Fast jedes zweite Unternehmen hat Probleme bei KI-Implementierung.

Künstliche Intelligenz (KI) gilt als entscheidender Treiber der digitalen Transformation – doch der Weg zur erfolgreichen Umsetzung ist für viele Unternehmen holpriger als gedacht. Eine aktuelle globale Umfrage von Redpoint im Auftrag von Fivetran zeigt, dass bei 42 Prozent der befragten Unternehmen mehr als die Hälfte ihrer KI-Vorhaben nicht wie geplant verlaufen – sei es durch Verzögerungen, unzureichende Ergebnisse oder gar komplettes Scheitern [1]. Bei weiteren 44 Prozent sorgen mindestens noch ein Viertel der KI-Projekte für Probleme. Nur bei einem Prozent der Befragten läuft alles problemlos. Laut der Befragung von 401 Entscheidungsträgern aus verschiedenen Regionen und Branchen sind Datenprobleme der zentrale Flaschenhals bei der Umsetzung von KI-Projekten.

Technische Ressourcen im Dauerstress – vor allem wenn es um KI geht

Ein zentrales Problem ist der Aufwand, der mit der Datenbereitstellung verbunden ist. Unternehmen, die bereits eine zentralisierte Datenstrategie verfolgen, geben an, dass sie über 80 Prozent ihrer technischen Ressourcen für die Pflege und Wartung von Datenpipelines aufwenden müssen. Dieser Aufwand blockiert wertvolle Engineering-Kapazitäten, die für KI-Innovationen notwendig wären. Dabei ist es nicht die Qualität der KI-Modelle selbst, die den Erfolg limitiert – vielmehr liegt der Engpass in der Infrastruktur, insbesondere in der Integration, Governance und Nutzbarkeit der Daten.

Hinzu kommt, dass viele Unternehmen an veralteten Systemen und fragmentierten Datenarchitekturen festhalten. So berichten 74 Prozent der Befragten, dass sie mehr als 500 verschiedene Datenquellen verwalten oder planen – ein erheblicher Komplexitätsfaktor, der Integration und Aktualisierung erschwert. Der Mangel an Echtzeitzugriff (41 Prozent) sowie isolierte Datensilos (29 Prozent) verschärfen das Problem zusätzlich.

Kosten und Risiken durch gescheiterte KI-Projekte

Die Konsequenzen sind weitreichend: 38 Prozent der Unternehmen verzeichnen durch mangelhafte KI-Leistung steigende Betriebskosten. Darüber hinaus führen gescheiterte Projekte laut Umfrage häufig zu einem Rückgang der Kundenzufriedenheit und -bindung. Das ist ein Risiko, das insbesondere in stark wettbewerbsorientierten Branchen nicht unterschätzt werden darf. Ein besonders klares Signal liefert der Zusammenhang zwischen Datenzentralisierung und Geschäftserfolg: Unternehmen, bei denen weniger als die Hälfte der Daten zentralisiert sind, berichten zu 68 Prozent von Umsatzverlusten durch verzögerte oder erfolglose KI-Projekte.

Automatisierung als Hebel zur Entlastung

Die Umfrageergebnisse zeigen auch Perspektiven auf: Eine modernisierte Dateninfrastruktur, die auf automatisierte Integration setzt, wird als Schlüssel zum Erfolg genannt. 65 Prozent der befragten Unternehmen sehen Investitionen in Tools zur Datenintegration als ihre wichtigste Strategie für eine erfolgreiche KI-Implementierung. Skalierbare, automatisierte Lösungen sollen nicht nur die Komplexität von Datenpipelines verringern, sondern auch technische Ressourcen für wertschöpfende Aufgaben freisetzen. Neben der Technik spielen auch organisatorische Faktoren eine entscheidende Rolle. Unternehmen, die KI erfolgreich implementieren, setzen auf datenkompetente Teams, eine ausgeprägte Governance-Kultur und klare Verantwortlichkeiten. Transparenz, Kontrolle und eine enge Verzahnung von Datenstrategie und Produktentwicklung gelten als zentrale Erfolgsfaktoren.

Regionale und branchenspezifische Unterschiede bei der KI-Readiness

Die Untersuchung zeigt deutliche Unterschiede zwischen Branchen und Regionen. Die Befragten im asiatisch-pazifischen Raum bewerten ihre KI-Readiness mit einem Wert von 8,8 auf einer Skala von 1 bis 10 und damit als am höchsten. Die USA folgen mit 8,2 Punkten, EMEA liegt bei 8,0 Punkten. Das Vereinigte Königreich schneidet mit nur 6,0 Punkten deutlich schlechter ab: ein Indiz für schwächere Integrationsstrategien und fragmentierte Infrastrukturen. Im globalen Durchschnitt schneiden der Einzelhandel und das Gesundheitswesen besonders gut ab. Beide Sektoren haben laut Umfrage bereits tiefgreifende Automatisierungs- und Datenintegrationsmaßnahmen umgesetzt (die Werte für die Branchen sind global ermittelt, könnten also zum Beispiel im Fall Gesundheitswesen in Deutschland durchaus anders aussehen). Im Gegensatz dazu kämpfen insbesondere das Finanzwesen und die Fertigungsindustrie mit veralteten Systemen und erheblichen Integrationshürden.

