Warum KI-Projekte wirklich scheitern
Mir ist aufgefallen, dass KI-Projekte selten an der Technik scheitern. Sie scheitern an anderen Dingen — bei großen Häusern genauso wie bei Einzelpersonen, die mit KI erfolgreicher werden wollen. Ich habe versucht, die Gründe zu sortieren und in drei Cluster gepackt. Die Liste ist nicht vollständig — ich ergänze sie weiter, wenn mir neue Punkte auffallen.
Vorweg eine Beobachtung, die für alle drei Cluster gilt: Die Modelle, eigentlich alle gängigen, sind mittlerweile ziemlich gut. Wenn etwas nicht funktioniert, liegt der Fehler fast immer auf der menschlichen Seite. Das klingt unbequem, ist aber eigentlich eine gute Nachricht — denn an der eigenen Seite kann man arbeiten.
1. Falsche Erwartung
Das erste Cluster ist das unsichtbarste. Niemand sagt offen „ich habe falsche Erwartungen“, aber genau hier scheitern die meisten Projekte, bevor sie methodisch überhaupt eine Chance hatten.
Der lineare Erwartungs-Irrtum
Klassische Projekte laufen linear. Du steckst Arbeit rein, du bekommst Ergebnis raus, und beides wächst ungefähr parallel. KI-Projekte laufen anders. Am Anfang steckst du viel Aufwand rein — ausprobieren, Inhalte sammeln, prompten, testen — und bekommst (zunächst) wenig bis nichts raus. Dann kommt der Punkt, an dem viele aussteigen: „KI ist doch scheiße, es kommt nur Mist raus.“
An dieser Stelle liegt der Fehler fast nie in der KI. Der Fehler liegt entweder in der Methode — oder in der Erwartung. Nur, weer weiterarbeitet, iteriert, anpasst, kommt meist auf ein Ergebnis, das plötzlich überproportional wirkt. Der Hebel kommt später als gewohnt.
Das falsche Werkzeug-Modell
Viele behandeln KI wie Word: ein Werkzeug, das auf Knopfdruck funktioniert. Tatsächlich ist es eher ein Kollege — mit Tagesform, eigenen Macken, eigener Logik. Und diese liegen meist nicht IN der KI sondern häufig auch an der Tagesform oder der zufälligen Auswahl von Fragen der Fragenden. Wer das nicht akzeptiert, ist permanent enttäuscht. Wer es akzeptiert, fragt anders nach.
Falsche Vorbilder
Wer sich an LinkedIn-Prompt-Gurus orientiert, die mit „10x-Produktivität“ und „dieser eine Prompt verändert alles“ werben, setzt mit komplett verzerrten Erwartungen an. Funktioniert es nicht wie versprochen, gibt man auf — dabei war das Versprechen schon das Problem.
Achte mal darauf, wer so einen KI-optimistischen Quatsch äußert: Berater, die damit Geld verdienen, KI-Unternehmen, die damit Geld verdienen oder Mitarbeiter:innen, die einen einzelnen Erfolg hochrechnen – aber selten längere Erfahrungen gesammelt haben. Willst du den Leuten glauben?
Erfolgsmessung mit alten Maßstäben
Man misst KI-Output am menschlichen Best Case („so gut wie die beste Redakteurin“). Zumal ich noch auf keine KI gestoßen bin, die wirklich einen ganzen Job übernimmt. Häufig sind es nur bestimmte Teile im Workflow – was auch ganz realistisch ist. Derzeit jedenfalls.
Und deshalb ist das meist der falsche Maßstab. Bessere Kontrollfragen für die Erfolgsmessung: Wie viel Zeit habe ich gespart? Wie konsistent ist das Ergebnis? Was wäre ohne die KI gar nicht entstanden?
Die unausgesprochene Identitätsfrage
Bei Tätigkeiten, die Identität tragen — Schreiben, Designen, Beraten, Coachen — ist die eigentliche Sorge nicht „kann die KI das?“, sondern „wer bin ich dann noch?“. Das wird selten ausgesprochen, sabotiert aber jedes Projekt von innen. Bei Einzelpersonen oft entscheidender als bei Teams.
Und hier ist ein ganz heikler Punkt vergraben: Wir können unseren Schreibstil zwar definieren und der KI als Vorlage liefern. Und wir können ihr guten Kontext geben, den wir als hilfreich aus dem Weltwissen filtern. Damit geben wir der KI einen aktuellen Stand unserer Identität, die sie in diesem Moment benötigt. Doch ohne eine weitere intensive Beschäftigung mit Input, Stil und Kontext, wird auch dies irgendwann verblassen und sich nicht mehr bewegen. Und dann wird das Ergebnis wirklich austauschbar – auch, wenn es das am Anfang nicht war.
