Strategie · 11. Juni 2026

Dein KI-Pilot läuft. Warum er trotzdem nie in Produktion geht

Die meisten KI-Piloten scheitern nicht an der Technik. Sie funktionieren im Test sauber und bleiben trotzdem liegen, weil im Betrieb niemand die Verantwortung trägt, der Prozess drumherum nicht passt und die echten Daten anders aussehen als im Labor. Der Sprung in die Produktion ist ein Menschen- und Organisationsthema, kein Modellthema.

Du kennst die Situation vielleicht. Ein kleines Team hat etwas gebaut, es lief im Test überzeugend, alle waren begeistert. Ein halbes Jahr später steht das Ding immer noch im selben Testfenster. Niemand hat es abgeschossen. Es ist einfach nie richtig weitergegangen. Genau das ist der Normalfall, nicht die Ausnahme. Und der Grund liegt fast nie dort, wo alle zuerst suchen.

Warum bleibt ein funktionierender Pilot liegen?

Ein Pilot bleibt liegen, weil die Bedingungen im Test bequem sind und in der Realität unbequem. Im Test gibt es saubere Beispieldaten, einen motivierten Kreis von Freiwilligen und keine Konsequenzen bei Fehlern. In der Produktion ist alles davon anders. Der Bruch passiert an vier Stellen, und keine davon ist technischer Natur.

Die vier Stellen, an denen es kippt, sind fast immer dieselben.

1. Kein Sponsor mit Gewicht. Solange das Projekt ein Bastelprojekt einzelner Enthusiasten ist, hat es keine Priorität, kein Budget und niemanden, der im Konfliktfall entscheidet. Ohne jemanden aus der Geschäftsleitung, der das wirklich will, verhungert der Pilot leise.
2. Niemand wurde mitgenommen. Die Leute, die morgen damit arbeiten sollen, waren im Pilot gar nicht dabei. Sie kennen es nicht, sie vertrauen ihm nicht, und sie haben ihren alten Weg, der bisher funktioniert hat. Ein Werkzeug, das niemand benutzt, schafft keinen Wert.
3. Der Prozess ist unklar. Der Pilot hing an einem bestehenden Ablauf, der so nie sauber definiert war. Sobald es ernst wird, merkt man, dass jeder es ein bisschen anders macht. Die KI kann nur so klar arbeiten wie der Prozess dahinter.
4. Die Daten sehen in der Realität anders aus. Im Test lief alles mit hübsch aufbereiteten Beispielen. In der Produktion kommen die echten Fälle, die Ausnahmen, die Tippfehler, die Sonderregeln. Genau dort bricht die Leistung ein.

Wie stark dieser letzte Punkt wirkt, sieht man an einem typischen Muster. Ein System erreicht im Labor eine hohe Trefferquote und fällt auf den echten Betriebsdaten deutlich ab.

Diese Zahlen sind ein Beispiel, keine Messung aus einem konkreten Projekt. Aber das Muster ist echt. Wer den Piloten nur auf sauberen Daten abnimmt, kauft die Katze im Sack.

Es ist kein Technikproblem. Es ist ein Menschen- und Prozessproblem

Woran KI-Projekte am häufigsten scheitern, steht selten im Pflichtenheft. Im Pflichtenheft stehen Modelle, Schnittstellen und Genauigkeit. Entscheidend sind aber ein Auftraggeber mit Gewicht, ein sauber verstandener Prozess und Leute, die mitmachen. Das lässt sich nicht einkaufen, das muss man organisieren.

Die harte Realität dahinter ist unbequem. Laut McKinsey sehen nur 17% der Unternehmen einen messbaren Effekt von generativer KI auf ihr Betriebsergebnis. Und laut Gartner riskieren über 40% der KI-Projekte den Abbruch, wenn es keine verbindlichen Spielregeln gibt, also keine klare Antwort darauf, wer entscheidet, wer haftet und wer das Ding im Betrieb pflegt.

Die meisten dieser Fehlschläge sind vorhersehbar, wenn man auf die richtige Spalte schaut. Hier die Gegenüberstellung, die wir vor jedem Projekt machen.

Die linke Spalte kann jeder gute Dienstleister liefern. Die rechte Spalte entsteht nur im Betrieb selbst, mit den echten Leuten. Wer nur die linke Spalte bestellt, hat am Ende einen schönen Piloten und keine Produktion.

