KI im Unternehmen: Warum KI-Projekte scheitern und welche drei Schritte zum Erfolg führen
24. September 2026 | Lesezeit: 10 Minuten
Produktmanager bei FIS
Kennen Sie das? Sie haben konkrete KI-Anwendungsfälle identifiziert und in neue Technologien investiert. Dennoch bleibt die erhoffte Effizienzsteigerung oder der Wettbewerbsvorteil aus. Das liegt oft nicht an der KI selbst, sondern an den fehlenden Voraussetzungen. Erfahren Sie im Beitrag, welche drei Schritte entscheidend für den erfolgreichen KI-Einsatz sind.
Warum der Einsatz von KI nicht den gewünschten ROI erzielt
Die Erwartungen an Künstliche Intelligenz sind hoch. Unternehmen möchten Prozesse automatisieren, Mitarbeiter im Arbeitsalltag entlasten und fundiertere Entscheidungen treffen. Entsprechend groß ist das Interesse an KI-Assistenten, Agenten oder intelligenten Automatisierungslösungen. Auch KI-Tools wie ChatGPT stehen bei vielen Unternehmen im Mittelpunkt aktueller Digitalisierungsinitiativen.
In der Praxis zeigt sich jedoch häufig ein anderes Bild: Trotz hoher Investitionen für die Implementierung von KI-Systemen bleiben viele Prozesse weiterhin manuell. Pilotprojekte erreichen nicht die zuvor definierten betriebswirtschaftlichen Kennzahlen und der erwartete Return on Investment (ROI) stellt sich nicht ein.
Ein wesentlicher Grund dafür ist, dass die KI-Strategie häufig direkt vom Anwendungsfall ausgeht. Unternehmen konzentrieren sich primär auf die Frage, welche Aufgaben eine KI in einem Bereich übernehmen soll. Die entscheidende Grundlage wird dabei oftmals übersehen: die Daten.
Künstliche Intelligenz ist kein Werkzeug, das sich einfach aktivieren lässt. Sie benötigt qualitativ hochwertige Daten und Regeln, um verlässliche Ergebnisse liefern zu können. Fehlen diese, entstehen ungenaue Analysen, fehlerhafte Empfehlungen oder ineffiziente Automatisierungen.
Welche Fehler bremsen die KI-Einführung am häufigsten aus?
In vielen Projekten zeigen sich ähnliche Stolpersteine:
Unvollständige oder fehlerhafte Daten führen zu unzuverlässigen KI-Ergebnissen.
Verteilte Informationen verhindern eine ganzheitliche Sicht auf Prozesse und Zusammenhänge.
Ohne klare Zuständigkeiten bleibt die Datenqualität langfristig nicht stabil.
KI kann Prozess- oder Datenprobleme unabhängig von der Art der eingesetzten Technologie nicht automatisch lösen.
Die Nutzung von KI muss nahtlos in bestehenden Prozessen erfolgen.
KI ist kein Selbstläufer, sondern Teil einer langfristigen Strategie zur Transformation.
Fehlendes Vertrauen, unzureichende Kenntnisse oder die Angst vor Jobverlust durch KI kann die Motivation innerhalb der Organisation bremsen.
Schulungen sind entscheidend für die Integration von Mitarbeitenden in KI-Projekte und den Aufbau von Kompetenzen.
Unternehmen sollten daher nicht zuerst über die nächste KI-Anwendung sprechen, sondern über Datenqualität, Prozesse und KI-Governance. Ebenso spielen Datenschutz, Sicherheit und ein strukturiertes Risikomanagement bei der Umsetzung von KI-Projekten eine zentrale Rolle.
Aus der Projektpraxis hat sich deshalb ein dreistufiges Vorgehen bewährt:
Erst wenn die ersten beiden Ebenen aufgebaut sind, kann KI ihr Potenzial im Unternehmen vollständig entfalten.
Schritt 1: Warum sind Stammdaten die wichtigste Voraussetzung für Künstliche Intelligenz?
KI ist nur so gut wie die Daten, auf denen sie basiert. Vollständige, konsistente und aktuelle Stammdaten bilden die Grundlage für verlässliche Ergebnisse und eine nachhaltige Qualitätssicherung. Datenvorbereitung beansprucht oft die meiste Zeit bei KI-Projekten.
Viele Unternehmen kämpfen bereits seit Jahren mit bekannten Herausforderungen: unvollständige Stammdaten, Dubletten, unterschiedliche Datenstände in verschiedenen Systemen oder fehlende Qualitätsstandards.
Die Auswirkungen zeigen sich bei KI-Anwendungen besonders deutlich.
