16. Juni 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Scheitern 95 % der KI-Pilotprojekte? Was die MIT-Studie wirklich gemessen hat
Die 95-%-Zahl ist keine allgemeine Misserfolgsquote von KI. Hier steht, was der MIT-NANDA-Report 2025 gemessen hat, warum Kritiker ihn bestreiten und wie Produktteams einen KI-Piloten an echten Ergebnissen messen.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Nein, die Belege zeigen nicht, dass 95 % der KI-Pilotprojekte scheitern. Die Zahl stammt aus einem MIT-NANDA-Report vom Juli 2025, der auf 52 Interviews und 153 Umfrageantworten beruht. Er sagt, dass 95 % der Organisationen mit generativer KI keinen messbaren Ertrag in der GuV erzielten. Von den Firmen, die tatsächlich ein maßgeschneidertes Tool pilotierten, erreichte etwa jede vierte die Produktion, und der Report nennt seine eigenen Zahlen richtungsweisend.
Die wichtigsten Punkte
Der Report sagt, „95% of organizations are getting zero return“ bei 30–40 Milliarden Dollar Unternehmensausgaben für GenAI (MIT NANDA, 2025). Das beschreibt Organisationen und die Wirkung auf die GuV, nicht das Ergebnis jedes einzelnen Piloten.
Bei aufgabenspezifischen Tools evaluierten 60 % der Organisationen eines, 20 % führten einen Piloten durch und 5 % erreichten die Produktion. Von den Firmen mit Pilot hatten etwa 25 % (5 von 20) Erfolg.
„Erfolg“ bedeutete eine deutliche, anhaltende Auswirkung auf Produktivität oder GuV, gemessen sechs Monate nach dem Piloten. Das ist eine hohe Hürde, und der Report definiert sie nicht genau.
Kritiker verweisen auf die kleine Stichprobe, die fehlende Peer-Review, interne Widersprüche und das kommerzielle Interesse der Autoren an der agentischen KI, die sie empfehlen (80,000 Hours, 2026).
Die nützliche Lehre für Produktteams ist keine Misserfolgsquote. Sie lautet: Lege vor dem Piloten eine Baseline, eine Erfolgsschwelle und ein Entscheidungsdatum fest.
Woher stammt die Statistik „95 % der KI-Pilotprojekte scheitern“?
Die Zahl stammt aus The GenAI Divide: State of AI in Business 2025, verfasst von Aditya Challapally, Chris Pease, Ramesh Raskar und Pradyumna Chari und auf Juli 2025 datiert. Entstanden ist der Report mit Project NANDA, einer Gruppe am MIT Media Lab, die Infrastruktur für vernetzte KI-Agenten baut (MIT Media Lab). Der Report bezeichnet sich selbst als vorläufige Ergebnisse.
Seine angegebene Methode hat drei Teile und deckt Januar bis Juni 2025 ab:
eine Auswertung von mehr als 300 öffentlich bekannten KI-Initiativen
strukturierte Interviews mit Vertretern von 52 Organisationen
Umfrageantworten von 153 Führungskräften, erhoben auf vier Branchenkonferenzen
Zum Mainstream-Thema wurde die Statistik am 18. August 2025, als Fortune berichtete, dass 95 % der generativen KI-Pilotprojekte in Unternehmen scheitern (Fortune, 2025). Fortune beschrieb die Forschung als 150 Interviews mit Führungskräften, eine Umfrage unter 350 Beschäftigten und 300 öffentliche Einführungen. Diese Zahlen sind zwei- bis dreimal so groß wie die 52 Interviews und 153 Antworten im Report selbst.
Was hat der MIT-NANDA-Report tatsächlich gemessen?
Der Report enthält mehrere verschiedene Zahlen, die Schlagzeilen zu einer einzigen verschmolzen haben. Sie auseinanderzuhalten, ändert die Geschichte.
