Unternehmen kündigen immer wieder ehrgeizige AI-Strategien an, und nur eine Handvoll wird zu etwas Beständigem. Die Zahlen lassen sich schwer ignorieren. Eine Studie von MIT Sloan und BCG aus dem Jahr 2025 ergab, dass nur 1 von 20 AI-Initiativen einen nennenswerten geschäftlichen Wert erzeugt. RAND sagt es noch deutlicher: Mehr als 80 % der AI-Projekte erreichen nie den Produktivbetrieb oder liefern nicht die versprochene Wirkung. Im Durchschnitt verlieren Organisationen rund 7,2 Millionen US-Dollar pro gescheitertem Projekt, wenn man Opportunitätskosten, Verzögerung und Störung des Betriebs mitrechnet.
Was läuft also wirklich schief? Unserer Erfahrung nach, über mehr als 100 AI-Projekte hinweg, liegt der Kern des Problems fast nie am Modell. Er liegt darin, dass Unternehmen AI so behandeln wie gewöhnliche Software: als etwas, das man einmal plant, einmal baut und dann übergibt. So funktioniert AI nicht. Sie lebt von Daten, sie trägt Unsicherheit in sich, und sie muss in die Art eingebunden werden, wie das Unternehmen tatsächlich Entscheidungen trifft. Wenn sie scheitert, scheitert sie, weil niemand im Inneren sie verantwortet. Das ist ein Problem, das an Menschen hängt, und in diesem Artikel geht es um die Menschen, die es lösen.
Warum lässt sich AI nicht einfach übergeben?
Klassische Software ist ein Produktivitätswerkzeug: Sie beschleunigt einen Arbeitsablauf, der bereits existiert. AI ist anders, denn sie führt Entscheidungen nicht nur aus, sie formt sie.
Ein Screening-Modell reiht Kandidaten nicht einfach schneller. Es entscheidet, welche Profile Aufmerksamkeit bekommen und welche Merkmale zu Stellvertretern für „Qualität” werden, und mit der Zeit verändert das, wer eingestellt wird. Ein Pricing-Modell schätzt mehr als nur die Nachfrageelastizität. Es definiert neu, welches Risiko und welche Margentoleranz akzeptabel sind, und verändert, wie aggressiv das Unternehmen seine Preisgrenzen austestet. In beiden Fällen skaliert das System eine Entscheidung nicht nur, es standardisiert sie und macht sie über die gesamte Organisation hinweg wiederholbar.
Deshalb ist ein über den Zaun geworfenes Modell gefährlich und nicht bloß enttäuschend. Jedes AI-System kodiert Annahmen: über Prioritäten, darüber, was Erfolg bedeutet, darüber, welche Kompromisse akzeptabel sind. Diese Annahmen werden früh getroffen, und oft implizit. Sobald das System live ist, optimieren Teams auf das, was es misst, spiegeln Dashboards das, was es verfolgt, richten sich Anreize an dem aus, was es belohnt. Wenn niemand in der Organisation diese Annahmen versteht und verantwortet, skalieren Sie am Ende eine Logik, für die Sie sich nie bewusst entschieden haben.
Die fünf Arten, auf die AI-Initiativen tatsächlich scheitern
Wir sehen immer wieder dieselben Bruchstellen, und keine davon hat wirklich mit dem Algorithmus zu tun:
- Kein klares Geschäftsziel. Teams starten bei „wir brauchen AI” statt bei einem konkreten Problem, das mit Umsatz, Kosten oder Risiko verknüpft ist. Ohne messbares Ergebnis wirkt selbst ein technisch sauberes Projekt wie ein Fehlschlag.
- Schwaches Datenfundament. Ein System ist nur so gut wie die Daten dahinter. Fragmentierte, inkonsistente oder unzugängliche Daten setzen selbst das beste Modell außer Gefecht.
- Keine Prozessintegration. Ein isoliert laufendes Modell beeinflusst nichts. AI muss echte Entscheidungen speisen, nicht bloß ein Dashboard füllen.
- Verantwortungslücken. Als externes Add-on behandelt, ist niemand im Inneren für Leistung, Iteration oder Drift verantwortlich.
- Widerstand gegen Veränderung und Drift. AI verlangt neue Arbeitsweisen, und anders als klassische Software verschlechtert sie sich mit der Zeit. Ohne Monitoring, Retraining und Menschen, denen es wichtig ist, sinkt die Leistung still und leise.
Jede dieser Bruchstellen wird von den richtigen Menschen geschlossen, die mitten in der Arbeit sitzen, nicht von einem besseren Modell, das von außen geliefert wird.
Ist AI-Outsourcing gegen Consulting die falsche Debatte?
