Alle reden darüber, was KI kann. Kaum jemand sagt, wann sie eine schlechte Idee ist.
Das ist kein Zufall. Berater, Anbieter und Plattformen verdienen daran, KI zu verkaufen. Wer offen über Grenzen spricht, verliert kurzfristig Deals und gewinnt langfristig Vertrauen.
Dieser Post ist anders. Hier liest du, wann KI keinen Sinn macht. Basierend auf Studien, Praxisbeispielen und 25 Jahren Erfahrung in der IT.
Die unbequemen Zahlen zuerst
Bevor wir ins Detail gehen: Die Datenlage ist ernüchternd.
- 95% der KI-Pilotprojekte in US-Unternehmen lieferten keinerlei messbare positive Auswirkung auf das Betriebsergebnis (MIT FutureTech, 2025).¹
- Über 80% der Unternehmen sehen keinen messbaren EBIT-Effekt durch den Einsatz generativer KI (McKinsey, 2025).²
- 56% der CEOs erzielten weder Umsatzsteigerungen noch Kostensenkungen durch ihre KI-Initiativen, basierend auf 4.454 Befragten aus 95 Ländern (PwC, 2026).³
- 60% aller KI-Projekte ohne qualitätsgesicherte Datenbasis werden laut Prognose bis 2026 aufgegeben (Gartner, 2025).⁴
Das heißt nicht, dass KI nutzlos ist. Es heißt, dass die meisten Unternehmen sie falsch einsetzen. Und die Frage lautet: Woran liegt das?
1. Es gibt kein echtes Problem, nur einen KI-Hype
Der häufigste Fehler überhaupt: KI einführen, weil es “alle machen”.
Der Impuls ist verständlich. Wettbewerber reden davon, auf Konferenzen ist es Dauerthema, Förderstellen fragen danach. Aber “weil es alle machen” ist keine Strategie, es ist FOMO.
KI ist ein Werkzeug, kein Selbstzweck. Sie glänzt nur dann, wenn sie ein konkretes, identifizierbares Problem löst. Die entscheidende Frage lautet nicht: “Welches KI-Tool sollen wir nutzen?”, sondern: “Wo verlieren wir tatsächlich Zeit, Geld oder Qualität?”
Ich erlebe das regelmäßig in Erstgesprächen. Ein Unternehmen will “irgendwas mit KI machen”, aber kann nicht benennen, welches Problem gelöst werden soll. In solchen Fällen sage ich: Noch nicht. Erst das Problem definieren, dann die Lösung suchen.
Wann KI keinen Sinn macht: Wenn der Ausgangspunkt die Technologie ist, nicht das Problem.
2. Die Datenbasis ist eine Katastrophe
KI lernt aus Daten. Schlechte Daten bedeuten schlechte KI. Das Prinzip hat sogar einen Namen: “Garbage in, garbage out.”
Die Realität in vielen Unternehmen:
- Veraltete, unstrukturierte oder widersprüchliche Datensätze
- Informationen über verschiedene Plattformen verteilt, ohne klare Zuständigkeit
- Niemand kümmert sich wirklich um Datenqualität
Forrester nennt Datenqualität den wichtigsten limitierenden Faktor für die Einführung von GenAI.⁵ Gleichzeitig haben laut Gartner 63% der Unternehmen keine passenden Datenmanagement-Praktiken für KI.⁴ Datenqualität ist kein IT-Detail, sondern ein strategisches Risiko.
Das Paradoxe daran: Generative KI macht schlechte Daten unsichtbar statt sichtbar. Ein klassisches Dashboard mit fehlerhaften Zahlen fällt irgendwann auf. Ein KI-Modell, das auf inkonsistenten Stammdaten arbeitet, produziert Ergebnisse, die plausibel aussehen, aber falsch sind.
Wann KI keinen Sinn macht: Wenn Daten chaotisch, unvollständig oder ungepflegt sind und keine Ressourcen vorhanden sind, das zu ändern.
3. Der Prozess existiert nur im Kopf
KI kann einen Prozess beschleunigen. Sie kann ihn nicht erfinden.
Wenn dein Team nicht erklären kann, wie ein Ablauf heute funktioniert (Schritt für Schritt, dokumentiert, reproduzierbar), dann wird KI diesen Prozess nicht retten. Sie wird das Chaos schneller machen.
Die MIT-Studie identifiziert genau das als einen der Hauptgründe für KI-Scheitern: das Aufstülpen von KI auf zu komplexe, nicht strukturierte Prozesse, kombiniert mit mangelnder Schulung der Mitarbeitenden.¹
Zuerst kommt die Prozessklarheit. Dann kommt KI.