Fehlerhafte oder unvollständige Stammdaten führen zu fehlerhaften Prognosen, schlechten Empfehlungen oder ineffizienten Automatisierungen. Schnell entsteht dann der Eindruck, dass die Technologie nicht den erhofften Nutzen bringt. Tatsächlich liegt die Ursache jedoch häufig in der Datenqualität.
Ein Beispiel hierfür ist der Einsatz von Visual Search. Die KI erkennt auf einem Produktbild beispielsweise einen roten Sneaker. Fehlen im System jedoch relevante Produktattribute wie Farbe, Material oder Produktkategorie, können keine passenden Suchergebnisse ausgegeben werden. Die Technologie selbst funktioniert, scheitert jedoch an der zugrunde liegenden Datenbasis.
FIS-Wissen
Ein weiteres Beispiel ist der Einsatz intelligenter Verpackungsagenten in der Logistik. Damit ein Agent Mitarbeitende beim Verpacken von Artikeln unterstützen kann, benötigt er vollständige und korrekt strukturierte Informationen über Maße, Eigenschaften oder Verpackungsvorgaben. Fehlen diese Angaben, kann die KI keine sinnvoll nutzbaren Empfehlungen liefern.
Kostenlose KI-Orientierungs-Session buchen
Was wir in der Orientierungs-Session klären
Praxistipp: Datenqualität systematisch bewerten
Unternehmen sollten sich zu Beginn jeder KI-Initiative folgende Fragen stellen:
Je mehr dieser Fragen mit „Ja“ beantwortet werden können, desto belastbarer ist die Grundlage für spätere KI-Anwendungen.
Schritt 2: Warum müssen Daten systemübergreifend verfügbar sein?
KI benötigt Kontext. Erst wenn Daten über Systemgrenzen hinweg zusammengeführt werden, entsteht ein vollständiger Blick für fundierte Entscheidungen und intelligente Automatisierung.
Ist die Qualität der Stammdaten sichergestellt, folgt der nächste Schritt: die Auflösung von Datensilos.
In vielen Unternehmen liegen relevante Inhalte verteilt in unterschiedlichen Systemen:
Jedes dieser Systeme bildet nur einen Teil der Realität ab. Für Menschen ist es häufig möglich, diese Informationen gedanklich zusammenzuführen. Für KI-Systeme gilt das nicht.
Deshalb müssen Daten konsistent verknüpft und unternehmensweit verfügbar gemacht werden.
Eine wichtige Rolle spielt dabei eine moderne Datenarchitektur, beispielsweise in Form einer Business Data Fabric. Sie ermöglicht es, Daten aus SAP- und Non-SAP-Systemen zentral nutzbar zu machen und in ihrem geschäftlichen Kontext zusammenzuführen.
FIS-Wissen
Der Nutzen liegt auf der Hand:
Erst durch diese einheitliche Datensicht entsteht die Transparenz für intelligente Entscheidungen und Automatisierung.
Wo würden Sie den Reifegrad Ihres Unternehmens aktuell einordnen?
Exkurs: Schaffen Sie die Basis für das Autonomous Enterprise
Das SAP Autonomous Enterprise beschreibt die Vision weitgehend selbststeuernder Geschäftsprozesse. Der Weg dorthin beginnt jedoch mit Datenqualität und Prozessharmonisierung.
Begriffe wie KI-Assistenten, Agenten und autonome Prozesse prägen aktuell viele Diskussionen rund um die digitale Transformation. Und im SAP-Umfeld kommt man an dem Zielbild des sogenannten Autonomous Enterprise kaum noch vorbei.
Gemeint ist damit eine Organisation, in der Prozesse zunehmend automatisiert ablaufen, KI-Entscheidungen unterstützt und Standardaufgaben weitgehend eigenständig bearbeitet werden. Die meisten Unternehmen befinden sich auf diesem Weg allerdings noch in einer frühen Phase. Dies gilt insbesondere für KMU (Kleine und mittlere Unternehmen), die häufig unter steigendem Kosten- und Wettbewerbsdruck stehen.
Denn der entscheidende Erfolgsfaktor liegt dabei in der Schaffung einer stabilen Grundlage. Verlässliche, konsistente und gut vernetzte Daten sowie harmonisierte Prozesse bilden die Basis, auf der Automatisierung und KI schrittweise aufbauen können.
Schritt 3: Wie lassen sich KI-Anwendungsfälle erfolgreich umsetzen?
Erfolgreiche Unternehmen starten mit klar abgegrenzten Use Cases und entwickeln diese schrittweise weiter. Pilotprojekte helfen außerdem, Vertrauen in KI-Technologien aufzubauen.
Sind Datenqualität und Datenintegration gewährleistet, können konkrete KI-Use Cases echten Mehrwert und einen positiven Beitrag zur Wettbewerbsfähigkeit liefern. Besonders im Handel entstehen täglich große Mengen wertvoller Daten zu Produkten, Kunden oder Beständen.
