Scheitern wirklich 95% aller KI-Projekte in Unternehmen? Der MIT-Report, genauer gelesen

"95% aller KI-Projekte in Unternehmen scheitern."

Diesen Satz haben Sie dieses Jahr vermutlich fünfzig Mal gesehen. Wir auch. Dann haben wir den Report selbst heruntergeladen und alle 26 Seiten gelesen. Er ist lesenswert, aber nicht aus dem Grund, aus dem er viral ging.

Was messen die 95% eigentlich?

Die Statistik stammt aus "The GenAI Divide: State of AI in Business 2025", einem Report von MITs Project NANDA vom Juli 2025 (Challapally, Pease, Raskar und Chari). Die Untersuchung stützt sich auf Interviews mit 52 Organisationen, eine Befragung von 153 Führungskräften und die Auswertung von über 300 öffentlich dokumentierten KI-Initiativen.

Sehen wir uns die eigene Definition des Reports an. Als "erfolgreich" gilt ein Werkzeug, wenn Nutzer oder Führungskräfte ihm eine "deutliche und nachhaltige Auswirkung auf Produktivität oder Ergebnis" zuschreiben, bewertet sechs Monate nach dem Pilotprojekt. Gemessen wird also nicht die Bilanz, sondern die Aussage der Befragten. Die Forschungsnotiz des Reports sagt es selbst: Die Zahlen beruhen auf Einzelinterviews statt auf offizieller Unternehmensberichterstattung und sind als Richtwerte zu verstehen.

Mehr noch: Im Abschnitt zu den Einschränkungen räumen die Autoren ein, dass ein Beobachtungsfenster von sechs Monaten für komplexe Unternehmensimplementierungen zu kurz sein kann, was die Erfolgsquoten zu niedrig erscheinen lässt.

Der Befund lautet also nicht "KI funktioniert nicht". Der Befund lautet: Die meisten Piloten hatten sich nach sechs Monaten in den Augen der Befragten noch nicht ausgezahlt. Das ist nicht derselbe Satz.

Drei Befunde, die niemand zitiert

1. Die Schatten-KI-Ökonomie. Nur 40% der befragten Unternehmen haben ein offizielles KI-Abonnement gekauft. In über 90% derselben Unternehmen nutzen Mitarbeitende jedoch bereits persönliche KI-Werkzeuge für ihre Arbeit. Der Report nennt das die "Shadow AI Economy".

2. Die Budgetzahl ist keine Messung. Der Anteil der KI-Budgets für Vertrieb und Marketing wird in einem Abschnitt des Reports mit 50%, in einem anderen mit 70% angegeben. Die Quelle der Zahl ist eine Frage, bei der Führungskräfte hypothetische 100 Dollar auf Funktionen verteilen sollten. Man sollte sie als Stimmungsbild lesen, nicht als Messung.

3. Externe Partnerschaften gegen Eigenentwicklung. Extern begleitete Projekte erreichten in rund 67% der Fälle den Produktivbetrieb, intern entwickelte in rund 33%. Wir verkaufen Dienstleistungen; es ist also verständlich, diese Zahl von uns mit Skepsis zu lesen. Der Report selbst teilt diese Skepsis: Er schreibt ausdrücklich, dass der Unterschied eher organisatorische Fähigkeiten als die Kaufentscheidung widerspiegeln könnte und dass Korrelation keine Kausalität beweist.

Im selben Unternehmen "scheitert" KI und wird täglich genutzt

Setzen Sie das Bild zusammen. Das Unternehmen sagt, das offizielle Projekt habe "keine Ergebnisse gebracht". Im selben Unternehmen nutzen Menschen jeden Tag KI, oft über privat bezahlte Konten, und erledigen ihre Arbeit schneller.

Niemand misst das. Niemand verbindet diesen Gewinn mit den Unternehmensergebnissen.