2. Falsche Methode
Wer das Mindset im Griff hat, scheitert oft am „Wie“. Hier liegen die handwerklichen Fehler — die, an denen man konkret arbeiten kann, sobald man sie sieht.
Alte Denkmodelle in der Planung
Du kennst das: Großer Stuhlkreis, jeder hat eine Meinung, jeder vertritt sie vehement. Drei Monate später gibt es ein Canvas mit Personas wie „Uschi, 54, würde das nicht mögen“. Damit ist das Projekt inhaltlich tot, bevor es losgegangen ist.
Für KI-Projekte brauchst du das Gegenteil. Ein kleines Team, drei, vier Leute, gemischt aus Redaktion, Entwicklung, Produkt. Die ziehen los, bauen etwas, machen drei Fehler, lernen daraus. Denn erst bei Versuch Nummer vier steht etwas, das funktioniert. Das ist keine revolutionäre Methode — das ist ganz klassisches iteratives Arbeiten. Nur traut sich in großen Häusern kaum jemand, es so nüchtern zu machen. Dabei ist das mit KI gut zu bewerkstelligen, denn damit iterieren wir viel schneller als zuvro.
Bei Einzelpersonen läuft derselbe Fehler anders ab: Man plant wochenlang den perfekten Workflow, statt ihn in der ersten Version einfach mal zu bauen.
Kein, zu viel oder falscher Kontext
Kontext-Fehler kommen in drei Varianten.
- Kein Kontext: Du promptest „Schreib einen Artikel über XY“ und wunderst dich, warum das wie Wikipedia klingt. Das Modell hat keinen Style Guide, keine Tonalität, keine Beispiele, keine Zielgruppendefinition bekommen.
- Zu viel Kontext: Du lädst das Modell mit drei Style-Guides, fünfzehn Beispielartikeln und dem kompletten Redaktionsstatut zu — und bekommst generischen Brei zurück, weil im Lärm der Anweisungen der Kern verloren geht. Merke: je konkreter der Kontext umso konkreter das Ergebnis.
- Falscher Kontext: Deine Anweisungen sind in sich widersprüchlich („sachlich, aber emotional“, „kurz, aber umfassend“) oder beschreiben, was du gerne wärst, statt was du tatsächlich machst. Und damit könnte auch kein Mensch etwas anfangen.
Deshalb: Achte darauf, welcher Kontext in Form von Dokumenten oder in Form von ausgesprochenen Filtern verendet wirde.
Tool-Hopping statt Tiefe
Jede Woche ein neues Tool, weil das nächste angeblich besser ist. Resultat: man bleibt überall Anfänger. Wer mit Claude in einem Jahr richtig arbeitet, ist produktiver als jemand, der zwölf Tools angetestet hat.
Hier übrigens die Tools, mit denen ich arbeite.
Outsourcing des Denkens
Statt KI als Sparringspartner zu nutzen, lassen Leute sie das Denken übernehmen. Das Ergebnis: flacher Output, der nach Durchschnitt klingt. Die KI hat das Denken übernommen, nicht unterstützt — und das merkt man im Text.
Versuche es mal mit einem Experiment: Sage der KI, sie solle dir unbedingt widersprechen und alle Aussagen und Anweisungen von dir in Frage stellen. Das tut wirklich weh, trainiert aber deine Kritikbereitschaft und bringt wirklich Neues ins Gespräch. Einen Versucht, kannst du mit meiner Sokrates-KI machen.
Zu großer erster Schritt
„Ich automatisiere meinen kompletten Newsletter“ scheitert. „Ich lasse mir einmal pro Woche fünf Artikel zusammenfassen“ funktioniert. Der Sprung zwischen „ChatGPT gelegentlich nutzen“ und „eigenen Workflow bauen“ ist riesig. Wer ihn auf einmal nehmen will, bleibt hängen.
Und: Gehe jedes Projekt in Schritten an. Das Zusammenfassen von fünf Artikeln beinhaltet:
- Definition zu welchem Thema
- Auswahl der möglichen Quellen
- Zusammenfassung der Inhalte der Quellen
- Zusammenfassung der Zusammenfassung der Inhalte 😉
- Darstellung (also z.B. Versendung als Mail, Push/Pull?)
Du musst nicht nicht alles am Anfang durch-deklinieren. Aber wenn das Ergebnis nicht gut ist, kann es an einem dieser 5 Punkte liegen. Es wird also wichtig sein, dass du diese Kette verstehst.