Was alle wiederholen
Was der Report sagt
Was es tatsächlich beschreibt
95 % der KI-Piloten scheitern
95 % der Organisationen erzielen keinen Ertrag
Organisationen, bewertet an der messbaren Wirkung auf die GuV
Nur 5 % der Piloten sind erfolgreich
5 % der integrierten KI-Piloten erzielen Millionenwerte
Ein Anteil aller Organisationen, nicht der Piloten
Über 80 % erkundeten oder pilotierten ChatGPT-ähnliche Tools; knapp 40 % berichten von einer Einführung
Allgemeine Tools, separat bewertet
Die meiste KI scheitert
Erfolg bedeutet eine deutliche, anhaltende Auswirkung auf Produktivität und/oder GuV
Von Nutzern oder Führungskräften selbst berichtet, gemessen 6 Monate nach dem Piloten
Der Trichter ist am wichtigsten. Wenn 60 % der Organisationen ein aufgabenspezifisches Tool angesehen haben, 20 % einen Piloten gefahren sind und 5 % die Produktion erreicht haben, dann haben 80 % nie etwas pilotiert. Von den 20 %, die es taten, hatten 5 von 20 Erfolg: eine Quote vom Piloten zur Produktion von etwa 25 %.
Rob Wiblin, Moderator von 80,000 Hours, machte im April 2026 genau diesen Punkt: Die Zahl beschreibt alle befragten Organisationen, von denen die meisten nie einen maßgeschneiderten Piloten durchführten (80,000 Hours, 2026). Der Report provoziert die Verwechslung, indem er das Ergebnis an einer Stelle eine 95-%-Misserfolgsquote nennt.
Der Report weist auch selbst auf seine Grenzen hin. Er sagt, die Pilotzahlen seien „directionally accurate based on individual interviews rather than official company reporting“, die Stichprobengrößen schwankten je nach Kategorie, und die Erfolgsdefinitionen könnten sich zwischen Organisationen unterscheiden.
Was sind die wichtigsten Kritikpunkte an der MIT-Studie?
Fünf Probleme kommen immer wieder zur Sprache. Keines beweist, dass es mit KI im Unternehmen gut läuft, aber zusammen bedeuten sie, dass die 95-%-Zahl die Last nicht tragen kann, die man ihr aufbürdet.
1. Die Stichprobe ist klein
Die Schlagzeilenquoten beruhen auf 52 Interviews. 80,000 Hours schätzt, dass die 5-%-Erfolgszahl auf zwei oder drei Unternehmen zurückgehen könnte, sodass ein oder zwei verschobene Interviews die Schlagzeile ändern würden. Die Methodikanmerkung des Reports räumt selbst ein, dass die Stichprobe nicht alle Unternehmenssegmente oder Regionen abbilden muss und dass Firmen, die bereit sind, über KI zu sprechen, sich von denen unterscheiden können, die abgelehnt haben.
2. Er wurde nicht begutachtet und ließ sich schwer prüfen
Der Report war keine wissenschaftliche Arbeit. Als die Fortune-Geschichte viral ging, lag das PDF hinter einem Anfrageformular, sodass Journalisten die Schlagzeile wiederholten, ohne die Methode gelesen zu haben (80,000 Hours, 2026).
3. Die Zahlen widersprechen sich teilweise
Zwei Beispiele aus demselben Dokument:
Eine Kernaussage besagt, 50 % der GenAI-Budgets gingen in Vertrieb und Marketing; der Absatz darunter sagt, Vertrieb und Marketing hätten etwa 70 % einer hypothetischen Verteilung von 100 Dollar erhalten.
Die Zusammenfassung sagt, nur 2 von 8 großen Branchen zeigten strukturellen Wandel; ein späterer Abschnitt sagt, 7 von 9 Branchen zeigten keinen echten strukturellen Wandel.
4. „Erfolg“ ist eine hohe, vage definierte Hürde
Ein Pilot galt nur dann als erfolgreich, wenn Nutzer oder Führungskräfte innerhalb von sechs Monaten eine deutliche und anhaltende Auswirkung auf Produktivität oder GuV beschrieben. Ein Tool, das Einzelnen half, aber die GuV noch nicht bewegt hatte, zählte als Misserfolg. Der Report räumt sogar ein, dass ein Sechs-Monats-Fenster zu kurz sein kann, um komplexe Unternehmenssysteme zu beurteilen.
