Gewinner & Verlierer: Warum 95 % der KI-Projekte floppen

Worum es in dieser Folge geht

Wir starten mit einem Rückblick, der mich besonders freut: Tim war bei BEYOND THE DASHBOARD dabei — und lobt das Event, was bei einem erklärten Konferenz-Skeptiker etwas heißen will. Rund 100 Leute, zehn Stunden Programm, und die Diskussion, wie es weitergeht: einmal im Jahr, zweimal im Jahr, vielleicht abwechselnd in Düsseldorf und im Süden — dazu mein Ziel, jeden Monat ein Datameetup mit 15 bis 20 Leuten zu machen.

Dann der gewohnte Schnitt unseres Stammformats: drei News, unsere Einordnung, ein Deep Dive. Diesmal mit dem Thema, das ich als Motto über BEYOND THE DASHBOARD gelegt hatte — Gewinner und Verlierer der KI-Welle. Und mit einer These, bei der Tim und ich uns ausnahmsweise komplett einig sind.

Die Storyline

Agent-Ready Data Layer: die Schicht, die keiner kaufen muss

News eins: Microsoft positioniert Fabric als Agent-Ready Data Layer, Snowflake und Databricks platzieren sich ähnlich. Die Strategie dahinter finde ich bemerkenswert — es geht nicht mehr Modell gegen Modell, sondern darum, wer die Daten ready hat, damit Agenten andocken können. Tims Reaktion ist trocken: Jede Datenbank, jedes Data Warehouse kann ein Agent-Ready Data Layer sein. Wer sauber im Gold-Silber-Bronze-Schichtensystem arbeitet, ist längst agent-ready — denn ein guter Gold-Layer ist so gebaut, dass Reporting, Data Science oder eben ein Agent darauf aufsetzen können.

Spannender ist Tims Beobachtung aus einem Kunden-Workshop: Der Kunde brauchte gar kein Data Warehouse. CRM, CDP, Produktdatenbank, Order-Daten — wenn die Systeme ihre Daten sauber aufbereitet haben und IDs dazwischen liegen, reicht eine schlanke Schicht darüber, in der ein Agent die Sachen in Real-Time verknüpft. Das spart die große Plattform — und adressiert nebenbei die Schwäche, über die kaum jemand spricht: Latenzen. Für Real-Time-Anwendungen liefern die großen Warehouse-Architekturen heute keine Antworten in Millisekunden.

EU AI Act ab 2. August: Governance als Eintrittskarte

News zwei fühlt sich an wie ein Déjà-vu der DSGVO: Alle reagieren erst, wenn der Stichtag da ist. Am 2. August kommen die ersten Pflichten und Durchsetzungen des EU AI Act, zunächst für GPAI-Modelle. Die Bußgelder sind ähnlich hoch angesetzt wie damals bei der DSGVO, einige Hochrisiko-Themen wurden auf Dezember 2027 verschoben. Aus der CDO-Brille heißt das: Governance ist kein Compliance-Ballast-Thema mehr, sondern die Eintrittskarte, KI wirklich sauber zu nutzen.

Tims Lieblingspunkt im AI Act ist die Erklärbarkeit: Jedes Modell muss beschrieben werden können. Das ist nicht nur für die Regulierung wichtig — es ist der Hebel, damit die eigenen Leute dem vertrauen, was gebaut wird. Wer erklären kann, was da passiert, hat das Change-Management halb gewonnen; die Compliance kommt dann von selbst. Für den Mittelstand sieht Tim das Modell der DSGVO-Zeit wiederkommen: den externen Experten als Service, der einen Tag im Monat absichert, statt eigene Leute dafür einzustellen.

KI-Phishing mal 14

News drei ist die Kehrseite der Effizienz: KI-Phishing explodiert — die Angriffe sind 2026 um das 14-Fache gestiegen, 87 Prozent aller Unternehmen sind betroffen. Generative KI automatisiert, was vorher getrennte Gewerke waren: Schwachstellen finden und Angriffe bauen. Besonders heikel wird es bei E-Mail-Agenten, die sich als verwundbar gegen gezielte Manipulation erwiesen haben — bis hin zu Prompts, die in E-Mails versteckt werden und nicht den Menschen, sondern die KI im Postfach manipulieren. Wir vergleichen unsere eigenen Setups: Kontext holen ja, automatisch antworten nein.