Werden diese Informationen strukturiert und zusammengeführt, eröffnen sich zahlreiche Einsatzmöglichkeiten – von Mittelstand bis Großunternehmen:
KI kann historische Daten analysieren und daraus zukünftige Bedarfe ableiten.
Unternehmen profitieren von einer besseren Warenverfügbarkeit und optimierten Beständen.
Muster im Kundenverhalten werden erkannt und genutzt, um passende Produkte vorzuschlagen.
Dies verbessert sowohl das Einkaufserlebnis als auch die Vertriebsunterstützung.
Ein besonders praxisnaher Anwendungsfall ist die Produktsuche per Bild.
Im Baustoffhandel beispielsweise unterscheiden sich viele Produkte nur in kleinen Details. Kunden verfügen häufig nicht über eine konkrete Artikelnummer, sondern lediglich über ein Foto oder eine Vorstellung des gesuchten Produkts.
Mithilfe von Visual Search lassen sich passende oder ähnliche Produkte anhand eines Bildes identifizieren. Das vereinfacht die Produktsuche erheblich und unterstützt sowohl Kunden als auch Mitarbeitende.
KI kann Mitarbeitende bei Routineaufgaben unterstützen, Informationen bereitstellen oder Handlungsempfehlungen geben. Dadurch werden Prozesse effizienter und Fachkräfte können sich stärker auf wertschöpfende Aufgaben konzentrieren.
Wichtig bleibt dabei immer dieselbe Voraussetzung: Auch der beste Use Case funktioniert nur mit einer belastbaren Datengrundlage. Außerdem sind regelmäßige Leistungsüberprüfungen notwendig, um die langfristige Funktionalität von KI zu gewährleisten.
Ist Ihr Unternehmen bereit für KI? Die KI-Readiness-Checkliste
Fazit: KI-Erfolg beginnt lange vor dem ersten Use Case
Künstliche Intelligenz besitzt enormes Potenzial. Zum Beispiel zur Entlastung von Mitarbeitenden oder die Entwicklung neuer Produkte und Dienstleistungen. Ob dieses Potenzial tatsächlich genutzt werden kann, entscheidet sich jedoch lange bevor der erste Algorithmus produktiv eingesetzt wird.
Die wichtigste Erkenntnis aus vielen erfolgreichen Projekten lautet daher: KI ist immer auch ein Datenprojekt. Unternehmen sollten daher die Chancen von KI nicht ausschließlich aus technologischer Sicht und der Auswahl von KI-Modellen und -Anbietern betrachten. Sie sollten die strategische Umsetzung, Datenqualität, Sicherheit und organisatorische Voraussetzungen gleichermaßen berücksichtigen.
Ein strukturierter Ansatz zur Implementierung von KI umfasst neben Technologiewahl und Mitarbeiterintegration auch das Thema Daten. Unternehmen sollten ihre Datenlandschaft analysieren, Stammdaten systematisch verbessern und Datensilos abbauen. Erst auf dieser Grundlage entstehen die Anforderungen für intelligente Automatisierung, verlässliche Prognosen und innovative KI-Anwendungen.
Wer diesen Weg Schritt für Schritt geht, schafft nicht nur die Basis für einzelne Use Cases. Er legt gleichzeitig den Grundstein für eine langfristige Entwicklung hin zu einem intelligenten und perspektivisch autonomen Unternehmen.
AI4ME Workshopreihe
Sie möchten Künstliche Intelligenz sinnvoll und gewinnbringend in Ihrem Unternehmen einsetzen? Mit unseren neuen AI4ME Workshop-Paketen holen wir Sie genau dort ab, wo Sie aktuell stehen – ganz gleich, ob Sie sich noch in der Orientierungsphase befinden oder bereits konkrete AI‑Initiativen verfolgen. Wählen Sie einfach den für Sie passenden Baustein.
Fragen zu diesem Thema? Unser Team hilft Ihnen gerne persönlich weiter.
Lesen, Anschauen, Informieren
In unserem Downloadbereich finden Sie eine große Auswahl an wissenswerten Inhalten rund um SAP – Expert-Talks, Whitepaper, Flyer. Um direkt zu finden, was Sie suchen, nutzen Sie die Filterfunktion für Themen und Content-Art.
Podcast
What´s SAP? gibt kurze Antworten auf komplexe Fragen rund um SAP. Er ist für alle, die in ihrem Berufsalltag wenig Zeit, aber Lust auf spannende Inhalte für zwischendurch haben – ob während der Fahrt, in der Kaffeepause oder zwischen zwei Terminen.
Blog
Unsere Blog-Autoren und Gastautoren halten für Sie stets Augen und Ohren offen, um über aktuelle Trends und Geschehnisse am Markt zu schreiben. Reinschauen lohnt sich!