5. Die Autoren empfehlen, was sie selbst bauen
Der Report schließt, dass agentische Systeme mit Gedächtnis und Lernfähigkeit die Lücke schließen werden, und NANDA ist ein Projekt für Agenten-Infrastruktur. 80,000 Hours argumentiert, dieser Interessenkonflikt hätte offengelegt werden müssen.
Wie hoch ist die tatsächliche Misserfolgsquote bei KI-Pilotprojekten?
Eine einzige verlässliche Misserfolgsquote für KI-Piloten gibt es nicht, weil Studien „Misserfolg“ unterschiedlich definieren. Ein Modell kann falsche Antworten geben, Nutzer können ein Feature nicht mehr verwenden, ein Pilot kann abgebrochen werden, ein Workflow kann vor der Produktion stocken, oder ein Team kann die finanzielle Wirkung nicht messen.
Der RAND-Report von 2024 zitiert Schätzungen, nach denen mehr als 80 % der KI-Projekte scheitern, doppelt so viele wie bei IT-Projekten ohne KI (RAND, 2024). RAND führt diese Zahl auf externe Schätzungen zurück; die eigene Evidenz sind Interviews mit 65 Data Scientists und Ingenieuren mit mindestens fünf Jahren Erfahrung.
Selbstberichteter Erfolg ist ebenfalls unzuverlässig. In METRs randomisierter Studie mit 16 erfahrenen Open-Source-Entwicklern, die an 246 echten Issues arbeiteten, machten KI-Tools sie 19 % langsamer. Die Entwickler hatten eine Beschleunigung um 24 % erwartet und glaubten hinterher immer noch, KI habe sie 20 % schneller gemacht (METR, 2025). Auch die Erfolgszahlen von NANDA sind selbst berichtet, ein weiterer Grund, die eigene Baseline zu messen, statt die Quote von jemand anderem zu übernehmen.
Warum scheitern KI-Pilotprojekte laut Forschung?
Die Schlagzeile ist schwach, aber die qualitativen Befunde decken sich mit anderer Forschung.
Aus dem MIT-NANDA-Report:
Die „Learning Gap“. Nutzer sagten, die Tools lernen nicht aus Feedback, brauchen jedes Mal zu viel Kontext, lassen sich nicht an ihren Workflow anpassen und versagen in Randfällen.
Einfache Arbeit gegenüber komplexer Arbeit. 70 % der Befragten bevorzugten KI zum Verfassen von E-Mails und 65 % für einfache Analysen, aber bei komplexer Arbeit über mehrere Wochen wurden Menschen im Verhältnis 9 zu 1 bevorzugt.
Shadow AI. Nur 40 % der Unternehmen sagten, sie hätten ein offizielles LLM-Abo gekauft, doch Beschäftigte in über 90 % der befragten Unternehmen berichteten von regelmäßiger Nutzung privater KI-Tools für die Arbeit.
Kaufen oder selbst bauen. Externe Partnerschaften erreichten in etwa 67 % der Fälle die Einführung, interne Eigenentwicklungen in etwa 33 %. Der Report merkt an, dass dies selbst berichtet ist und die Korrelation keine Kausalität belegt.
Tempo. Die besten Mittelständler berichteten von etwa 90 Tagen vom Piloten bis zur vollständigen Umsetzung; Großunternehmen brauchten neun Monate oder länger.
Aus den 65 Interviews von RAND, fünf Grundursachen: Das Team hat das Problem missverstanden oder falsch kommuniziert; der Organisation fehlten die Daten; sie jagte der Technologie statt dem Problem der Nutzer hinterher; ihr fehlte die Infrastruktur, um Modelle bereitzustellen und zu betreiben; oder das Problem war für KI zu schwer (RAND, 2024).
Wie sollte ein Produktteam einen KI-Piloten messen?
