Warum 60 % der KI-Projekte dieses Jahr scheitern werden (& wie CIOs die Chancen verbessern können)

Hinweis: Dieser Blogartikel wurde aus seiner Originalversion übersetzt und kann geringfügige Abweichungen enthalten. Auch die im Text enthaltenen Zitate wurden übersetzt.

Willkommen zur Artikelserie „CIO-Leitfaden für KI“. Dies ist der erste Beitrag der Serie. Verpassen Sie nicht unsere nächsten Artikel darüber, wie erfolgreiche KI-Projekte gestartet werden und welche die wichtigsten KI-Anwendungsfälle sind.

Gartner prognostiziert, dass Unternehmen bis Ende 2026 60 % ihrer KI-Projekte aufgeben werden. Wenn Sie ein CIO sind, der dies liest, sollte diese Statistik Sie innehalten lassen. Nach der ersten Welle der KI-Einführung im Jahr 2024 und der anhaltenden Reifung von KI-Technologien im Jahr 2025 – warum scheitern KI-Projekte immer noch in so alarmierendem Ausmaß?

Die Antwort ist nicht das, was die meisten Führungskräfte erwarten. Es geht nicht darum, das falsche Modell zu wählen oder technisches Fachwissen zu vermissen. Die Hauptursache dafür, dass KI-Projekte nicht über Pilotprojekte hinauskommen, liegt in etwas viel Grundlegenderem: fragmentierte Wissensgrundlagen. Organisationen versuchen, diese Projekte auf Wissensinfrastrukturen und Inhalten einzusetzen, die niemals für KI konzipiert, gesteuert oder vorbereitet wurden.

Da die KI-Ausgaben im Jahresvergleich um 280 % steigen (von 2024 bis 2025), war der Druck auf CIOs noch nie größer. Die Einführung unternehmenstauglicher KI ist nicht länger optional. Sie ist eine Überlebensstrategie, da frühe KI-Anwender von einem kumulativen Vorteil profitieren werden, den Nachzügler nicht reproduzieren können. Gleichzeitig ist es ein Rezept für das Scheitern, sich ohne Berücksichtigung der zugrunde liegenden Wissenskrise in KI zu stürzen. Um CIOs bei der Bewältigung dieser Herausforderungen zu helfen, erklären wir die drei Hauptgründe, warum KI-Projekte scheitern. Dann untersuchen wir, wie CIOs ihre Herangehensweise ändern sollten.

Der wahre Grund, warum KI-Projekte scheitern: Eine Wissenskrise

Drei verschiedene Probleme machen über 80 % aller KI-Projekte aus, die Schwierigkeiten haben, Ergebnisse zu liefern. Diese Zahl steigt bei generativen KI-Pilotprojekten auf 95 %. Schauen wir uns an, wie Organisationen ihr Wissen verwalten, strukturieren und einsetzen und wie dies mit dem KI-Erfolg zusammenhängt.

1. Daten sind in Silos gefangen und unzugänglich

Die meisten Enterprise-Technologie-Stacks wurden über Jahre hinweg zusammengestellt, wobei jedes System einen spezifischen Abteilungsbedarf löste. Diese Legacy-Systeme wurden in der Regel nicht für die KI-Integration entwickelt. Das Ergebnis sind Daten und Inhalte, die über inkompatible, unzugängliche Systeme verstreut sind. CRMs, Wissensdatenbanken, Helpdesks, CMS, ERPs und unzählige andere Repositories arbeiten isoliert. Jedes enthält ein Stück organisatorisches Wissen. Doch ohne die Verbindung der Plattformen hat KI Schwierigkeiten, ein genaues Verständnis der Informationen zu erlangen.

Einige Organisationen haben versucht, diese Herausforderungen durch die Entwicklung von Data Lakes zu lösen. Ohne robuste Governance, Echtzeit-Synchronisierung oder Hochleistungsinfrastruktur verkommen ihre Data Lakes jedoch oft zu Data Swamps.

Die Konsequenz ist klar: Unternehmen stehen vor Herausforderungen beim effizienten Zugriff auf und der Nutzung ihrer eigenen Informationen. Wenn ein KI-System die richtigen Informationen nicht zuverlässig finden kann, wenn es sie benötigt, kann es keine umsetzbaren Erkenntnisse oder geschäftlichen Mehrwert generieren. Datenvolumen und KI-Tool-Auswahl sind nicht die Probleme. Das Problem ist das Fehlen einer einheitlichen, gut strukturierten Wissensgrundlage.

2. Die meisten Inhalte sind nicht KI-fähig

Selbst wenn Informationen existieren, machen das Inhaltsformat und die Struktur es oft schwierig für KI, sie effektiv zu nutzen. Laut IDC nennen IT- und Geschäftsführer unzureichende Datenqualität als den #1-Faktor hinter scheiternden KI-Projekten.

Der Projekterfolg hängt von genauen und zuverlässigen KI-Ausgaben ab. Doch die Qualität der KI-Ausgaben ist nur so gut wie die Qualität der Inhalte, die das Modell speisen.

