30 Prozent aller Gen-AI-Projekte enden nach dem Pilotversuch
Ein Unternehmen automatisiert erfolgreich die Klassifikation von zwanzig Dokumenten. Der Pilot funktioniert, alle sind zufrieden – und dann bleibt es genau dabei. Sobald aus zwanzig Dokumenten zweitausend werden, gerät der Prozess ins Stocken. Studien von MIT, Gartner und McKinsey bestätigen dieses Muster: Rund 30 Prozent aller Gen-AI-Projekte werden nach der Pilotphase eingestellt. 80 bis 90 Prozent der Unternehmen setzen bereits KI ein – aber nur ein Drittel davon hat begonnen, sie unternehmensweit zu skalieren.
Fast jedes Unternehmen hat heute erste KI-Erfolge. Die eigentliche Frage lautet: Wie viele davon sind wirklich produktionsreif? Ein Proof of Concept ist kein Produkt. Das Problem ist selten die Technologie. Es ist die fehlende Übersetzung vom Einzelfall in eine wiederverwendbare, produktionsreife Fähigkeit.
Vier Ebenen, auf denen KI heute parallel existiert
KI-Nutzung in Unternehmen verteilt sich aktuell auf vier Ebenen – nicht als Reifegrade nacheinander, sondern parallel nebeneinander, ohne Hierarchie. Business User arbeiten mit Copilots und Chat-Interfaces für Wissensarbeit. Agenten übernehmen autonome Ausführung mit Werkzeugzugriff. Standardlösungen wie CRM-, ERP- und Office-Systeme integrieren KI zunehmend direkt in ihre Anwendungen. Und auf der Infrastrukturebene bilden Foundation Models mit API-Integration, Fine-Tuning oder eigenen Modellen die technische Grundlage.
Diese Ebenen existieren gleichzeitig. Die Herausforderung beginnt nicht beim Pilotieren, sondern beim Übergang von der Handvoll Testfälle zur Masse an echten Geschäftsvorgängen.
Praxisbeispiel: 47 E-Mails, 23 unbeantwortet, 9 Stunden Reaktionszeit
Ein Service-Tag, wie er in vielen Unternehmen täglich passiert – kein Ausnahmefall. Um 8:00 Uhr liegen 47 neue E-Mails im Postfach: Beschwerden, Anfragen und Eskalationen, alles gemischt. Um 9:30 Uhr priorisieren Sachbearbeiter manuell, Fehler passieren dabei zwangsläufig, Wichtiges geht unter. Um 17:00 Uhr sind 23 Anfragen weiterhin unbeantwortet, die durchschnittliche Reaktionszeit liegt bei neun Stunden. Die Kundenzufriedenheit sinkt.
Das Ziel einer KI-gestützten Prozessautomatisierung ist nicht, diesen Prozess zu ersetzen, sondern ihn zu strukturieren. Ein Fünf-Phasen-Ansatz macht das greifbar.
Phase 1 – Verstehen. Eine Nachricht wie „Ich warte seit drei Wochen auf meine Bestellung und niemand antwortet auf meine E-Mails. Das ist inakzeptabel!“ ist für Menschen sofort lesbar, für Systeme aber zunächst unsichtbar. Ein Sprachmodell liest den Freitext und macht daraus ein strukturiertes Verständnis: Kategorie Beschwerde, ausgelöst durch Lieferverzug, Priorität hoch aufgrund emotionaler Eskalation, Empfehlung sofortige Bearbeitung.
Phase 2 – Strukturieren. Aus Verständnis werden Daten. Das Modell extrahiert Entitäten, Absichten und Prioritäten, normalisiert sie in ein einheitliches, maschinenlesbares Format und übergibt ein strukturiertes Objekt an nachgelagerte Systeme. Was vorher nur für Menschen lesbar war, wird jetzt für Prozesse steuerbar.
