Daten machen den Unterschied: warum KI-Projekte an ihnen scheitern und mit ihnen gelingen.

Warum es scheitert

KI, die vorhersagen oder bewerten soll, lernt aus Ergebnissen: aus Beispielen, bei denen bekannt ist, was herauskam. Bei Angeboten heißt das: gewonnen oder verloren, und warum. Viele Unternehmensdaten wurden aber für etwas anderes angelegt, für Rechnung, Nachweis und Protokoll.

Wie das aussieht, zeigt ein erfundenes Beispiel, die Bergmann Betriebsausstattung GmbH. Für die Rechnung ist in ihrer Angebotsliste alles da: Nummer, Datum, Kunde, Betrag. Was eine KI bräuchte, fehlt oder ist uneinheitlich. Bei einem Angebot steht „verloren“, aber kein Grund; der steckt in einer Notiz beim Anbieter des CRM. Ein anderes steht nach Monaten noch auf „offen“. Hier heißt es „Auftrag erhalten“ statt „gewonnen“, mit einem Fragezeichen als Grund, dort nur „siehe Mail“. Ein Mensch kann das deuten, eine KI lernt daraus nichts Verlässliches. Datenprobleme sind verbreitet: In Deutschland nennen 44 Prozent der Unternehmen, die KI erwogen, aber nicht eingeführt haben, Probleme mit der Verfügbarkeit oder Qualität der Daten als Grund, so das Statistische Bundesamt. Im Pilot fällt das nicht auf, weil die Testdaten ausgesucht und aufbereitet sind. Im Betrieb kommen die echten Daten, und genau da fehlt das Ergebnis.

Was die Studien sagen

Gartner rechnet damit, dass bis Ende 2026 60 Prozent der KI-Projekte ohne KI-taugliche Daten aufgegeben werden.

Ehrlich eingeordnet: Bei den Unternehmen, die KI erwogen, aber nicht eingeführt haben, stehen fehlendes Wissen (72 Prozent), unklare Rechtsfolgen (62) und Datenschutz (60) vor den Daten. Ohne passende Daten scheitert KI. Mit Daten allein gelingt sie nicht.

Die Daten sind da, sie werden kaum genutzt

48 Prozent der Unternehmen nutzen das Potenzial ihrer Daten nach eigener Einschätzung eher wenig, 13 Prozent gar nicht, ergab eine Befragung des Bitkom vom März 2026. Was das ausmacht, zeigt ein gedachtes Beispiel, dieselbe Frage an zwei KIs: „Zwölf neue Anfragen. Welche bearbeiten wir zuerst?“ Eine Standard-KI antwortet allgemein: nach Auftragswert und Dringlichkeit, Bestandskunden zuerst. Das ist nicht falsch, aber dieselbe Antwort bekommt jeder Wettbewerber auch. Eine KI mit den eigenen Daten kann konkret antworten, vorausgesetzt, gewonnene und verlorene Angebote sind mit Grund erfasst: Dann weiß sie, wo ein Unternehmen mit kurzer Lieferzeit gewinnt und wo es über den Preis verliert. Wer nur eine Standard-KI nutzt, bekommt Ergebnisse wie alle anderen. Der Unterschied sind die eigenen Daten, mit Ergebnis und Grund.

Was sich im Alltag ändert

Drei Gewohnheiten ändern sich. Erstens: Wer ein Angebot abschließt, trägt das Ergebnis ein, mit Grund, aus einer festen Liste. Zweitens: ein Kunde, eine Nummer, dieselben Begriffe; „zu teuer“, „Preis“ und „Konkurrenz günstiger“ meinen dasselbe und gehören in einen Eintrag. Drittens: Beim Einkauf von Software und Maschinen wird vorher schriftlich geklärt, wie das Unternehmen an seine Daten kommt. Bei vernetzten Produkten können Nutzer die Daten seit dem 12. September 2025 verlangen, so die EU-Datenverordnung, unter Bedingungen und mit Ausnahmen; das lässt man im Einzelfall prüfen.