Viele organisatorische Inhalte wurden von Menschen für Menschen geschrieben. Sie wurden darum herum strukturiert, wie Menschen navigieren und lesen, nicht wie Maschinen verarbeiten und interpretieren. Nehmen Sie zum Beispiel ein PDF. Komplexe Layouts führen zu Mehrdeutigkeiten und schaffen einen potenziellen Fehlerpunkt, sollte KI versuchen, Wert daraus zu extrahieren. Stattdessen wird die KI wahrscheinlich Ausgaben produzieren, die verwirrend oder irrelevant sind. Während LLMs gebaut sind, um natürliche Sprache zu handhaben und zu interpretieren, bleiben menschengestaltete Inhalte für Maschinen schwierig zu verarbeiten und zu verstehen.

Andere Inhaltstypen fehlen typischerweise auch ausreichende Anreicherung, wie angemessenes Tagging, Metadaten oder Indexierung. Wenn Informationen ohne Kontext sind, können KI-Systeme ihre Relevanz nicht vollständig verstehen, was zu ungenauen Abrufen, schwächerer Personalisierung und oft zu Halluzinationen führt.

3. Unternehmen haben unzureichende Sicherheit und Kontrollen

Die dritte Dimension, die den Erfolg von KI-Projekten verhindert, ist die Sicherheit. Wenn KI-Systeme auf die Daten einer Organisation zugreifen, um Antworten zu generieren oder Aktionen auszuführen, werden die Grenzen dessen, worauf sie zugreifen können und sollten, kritisch. KI-Projekte, denen kontrollierte Betriebsgrenzen fehlen, erliegen oft Sicherheitslücken. Die Risiken fallen in drei große Kategorien:

1. Datenschutzrisiken: Dies ist die Möglichkeit, dass sensible oder personenbezogene Informationen Benutzern angezeigt werden, die sie nicht sehen sollten.
2. Datensicherheitsrisiken: Daten können durchsickern, wenn die Zugriffskontrollen, die ein bestehendes Repository regeln, nicht zuverlässig auf die darauf aufsetzende KI-Schicht angewendet werden. Dies geschieht, wenn Zugriffskontrollen falsch konfiguriert sind, die Übertragung fehlschlägt oder Angriffe erfolgreich Schwachstellen ausnutzen.
3. Compliance-Risiken: Wenn ein KI-System regulierte Daten ohne angemessene Transparenz oder Prüfpfade verarbeitet oder präsentiert, kann sich die Organisation im Verstoß gegen Anforderungen befinden, selbst wenn sie ansonsten die Vorschriften erfüllt.

Diese Sicherheitsherausforderungen erfordern proaktive Strategien vor dem Start von KI-Projekten, nicht reaktive Korrekturen.

Was CIOs ändern müssen

Die Überwindung dieser Herausforderungen erfordert nicht das Verschrotten bestehender Systeme oder den Neuaufbau der IT von Grund auf. Sie erfordert eine bewusste Verschiebung in der Art und Weise, wie Organisationen über die Beziehung zwischen KI und den Inhalten denken, von denen sie abhängt.

Das bedeutet, Wissensbereitschaft als Projektanforderung zu behandeln, nicht als nachträglichen Gedanken. Es bedeutet, Inhalte zu prüfen, damit sie so strukturiert, getaggt und gesteuert sind, dass ein KI-System sie nutzen kann. Und es bedeutet sicherzustellen, dass Grenzen um sensible Daten repliziert und nicht umgangen werden, wenn KI in den Workflow eintritt.

CIOs, die dies richtig machen, werden feststellen, dass ihre KI-Projekte mit weit weniger Reibung in die Produktion übergehen. Der Spielraum für Zögern schrumpft. Organisationen, die an ihren Prä-KI-Roadmaps festhalten oder sich auf Trial-and-Error beschränken, riskieren, von agilen Wettbewerbern überholt zu werden.

Die Chancen mit einer starken Wissensgrundlage verbessern

Dass 60 Prozent der KI-Projekte scheitern, ist keine Anomalie. Es ist ein Signal. Die Organisationen, die diese Chancen überwinden werden, sind nicht unbedingt diejenigen mit den größten Budgets oder den ausgeklügeltsten Modellen. Es sind diejenigen, die sich die Zeit nehmen, ihre Wissensinfrastruktur zuerst richtig zu gestalten, bevor sie KI darauf aufbauen.

CIOs müssen KI-geeignete Inhalte vor der Projektbereitstellung priorisieren. Dies bedeutet:

• Datensilos aufbrechen und einheitliche, gut gesteuerte Wissensgrundlagen schaffen.
• Unstrukturierte Inhalte in KI-bereites Wissen mit angemessener Struktur, Metadaten und Taxonomien transformieren.
• Sicherheitsorientierte Ansätze mit angemessenen Zugriffskontrollen und Compliance-Frameworks implementieren.

Die KI-Ära repräsentiert die Neuerfindung der IT, wo Technologiestrategie und Geschäftsstrategie endlich konvergieren. Die Zeit zum Handeln ist jetzt. Seien Sie Teil der 40 %. Setzen Sie die Reise in unserer Reihe Ein Leitfaden für CIOs zum Thema KI mit dem Artikel „Wie man erfolgreiche KI-Projekte startet” fort.