Schreib den Pilotplan, bevor du ein KI-Feature oder einen Coding-Assistenten auf mehr Nutzer ausweitest. Diese Checkliste mit sieben Punkten hält die Entscheidung bei deinen Belegen, nicht bei der Statistik eines anderen.
Nutzer und Aufgabe. Wer erledigt welche Aufgabe, und was ist am heutigen Workflow schwierig?
Baseline. Wie läuft die Aufgabe heute? Erfasse Zeit, Abschluss, Fehler, Nacharbeit oder eine andere relevante Größe.
Erfolgsergebnis. Welches Nutzer- oder Geschäftsergebnis soll sich verbessern? Lege vor dem Piloten eine Schwelle fest.
Qualitätsgrenze. Was macht eine Antwort oder Aktion akzeptabel? Nimm repräsentative Beispiele, Randfälle und bekannte Fehlermodi auf.
Fallback und Verantwortung. Was passiert, wenn das Modell unsicher oder falsch liegt? Nenne die Person, die den Workflow prüfen, übersteuern oder stoppen kann. Der Leitfaden zu begrenzten KI-Entscheidungen zeigt, wie du diese Übergabe aufschreibst.
Kosten und Betriebsgrenzen. Erfasse Latenz, Modellkosten, Prüfaufwand, Eskalationen und Supportlast neben den Aufgabenergebnissen.
Entscheidungsdatum. Lege fest, wann das Team den Piloten skaliert, überarbeitet oder stoppt, und wer diese Entscheidung trifft.
Miss in Schichten; jede beantwortet eine andere Frage:
Googles Cloud-Framework für KI-Coding-Assistenten, mitverfasst von DORA-Lead Nathen Harvey, nutzt eine ähnliche Leiter: Adoption, Vertrauen, Beschleunigung und Wirkung. Es warnt davor, von der Adoption direkt zur Geschäftswirkung zu springen, und empfiehlt mindestens 6 bis 8 Wochen oder vier Zwei-Wochen-Sprints, bevor sich eine Beschleunigung zeigen kann (Google Cloud, 2025). Akzeptierte Vorschläge sind ein frühes Signal, kein Beweis, dass Kunden mehr Nutzen hatten. Das KI-Evaluations-Framework für Produktteams behandelt die Qualitätsschicht im Detail.
Dieses Beispiel ist illustrativ, kein Kundenergebnis. Angenommen, ein 6-köpfiges Team pilotiert KI-entworfene Akzeptanzkriterien für Tickets. Entwürfe zu zählen, würde ihm nichts sagen, also schreibt es zuerst den Plan:
Baseline (letzte 20 Tickets): 3 Tage von der Anfrage bis zum freigegebenen Brief; Reviewer finden 4 fehlende Randfälle pro 10 Tickets; 2 von 10 Tickets brauchen nach dem Kick-off Nacharbeit durch das Engineering.
Schwelle: freigegebener Brief in höchstens 2 Tagen, mit Nacharbeit nicht höher als 2 von 10.
Qualitätsgrenze: keine erfundenen Anforderungen; jedes Kriterium lässt sich auf die Anfrage oder eine verlinkte Kundennotiz zurückführen.
Kostengrenze: Die Reviewzeit pro Brief darf nicht über 30 Minuten steigen.
Entscheidungsdatum: nach 8 Wochen oder 40 Tickets, je nachdem, was zuerst eintritt.
Kommen die Briefs in einem Tag, aber die Nacharbeit steigt auf 4 von 10, ist der Pilot beim entscheidenden Ergebnis gescheitert, egal wie schnell die Entwürfe waren. Dauern die Entwürfe genauso lang, aber die Nacharbeit halbiert sich, kann sich Skalieren lohnen.
Häufige Fehler beim Lesen von KI-Pilot-Statistiken
Eine Umfrage unter Organisationen als Quote für dein Projekt behandeln. Deine Chancen hängen von deinem Problem, deinen Daten und deinem Workflow ab, nicht von einem Durchschnitt über 52 Unternehmen.
