KI-Projekt gescheitert: 5 Ursachen, was noch zu retten ist

Der Prototyp hat auf der Vorstandspräsentation überzeugt. Neun Monate später läuft das System auf dem Laptop eines externen Entwicklers, der nächste Woche nicht mehr da ist, und niemand kann sagen, ob es im Alltag funktioniert. Wenn Ihnen das bekannt vorkommt: Sie sind nicht allein, und das Projekt ist nicht zwangsläufig verloren. Aber es braucht jetzt eine nüchterne Bestandsaufnahme statt eines neuen Anlaufs.

Woran es wirklich scheitert

In den Projekten, die wir übernehmen, ist das Modell fast nie das Problem. Die fünf Ursachen, die wir immer wieder sehen:

1. Die Daten gibt es nur als Export

Die Trainingsdaten stammen aus einem Excel-Export, den jemand vor acht Monaten einmal gezogen hat. Wie, mit welchen Filtern, aus welchem Stand — unbekannt. Das Modell funktioniert auf diesen Daten, aber niemand kann den Datensatz reproduzieren, geschweige denn aktualisieren. Damit ist das System nicht betreibbar, egal wie gut es auf der Demo war.

2. Prototyp und Produktion sind zwei verschiedene Dinge

Ein Notebook, das auf einem Laptop läuft, ist kein System. Es fehlt alles, was den Betrieb ausmacht: Fehlerbehandlung, Überwachung, Rechte, Kostenkontrolle, ein Weg, das Modell neu zu trainieren. Das ist keine Kleinigkeit am Ende, sondern häufig die Hälfte der Arbeit — die im Angebot nie stand.

3. Die Übergabe hat nicht stattgefunden

Der Dienstleister hat ein Repository übergeben. Kein Betriebshandbuch, keine Architekturübersicht, kein Ansprechpartner mehr. Das Wissen über das System hat das Haus mit dem letzten Entwickler verlassen. Intern gibt es niemanden, der Verantwortung dafür tragen kann oder will.

4. Die Erwartung war „automatisieren“, die Realität ist „unterstützen“

Das System sollte 100 % der Eingangspost zuordnen. Es schafft zuverlässig 70 % — und bei den restlichen 30 % liegt es manchmal falsch. Fachlich ist das ein gutes Ergebnis. Aber das Projekt wurde so verkauft und budgetiert, als wäre 100 % erreichbar, und 70 % gelten nun als Scheitern.

5. Niemand trifft die Entscheidung

Das Projekt läuft weiter, weil niemand es beenden will, und kommt nicht voran, weil niemand mehr Geld hineingeben will. Laufende Cloud-Kosten, ein halbes FTE im Leerlauf, Unruhe im Fachbereich. Die Geschäftsführung will eine klare Empfehlung — und bekommt von allen Seiten nur „kommt darauf an“.

Die drei Optionen — und wie man zwischen ihnen entscheidet

Am Ende einer Bestandsaufnahme stehen immer dieselben drei Optionen:

Option	Wann sinnvoll	Was es kostet
Retten	Modell brauchbar, Daten rekonstruierbar, Nutzen klar	Produktionsreife nachholen: Pipeline, Betrieb, Übergabe — typisch 4–8 Wochen
Verkleinern	Ein Teilnutzen ist belegt, der Rest war Wunschdenken	Auf den funktionierenden Kern reduzieren, Rest bewusst an Menschen geben
Beenden	Datenbasis nicht reproduzierbar oder Nutzen nicht belegbar	Daten sichern, Kosten stoppen, Lehren festhalten — und das Gesicht wahren

Die Entscheidung braucht keine Monate. Mit Zugriff auf Code, Daten und Infrastruktur und zwei, drei Gesprächen mit den Beteiligten lässt sich in wenigen Tagen belastbar sagen, welche Option trägt. Entscheidend sind drei Fragen:

Können wir den Datensatz heute neu erzeugen? Wenn nein: Ist der Weg dorthin bekannt und bezahlbar?
Wie gut ist das System auf echten, aktuellen Daten — nicht auf den Demo-Daten von damals?
Wer im Haus trägt das System in zwölf Monaten? Wenn die Antwort „niemand“ ist, muss Betrieb Teil der Lösung sein — oder die Antwort ist „beenden“.

Was Sie jetzt tun sollten

Kosten einfrieren. Überdimensionierte Cloud-Ressourcen lassen sich meist sofort herunterfahren, ohne das Projekt zu gefährden.
Zugänge sichern. Repository, Cloud-Konten, Daten-Exporte, Dokumente — bevor der letzte Entwickler weg ist.
Das Ziel neu formulieren. Nicht „das KI-Projekt zum Laufen bringen“, sondern: „In zwei Wochen wissen, ob wir retten, verkleinern oder beenden.“
Eine Bestandsaufnahme beauftragen — keine Neuentwicklung. Wer Ihnen am ersten Tag einen Neustart vorschlägt, hat nicht hingesehen.

Kurz gesagt

Gescheiterte KI-Projekte scheitern an Daten, Betrieb, Übergabe und Erwartungen — nicht am Modell. Die wichtigste Maßnahme ist eine ehrliche Triage mit drei Optionen und einer klaren Empfehlung. Danach ist das Projekt entweder auf dem Weg in den Betrieb oder sauber beendet. Beides ist besser als der Zustand davor.