Phase 3 – Entscheidung vorbereiten. Die KI bewertet Muster, Konfidenz und Dringlichkeit und empfiehlt einen von vier Wegen. Standardanliegen mit einer Konfidenz über 90 Prozent und ohne Risiko werden automatisch bearbeitet. Kritische Anliegen oder VIP-Kunden werden eskaliert. Andere Fälle werden mit Kontext an das zuständige Team weitergeleitet, oder es wird eine menschliche Prüfung angefragt, wenn Unsicherheit erkannt wird. Die KI empfiehlt, Menschen entscheiden.
Phase 4 – Unsicherheiten erkennen. Human-in-the-Loop ist kein Notfallplan, sondern fester Bestandteil des Designs. Die KI verarbeitet die Anfrage und berechnet eine Konfidenz. Bei hoher Konfidenz läuft der Prozess automatisch weiter, bei niedriger Konfidenz landet der Vorgang mit vollständigem Kontext in einer Review-Queue. Die menschliche Entscheidung fließt über eine Feedback-Rückkopplung zurück und verbessert das Modell kontinuierlich.
Phase 5 – Resilient bleiben. Was passiert, wenn die KI scheitert? Beispiel: Ein Primärmodell liefert die erste Antwort – schnell, günstig, skalierbar. Bei Fehler oder Timeout springt ein Sekundärmodell ein. Schlägt auch das fehl, greift ein regelbasierter Fallback ohne Sprachmodell. Erst als letzter Anker steht die manuelle Eskalation an einen Menschen. Der Prozess läuft in jedem Fall weiter – er bricht nicht ab.
Vom Workflow zur wiederverwendbaren Fähigkeit
Am Ende dieser fünf Phasen steht mehr als ein einzelner KI-Workflow: eine wiederverwendbare KI-Fähigkeit, die unstrukturierten Text versteht, bewertet und weiterleitet. Einmal gebaut, mehrfach einsetzbar – das ist der Unterschied zwischen einem Projekt und einer Fähigkeit.
Dieselbe Fähigkeit „Verstehen, bewerten, routen“ lässt sich auf andere Fachbereiche übertragen, ohne die Grundlogik neu zu bauen. Im Einkauf strukturiert sie Lieferantenanfragen, in der Personalabteilung qualifiziert sie Bewerbungen vor, in Compliance kategorisiert sie Meldungen im Rahmen der intelligenten Dokumentenerfassung und Klassifikation, im Kundenservice ordnet sie Vertragsanfragen ein. Der Fachprozess unterscheidet sich, die zugrunde liegende Fähigkeit bleibt gleich.
Daraus ergibt sich ein Compound-Effekt für KI-Investitionen. Ein Workflow ist eine Lösung: einmalig, spezifisch, für einen Anwendungsfall gebaut. Eine Fähigkeit ist eine Kompetenz: skalierbar und wiederverwendbar über mehrere Prozesse hinweg. Eine Plattform darunter ist ein Fundament: strategisch und dauerhaft. Jeder weitere KI-Anwendungsfall baut auf demselben Fundament auf. Die Grenzkosten sinken, die Geschwindigkeit steigt.
Skalierung erzeugt Komplexität – das ist kein Problem, das ist der Plan
Sobald mehrere Prozesse dieselbe Fähigkeit nutzen, entstehen neue Fragen, die auf Workflow-Ebene noch nicht relevant waren. Governance klärt, wer welche KI-Fähigkeit nutzen darf und wer Entscheidungen verantwortet. Observability beantwortet, woran erkennbar ist, ob ein Workflow korrekt funktioniert. Modellwechsel betrifft die Frage, was passiert, wenn ein besseres oder günstigeres Modell verfügbar wird. Kosten drehen sich um die Kontrolle von Token-Verbrauch und API-Kosten bei wachsender Nutzung. Orchestrierung koordiniert, wie mehrere KI-Fähigkeiten in einem Prozess zusammenspielen.