Aktivität als Erfolg zählen. Gesendete Prompts, erzeugte Entwürfe und akzeptierte Vorschläge zeigen Adoption, nicht Nutzen.
Dem Bauchgefühl für Tempo trauen. METRs Entwickler fühlten sich 20 % schneller und waren in Wahrheit 19 % langsamer. Miss die Arbeitszeit.
Die Baseline überspringen. Ohne „Vorher“-Zahlen sagt keine „Nachher“-Zahl etwas.
Das Ende offen lassen. Piloten ohne Entscheidungsdatum laufen oft als Dauerexperimente weiter.
Die Checkliste hat Grenzen. Sie rettet keinen Piloten, der auf ein Problem zielt, das Nutzer nicht haben, und manche Vorteile, etwa bessere Entscheidungen, brauchen länger als acht Wochen, bis sie sich zeigen; halte sie als offene Fragen fest. Wer die letzte Entscheidung trifft, steht in was Product Manager nie an KI delegieren sollten und im Leitfaden zum KI-Product-Manager.
Wo Specky ins Spiel kommt
Specky liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, entwirft Specs mit den belegenden Quellen direkt im Text und prüft nach dem Launch, ob die Wette aufgegangen ist. Für einen KI-Piloten heißt das: Baseline, Schwelle und Entscheidungsdatum liegen neben der Spec, statt in einer Folie, die niemand wieder öffnet. Deine eigenen Messungen entscheiden weiterhin, ob der Pilot erfolgreich war.
Häufig gestellte Fragen
Stimmt es, dass 95 % der KI-Pilotprojekte scheitern?
Nein. Der MIT-NANDA-Report sagt, dass 95 % der befragten Organisationen mit generativer KI keinen messbaren Ertrag in der GuV sahen. Sein eigener Trichter zeigt, dass nur 20 % der Organisationen ein aufgabenspezifisches Tool pilotierten und 5 % die Produktion erreichten, also hatte etwa ein Viertel der Firmen mit Pilot Erfolg. Die Stichprobe umfasste 52 Interviews und 153 Umfrageantworten.
Wer hat die MIT-Studie zu KI-Pilotprojekten geschrieben?
Aditya Challapally, Chris Pease, Ramesh Raskar und Pradyumna Chari haben The GenAI Divide: State of AI in Business 2025 verfasst, veröffentlicht im Juli 2025 mit Project NANDA des MIT Media Lab. Der Report stellt vorläufige Ergebnisse von Januar bis Juni 2025 vor und wurde nicht begutachtet.
Was zählt als gescheiterter KI-Pilot?
Der MIT-Report zählte einen Piloten nur dann als erfolgreich, wenn Nutzer oder Führungskräfte innerhalb von sechs Monaten eine deutliche und anhaltende Auswirkung auf Produktivität oder GuV beschrieben. Andere Definitionen sind Abbruch, geringe Nutzung oder schädliche Fehler. Definiere Misserfolg für deinen eigenen Piloten, bevor er startet, mit einer messbaren Schwelle und einem Datum.
Warum scheitern die meisten KI-Piloten?
Die Forschung verweist überwiegend auf Produktursachen: unklare Probleme, schlechte Passung zum Workflow, fehlende Daten, Tools, die nicht aus Feedback lernen, und kein vereinbartes Erfolgsmaß. RANDs Interviews mit 65 Praktikern ergaben als häufigste Grundursache, das Problem, das die KI lösen sollte, missverstanden oder falsch kommuniziert zu haben.
Wie lange sollte ein KI-Pilot laufen?
Lange genug, um beim Ergebnis, das dir wichtig ist, mit einer Baseline zu vergleichen. Google Cloud empfiehlt mindestens 6 bis 8 Wochen, bevor sich Produktivitätsgewinne durch KI-Coding-Assistenten zeigen können. Lege Entscheidungsdatum und Stichprobengröße fest, etwa 8 Wochen oder 40 Aufgaben, bevor der Pilot beginnt.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing