Warum 95 % der AI-Piloten scheitern — und wie Sie es vermeiden

• Unternehmen erhöhen bei der Einführung von AI die Wahrscheinlichkeit des Scheiterns, weil sie sich auf kurzfristigen ROI fixieren und damit selbst das Umfeld für langfristige Wertschöpfung beschädigen
• Laut MIT, McKinsey, Upwork, HBR u. a. entsteht ein Teufelskreis aus ausbleibenden Ergebnissen, Burnout der Belegschaft und strategischer Verwirrung, der zur Abwanderung früher Nutzer und zu einem Vertrauenszusammenbruch führt
• Praxisbeispiele zeigen nach ersten Erfolgen ein Stag-Hunt-Phänomen: Höhere Preis- und Leistungsziele trocknen den Spielraum für Innovation aus und verursachen verzögerte Entscheidungen sowie Stillstand bei der Produkterweiterung
• Der Schlüssel zur Lösung ist, Donella Meadows’ Leverage Points in die richtige Richtung zu bewegen: nicht mehr Kontrolle und Extraktion, sondern verteilte Entscheidungsmacht, Reinvestition und Raum für Anpassung
• Wie die Beispiele von SharkNinja, Johnson Hana und Shopify zeigen, entsteht bei einem Wechsel zu einem vertrauensbasierten Betriebsmodell compounding innovation als natürliches Nebenprodukt des ROI

---

Problemstellung und Hintergrund

• Laut aktuellen Forschungsergebnissen des MIT scheitern 95 % der AI-Einführungsprojekte in Unternehmen. Diese Zahl gilt nicht als übertrieben
  • Auch in einer McKinsey-Umfrage gaben mehr als 80 % der Führungskräfte an, dass generative AI keine sichtbare Veränderung der Unternehmensgewinne bewirkt habe
  • Eine Studie von Upwork zeigte, dass Mitarbeitende mit hoher AI-Nutzung eher kündigen wollen, die AI-Strategie ihres Unternehmens nicht verstehen und zu 88 % Burnout erleben
• Die grundlegende Ursache dieses Phänomens ist, dass Unternehmen wegen des ungeduldigen Drucks, AI-Investitionen schnell zu monetarisieren, langfristige Effekte opfern
  • Das heißt: Anfangs treten positive Effekte wie höhere Effizienz und Automatisierung auf, doch sobald das Management verlangt, den ROI kurzfristig zu belegen, stocken Projekte oder enden im Scheitern
• Seit 2023 leitete ich in einem mittelgroßen Beratungsunternehmen AI-Transformationsprojekte
  • Wir gingen systematisch vor: mit Piloten, Workflow-Umbauten und Strategien für Change Management
  • Dadurch konnten wir mehr als 40.000 Stunden an Produktivitätsgewinn erzielen, und auch die Kundenzufriedenheit war hoch
  • Als das Unternehmen jedoch begann, einen sofortigen Return auf die Investitionen zu verlangen, stagnierten die Projektergebnisse

• Implikationen

  • An dem Punkt, an dem AI-Transformationen zum Stillstand kommen, gibt es wiederkehrende Muster und Warnsignale, die bei genauer Beobachtung in langfristige Veränderung überführt werden können
  • Auf Basis dieser Erfahrungen möchte ich frühe Warnzeichen und ein Rezept für nachhaltige Veränderung vorstellen

Warum „Erfolg“ „Scheitern“ auslöst

• Das Beratungsunternehmen mit 300 Mitarbeitenden, in dem der Autor arbeitete, erzielte bei der frühen AI-Einführung starke Ergebnisse und gewann dadurch Momentum
  • Es führte ein Tool zur Automatisierung der Analyse von Research-Calls ein, das Transkription, Zusammenfassungen und Kundenberichte automatisch erzeugte und damit fast wie ein Junior-Mitarbeiter arbeitete
  • Dadurch konnte sich das Team auf die Neugestaltung zentraler Workflows und die Ableitung umsetzbarer Insights konzentrieren und erreichte so bessere Ergebnisqualität und höhere Kundenzufriedenheit
• Man glaubte, dieser Erfolg werde das Potenzial von AI beweisen und die Einführung im ganzen Unternehmen beschleunigen, doch tatsächlich trat Leistungsstagnation ein
  • Das ist kein Problem eines einzelnen Unternehmens, sondern ein Beispiel für die strukturellen Kräfte, mit denen die meisten etablierten Unternehmen bei der AI-Anpassung konfrontiert sind

