RAND und Gartner enthüllen Produktivitätslücke

7 Min. Lesezeit

Die RAND Corporation hat Ende 2025 dokumentiert, dass 80,3 Prozent aller Enterprise-KI-Projekte ihren Business-Wert nicht liefern. Gartner hat am 7. April 2026 nachgelegt und festgestellt, dass eines von fünf KI-Projekten im IT-Infrastruktur- und Operations-Umfeld komplett scheitert und 57 Prozent der I&O-Manager mindestens einen Fehlschlag hinter sich haben. Für den deutschen Mittelstand ist die Lage schärfer als die Zahlen suggerieren, weil die Ausfall-Muster nicht zufällig sind. Sie folgen einer Logik und die Logik lässt sich mit einem 90-Tage-Plan unterbrechen.

VerwandtDeloitte State of AI Enterprise 2026  /  Change Management bei KI-Projekten

Was die Zahlen wirklich sagen

Die 80,3 Prozent von RAND sind kein Marketing-Claim, sondern das Ergebnis einer Meta-Analyse über 65 dokumentierte Enterprise-KI-Initiativen in drei Jahren. Die Zerlegung ist aufschlussreicher als die Hauptzahl: 33,8 Prozent der Projekte werden abgebrochen, bevor sie jemals in Produktion gehen. 28,4 Prozent erreichen Produktion, liefern aber nicht den erwarteten Nutzen. 18,1 Prozent laufen, amortisieren aber die Kosten nicht.

Gartner hat am 7. April 2026 im Report „AI Projects in I&O Stall Ahead of Meaningful ROI Returns“ die Perspektive auf IT-Infrastruktur verengt und die Befunde bestätigt. Nur 28 Prozent der KI-Infrastruktur-Projekte bringen den versprochenen Return. Eins zu fünf scheitert komplett. 57 Prozent der I&O-Leitenden berichten mindestens einen Fehlschlag in den eigenen Reihen. Das ist keine Einzelfallstatistik mehr, das ist Baseline.

Gartner hatte bereits 2025 eine eigene Prognose angelegt: Bis Ende 2026 werden 60 Prozent der KI-Projekte ohne ausreichende Datenbasis abgebrochen. Und für Generative AI speziell meldet Gartner, dass bereits Ende 2025 mehr als die Hälfte der GenAI-Initiativen nach dem Proof-of-Concept eingestampft wurde, weil Datenqualität, Risk-Controls oder Kosten nicht trugen.

Für den deutschen Mittelstand sind die Zahlen nicht eins zu eins übertragbar. Die Horvath-Studie vom Januar 2026 zeigt, dass Mittelständler nur 0,35 Prozent ihres Umsatzes in KI investieren, 30 Prozent unter dem globalen Schnitt. Kleinere Budgets bedeuten kleinere Projekte, kleinere Teams, kleinere Fallhöhe. Die gute Nachricht: weniger Exposure. Die weniger gute: wer mit 50.000 Euro scheitert, lernt dieselbe Lehre wie jemand der mit fünf Millionen scheitert, bekommt aber im nächsten Budget-Zyklus keinen zweiten Anlauf.

Die drei Muster, die fast alle Fehlschläge erklären

Wer die RAND-Originalstudie liest, findet in den 65 Case-Files nicht 65 verschiedene Probleme. Es sind drei. Sie treten selten allein auf, aber jedes Projekt, das scheitert, bringt mindestens zwei davon mit. Technologie-Versagen spielt eine Nebenrolle.

Daten-Qualität ist das Muster, das am lautesten diskutiert wird, weil es am ehesten technisch klingt. In der Praxis sitzt das Problem meist auf der Eben davor. Stammdaten werden in vielen Mittelständlern von Mitarbeitenden gepflegt, deren Stellenbeschreibung „Datenpflege“ nicht explizit enthält. Wenn ein KI-Projekt startet, fällt dann auf, dass niemand rechenschaftspflichtig ist für eine einzige konsistente Kundennummer quer über ERP, CRM und Ticketsystem. Das ist kein Daten-Problem, das ist ein Rollen-Problem.

