore, ohne Governance — genau daran scheiterten sie. Wer eine Lösung kauft, kauft die Methodik-Disziplin des Anbieters mit; wer selbst baut, muss sie selbst mitliefern. Das ist kein Argument gegen das Selbstbauen, sondern gegen das methodenlose Selbstbauen.

Vier Säulen entscheiden deshalb über Erfolg oder Scheitern: klare Spezifikationen, robuste Qualitätssicherung, wirksame Governance und engagierte Führung. Ein gescheitertes KI-Projekt belegt nicht, dass KI nicht funktioniert — es belegt, dass die Methodik nicht gestimmt hat.

→ Mehr zum Buch und zum Kapitel „Warum KI-Projekte scheitern”