Generative KI: Der Weg zum Ziel

Für Unternehmen, die generative KI einsetzen möchten, ist eine stabile Datenplattform unabdingbar. Wie die genannte Studie zeigt, gibt es bei vielen Unternehmen gerade hier Defizite. Wenn man also über KI nachdenkt, gilt es sich zuerst um das Fundament zu kümmern: Als technische Basis empfehlen Experten zentrale, cloudbasierte Datenspeicher wie Data Lakes oder Data Warehouses. Diese müssen durch leistungsfähige Integrationslösungen ergänzt werden, die sowohl strukturierte als auch unstrukturierte Daten zuverlässig und automatisiert verarbeiten können. Elementare Bestandteile solcher Plattformen sind:

Echtzeitaktualisierung von Daten
Widerstandsfähigkeit bei Ausfall einzelner Systeme
Funktionen zur Datenmodellierung und Transformation
umfassende Data Governance (Verschlüsselung, Zugriffskontrollen, Katalogisierung)

Dabei gilt: Transformationen sollten vorzugsweise erst am Zielort der Daten erfolgen – nicht während der Übertragung. Das sorgt für höhere Flexibilität bei der Modellierung und vermeidet Engpässe.

RAG-Architektur und Vektordatenbanken als Schlüsseltechnologien

Eine vielversprechende Methode zur Anwendung generativer KI ist die sogenannte RAG-Architektur (Retrieval-Augmented Generation). Diese kombiniert vortrainierte Sprachmodelle mit unternehmensspezifischen Daten, um fundiertere, kontextbezogene Ergebnisse zu liefern. Der Zugang zu diesen Daten erfolgt idealerweise über Vektordatenbanken, in denen Inhalte als numerische Einbettungen gespeichert sind. Diese Technik ermöglicht es, Inhalte nicht nach exakter Übereinstimmung, sondern nach semantischer Ähnlichkeit zu durchsuchen. Alternativ oder ergänzend können Unternehmen Wissensgraphen einsetzen, um ihren KI-Systemen ein tieferes semantisches Verständnis ihrer Datenlandschaft zu vermitteln. Die Struktur solcher Graphen besteht aus Knoten (Datenobjekte) und Kanten (Beziehungen) – ein Ansatz, der sich besonders für komplexe Anwendungsfälle eignet.

Nicht zu unterschätzen: Organisatorische Reife ist ein Erfolgsfaktor

Technologische Voraussetzungen allein genügen jedoch nicht. Auf organisatorischer Ebene braucht es datenkompetente Teams mit Fähigkeiten in Prompt-Engineering, Infrastrukturmanagement und ethischer KI-Nutzung. Ebenso entscheidend sind Prozesse zur Qualitätssicherung, die eine kontinuierliche Optimierung der Ergebnisse und eine verantwortungsbewusste Nutzung gewährleisten. Erfolgreiche Unternehmen verankern diese Prozesse tief in ihren Strukturen. Sie denken in Datenprodukten, entwickeln analytische Lösungen für konkrete Anwendungsfälle und verfügen über ein hohes Maß an und Kontrolle.

Fazit: Ohne Data Readiness keine KI-Erfolge

Die Studie von Redpoint bringt es auf den Punkt: Der größte Engpass bei der Umsetzung von KI-Projekten ist nicht die Technologie der künstlichen Intelligenz selbst, sondern die Fähigkeit von Unternehmen, Daten effizient, sicher und flexibel bereitzustellen. Wer generative KI produktiv einsetzen will, kommt nicht umhin, seine Datenarchitektur grundlegend zu modernisieren – sowohl technologisch als auch organisatorisch. Unternehmen, die diese Herausforderung meistern, sichern sich nicht nur Wettbewerbsvorteile, sondern schaffen auch die Grundlage für nachhaltige Innovation.

Alexander Zschaler, Regional Vice President DACH, Zentral- und Osteuropa bei Fivetran

[1] https://ap-verlag.de/fast-die-haelfte-der-ki-projekte-in-unternehmen-scheitern-an-unzureichender-data-readiness/95819/

207 Artikel zu „KI-Projekte Problem“

Trends 2025 | News | Trends Services | Geschäftsprozesse | Künstliche Intelligenz | Strategien

Fast die Hälfte der KI-Projekte in Unternehmen scheitern an unzureichender Data Readiness

15. Mai 2025

Eine neue globale Umfrage zeigt steigende Kosten durch gescheiterte KI-Projekte: Komplexität der Datenbereitstellung und Wartung der Datenpipelines verbrauchen technische Ressourcen. Fivetran, Anbieter für Data Movement, präsentiert eine neue Studie über den Einsatz von KI in Unternehmen [1]. Die von Redpoint Content durchgeführte Umfrage zeigt, dass fast die Hälfte der Unternehmen von verzögerten, unzureichenden oder…