Diese Fragen stellen sich unabhängig davon, ob eine Fähigkeit über klassische Workflow-Automation und Hyperautomation oder über agentische Ansätze orchestriert wird – und lassen sich in einer Referenzarchitektur mit fünf Schichten beantworten. Die Orchestrierungsschicht koordiniert Workflows und steuert Prozesse. Die LLM-Abstraktion und das Routing wählen Modelle aus, optimieren Kosten und regeln Fallbacks. Observability liefert Traces, Metriken und Qualitätskontrolle. Human-in-the-Loop bildet Review-Queues, Feedback-Loops und Eskalationswege ab. Foundation Models liefern darunter Sprachverständnis, Generierung und Klassifikation – ob als Cloud-API oder als lokal betriebenes Modell, ist für die darüberliegenden Schichten nicht entscheidend.
Governance gewinnt aktuell zusätzlich an regulatorischer Dringlichkeit. Mit dem EU AI Act und dem Cyber Resilience Act entstehen neue Anforderungen an KI-Systeme in Unternehmen. Wer Fähigkeiten zentral statt verteilt betreibt, kann entsprechende Nachweise deutlich einfacher erbringen als bei einer Vielzahl isolierter Einzellösungen.
Fazit: Produktionsreife entsteht nicht durch das bessere Modell
Die Zukunft gehört nicht den Unternehmen mit den besten Modellen, sondern denen, die KI zuverlässig in ihre Geschäftsprozesse integrieren. Ein besseres Modell lässt sich jederzeit austauschen. Eine fehlende Architektur nicht.
Das funktioniert, wenn Unternehmen den Schritt vom Einzelfall zur wiederverwendbaren Fähigkeit bewusst gehen und dabei Workflow, Fähigkeit und Plattform als getrennte, aber verzahnte Ebenen behandeln. Wer stattdessen jeden Prozess isoliert automatisiert und jede Abteilung ihre eigene Lösung bauen lässt, wird beim Versuch zu skalieren an genau der Komplexität scheitern, die eine saubere Fähigkeitsebene vermeiden würde.
Discovery Workshop
Wenn Sie prüfen möchten, wie sich Ihre bestehenden KI-Piloten in produktionsreife, wiederverwendbare Fähigkeiten überführen lassen, ist der Discovery Workshop der richtige Einstieg – mit konkreter Bestandsaufnahme statt Foliensatz.
FAQ
Weil Lösungen für einzelne Testfälle gebaut werden, statt als wiederverwendbare Fähigkeit für die Masse an echten Geschäftsvorgängen zu entstehen. Studien zeigen, dass rund 30 Prozent aller Gen-AI-Projekte nach der Pilotphase eingestellt werden.
Ein Workflow ist eine einmalige, spezifische Lösung für einen Anwendungsfall. Eine KI-Fähigkeit, etwa das Verstehen, Bewerten und Weiterleiten von Anfragen, ist die dahinterliegende, wiederverwendbare Kompetenz, die sich über mehrere Fachprozesse hinweg einsetzen lässt.
Human-in-the-Loop ist kein Notfallplan für Systemausfälle, sondern fester Bestandteil des Designs. Bei niedriger Modell-Konfidenz oder kritischen Eskalationen wird der Vorgang mit vollständigem Kontext an einen Menschen übergeben, dessen Entscheidung wiederum das Modell verbessert.
Sie besteht aus fünf Schichten:
- Orchestrierung für die Prozesssteuerung
- LLM-Abstraktion und Routing für Modellauswahl und Kostenoptimierung
- Observability für die Qualitätskontrolle
- Human-in-the-Loop für Review und Eskalation
- Foundation Models als technische Basis
Nein. Viele Fähigkeiten lassen sich mit älteren, deutlich günstigeren Modellen zuverlässig umsetzen. Die LLM-Abstraktionsschicht erlaubt es, Modelle je nach Kosten- und Qualitätsanforderung auszutauschen, ohne den Fachprozess anzufassen.