Künstliche Intelligenz Warum 95 Prozent der KI-Pilotprojekte in der Industrie ohne Ertrag bleiben

Anbieter zum Thema

Schneider Electric GmbH

Trotz Milliardeninvestitionen scheitern die meisten Unternehmen daran, generative KI über den Pilotstatus hinaus zu skalieren. Zwei aktuelle Studien zeigen, woran es hakt – und was produzierende Unternehmen daraus lernen können.

Die Erwartungen an generative KI sind hoch, die Ergebnisse ernüchternd: Laut dem MIT-NANDA-Report „The GenAI Divide: State of AI in Business 2025", der 300 öffentliche KI-Implementierungen analysiert hat, erzielen 95 Prozent der Unternehmen trotz Investitionen von 30 bis 40 Milliarden US-Dollar keinen messbaren Ertrag aus ihren GenAI-Projekten. Nur 5 Prozent der integrierten KI-Piloten schaffen es, damit tatsächlich Millionenwerte zu erschließen.

Auch eine aktuelle Befragung von HTEC unter 1.529 C-Level-Führungskräften („Executive Summary: C-Level View at the State of AI in 2025") bestätigt das Bild: Zwar setzt praktisch jedes Unternehmen KI in irgendeiner Form ein, doch nur 45 Prozent haben sie vollständig funktionsübergreifend integriert. Die Mehrheit verharrt in isolierten Pilotprojekten oder der Erkundungsphase.

Wo der Flaschenhals liegt

Laut MIT-Studie ist der zentrale Engpass nicht Regulatorik, Modellqualität oder fehlende Infrastruktur – sondern fehlende Lernfähigkeit der Systeme: Die meisten GenAI-Anwendungen behalten kein Feedback, passen sich nicht an Kontext an und verbessern sich nicht über die Zeit. Besonders deutlich wird das bei unternehmenseigenen oder zugekauften Speziallösungen: 60 Prozent der Unternehmen haben solche Tools evaluiert, aber nur 20 Prozent kamen bis zur Pilotphase, gerade einmal 5 Prozent in die Produktion.

Häufigste Gründe: starre Workflows, fehlendes Kontextlernen und mangelnde Passung zum Tagesgeschäft – Probleme, die auch in der Fertigungs- und Automatisierungsbranche eine zentrale Rolle spielen, wo Prozesse oft historisch gewachsen und wenig standardisiert dokumentiert sind.
Die HTEC-Befragung bestätigt diesen Befund aus Sicht der Führungsebene: Hürden lägen weniger in der Technologie selbst als in unzureichenden internen KI-Fähigkeiten, fehlender strategischer Ausrichtung und ungeklärtem ROI.

Fünf Erkenntnisse für Entscheider 

1. KI versteht Prozesse nicht – nur deren Dokumentation. Geschäftsrealität entsteht im Alltag, aus Ausnahmen und impliziter Erfahrung, die selten vollständig erfasst ist. Gerade in Produktionsumgebungen mit viel Erfahrungswissen an der Maschine ist das ein kritischer blinder Fleck.
2. Das wertvollste Wissen steckt in keinem System. Was nicht in Daten oder Dokumentation erfasst ist, existiert für die KI schlicht nicht – unabhängig davon, wie geschäftskritisch es ist.
3. Mehr Daten lösen das Problem nicht. Laut HTEC nennen 43 Prozent der Führungskräfte die Integration in bestehende Systeme als zentrale Hürde – nicht die Datenmenge. Viele Legacy-Architekturen, wie sie auch in Produktionsanlagen verbreitet sind, wurden nie für KI konzipiert.
4.  KI wirkt kompetenter, als sie ist. Souveräne Sprache und schnelle Antworten suggerieren fachliche Tiefe, die oft nicht vorhanden ist – ein Risiko, das mit zunehmend handlungsfähiger, agentischer KI weiter wächst.
5. Je mehr KI im Einsatz ist, desto wichtiger werden Experten. Externe Partnerschaften erzielen laut MIT-Studie etwa doppelt so häufig Erfolg beim Skalieren wie reine Eigenentwicklungen. Menschliche Expertise verschiebt sich damit von der operativen Analyse hin zu Einordnung, Priorisierung und Verantwortung.