Fehlende Wiederholung
Etwas funktioniert nicht beim ersten Mal, also wird es nicht nochmal probiert. Oder, noch schlimmer: Es funktioniert beim ersten Mal hervorragend, dann baust du den Workflow und schon beim zweiten Mal ist es Mist.
Dabei wäre genau das die Grundbewegung: dasselbe Problem fünfmal angehen, jedes Mal anders prompten, lernen, was wirkt.
Merke: Ohne Wiederholung kein Können.
Keine Dokumentation des eigenen Prozesses
Was funktioniert, wird nicht festgehalten. Beim nächsten Mal fängt man wieder bei Null an. Eine simple Notiz „dieser Prompt hat für XY funktioniert“ wäre Gold wert — wird aber selten gemacht.
Also, alles dokumentieren? Nein, aber immer, wenn es eine Besonderheit nach oben oder nach unten gibt. Den Rest verarbeitet dein Gedächtnis besser, als du denkst.
Keine feste Verantwortlichkeit
Niemand ist zuständig. KI wird „nebenbei“ gemacht, weil sie zu keiner existierenden Rolle gehört. Bei Einzelpersonen läuft das genauso: kein fester Zeitslot, keine geübte Routine, kein Übungsplan. Wer Klavier lernen will, übt jeden Tag eine halbe Stunde. Wer KI lernen will, sollte das auch tun.
Und im Unternehmen? Liegt die KI-Einführung bei dir etwa in der Technik-Abteilung? Darüber solltest du nochmal nachdenken.
3. Falsche Strategie
Das dritte Cluster ist das ehrgeizigste — und das, an dem ich selbst am häufigsten scheitere. Hier geht es nicht um Mindset oder Handwerk, sondern um die Frage: Wozu nutze ich KI eigentlich?
Vor-KI-Tätigkeiten nachbilden statt Neues schaffen
Der häufigste strategische Fehler: Du nimmst KI, um genau das zu tun, was du vorher schon getan hast. Texte glattziehen, Stichpunkte ausformulieren, Mails höflicher machen. Das ist zu Beginn völlig in Ordnung — anders kann man kaum lernen, was die Maschine kann. Das eigentliche Scheitern ist, dort stehenzubleiben.
Die interessante Frage ist nicht „wie mache ich meine alte Arbeit schneller“, sondern „was wäre jetzt möglich, das vorher nicht ging?“. Eine eigene Recherche-Datenbank mit semantischer Suche. Ein Newsletter, der nur durch KI-Unterstützung überhaupt erscheinen kann. Ein interner Assistent, der dein Archiv durchsucht. Wer da nicht hinkommt, bleibt unter den Möglichkeiten.
Falscher Einstiegs-Use-Case
Viele fangen mit dem schwierigsten Anwendungsfall an: „wir lassen Artikel schreiben“. Genau das ist der Use Case, an dem KI am meisten kritisiert wird — und an dem Redaktionen am sensibelsten reagieren. Sinnvoller wäre, mit den unsichtbaren Helfern anzufangen: Recherche-Assistenz, Tagging, Zusammenfassungen, Korrekturlesen. Also erst einzelne Schritte automatisieren.
Das benötigt übrigens auch eine gute Analyse und ein feines Granulieren der gewünschten Tätigkeiten. Das kostet erstens viel Zeit und Genauigkeit. Das macht aber auch sehr viel transparent. Denn genau das hat in einigen meiner Projekte dazu geführt, dass ich erst stutzig geworden bin – und dann teils lang geübte aber unsinnige Rituale einfach weg gelassen oder anders organisiert habe. Mal mit, mal ohne KI.
Skalieren vor Verstehen
„Es soll von Anfang an für alle funktionieren“ ist das Killer-Argument vieler Projekte. Erst wenn eine Person den Workflow im Kopf hat, kann er sinnvoll skaliert werden. Wer mit „Roll-out für 200 Mitarbeitende“ anfängt, hat noch nicht verstanden, was er da eigentlich verteilt.
Was das konkret bedeutet
Wenn ich auf die Liste schaue, fällt mir auf: Kein einziger Punkt hat mit Technik oder der Qualität der KI-Modelle zu tun. Keiner. Es geht um Haltung, Methode, Strategie — also um genau das, was Verlage, Unternehmen und Einzelpersonen seit Jahrzehnten verhandeln. KI macht keine neuen Probleme. Sie macht alte Probleme sichtbar.
Das ist die eigentliche Schwierigkeit dieser Phase: Wir reden über KI, aber meinen Organisation, Gewohnheit, Identität. Wer das anerkennt, kommt weiter. Wer weiter auf das nächste Modell wartet, das endlich das löst, was eigentlich an einem selbst liegt, wartet vergebens.
Schreibe einen Kommentar