Im KI-Einführungsworkshop starten wir deshalb immer mit einer Bestandsaufnahme: Welche Prozesse gibt es, welche sind dokumentiert, wo fließt die meiste Zeit rein? Erst danach schauen wir, welche davon KI-tauglich sind.
Wann KI keinen Sinn macht: Wenn niemand den aktuellen Prozess erklären kann.
4. Das Volumen rechtfertigt die Investition nicht
Automatisierung rechnet sich nur, wenn etwas oft genug passiert.
Selbst einfache KI-Systeme brauchen Setup, Wartung, Monitoring und jemanden, der sich darum kümmert. Wenn eine Aufgabe nur gelegentlich anfällt, kostet die Lösung mehr als sie einspart.
Ein konkretes Beispiel aus einer MIT/IBM-Studie: Eine kleine Bäckerei könnte durch KI-gestützte Qualitätskontrolle der Zutaten theoretisch 14.000 USD pro Jahr sparen. Aber die Systemkosten würden diese Einsparung weit übersteigen. Laut derselben Studie wäre KI-Automatisierung bei visuellen Aufgaben nur in 23% der Fälle wirtschaftlich sinnvoll. In drei von vier Fällen bleibt menschliche Arbeit kostengünstiger.⁶
Das gilt auch für österreichische KMU. Ein Handwerksbetrieb mit fünf Mitarbeitern, der pro Woche drei Angebote schreibt, braucht keinen KI-gestützten Angebotsgenerator. Ein gutes Template reicht.
Wann KI keinen Sinn macht: Wenn die Aufgabe selten anfällt oder das Volumen die Implementierungskosten nicht deckt.
5. Der Anwendungsfall braucht echte Empathie
Es gibt Situationen, in denen Menschen keine Software wollen. Sie wollen einen Menschen.
Kunden in emotionalen Ausnahmesituationen, nach einem Verlust, bei einer Beschwerde mit hohem Einsatz, bei Gesundheitsfragen, suchen keine Effizienz. Sie suchen echte Verbindung und das Gefühl, gehört zu werden.
KI kann Empathie simulieren. Sie kann sie nicht fühlen. Und deine Kunden merken den Unterschied.
Ein bekanntes Beispiel: McDonald’s pilotierte mit IBM eine KI-gestützte Drive-Through-Automatisierung. Das System erkannte Hintergrundlärm und Akzente nicht zuverlässig, und Familien mussten mit der KI “verhandeln”, um ihre Bestellung durchzubekommen. Das Projekt wurde 2024 nach zwei Jahren eingestellt.⁷
Das heißt nicht, dass KI bei Kundenkontakt generell fehl am Platz ist. Ein Telefonassistent, der Routineanfragen beantwortet (Öffnungszeiten, Terminvereinbarung), funktioniert sehr gut. Aber bei allem, was Fingerspitzengefühl braucht, bleibt der Mensch besser.
Wann KI keinen Sinn macht: Bei Interaktionen, die echtes Einfühlungsvermögen erfordern, zum Beispiel in der Beratung, im Krisenmanagement oder bei emotionaler Kundenkommunikation.
6. Die einfache Lösung wird mit einer komplexen ersetzt
Eines der unterschätztesten Probleme: KI-Overengineering.
Für viele klar abgrenzbare Probleme existieren bewährte Algorithmen, Regelwerke oder einfache Automatisierungen, die schnell, zuverlässig und nachvollziehbar arbeiten. Die brauchen keine GPU-Infrastruktur, kein Training auf eigenen Daten, kein laufendes Fine-Tuning.
Aus der Lean-Management-Perspektive ist das eine der häufigsten Verschwendungsarten: hochkomplexe Modelle für einfache Aufgaben, die mit klassischen Methoden lösbar wären. Oder wie ich es in Workshops gerne sage: Nicht jedes Problem braucht einen Hammer, der “KI” draufstehen hat. Manchmal reicht ein Schraubenzieher.
Ein Beispiel aus meiner Beratungspraxis: Ein Kunde wollte einen KI-Agenten, der automatisch erkennt, wenn ein Angebot seit einer Woche nicht beantwortet wurde, und dann eine personalisierte Erinnerung an den Kunden schickt. Nach der Bestandsaufnahme: Die Erinnerung war immer gleich, nur Name und Angebotsnummer unterschieden sich. Die Lösung war ein n8n-Workflow, der das CRM täglich prüft, offene Angebote älter als sieben Tage filtert und eine E-Mail-Vorlage mit den richtigen Feldern verschickt. Kein Modell, kein Prompt. Setup: ein Nachmittag.
Wann KI keinen Sinn macht: Wenn ein einfaches Regelwerk, ein klares Formular oder ein strukturierter Prozess das gleiche Ergebnis liefert, schneller, günstiger und nachvollziehbarer.