Die These: 95 Prozent floppen — und es liegt nicht am Modell

Dann der Deep Dive. Meine These, über die wir eigentlich streiten wollten: 2026 entscheidet eben nicht das beste KI-Modell über Gewinner und Verlierer, sondern der, der seine Daten und Inhalte wirklich gut aufbereitet hat. 95 Prozent der GenAI-Piloten liefern keinen messbaren Mehrwert — und das liegt meistens nicht daran, dass die KI schlecht ist, sondern daran, dass Datenbasis und Prozess fehlen. Tim kann nur zustimmen — er hat bei BEYOND THE DASHBOARD genau darüber gesprochen.

Das Gewinner-Verlierer-Framework: zwei Achsen, vier Quadranten

Um das greifbar zu machen, haben wir ein Framework über zwei Achsen mitgebracht: Daten- und Content-Verfügbarkeit auf der einen, Prozess-Integration und Prozessverständnis auf der anderen. Daraus ergeben sich vier Quadranten:

• Beides hoch — die Gewinner. Daten und Prozess sind verankert, der Impact ist in der P&L messbar.
• Beides niedrig — die 95 Prozent. Keine saubere Integration in den Prozess, kein hinterfragter Prozess, kein Impact.
• Prozess hoch, Daten niedrig. Die ChatGPT-und-Copilot-Nutzer: Sie verstehen, dass GenAI in Prozessen hilft, schließen aber die eigenen Daten nicht an — und sind damit nur so gut wie der Wettbewerb, der gestern gestartet ist.
• Daten hoch, Prozess niedrig. Große Data Lakes, die nicht mit der Fachabteilung sprechen können — das alte Business-versus-IT-Problem in neuem Gewand.

Ehrlicherweise sortieren wir uns selbst auch ein: Ich sehe mich auf dem Weg nach oben rechts — gutes Prozessverständnis, aber meine Podcast-Daten sind noch nicht ideal verfügbar und der Austausch mit Katharina, die meinen Podcast betreut, noch nicht synchronisiert. Tim arbeitet mit Projekten und eigenem Kontext, schwört auf eine strukturierte Wissensdatenbank — und wir vergleichen Diktier- und Transkriptions-Workflows als Content-Engine.

Die größten Datensilos sitzen in den Köpfen

Warum schauen trotz aller Studien so viele weg und diskutieren über Symptome? Tims Antwort geht tiefer als die übliche Datenqualitäts-Klage: Das Grundproblem sind noch gar nicht die Daten — es ist, dass Leute ihre eigenen Prozesse nicht gut genug verstehen. Die echten Silos stecken nicht in den Daten, sondern in den Köpfen: zu viele Teams, die nicht richtig miteinander arbeiten. KI ist nur das jüngste Werkzeug, das diese Symptome sichtbar macht — wie vorher Big Data, Digitalisierung und Blockchain. Dazu kommt die fehlende Fehlerkultur: ausprobieren, auf richtigen Daten testen, klein anfangen.

Das Projekt, das gerade am ehesten wirklich funktioniert, ist für Tim ausgerechnet das unglamouröseste: der vernünftig aufgebaute Chatbot — ob im Helpdesk nach außen oder als internes Wissenssystem. Wer dagegen erst alle Daten perfekt machen will, bevor er startet, kann in drei Jahren mit KI anfangen — wenn er schnell ist. Zum Schluss checken wir kurz unsere Wette aus Folge 328 ein: Tim hält beim Cost-Overrun weiter 45 Prozent für 2027, ich bleibe bei meinen 66.

Warum mich das besonders umtreibt

Mich treibt um, dass wir mit dieser Folge eigentlich eine Diskussion geplant hatten — und keine zustande kam, weil die Faktenlage zu eindeutig ist. Die Frage ist nicht mehr, ob Daten- und Prozessarbeit vor dem Modell kommt. Die Frage ist, warum so viele Unternehmen es trotzdem nicht tun. Und da finde ich Tims Antwort unbequem ehrlich: Es liegt nicht an fehlenden Use Cases, sondern daran, dass die Aufgabe riesig aussieht, während die ersten Use Cases klein und billig sind. Dieses Missverhältnis lähmt — gerade in Deutschland, wo die Fehlerkultur fehlt, um einfach mal auf richtigen Daten zu testen.

Und dann ist da der Punkt, der mich persönlich betrifft: proprietärer Content. Ich habe mit dem Podcast einen Datenschatz, den mir niemand kopieren kann — aber im Framework bin ich selbst noch nicht im Gewinner-Quadranten, weil die Verfügbarkeit und der Austausch noch nicht stehen. Genau daran arbeite ich. Denn die Erkenntnis der Folge gilt auch für mich: Nicht der mit dem besten Modell gewinnt, sondern der mit dem besten Content und den besten Eingabedaten, der die Modelle richtig nutzen kann. Das war vor zehn Jahren bei Data Science so — und wir waren eigentlich nie weg von diesem Punkt.

Jetzt reinhören