• Nebenwirkungen des kurzfristigen ROI-Abschöpfens

  • Das Unternehmen trieb auf Basis der Effizienzgewinne höhere Kundensätze und kürzere Einsatzzeiten voran
  • Das erschien als Strategie zur sofortigen Monetarisierung, um den ROI schnell abzuschöpfen, zog aber zugleich höhere Leistungsziele nach sich
  • Dadurch waren Mitarbeitende am Ende vollständig mit dem Erreichen von Kennzahlen beschäftigt, und der Spielraum (slack) für Innovation verschwand

• Stagnation innerhalb der Organisation

  • Der Druck kurzfristiger Ziele erhöhte die Reibung im Unternehmen und führte zu strengeren Entscheidungskriterien und verzögerten Freigaben
  • Infolgedessen verzögerte sich ein wichtiges Projekt zur Skalierung eines AI-basierten Produkts unter Teamüberlastung und wachsender Belastung um fast ein Jahr

• Stag-Hunt-Theorie

  • Das funktioniert genauso wie eine stag hunt-Situation aus der Spieltheorie
    • Stag: ein gemeinsam geteilter großer Ertrag, der nur durch langfristige Kooperation erreichbar ist
    • Hare: sofortige ROI-Abschöpfung oder kleine individuelle Erfolge
  • Wenn ein Unternehmen den ROI zu früh abschöpft, sendet es das Signal, die Kooperation aufzugeben und dem Hasen nachzujagen, was einen kollektiven Vertrauenszusammenbruch auslöst

• Das Dilemma der Innovationspioniere

  • Selbst wenn interne Vorreiter neue Workflows, Automatisierungen und Tools entwickeln, gelingt es den meisten Unternehmen nicht, daraus strukturelle Veränderung zu machen, sondern sie nutzen sie nur zur Verschärfung von Leistungszielen
  • Innovatoren werden nach den Regeln des alten Systems bewertet und verlieren wegen fehlender Belohnung und Aufstiegschancen nach und nach ihre Möglichkeiten
  • Am Ende bleibt ihnen als rationale Wahl nur noch, Innovation aufzugeben oder zu kündigen

Leverage-Theorie

• Auf Basis früherer Erfahrungen begann der Autor, nach Wegen zu suchen, das Scheitern von AI-Transformationen zu verhindern
  • Dabei bezog er sich auf das Systemdenken von Donella Meadows und ihren bekannten Essay „Leverage Points“ (1997)
• Meadows’ Einsicht: Wer nachhaltige Veränderung erzeugen will, muss die richtigen Eingriffspunkte finden
  • Oberflächliche Eingriffe bringen bei großem Aufwand nur geringe Wirkung, während unsichtbare Hebel selbst mit kleinen Eingriffen große Veränderungen bewirken können
  • In neuen Systemen arbeitet die menschliche Intuition jedoch oft in die falsche Richtung, sodass man selbst dann, wenn man einen starken Hebel findet, den Fehler macht, ihn in die entgegengesetzte Richtung zu drücken
• Unternehmen setzen jedoch zu viele Ressourcen für oberflächliche Lösungen und Implementierungen ein
  • Selbst bei tieferen Eingriffen lenken sie ihre Kraft in die falsche Richtung: mehr Kontrolle, frühe ROI-Extraktion und höhere Geschwindigkeit
  • Tatsächlich nötig sind mehr Autonomie, Reinvestition und die Schaffung von Anpassungsräumen
• Wirklich führende Unternehmen bauen gesunde, anpassungsfähige Systeme zur Wertschöpfung auf und machen ROI zu einem natürlichen Nebenprodukt
• Die folgenden drei Beispiele zeigen, wie sich durch den richtigen Einsatz von Hebelpunkten mit hoher Wirkung nachhaltige AI-Ergebnisse erzielen lassen

• SharkNinja — Vertrauen in verteilte Entscheidungen

  • Früher wurde, wer auf fehlerhafte Pläne hinwies, als nicht teamfähig abgestempelt
  • Der Haushaltsgerätehersteller SharkNinja kehrte diese Kultur unter CEO Mark Barrocas radikal um
    • Mitarbeitende erhielten Verantwortung und Befugnis, Planungsfehler zu benennen, und ein dezentrales Entscheidungssystem, das falsche Entscheidungen schnell korrigieren kann, wurde gestärkt
    • Mit der Aussage „Früher habe ich mich töricht verhalten, jetzt habe ich beschlossen, mich ‚nicht töricht‘ zu verhalten“ definierte er Scheitern als Korrekturdaten neu
  • Dieses Betriebsmodell erhöhte Agilität, Vertrauen und Zusammenarbeit und führte zuletzt zu 105 % mehr Nettogewinn im Quartal sowie zu einem Allzeithoch des Aktienkurses

