Warum bleiben KI-Piloten in der Mode stecken, und wie bringt man sie in die Produktion?
Die meisten Piloten mit generativer KI erreichen nie den breiten Einsatz. Warum Modepiloten ins Stocken geraten, von Daten und Integration bis zu unklarem Nutzen, und wie der Weg vom Proof of Concept in die Produktion Schritt für Schritt gelingt.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Die MIT-Studie The GenAI Divide von 2025 kam zum Ergebnis, dass rund 95% der Unternehmenspiloten mit generativer KI vor dem skalierten Einsatz stecken blieben, und führte dies vor allem auf eine Lern- und Integrationslücke statt auf die Modellqualität zurück.
- Gartner prognostizierte im Juli 2024, dass bis Ende 2025 mindestens 30% der Projekte mit generativer KI nach dem Proof of Concept aufgegeben würden, und nannte als Gründe mangelhafte Datenqualität, unzureichende Risikokontrollen, steigende Kosten oder unklaren Geschäftsnutzen.
- Gartner erwartet zudem, dass aus ähnlichen Gründen über 40% der Projekte mit agentischer KI bis Ende 2027 eingestellt werden.
- Modepiloten scheitern meist, weil sie mit bereinigten Beispieldaten, ausserhalb der echten Systeme, ohne Verantwortliche, ohne Ausgangswert und ohne Budget für die Produktionsphase laufen.
- Ein Pilot sollte vom ersten Tag an auf die Produktion ausgelegt sein: mit einer namentlich benannten fachlichen Verantwortung, einem gemessenen Ausgangswert, Live-Daten, Integration in den tatsächlichen Arbeitsablauf und einem vereinbarten Entscheidungszeitpunkt.
KI-Piloten in der Mode bleiben vor allem deshalb stecken, weil sie als Experimente statt als erste Phase eines Produkts angelegt sind: Sie laufen mit aufgeräumten Beispieldaten, stehen neben den Systemen, die die Mitarbeitenden tatsächlich nutzen, haben keine fachliche Verantwortung und kein vereinbartes Erfolgsmass. Für die Skalierung braucht es das Gegenteil: Live-Daten, Integration in den Arbeitsablauf, eine benannte verantwortliche Person, einen Ausgangswert und einen finanzierten Produktionsplan, vereinbart vor dem Start des Piloten.
Wie viele KI-Piloten schaffen es tatsächlich in die Produktion?
Die Daten deuten auf eine Minderheit hin. Der MIT-Bericht The GenAI Divide: State of AI in Business 2025, der auf 150 Interviews mit Führungskräften, einer Befragung von 350 Mitarbeitenden und einer Analyse von 300 öffentlichen Implementierungen beruht, kam laut Computing vom August 2025 zum Ergebnis, dass rund 95 Prozent der Unternehmenspiloten mit generativer KI in einem frühen Stadium stecken blieben und nie den skalierten Einsatz erreichten. Der Hauptautor führte dies weniger auf die Modellqualität zurück als auf eine «Lernlücke» zwischen den Tools und den betrieblichen Arbeitsabläufen.
Die Prognosen der Analysten weisen in dieselbe Richtung. Im Juli 2024 sagte Gartner voraus, dass bis Ende 2025 mindestens 30 Prozent der Projekte mit generativer KI nach dem Proof of Concept aufgegeben würden, wegen mangelhafter Datenqualität, unzureichender Risikokontrollen, steigender Kosten oder unklaren Geschäftsnutzens. Im Juni 2025 prognostizierte das Unternehmen, dass über 40 Prozent der Projekte mit agentischer KI bis Ende 2027 eingestellt würden, und verwies auf steigende Kosten, unklaren Geschäftsnutzen und unzureichende Risikokontrollen.
Warum bleiben KI-Piloten in der Mode stecken?