Was hilft

Wo KI-Projekte seltener scheitern, prüfen mehr Unternehmen die Datenlage schon bei der Auswahl: 54 gegenüber 42 Prozent, so eine Befragung von S&P Global Market Intelligence. Ein Zusammenhang, kein Beweis. Lehrreich ist auch ein Fall aus der Praxis. Die Weier GmbH repariert Füllkammern, Verschleißteile in Druckgießmaschinen, durch die das flüssige Aluminium in die Form gedrückt wird. In einem Transferprojekt mit Fraunhofer ging es um die Frage, ob eine KI vorhersagen kann, wann eine Kammer verschlissen ist. Dafür zeichneten Messboxen bei drei Kunden fünf Monate lang die Schwingungen auf. Für eine einzelne Kammer erreichte das Modell eine Genauigkeit von 95 Prozent, bei anderen Kammern lag die Trefferquote nur noch bei 50 Prozent; laut den Forschern braucht es mehr Daten. Die Schwingungen kamen von allein aus der Maschine. Wie verschlissen eine Kammer wirklich war, musste man eigens prüfen und aufschreiben, und genau daraus lernt eine KI. Daraus folgt die Reihenfolge: erst klären, was die KI vorhersagen soll, dann die Daten dafür sammeln, mit dem Ergebnis, und erst dann das Werkzeug wählen.

Der Datentest

Der erste Schritt ist ein Datentest für einen Anwendungsfall, etwa „Welche Anfragen lohnen ein Angebot?“. Dafür 50 Vorgänge der letzten zwölf Monate aus dem System ziehen, nicht von Hand ausgesucht, und jedem drei Fragen stellen: Steht das Ergebnis drin, mit Grund? Ist es eindeutig? Kommt man ohne Hersteller oder Dienstleister an die Daten? Zählen lassen kann man das auch von einer KI, mit einem Werkzeug, das das Unternehmen freigegeben hat, und ohne Namen und Kontaktdaten; ein paar Zeilen prüft man von Hand nach. Die Kennzahl ist der Anteil der Vorgänge mit Ergebnis und Grund; im Beispiel Bergmann waren es 18 von 50, also 36 Prozent. Unser Vorschlag: Zielwert 90 von 100 neuen Vorgängen, Entscheidungstag in acht Wochen. Der Leitfaden „Taugen Ihre Daten für KI?“ führt mit Arbeitsblatt durch den Test.

Ein erster Schritt: Ziehen Sie für Ihren wichtigsten KI-Anwendungsfall 50 Vorgänge aus dem System und zählen Sie, bei wie vielen Ergebnis und Grund eindeutig erfasst sind.

Zum Weiterlesen: Die RAND Corporation hat 2024 aus Interviews mit 65 Fachleuten, 50 davon aus Unternehmen, fünf Grundursachen für das Scheitern von KI-Projekten abgeleitet, mit Empfehlungen, wie sie gelingen. Zwei der fünf betreffen Daten; am häufigsten nannten die Befragten allerdings die Führung.

—

Mehr Einordnung im KI-Strategiebriefing

Im KI-Strategiebriefing ordnen wir jede Woche die wichtigsten KI-Entwicklungen für Geschäftsführungen und Entscheider ein: kompakt, praxisnah und mit Blick auf die Entscheidungen, die jetzt anstehen.

Jeden Freitag um 8:00 Uhr · 30 Minuten · online

Jetzt zum nächsten KI-Strategiebriefing anmelden:
https://www.silbury.com/strategie

—

Quellen: Bundesregierung, KI-Taskforce, „Deutschland als KI-Nation 2030“, 2. November 2026, Maßnahme 14 · RAND Corporation, James Ryseff, Brandon F. De Bruhl, Sydne J. Newberry, „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI“, RR-A2680-1, 13. August 2024 · Gartner, „Lack of AI-Ready Data Puts AI Projects at Risk“, 26. Februar 2025 · Statistisches Bundesamt, „Gründe gegen die Nutzung von Technologien der künstlichen Intelligenz nach Beschäftigtengrößenklassen“, Berichtsjahr 2025, Stand 24. November 2025 · Bitkom, „Digitalisierung der Wirtschaft: Fast jedes Unternehmen beschäftigt sich mit KI“, 11. März 2026 · Verordnung (EU) 2023/2854 (Datenverordnung), Art. 4, 5 und 7 · S&P Global Market Intelligence, 451 Research, Alex Johnston, „Generative AI shows rapid growth but yields mixed results“, 27. Oktober 2025 · Mittelstand-Digital Zentrum Ruhr-OWL, „KI-gestützte Zustandsüberwachung im Aluminium-Druckguss“ · SmartFactoryOWL, „AI-powered Condition Monitoring in Aluminum Die Casting (Weier GmbH)“, 24. September 2024