• Johnson Hana — Von abrechenbaren Stunden zu Kundennutzen

  • Die unkonventionelle Kanzlei Johnson Hana aus Dublin in Irland setzte statt stundenbasierter Abrechnung auf Pauschal- und projektbasierte Preismodelle
    • Das Ziel wurde von „Stunden maximieren“ zu „Talent und Kundennutzen maximieren“ verschoben
  • AI ist in den gesamten Arbeitsablauf eingebettet und ermöglicht durch automatisierte Dokumentenprüfung, dass sich Juristinnen und Juristen auf kreative Verhandlungen, komplexe Problemlösung und Urteilsvermögen konzentrieren können
  • Dieses Modell macht Anwältinnen und Anwälte „glücklicher und besser“, während Klienten schnellere und bessere Ergebnisse erhalten
  • Im Juli 2025 übernahm die AI-Rechtsplattform Eudia Johnson Hana für 50 Millionen Dollar und entschied sich damit für ein Unternehmen, das bereits ein vertrauensbasiertes stag-hunt-Betriebsmodell aufgebaut hatte

• Shopify — AI-Nutzung als Leistungskennzahl

  • In Organisationen mit geringem Vertrauen ist es für Mitarbeitende eine rationale Entscheidung, den Einsatz von AI zu verbergen oder Lernen zu vermeiden

  • Shopify gestaltete jedoch unter CEO Tobi Lütke die AI-Nutzung als zentrale Regel der Organisation neu

    • Bei Neueinstellungen darf ohne den „Nachweis, dass AI es nicht leisten kann“ keine zusätzliche Stelle geschaffen werden
    • AI-Kompetenz ist ein Kernelement der Leistungsbeurteilung

  • Dadurch wurde die rationale Wahl der Mitarbeitenden in Richtung AI meistern und offen einsetzen verschoben

    • Die Organisation ordnet sich neu entlang von kreativen, strategischen und innovativen Fähigkeiten, die AI nur schwer ersetzen kann

  • Shopify hat ein System aufgebaut, das stag hunt erzwingt, und Lütke formulierte das Ziel als: Mit AI 100-fach mehr Arbeitsergebnisse zu erreichen, damit Menschen Herausforderungen lösen können, die zuvor unmöglich waren

Was echte Transformation bedeutet

• Wie Meadows diagnostiziert, erfordert nachhaltiger AI-ROI nicht nur die Einführung von Tools, sondern eine Veränderung des gesamten Betriebsmodells
• Im vergangenen Jahrhundert funktionierten die meisten Unternehmen wie ein zentralisiertes Stromnetz
  • Ziel: Top-down-Kontrolle, lineare Vorhersagbarkeit sowie maximale Effizienz und Skalierbarkeit
  • Doch AI liefert diesem System nicht einfach nur effizienteren Treibstoff, sondern ist eine völlig neue Form von Energie
• Die Stärke von AI entsteht aus Experimenten und Innovationsaktivitäten einzelner Mitarbeitender und Teams → eine verteilte Energie, die an den Rändern (edge) der Organisation entsteht
  • Führende Unternehmen erkennen das und erklären entweder das bestehende Netz für überholt, definieren die Messung von Wert neu oder gestalten Anreize so, dass alle Mitarbeitenden zu net-positive producers werden
  • Konkret sichtbar wird das in den Beispielen SharkNinja, Johnson Hana und Shopify
• Studien zufolge erkennen 95 % der Mitarbeitenden das Potenzial von AI an, doch ihre größte Sorge ist das Misstrauen, dass „die Organisation die Vorteile nicht teilen wird“
  • Dadurch geraten Mitarbeitende in eine shadow workforce: Sie verbergen ihren AI-Einsatz und verfolgen nur kurzfristige Erfolge, also einen Zustand der „Hasenjagd“
  • Fehlendes Vertrauen blockiert kooperative Innovation
• Das neue Betriebsmodell setzt tiefes Vertrauen voraus: Auch wenn sich nicht alles vorhersagen oder kontrollieren lässt, wird geschaffener Wert anerkannt und belohnt
  • Unternehmen, die dieses Vertrauen auf Ebene des Operating Models verankern, erhalten nicht nur vorübergehende Effizienz, sondern compounding innovation, die Wettbewerber nicht kopieren können
  • Nachhaltiger ROI entsteht nicht aus dem, was AI tun kann, sondern aus dem, was Menschen leisten können, wenn sie an ein gemeinsames Ziel glauben und kooperieren