Die Gründe sind in der Mode meist praktischer Natur und gut vorhersehbar.
| Stolperstein | Wie er sich zeigt | Lösung |
|---|---|---|
| Beispieldaten | Der Pilot nutzt eine saubere Saison oder eine Marke; die Produktionsdaten haben Lücken, Dubletten und uneinheitliche Attribute | Früh mit einem repräsentativen Ausschnitt echter Live-Daten testen |
| Keine Integration | Die Ergebnisse liegen in einem separaten Tool und müssen in PIM, ERP oder E-Commerce kopiert werden | Den Integrationspfad in den Pilotumfang aufnehmen |
| Keine Verantwortung | Innovation oder IT führt den Piloten; das Fachteam, das ihn nutzen würde, trägt keine Verantwortung | Eine fachlich verantwortliche Person mit Zielen benennen |
| Kein Ausgangswert | Niemand hat den bisherigen Prozess gemessen, daher lässt sich kein Nutzen belegen | Zeit, Kosten oder Fehlerquote vor dem Start messen |
| Kostenüberraschung | Nutzungskosten, Lizenzen oder Integrationsaufwand sprengen im grossen Massstab das Pilotbudget | Produktionskosten vor der Freigabe des Piloten durchrechnen |
| Späte Risikoprüfung | Rechts-, Sicherheits- oder Markenprüfung erfolgt erst nach der Demo | Governance schon beim Kick-off einbeziehen |
Die Saisonalität bringt eine modespezifische Besonderheit mit sich. Ein Pilot für Prognose oder Sortiment braucht unter Umständen eine ganze Saison, um Ergebnisse zu zeigen. Startet er zum falschen Zeitpunkt im Kalender, kann er den nächsten Einkaufszyklus komplett verpassen und damit Schwung und Rückhalt im Management verlieren.
Wie muss ein KI-Pilot aufgesetzt sein, damit er skalieren kann?
Ein Pilot, der skalieren soll, sieht anders aus als eine Demo. Bevor Sie einen Piloten freigeben, sollten Sie Folgendes schriftlich festhalten:
- Geschäftsproblem und Verantwortung: ein Satz, der das Problem beschreibt, und die Person, deren Ziele sich verbessern, wenn es funktioniert.
- Ausgangswert: die heutige Durchlaufzeit, Kosten, Fehlerquote oder Abverkaufsquote des betreffenden Prozesses.
- Erfolgsschwellen: das Mass an Verbesserung, das die Produktion rechtfertigt, und das Niveau, das einen Abbruch bedeutet.
- Datenumfang: welche echten Datenquellen genutzt werden und wer gefundene Qualitätsmängel behebt.
- Integrationspfad: wo die Ergebnisse in der Produktion landen (PIM, ERP, Planungstool, Servicedesk) und was diese Integration kostet.
- Risikoprüfung: Datenschutz, geistiges Eigentum, Marke und Aspekte des EU AI Act, zu Beginn abgenommen.
- Entscheidungsdatum: ein fester Zeitpunkt, um zu skalieren, anzupassen oder zu stoppen.
Was ändert sich zwischen Pilot und Produktion?
Die Produktion bringt Aufgaben mit sich, die Piloten oft ausblenden: die Ausgabequalität über die Zeit überwachen, Ausnahmen behandeln, Anwenderinnen und Anwender unterstützen, Zugriffsrechte steuern, Kosten verfolgen und Modelle oder Prompts aktualisieren, wenn sich Produkte, Richtlinien oder Daten ändern. Bei generativer KI muss zudem jemand die Referenzinhalte pflegen, auf die sich das System stützt, etwa Markenrichtlinien, Pflegehinweise oder Retourenbedingungen. Planen Sie diese Betriebskosten von Anfang an ein; sie sind ein dauerhafter Betriebsaufwand und keine einmaligen Projektkosten.
In der McKinsey-Umfrage State of AI 2026 gaben 44 Prozent der Befragten an, dass KI in ihrem Unternehmen skaliert werde, gegenüber 38 Prozent ein Jahr zuvor, während der Anteil derjenigen, die der KI zumindest einen gewissen EBIT-Effekt zuschreiben, mit 37 Prozent praktisch unverändert blieb. Die Unternehmen mit der stärksten Wirkung hatten deutlich häufiger ihre Arbeitsabläufe grundlegend neu gestaltet. Wer ein Tool skaliert, ohne die Organisation der Arbeit zu verändern, erzielt in der Regel Nutzung ohne Wertbeitrag.
