Die KI-Lüge

Inhaltsverzeichnis

VORWORT · Warum dieses Buch geschrieben werden musste.

TEIL 1: DIE GESCHEITERTEN PROJEKTE · Wenn Millionen verbrennen und niemand darüber spricht.

Kapitel 1: Der Chatbot, der Kunden vertrieb.

Kapitel 2: Watson für die Krebsdiagnose.

Kapitel 3: Die automatisierte Fabrik.

Kapitel 4: Amazon Just Walk Out.

Kapitel 5: Der KI-Berater ohne KI.

Kapitel 6: Die Predictive Maintenance, die nichts vorhersagte.

TEIL 2: WARUM 90% SCHEITERN · Die Mechanismen hinter dem Versagen.

TEIL 3: SO GEHT ES RICHTIG · Was wirklich funktioniert.

NACHWORT sowie ANHANG mit Checklisten, Fragebögen und Ressourcen.

Vorwort

Warum dieses Buch geschrieben werden musste

Es ist November 2025. Künstliche Intelligenz ist überall. In den Schlagzeilen, in den Vorstandsetagen, in den Präsentationen der Unternehmensberater. Das Versprechen ist gigantisch: 70 Prozent Kostenersparnis, vollständige Automation, explosionsartiges Umsatzwachstum durch KI.

Und doch scheitern 95 Prozent aller KI-Projekte in Unternehmen.

Das ist nicht meine persönliche Meinung. Das ist das Ergebnis einer MIT-Studie aus dem Jahr 2025. Forscher am Massachusetts Institute of Technology haben über 300 öffentliche KI-Initiativen analysiert, 52 strukturierte Interviews mit Organisationen geführt und 153 Umfrageantworten von Führungskräften gesammelt. Das Ergebnis ist ernüchternd: Nur fünf Prozent aller KI-Pilotprojekte erzielen einen messbaren Return on Investment. Besonders bemerkenswert: 95 Prozent der Implementierungen von generativer KI in Unternehmen scheitern daran, einen echten geschäftlichen Mehrwert zu liefern.

Ich habe dieses Buch geschrieben, weil ich es nicht länger ertragen kann zuzusehen, wie Vorstände, Mittelständler und Innovationsleiter ihre Millionen in KI-Projekte investieren, die zum Scheitern verurteilt sind. Nicht weil KI grundsätzlich falsch ist, sondern weil die Branche systematisch lügt, beschönigt und die Realität verschleiert.

Die Lügen sind systematisch. Berater wissen, dass lange Projekte mehr abrechenbare Stunden bedeuten, also spielen sie Probleme herunter. Investoren brauchen Erfolgsgeschichten, um ihre Exits zu rechtfertigen, also verstecken sie Fehlschläge. Medien lieben Hype-Storys, also berichten sie kaum über Misserfolge. Technologieanbieter haben Reputationsinteressen, also sprechen sie nicht öffentlich über Probleme. Führungskräfte mögen nicht zugeben, dass ihre Millionen-Investments gescheitert sind.

Das Resultat ist ein massives Informationsgefälle. Die erfolgreichen fünf Prozent werden laut herausgeschrien. Die gescheiterten 95 Prozent bleiben still.

Dieses Buch ist für Entscheider geschrieben: Vorstände, Geschäftsführer, CFOs, Projektleiter und Innovationsverantwortliche, die KI richtig nutzen wollen – ohne in die typischen Fallen zu tappen.

Teil 1 zeigt reale Fehlschläge. Teil 2 erklärt die tieferen Gründe. Teil 3 gibt konkrete Werkzeuge. Lesen Sie weiter, wenn Sie die KI-Lüge durchschauen wollen.

Teil 1: Die gescheiterten Projekte

Wenn Millionen verbrennen und niemand darüber spricht

Die erfolgreichsten Lernquellen sind oft die Fehlschläge anderer. In diesem Teil zeige ich Ihnen sechs reale oder realistische Beispiele gescheiterter KI-Projekte – von kleineren Mittelständlern bis hin zu Tech-Giganten mit unbegrenzten Ressourcen. Jedes dieser Projekte investierte Millionen, folgte vermeintlichen Best Practices und scheiterte trotzdem kläglich. Die Frage ist: Warum? Und noch wichtiger: Wie können Sie diese Fehler vermeiden?

Kapitel 1: Der Chatbot, der Kunden vertrieb

Das Versprechen: 70 Prozent Kosteneinsparung im Support

Im Jahr 2019 beschloss ein deutsches E-Commerce-Unternehmen mit etwa 150 Mitarbeitern, seinen Kundenservice zu revolutionieren. Die Situation war klassisch: Die Support-Abteilung wuchs proportional mit dem Kundenstamm – und damit auch die Kosten. Im Schnitt zahlte das Unternehmen pro bearbeitete Kundenanfrage etwa zwölf Euro.