Die Diagnose des Reports zeigt in dieselbe Richtung: Das Kernhindernis für Skalierung ist nicht Infrastruktur, Regulierung oder Talent, sondern Lernen. Die Werkzeuge behalten kein Feedback, passen sich nicht an den Kontext an, verbessern sich nicht mit der Zeit. Im selben Datensatz erreichten rund 83% der Piloten mit Allzweckwerkzeugen die Nutzung, 70% der Nutzer bevorzugen KI für schnelle Aufgaben, während bei komplexer, langfristiger Arbeit neun von zehn den Menschen vorziehen.

Gescheitert ist also nicht die KI. Gescheitert ist die Infrastruktur, die individuelle Produktivität in organisatorische Ergebnisse übersetzt: die Schicht aus Messung, Integration und Lernen. In den meisten Unternehmen wurde sie nie gebaut.

Der Report beschreibt genau das, was wir gebaut haben

Ein Befund des Reports betrifft unsere Branche direkt: Die echten Einsparungen entstehen überwiegend im Backoffice, und ein Posten davon ist ein Rückgang der externen Agentur- und Content-Ausgaben um rund 30%.

Dieser Befund beunruhigt uns nicht; genau deshalb haben wir PumpGrowthOS gebaut. Dass das klassische Agenturmodell, wiederholbare Arbeit von Hand zu erledigen und abzurechnen, gegen KI verlieren würde, war absehbar. Sehen Sie sich an, womit der Report die "erfolgreichen 5%" beschreibt: in Prozesse eingebettete Systeme, messbare Geschäftsergebnisse, Implementierungen, die mit der Zeit lernen. Genau das ist unser Modell: statt Agenturleistungen zu verkaufen, bauen wir die Messinfrastruktur, den datenbasierten Entscheidungskreislauf und die in Prozesse eingebettete Automatisierung, und betreiben darauf das Wachstum.

Anders gesagt: Wenn der Report empfiehlt, Agenturausgaben zu kürzen, beschreibt er auch, wohin man wechseln sollte, und was er beschreibt, ist keine Agentur, sondern ein Wachstumssystem. Wie dieser Ansatz in der Praxis aussieht, zeigen wir Schritt für Schritt in unserem Leitfaden zum datengesteuerten Marketing.

Eine Anmerkung zur Transparenz

Der Report stammt von MITs Project NANDA. NANDA ist eine Initiative, die Protokolle für die Zusammenarbeit von KI-Agenten entwickelt, und der Report kommt zu dem Schluss, dass "die Antwort in agentenbasierten Systemen" liege. Das macht den Report nicht falsch. Es bedeutet aber, dass Daten und Schlussfolgerung getrennt gelesen werden sollten. Genau das haben wir in diesem Artikel getan.

Wenn KI in Ihrem Unternehmen "nicht funktioniert"

Prüfen Sie zuerst diese vier Fragen:

1. Was lösen Ihre Mitarbeitenden bereits mit persönlichen Konten? Die Schattennutzung ist der ehrlichste Indikator dafür, was tatsächlich funktioniert.
2. Mit welcher Kennzahl messen Sie die Wirkung der KI? Ohne Messung beruht das Urteil "gescheitert" auf Eindrücken, nicht auf Daten.
3. Haben Sie den Piloten mit einer großen Vision gestartet oder mit einem einzigen, eng umrissenen Prozess? Die funktionierenden Beispiele im Report teilen zwei Eigenschaften: engen Umfang und schnellen, sichtbaren Nutzen.
4. Lernt das gekaufte Werkzeug aus Ihrem Prozess, oder beginnt es jedes Mal bei null?

Die Frage ist nicht "funktioniert KI?". Die Frage ist: Funktioniert sie wirklich nicht, oder funktioniert sie an einer Stelle, an der Sie nicht hinsehen?

Quelle: Challapally, Pease, Raskar, Chari. "The GenAI Divide: State of AI in Business 2025", MIT Project NANDA, Juli 2025. Report als PDF