Auch die Kommunikation entscheidet darüber, ob ein Pilot überlebt. Wer künftig anders arbeiten wird, sollte Zwischenergebnisse einschliesslich der Fehler sehen und das Tool vor dem Rollout mitgestalten können. Piloten, die den Anwenderinnen und Anwendern erst im fertigen Zustand präsentiert werden, stossen meist auf Widerstand, den auch die höchste Modellgenauigkeit nicht überwinden kann.
Sollten Modeunternehmen selbst entwickeln oder einkaufen, um über die Pilotphase hinauszukommen?
Laut der MIT-Studie waren Tools, die bei externen Anbietern oder Partnern eingekauft wurden, in etwa zwei Dritteln der Fälle erfolgreich, intern entwickelte Systeme dagegen nur in etwa einem Drittel. Das heisst nicht, dass Eigenentwicklung immer falsch ist; es heisst, dass interne Lösungen mehr Integrations- und Wartungsaufwand mit sich bringen, als Teams oft erwarten. Für gängige Aufgaben wie Produktcontent oder Serviceantworten können ausgereifte externe Tools schneller in die Produktion gelangen. Bei proprietären Entscheidungen, die auf einzigartigen Daten beruhen, etwa der Allokationslogik, kann sich Eigenentwicklung weiterhin lohnen, sofern das Unternehmen die technische Kapazität für den Betrieb hat.
Wie viele Piloten sollte ein Modeunternehmen gleichzeitig durchführen?
Weniger als die meisten. Ein kleines Portfolio von drei bis fünf Piloten, jeweils mit Verantwortung, Ausgangswert und Entscheidungsdatum, lässt sich leichter steuern als Dutzende lose betreuter Experimente. Die Erkenntnisse von Gartner und MIT laufen auf dieselbe Lehre hinaus: Wert entsteht, wenn wenige Anwendungsfälle tief in die tatsächliche Arbeit integriert werden, nicht durch viele unverbundene Versuche.
Häufige Fragen
Wie viel Prozent der KI-Piloten scheitern?
Der MIT-Bericht The GenAI Divide von 2025 ergab, dass rund 95 Prozent der Unternehmenspiloten mit generativer KI vor dem skalierten Einsatz stecken blieben. Gartner prognostizierte, dass bis Ende 2025 mindestens 30 Prozent der Projekte mit generativer KI nach dem Proof of Concept aufgegeben würden. Die Definitionen unterscheiden sich, doch beide Quellen zeigen, dass die meisten Piloten keinen skalierten Nutzen liefern.
Warum scheitern KI-Proofs-of-Concept?
Häufige Ursachen sind mangelhafte Datenqualität, fehlende Integration in bestehende Systeme, unklarer Geschäftsnutzen, steigende Kosten und zu spät eingeführte Risikokontrollen. In der Mode kommen saisonales Timing und uneinheitliche Produktdaten oft als zusätzliche Hürden hinzu.
Wie lange sollte ein KI-Pilot laufen?
So lange, bis sich das Ergebnis gegenüber einem Ausgangswert messen lässt. Bei Content- oder Service-Anwendungsfällen können das Wochen sein, bei Prognose oder Sortiment eine ganze Saison. Enddatum und Entscheidungskriterien sollten vor dem Start des Piloten feststehen.
Was ist der Unterschied zwischen einem KI-Piloten und der Produktion?
Ein Pilot prüft in begrenztem Umfang, ob ein Anwendungsfall funktionieren kann. Produktion bedeutet, dass das Tool mit Live-Daten im echten Arbeitsablauf läuft, mit Monitoring, Support, Zugriffssteuerung, Kostenverfolgung und einer fachlich verantwortlichen Person, die für die Ergebnisse geradesteht.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
QUELLEN
- Computing: MIT report: 95% of corporate generative AI pilots fail to deliver returns
- Gartner: Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025
- Gartner: Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
- McKinsey: The state of AI