7. Das Team will oder kann nicht mitziehen
Technologie ist nie das eigentliche Problem.
Die häufigsten Barrieren für KI-Erfolg in Unternehmen sind organisatorischer Natur: fehlendes Know-how, mangelnde Akzeptanz, keine klaren Verantwortlichkeiten.
Noch pointierter: Eine Studie von BetterUp Labs und Stanford ergab, dass 41% der US-Arbeitnehmer KI-generierte Arbeitsergebnisse erhalten, die wie gute Arbeit aussehen, aber wenig Substanz haben. Harvard Business Review nennt das Phänomen “Workslop”, also Arbeitsabfall, der aufwendig korrigiert werden muss. Im Schnitt kostet das pro Vorfall fast zwei Stunden Nacharbeit. Für ein Unternehmen mit 100 Mitarbeitern summiert sich das auf rund 90.000 Euro pro Jahr an verlorener Produktivität.⁸
Das passiert, wenn Tools ausgerollt werden, ohne dass das Team weiß, wie man sie sinnvoll einsetzt. Enablement, also das Befähigen der Menschen, die mit KI arbeiten sollen, ist wichtiger als die bloße Verfügbarkeit von Lizenzen.
Genau deshalb sind Workshops effektiver als Selbststudium. In sechs Stunden lernt dein Team nicht nur die Tools, sondern entwickelt eigene Anwendungsfälle für den Arbeitsalltag. Mehr dazu.
Wann KI keinen Sinn macht: Wenn das Team nicht mitgenommen wird und Befähigung nicht Teil des Projekts ist.
Die ehrliche Checkliste: Vor jedem KI-Projekt stellen
Bevor du in ein KI-Projekt investierst, beantworte diese sieben Fragen:
- Was ist das konkrete Problem? Kannst du es in einem Satz benennen?
- Welche Daten stehen zur Verfügung? Sind sie sauber, aktuell und zugänglich?
- Ist der Prozess dokumentiert? Kann dein Team ihn Schritt für Schritt erklären?
- Wie oft tritt die Aufgabe auf? Rechtfertigt das Volumen die Investition?
- Braucht diese Interaktion menschliches Einfühlungsvermögen? Ist das ein Ort, wo Menschen einen Menschen brauchen?
- Gibt es eine einfachere Lösung? Wäre ein Regelwerk, ein besseres Template oder ein klarerer Prozess günstiger?
- Ist das Team bereit? Wer übernimmt die Verantwortung, und wie werden die Leute befähigt?
Wenn du mehrere dieser Fragen nicht zufriedenstellend beantworten kannst, ist KI zum jetzigen Zeitpunkt wahrscheinlich nicht die richtige Investition.
Warum ich diesen Post geschrieben habe
Der Markt ist voll von Menschen, die dir KI verkaufen wollen. Wenige sagen dir offen, wann es keine gute Idee ist.
Ich bin KI-Berater. Ich verdiene Geld damit, Unternehmen bei der KI-Einführung zu unterstützen. Trotzdem sage ich in Erstgesprächen regelmäßig: “Das ergibt für euch gerade keinen Sinn.” Weil mein Geschäftsmodell auf Vertrauen basiert, nicht auf schnellen Abschlüssen.
Wenn du KI einsetzen willst und dir nicht sicher bist, ob es Sinn macht: Lass uns reden. Das Erstgespräch ist kostenlos, und manchmal ist die wertvollste Empfehlung: noch nicht.
Quellen:
¹ MIT FutureTech, The GenAI Divide: State of AI in Business 2025. Basierend auf 52 Interviews, 153 Befragungen und 300 öffentlichen KI-Deployments.
² McKinsey, The State of AI: How Organizations Are Rewiring to Capture Value (2025). Nur 5,5% der Befragten sahen einen signifikanten EBIT-Beitrag durch KI.
³ PwC, 29th Global CEO Survey (2026). 4.454 CEOs, 95 Länder.
⁴ Gartner, Lack of AI-Ready Data Puts AI Projects at Risk (2025). Basierend auf einer Befragung von 248 Data-Management-Entscheidern.
⁵ Forrester, Data Quality Is The Primary Factor Limiting B2B GenAI Adoption.
⁶ MIT-IBM Watson AI Lab, Beyond AI Exposure: Which Tasks are Cost-Effective to Automate with Computer Vision (2024).
⁷ Restaurant Business Online, McDonald’s is ending its drive-thru AI test (2024). Getestet seit 2021, eingestellt Juli 2024.
⁸ Harvard Business Review, AI-Generated “Workslop” Is Destroying Productivity (2025). Studie mit 1.150 US-Arbeitnehmern.