Organisations-Reife ist das leise Muster. Ein Pilot läuft, weil drei engagierte Leute im Marketing oder in der Fertigung ihn durchboxen. Der Roll-out auf die ganze Organisation scheitert, weil plötzlich Compliance, Betriebsrat, IT-Security und drei Fachbereichsleiter mitentscheiden wollen. Niemand ist formal zuständig, also entscheidet niemand. Das zieht sich. Deloitte hat im „State of AI in the Enterprise 2026″ diesen Execution-Gap präzise dokumentiert.

Use-Case-Drift ist das unheimliche Muster. Ein Projekt beginnt klar: wir wollen Reklamationen in der Kunden-Hotline um 30 Prozent reduzieren. Drei Monate später wird über Prompt-Engineering-Frameworks diskutiert. Sechs Monate später über die Wahl der Vektor-Datenbank. Das ursprüngliche Problem taucht in keinem Meeting mehr auf. Die Organisation hat den Fokus verloren, ohne es zu merken, weil jeder Zwischenschritt plausibel klang.

Die interessanten Fehler in KI-Projekten sind nicht die, die im Post-Mortem stehen. Es sind die drei Wochen, in denen niemand gemerkt hat, dass das ursprüngliche Problem längst nicht mehr auf der Agenda steht.

Was ist die AI-Failure-Rate? Die AI-Failure-Rate ist die Quote der Enterprise-KI-Projekte, die entweder vor der Produktivsetzung abgebrochen werden, in Produktion den versprochenen Business-Wert nicht liefern oder ihre Kosten nicht amortisieren. Die Zahl basiert bei RAND auf einer Meta-Analyse von 65 dokumentierten Enterprise-KI-Initiativen zwischen 2022 und 2025. Sie wird aktuell als Branchen-Benchmark verwendet, weil sie doppelt so hoch liegt wie die klassische Software-Failure-Rate von rund 40 Prozent.

Die Frage, ob die drei Muster auch den Erfolg der verbleibenden 19,7 Prozent erklären, ist für Führungskräfte strategisch wichtiger als die Scheiter-Statistik. RAND hat die Gewinner-Projekte ebenfalls aufgeschlüsselt. In fast allen Fällen stimmte drei Dinge: die Daten-Domäne war vor Projektbeginn schon aufgeräumt, die Entscheidungsstruktur war vor Projektbeginn schon klar; der Use Case war so eng formuliert, dass Scope-Drift kaum möglich war. Es ist eine demütigende Erkenntnis für alle, die auf die transformierende Kraft der Technologie setzen: die Projekte, die funktionieren, sind die, bei denen die Hausaufgaben vor dem ersten Modell-Training erledigt sind.

Das verschiebt die Verantwortung im Unternehmen. Eine KI-Initiative ist aus Sicht der Geschäftsleitung kein Technologie-Projekt mehr, sondern eine Organisations-Stresstest. Wer das akzeptiert, organisiert Rollen und Daten vor der Beauftragung. Wer das nicht akzeptiert, landet in der Mehrheit. Aus einer Boardroom-Perspektive ist das die unbequemste Nachricht dieser Studien.

Der 90-Tage-Gegenplan für den Mittelstand

Der Reflex, auf eine 80-Prozent-Fehlerquote mit mehr Werkzeugen zu antworten, ist menschlich nachvollziehbar und meistens falsch. Eine neue Plattform löst keines der drei Muster. Ein neuer CAIO auch nicht. Die Lösungen sind langweiliger, weil sie auf Organisations-Arbeit hinauslaufen. In drei Phasen und 90 Tagen kommt ein Mittelständler zu einer belastbaren Baseline, ohne dass er dafür Budget in sechsstelliger Höhe freischaufeln muss.

Phase eins, Tage 1 bis 30: Daten-Audit mit Rollen-Klarheit. Eine Fach- oder IT-Führungskraft inventarisiert in fünf konkreten Stammdaten-Objekten (Kunde, Produkt, Vertrag, Lieferant, Mitarbeitender), wer heute faktisch die Hoheit hat. Nicht im Org-Chart, sondern in der Praxis. Das Ergebnis ist fast immer ein Schockerlebnis, weil die Hoheit selten dort liegt, wo die Verantwortung auf dem Papier sitzt. Am Ende der Phase steht eine Tabelle mit Datenobjekt, Owner, Quelle, Pflege-Rhythmus. Kein schickes Tool, eine Excel reicht.

