KI scheitert selten am Modell, meist an Mensch und Prozess
Elf Praxisprojekte zeigen: Der größte Engpass bei KI-Einführungen liegt nicht bei der Technologie, sondern bei Akzeptanz, Fachwissen und den letzten schwierigen Prozentpunkten.
Wer ein KI-Projekt plant, denkt meist zuerst ans Modell: GPT-4, Claude, Gemini. Das ist der falsche Ausgangspunkt. Elf dokumentierte Unternehmensprojekte zeigen, dass das Modell fast nie das eigentliche Problem ist. Projekte scheitern stattdessen an internem Widerstand, schlechten Prompts und unterschätztem Aufwand für die letzten 20 Prozent.
Das Fachwissen sitzt im Kopf der Sachbearbeiterin
Beim Logistikdienstleister Fiege gingen monatlich 11.000 Reklamationen ein. Die Lösung war kein ausgefeiltes Modell. Es war der erfahrenste Sachbearbeiter im Haus. Er übersetzte sein Urteilsvermögen aus rund 2.000 historischen Fällen in klare Entscheidungsregeln. Diese Regeln steuern heute einen KI-Agenten.
Das ist kein Einzelfall. Beim Finanzierungsvermittler DFKP wurden jahrelang Finanzunterlagen von Hand sortiert. Diese Arbeit wurde zum Trainingsdatensatz. Das nötige Kontextwissen, welche Information in welchem Fall zählt, liefert kein Anbieter mit.
Für kleine Unternehmen bedeutet das: Prompt-Engineering ist kein IT-Job. Es ist eine Aufgabe für die Person, die den Prozess am besten kennt. Wer das an eine externe Agentur delegiert, bekommt ein generisches Ergebnis.
Akzeptanz ist kein Selbstläufer
Die Rewe Group baute einen internen Support-Chatbot für rund 20.000 Verwaltungsmitarbeitende. Das Tool lief stabil. Kaum jemand nutzte es. Erst nach einem Redesign, einem neuen Namen und einer internen Kampagne änderte sich das. Der Chatbot heißt seither Lumi, hat ein Avatar-Gesicht und bearbeitet mehr als 8.000 Anfragen pro Monat.
Notion erlebte dasselbe in kleinerem Maßstab. Das interne Wiki war gepflegt, 80 bis 90 Prozent aller Fragen waren dokumentiert. Trotzdem fragten Mitarbeitende lieber direkt in Slack. Also wurde der KI-Agent dort eingebunden, wo die Fragen ohnehin gestellt wurden.
Wer ein Tool einführt, muss auch die Einführung selbst planen. Ein gutes Produkt setzt sich nicht von allein durch.
Die letzten 20 Prozent fressen die Hälfte des Budgets
Fast alle dokumentierten Projekte berichten dasselbe Muster. Die ersten 70 bis 80 Prozent der Funktionalität entstehen schnell. Dann beginnt die eigentlich aufwendige Phase. Marlen Schenk von S-Communication Services formulierte es direkt: Die letzten 20 Prozent sind schwierig und kosten mindestens die Hälfte der Zeit.
Die Frage ist deshalb nicht, ob 100 Prozent erreicht werden müssen. Notion ging bei einem risikoarmen internen Tool bereits bei 70 Prozent Vertrauen live. Das Bildbeschreibungs-Tool von Apriwell arbeitet nach dem Prinzip: gut genug ist gut genug.
Anders liegt der Fall bei Iteratec. Dort prüft ein Mensch jede Rechnung, bevor sie zum Kunden geht. Ein Fehler lässt sich dort nicht zurückdrehen. Und S-Communication Services steckt trotz eines einfachen Redaktionstools in einem aufwendigen Compliance-Prozess, weil das Unternehmen zur Sparkassen-Finanzgruppe gehört.
Wer KI einführt, muss vorab klären: Was kostet ein Fehler? Wer haftet? Wie streng ist das regulatorische Umfeld? Die Antworten bestimmen den tatsächlichen Aufwand.
Nicht alles braucht ein Sprachmodell
Statista+ machte am Anfang den klassischen Fehler: alles in einem einzigen Prompt erklären. Das Ergebnis waren komplexe, fehleranfällige Abläufe. Die Lösung war, Aufgaben zu trennen. Einfache Automatisierung übernimmt, was Präzision verlangt. Generative KI kommt dort zum Einsatz, wo Verständnis gefragt ist.
Iteratec arbeitet nach demselben Prinzip. Transkriptions-Tools zerlegen Inhalte in Teile, einfache Skripte setzen sie wieder zusammen. Das ist billiger und zuverlässiger als ein Sprachmodell für denselben Job.
Für Teams mit kleinem Budget ist das relevant: KI-APIs kosten Geld pro Token. Wer jeden Schritt durch ein Sprachmodell schickt, zahlt mehr und bekommt nicht zwingend bessere Ergebnisse.
Fazit
Elf Projekte, sechs Muster. Das Sprachmodell ist in keinem Fall der Flaschenhals. Der Engpass liegt beim internen Fachwissen, bei der Nutzerakzeptanz, beim Aufwand für die letzten schwierigen Prozente und bei der Frage, was bei einem Fehler wirklich passiert.
Wer mit zehn Mitarbeitenden ein KI-Projekt plant, sollte mit einem handfesten Problem beginnen, dann die Person bestimmen, die dieses Problem am besten kennt, und früh entscheiden, ab wann das Ergebnis gut genug ist, um live zu gehen.