«KI löst nicht euer internes Chaos»

KI verstärkt, was schon da ist. Ist der Prozess klar, wird er schneller und skaliert. Ist der Prozess ein Durcheinander, automatisiert die KI das Durcheinander, nur schneller und teurer. Ein unklarer Ablauf wird durch Technik nicht klar, er wird nur teurer unklar. Deshalb steht bei uns immer der Prozess vor dem Modell.

Das klingt hart, ist aber eine gute Nachricht. Es bedeutet, dass der grösste Hebel nicht in einer besseren Technologie liegt, sondern in einer Frage, die du selbst beantworten kannst. Ist der Prozess, den wir hier verbessern wollen, überhaupt verstanden? Wenn drei Leute drei verschiedene Antworten geben, wie er heute läuft, dann ist nicht die KI das Problem. Dann fängt die Arbeit genau dort an.

Der erste Anwendungsfall entscheidet über die zweite Chance

Der erste Anlauf ist selten die grösste Wette, sondern die wichtigste. Geht er schief, bekommt KI im Betrieb oft für Jahre keine zweite Chance, weil die Skeptiker recht behalten haben. Geht er auf, öffnet er Türen. Darum ist der erste Anwendungsfall nicht das grösste Problem, sondern das lösbarste mit sichtbarer Wirkung.

Klein anfangen oder gross denken? Beides, aber nicht gleichzeitig. Gross denken heisst, den Anwendungsfall dort zu suchen, wo echter Wert entsteht. Dort, wo ein Mensch die Komplexität längst nicht mehr überblickt, wo das entscheidende Wissen an ein paar Köpfen hängt, oder wo dieselbe fehleranfällige Handarbeit tausendfach anfällt. Nicht am Rand bei einer Nebenaufgabe. Klein anfangen heisst, ihn so zuzuschneiden, dass er in Wochen beweisbar ist, nicht in einem halben Jahr ohne Zwischenergebnis. Ein Prototyp für rund CHF 10'000, der nach zwei Wochen etwas zeigt, ist besser als ein Projekt über CHF 200'000, das ein halbes Jahr blind läuft.

Was wir stattdessen tun

Wir bauen nicht zuerst das Modell, sondern zuerst das Verständnis. Vor Ort, mit den Leuten, die den Prozess jeden Tag machen. Jede Regel, jede Ausnahme wird dokumentiert, bevor eine Zeile Software entsteht. Und die Verantwortung für den Betrieb wird von Anfang an geklärt, nicht am Schluss. So wird aus einem Piloten etwas, das bleibt.

Ein Beispiel für das Muster. Ein Schweizer Lebensmittelproduzent koordiniert viele eigenständige Betriebe, jeder mit eigenen Regeln, Kapazitäten und Lieferzeiten. Die Planung lief in Excel, und das entscheidende Wissen steckte in wenigen Köpfen. Fiel jemand aus, stand die Planung still. Statt diesen Ablauf einfach zu automatisieren, hat IntelliLab die Planung von Grund auf neu gedacht und das Wissen ins System geholt. Aus rund 200 Vollzeitstellen-Prozent Planungsarbeit im Jahr wurde eine Planung, die über Nacht von selbst läuft. Dadurch entstehen 5 bis 7% mehr Output aus denselben Ressourcen. Seit dem zweiten Quartal 2026 läuft es produktiv im Einsatz. Nicht als Pilot, der irgendwo hängt, sondern im echten Betrieb.

Der Unterschied lag nie in einem besseren Modell. Er lag darin, dass zuerst der Prozess verstanden und neu gedacht wurde und dass klar war, wer das Ergebnis trägt.

Wichtig zu merken

Ein Pilot beweist, dass etwas technisch geht. Er beweist nicht, dass es in deinem Betrieb ankommt. Zwischen beidem liegen ein klarer Auftraggeber, ein verstandener Prozess, mitmachende Menschen und Daten aus der Realität. Wer diese vier Dinge von Anfang an mitplant, muss den Piloten nicht überreden, in Produktion zu gehen. Er geht von selbst.

Von Andrin Knoll, Gründer & CEO, IntelliLab GmbH.

Jetzt kontaktieren