Phase zwei, Tage 31 bis 60: Rollen-Klarheit vor Use-Case-Wahl. Bevor das erste KI-Thema priorisiert wird, wird das Entscheidungs-Gremium festgezurrt. Drei Rollen reichen: eine Fachbereichsleitung, eine IT-Vertretung, eine Person aus der Geschäftsleitung. Keine Lenkungsausschüsse, keine monatliche Governance-Board-Sitzung. Das Gremium trifft sich alle zwei Wochen, 45 Minuten, mit klarer Tagesordnung. Zweck ist nur: entscheiden. Wer das für zu wenig hält, hat die RAND-Zahlen nicht verstanden.

Phase drei, Tage 61 bis 90: Ein einziger Use Case, produktiv gebracht. Das Gremium wählt aus drei bis fünf Kandidaten einen aus, der zwei Kriterien erfüllt: messbarer Business-Nutzen binnen 90 Tagen nach Go-Live sowie eine einzelne Daten-Domäne, die in Phase eins sauber inventarisiert wurde. Kein Plattform-Projekt. Kein unternehmensweites Roll-out. Ein Use Case. Der Erfolg in diesem Use Case ist der Baustein, auf dem spätere Skalierung ruht. Wer direkt mit dem Plattform-Case startet, landet bei Gartner in der „60-Prozent-aufgegeben“-Statistik.

Die harten Zahlen zur Mittelstands-Realität stützen das. Wir haben in den vergangenen Monaten mehrfach argumentiert, dass der Mittelstand sich gegen den strukturellen Druck des CAIO-Hypes stellen sollte, weil er operativ weder die Organisations-Tiefe noch die Budget-Basis hat, um einen reinen AI-Officer zu verwerten. Die RAND-Zahlen bestätigen das indirekt: Unternehmen, die AI-Leadership unter eine bestehende Rolle (CIO oder COO) hängen, schneiden bei Use-Case-Disziplin besser ab als Unternehmen mit frisch installiertem CAIO. Das liegt nicht an Titeln, sondern an der Kontinuität der Entscheidungsstruktur.

Für Teams, die Phase drei erreicht haben und sauber skaliert werden sollen, wird der Engpass in der Regel das Change Management. Unsere Analyse der 70-Prozent-Change-Failure-Quote passt wie ein Deckel auf den RAND-Befund. Die Schnittmenge zwischen beiden Statistiken ist nicht zufällig. Es geht fast immer um dieselbe Frage: Wer trägt wofür formal die Verantwortung und hält das Gremium die Entscheidung durch den Stress der Produktivsetzung?

Am 24.04.2026 hat Gartner im gleichen Kontext den 2026er-Enterprise-Tech-Spending-Forecast nachgezogen: weltweit 6.150 Milliarden US-Dollar, davon ein zweistelliger Prozentsatz für KI. Die Übersetzung dieser Zahl für deutsche Mittelständler lautet nicht, dass sie mitziehen müssen. Sie lautet, dass die Erwartungshaltung bei Kunden, Banken und Aufsichtsräten schneller wächst als die eigene Liefer-Kapazität. Wer zu diesem Zeitpunkt keinen einzigen produktiven Use Case vorweisen kann, wird im nächsten Ratings-Gespräch oder Bilanzpressetermin Antworten schuldig bleiben.

Unsere Erfahrung aus Gesprächen mit Führungskräften in Mittelstand und EV-Umfeld: Die Projekte, die gerade funktionieren, sind solche, bei denen die Geschäftsleitung ohne Umweg über Beratungs-Leitbilder arbeitet. Sie reservieren einen Nachmittag im Monat für ihr Use-Case-Gremium, hören zu, fragen nach konkreten Zahlen und lassen niemanden durchgehen, der das ursprüngliche Problem vergessen hat. Das klingt trivial. Die RAND-Daten zeigen, dass es selten ist.

Die unbequemste Nachricht steht in RANDs Schlusskapitel und wird in Firmen selten laut ausgesprochen. Die meisten gescheiterten Projekte hätten früher aufhören müssen. Nicht nach 24 Monaten, sondern nach drei, sechs, neun. Es fehlte nicht am Geld, es fehlte an der Disziplin zu sagen, dass der gewählte Weg der falsche ist. KI-Projekte brauchen formale Abbruchkriterien. Ohne sie frisst der Sunk-Cost-Effekt jeden guten Impuls auf.

Häufige Fragen

Quelle Titelbild: Pexels / Yan Krukau (px:7640434)