95, 85 oder 60 Prozent? Die Zahlen zum Scheitern von KI-Projekten im Faktencheck

Auf Folie drei steht eine Zahl. Meistens ist es die 95, manchmal die 85, gelegentlich die 60. Sie soll begründen, warum ein Kunde strukturiert vorgehen sollte, statt einfach anzufangen. Und sie funktioniert: Der Satz „Die meisten KI-Projekte scheitern“ beendet jede Diskussion über Sorgfalt.

Er beendet sie allerdings nur so lange, bis jemand nachfragt. Wer eine Zahl nennt, deren Herkunft er nicht kennt, verliert in diesem Moment mehr, als die Zahl ihm vorher eingebracht hat — besonders bei Zuhörern, die ihre eigenen Entscheidungen vor einer Geschäftsführung begründen müssen. Dieser Beitrag sortiert die vier meistzitierten Quoten: woher sie stammen, wie sie erhoben wurden, was sie tatsächlich messen und welche davon in eine Kundenunterlage gehört.

Vorweg das Ergebnis: Zwei der vier Zahlen sagen nicht, was ihnen zugeschrieben wird. Eine ist eine Erwartung und keine Messung. Und die belastbarsten Angaben für den deutschen Markt stammen aus keiner dieser vier Quellen, sondern aus einer Behördenerhebung, die kaum jemand zitiert.

Die 95 Prozent: gemessen wurde etwas anderes als Scheitern

Die Zahl stammt aus dem Bericht „The GenAI Divide: State of AI in Business 2025“ von MIT Project NANDA, veröffentlicht im Juli 2025. Sie ist die meistzitierte Zahl des Jahres und wurde auch im deutschsprachigen Raum breit aufgegriffen.

Entscheidend ist das Messkriterium. Der Bericht stellt nicht fest, dass Projekte abgebrochen wurden, dass Budgets verloren gingen oder dass die Technik nicht funktioniert hat. Er stellt fest, dass sich innerhalb eines halben Jahres kein Effekt in der Gewinn-und-Verlust-Rechnung nachweisen ließ. Ein Pilot, der läuft, angenommen wird und noch keine Kostenstelle bewegt hat, zählt in dieser Rechnung zu den 95 Prozent.

P&L-Effekt

Eine Wirkung, die sich in der Gewinn-und-Verlust-Rechnung niederschlägt — als geringere Kosten oder höherer Umsatz. Ein Anwendungsfall kann funktionieren, im Betrieb angenommen werden und trotzdem keinen P&L-Effekt zeigen: weil die eingesparte Zeit nicht auf eine Kostenstelle durchschlägt, weil die Wirkung erst im Folgejahr anfällt oder weil der Messzeitraum zu kurz gewählt ist.

Dazu kommt die Stichprobe: 52 Interviews mit Führungskräften, 153 Fragebogen-Antworten und die Auswertung von rund 300 öffentlich dokumentierten Einführungen. Der Bericht ist nicht peer-reviewed, und die 300 Fälle sind kein Zufallssample, sondern das, was öffentlich auffindbar war. Kritik an der Methodik gab es unmittelbar nach dem Erscheinen.

Die Erhebung ist außerdem US-geprägt. Eine methodisch vergleichbare Untersuchung für den deutschsprachigen Raum ist uns nicht bekannt. Wer die 95 Prozent auf den deutschen Mittelstand überträgt, überträgt eine Zahl, die dort nie erhoben wurde. Zitierfähig bleibt sie als international diskutierter Befund — mit Herkunft, Messkriterium und Stichprobe im selben Satz.

Die 85 Prozent: eine Prognose von 2018 über fehlerhafte Ergebnisse

Diese Zahl kursiert im deutschsprachigen Netz meist in einer Form wie: „Laut Gartner scheitern 85 Prozent der KI-Projekte an der Datenqualität.“ Drei Bestandteile dieses Satzes treffen nicht zu.