Der Plan klang vernünftig: Ein KI-Chatbot sollte standardisierte Anfragen rund um die Uhr beantworten, ohne dass menschliche Mitarbeiter involviert werden mussten. Die Vision war verlockend: sofortige Antworten, weniger Last auf dem Team, deutlich sinkende Kosten.

Eine bekannte Beratungsfirma wurde engagiert. Ihre Analyse war überzeugend: 60 Prozent aller Anfragen seien standardisiert genug. Die kalkulierte Ersparnis: rund 70 Prozent. Die Präsentation war professionell, die Zahlen wirkten wasserdicht, der Vorstand gab grünes Licht.

Die Realität: 40 Prozent mehr Beschwerden, Projekt nach 8 Monaten gestoppt

Das Pilotprojekt startete zunächst positiv. Der Bot beantwortete einfache Fragen und erste Erfolgsberichte gingen an die Geschäftsleitung. Dann zeigte sich die Praxis: Der Bot war starr. Sobald Anfragen vom Standard abwichen, brach die Qualität ein.

Kunden fühlten sich nicht verstanden. Die Übergabe an menschliche Mitarbeitende kam häufig zu spät. Statt Entlastung entstand Frust auf Kundenseite – und zusätzlicher Aufwand im Supportteam, das eskalierte Fälle auffangen musste.

Nach drei Monaten stieg die Beschwerdequote messbar um 40 Prozent. Aus der theoretischen Einsparung wurde operative Mehrarbeit. Nach acht Monaten wurde das Projekt abgebrochen und auf eine reine FAQ-Funktion reduziert.

Investition: 1,2 Millionen Euro

Beratung, Infrastruktur, Integration, Datenvorbereitung und Betrieb summierten sich auf rund 1,2 Millionen Euro – ohne nachhaltigen Nutzen, aber mit realem Reputationsschaden in der Kundenbeziehung.

Was wirklich schiefging: Drei kritische Fehler

Erstens: unrealistische Anforderungen. Die vermeintlich „standardisierten“ Fälle waren in der Praxis deutlich variantenreicher als angenommen.

Zweitens: Human-in-the-Loop war nicht sauber in der Architektur vorgesehen. Der Bot sollte autonom arbeiten, statt sinnvoll mit Menschen zu kooperieren.

Drittens: Datenqualität wurde unterschätzt. Inkonsistente, unvollständige Tickets führten zu schwachem Training und instabilen Ergebnissen.

Lessons Learned

Chatbots funktionieren dort, wo Prozesse wirklich linear und Daten sauber sind. Sie scheitern dort, wo Nuancen, komplexe Einzelfälle und hohe Fehlerkosten dominieren. Die entscheidende Frage lautet: Löst der Bot ein reales Problem – oder nur das Bedürfnis, „innovativ“ zu wirken?

Kapitel 2: Watson für die Krebsdiagnose

Das Versprechen: IBM Watson revolutioniert Medizin

2013 kündigte IBM mit dem MD Anderson Cancer Center ein Projekt an, das die Krebsbehandlung transformieren sollte. Watson sollte medizinische Studien, Patientendaten und genetische Informationen analysieren und personalisierte Therapieempfehlungen liefern – schneller und präziser als menschliche Teams.

Die Vision war beeindruckend, die Erwartung enorm. Über mehrere Jahre wurden mehr als 60 Millionen US-Dollar investiert.

Die Realität: Projektabbruch nach Millioneninvestition

2017 wurde das Projekt beendet. Offizielle Kommunikation sprach von strategischer Neupriorisierung. Interne Bewertungen zeichneten jedoch ein deutlich härteres Bild: Ziele wurden nicht erreicht, Vertrauen in Empfehlungen war gering, klinischer Mehrwert blieb aus.

Die zentralen Ursachen

Erstens: Trainingsdaten waren zu idealisiert und deckten die Komplexität realer Fälle nicht ausreichend ab.

Zweitens: Empfehlungen waren in Teilen nicht zuverlässig und klinisch nicht immer anschlussfähig.

Drittens: starke Spezialisierung auf bestimmte Falltypen mit schwacher Generalisierung auf die Breite der Onkologie.

Viertens: mangelnde Nachvollziehbarkeit. Für medizinische Entscheidungen ist erklärbare Logik essenziell.

Fünftens: fehlender robuster Feedback-Loop aus realen Behandlungsverläufen.

Was wir daraus lernen

KI in Hochrisiko-Domänen braucht exzellente Daten, klare Grenzen, transparente Entscheidungslogik und menschliche Verantwortung im Prozess. Hype ersetzt keine Praxistauglichkeit.

Die kritische Frage für jedes KI-Projekt lautet: Ist die Empfehlung nachvollziehbar, überprüfbar und im realen Betrieb belastbar? Wenn nicht, ist das Risiko zu hoch.