„AI-Consulting” und „AI-Outsourcing” werden austauschbar verwendet, und beide Sichtweisen verfehlen den Kern. Outsourcing ist transaktional: Man delegiert eine definierte Aufgabe, baut ein Modell, liefert ein Dashboard und misst den Erfolg an der Spezifikation. Consulting ist systemisch: Es beginnt, bevor irgendein Modell existiert, und fragt, ob die Lösung überhaupt existieren sollte. Das eine erzeugt eine Komponente. Das andere formt eine Fähigkeit.
Aber hier ist, was wir bei diesen Engagements gelernt haben: Eine Fähigkeit lässt sich nicht in einer Präsentation oder einem Satz Empfehlungen übertragen, und sie wird nicht von einem Dienstleister aufgebaut, der wieder geht. Sie wird von Menschen aufgebaut, die bleiben. Die eigentliche Kluft verläuft nicht zwischen Unternehmen, die beraten lassen, und Unternehmen, die auslagern. Sie verläuft zwischen Organisationen, die die richtigen AI- und Data-Leute in ihren Teams eingebettet haben, und Organisationen, die immer weiter ein Modell mieten und hoffen, dass es hängen bleibt.
Was wir tatsächlich liefern: ein Team, das zu Ihrer AI-Fähigkeit wird
Bei RITS verkaufen wir Ihnen keine fertige AI-Lösung, und wir entwerfen nichts isoliert, um es dann über die Mauer zu werfen. Wir geben Ihnen ein dediziertes Team aus Senior-AI- und Data-Ingenieuren, die sich in Ihr Team und Ihren Prozess integrieren und lange genug bleiben, dass die Fähigkeit zu Ihrer wird.
Geführt wird dieses Team von einem Technical Data & AI Architect, der auf LLM- und RAG-Architekturen sowie automatisierte Datenflüsse spezialisiert ist, der Person, die fragmentiertes Organisationswissen und datengetriebene Entscheidungen in Echtzeit zusammenbringt. Um diese Rolle herum bringen wir LLM-/RAG-Ingenieure, MLOps-Ingenieure und Data Engineers mit, dimensioniert auf das jeweilige Problem. Es ist bewusst ein kleines, seniores Team. In unseren Projekten liefert ein kompaktes, durch AI-Werkzeuge verstärktes Team durchweg mehr als ein großes: weniger Menschen, mehr Output, schnellere Lieferung, denn Seniorität und gute Orchestrierung schlagen die reine Kopfzahl.
Was dieses Team in Ihrer Organisation tut, ist das Gegenteil einer Übergabe. Es sitzt nah daran, wie Sie tatsächlich arbeiten, lernt, wo Wert entsteht und wo Entscheidungen stocken, und baut die Datenfundamente, die Integration, das Monitoring und die Governance auf, die ein AI-System unter realen Bedingungen zuverlässig machen: widerstreitende Anreize, ungleiche Datenqualität, regulatorischer Druck, sich verschiebende Prioritäten. Es verbindet das Verhalten des Modells mit wirtschaftlichen Ergebnissen und hält diese Verbindung aufrecht, während sich die Dinge ändern. Und weil es an der Seite Ihrer Leute arbeitet und nicht an deren Stelle, wächst in Ihrer Organisation die eigene Reife im maschinell verstärkten Entscheiden, statt von uns abhängig zu bleiben.
Mit Erfahrung aus mehr als 100 AI-Projekten in verschiedenen Branchen haben wir festgestellt: AI liefert nur dann, wenn geschäftliches Verständnis, technische Umsetzung und echte interne Verantwortung zusammensitzen. Diese Kombination kommt nicht als Liefergegenstand. Sie kommt als Team.
Wo sollten Sie mit AI anfangen?
Wenn AI bei Ihnen ins Stocken geraten ist, fangen Sie nicht mit einem Modell an und nicht mit der Technologie. Fangen Sie mit einem klar definierten Geschäftsproblem an: Wo verlieren wir Geld, welche Entscheidungen sind langsam, inkonsistent oder risikoreich, welche Prozesse tragen das größte finanzielle Gewicht. Messen Sie den Erfolg dann in geschäftlichen Größen: Umsatzwachstum, Kostensenkung, Risikoreduktion, nicht in der Genauigkeit des Modells. Der häufigste Fehler, den wir sehen, ist der Start bei „wir brauchen AI” statt bei „wir müssen X um Y % verbessern.”
Und setzen Sie dann die richtigen Menschen darauf an, Menschen, die bleiben. Ein dediziertes Team aus AI- und Data-Ingenieuren, eingebettet in Ihre Organisation, ist nicht die teuerste Option, sobald Sie die gescheiterten Initiativen dagegenrechnen, die es verhindert, und die interne Fähigkeit, die es hinterlässt. Es ist die Option, die tatsächlich trägt.
Setzen Sie ein dediziertes Team aus AI- und Data-Ingenieuren, verstärkt durch AI, in Ihre Organisation → /services/team-augmentation