Die ursprüngliche Prognose stammt aus dem Jahr 2018 und bezog sich auf den Zeitraum bis 2022. Sie besagte, dass 85 Prozent der KI-Projekte fehlerhafte Ergebnisse liefern würden — durch Verzerrungen in den Daten, unpassend gewählte Algorithmen oder Fehler des Umsetzungsteams. Also nicht „scheitern“, sondern „liefern falsche Ergebnisse“. Nicht die Datenqualität allein, sondern drei Ursachengruppen. Und nicht heute, sondern ein Prognosezeitraum, der seit Jahren abgelaufen ist.

Die 60 Prozent: Gartner erwartet, Gartner misst nicht

Gartner erwartet, dass Organisationen bis Ende 2026 60 Prozent der KI-Projekte aufgeben, die nicht auf aufbereiteten, KI-tauglichen Daten aufsetzen. Grundlage ist eine Befragung von 248 Verantwortlichen für Datenmanagement aus dem dritten Quartal 2024; 63 Prozent der Organisationen hatten danach keine oder unklare Datenmanagement-Praktiken für KI.

Der Satzbau ist hier der ganze Unterschied. Gartner misst nicht, wie viele Projekte aufgegeben wurden, sondern sagt vorher, wie viele aufgegeben werden. Wer die Zahl mit „laut Gartner scheitern 60 Prozent“ einleitet, macht aus einer Erwartung ein Ergebnis. Korrekt ist „Gartner erwartet, dass …“ — und dazu die Einschränkung „… die nicht auf aufbereiteten Daten aufsetzen“. Ohne diese Einschränkung wirkt die Zahl deutlich größer, als sie gemeint war.

Prognose

Eine Aussage über einen künftigen Zustand, abgeleitet aus Beobachtungen der Gegenwart. Sie ist zum Zeitpunkt der Veröffentlichung weder bestätigt noch widerlegt. In Kundenunterlagen gehört deshalb vor jede Prognose ein Verb, das sie als solche kenntlich macht: erwartet, rechnet damit, geht davon aus. „Hat festgestellt“ ist etwas anderes.

Dasselbe gilt für die zweite Gartner-Zahl, die seit Mitte 2025 durch die Fachpresse läuft: Über 40 Prozent der agentischen KI-Projekte würden bis Ende 2027 eingestellt. Auch das ist eine Erwartung, und die zugehörige Pressemitteilung legt keine Stichprobe offen. Als Stimmungsbild taugt sie, als Beleg nicht.

Die 80 Prozent von RAND sind keine RAND-Zahl

Die vierte Quote trägt den besten Namen. „Über 80 Prozent der KI-Projekte scheitern, laut RAND Corporation“ liest sich nach unabhängiger Forschung mit Methodik.

Im Report steht der Satz allerdings in der Einleitung, und er lautet dort ausdrücklich: nach einigen Schätzungen scheitern mehr als 80 Prozent der KI-Projekte. „By some estimates“ ist ein Verweis auf Fremdliteratur, kein eigenes Messergebnis. RAND hat diese Quote nicht erhoben und behauptet das auch nicht — die Zuschreibung entsteht erst beim Zitieren, und sie hält sich, weil der Absendername gut aussieht.

Was RAND stattdessen belegt: fünf Ursachen, vier davon organisatorisch

Der eigentliche Beitrag des Reports ist wertvoller als die Quote davor. Grundlage sind strukturierte Interviews mit 65 Data Scientists und Ingenieuren mit mindestens fünf Jahren Erfahrung im Bau von KI- und ML-Modellen. Daraus leitet RAND fünf Grundursachen für das Scheitern ab:

1. Das zu lösende Problem wird missverstanden oder falsch kommuniziert — das Modell optimiert auf die falsche Größe oder passt nicht in den Arbeitsablauf.
2. Die verfügbaren Daten reichen nicht aus oder haben nicht die nötige Qualität.
3. Das Vorgehen ist technologiegetrieben statt problemorientiert.
4. Es wird zu wenig in die Infrastruktur für den laufenden Betrieb investiert.
5. KI wird auf Probleme angewendet, die jenseits des heutigen Stands der Technik liegen.

Nur die fünfte Ursache ist technisch. Die anderen vier entstehen, bevor die erste Zeile Code geschrieben wird. Das ist der Befund, der in eine Kundenunterlage gehört — nicht die geschätzte Quote, die im Original davorsteht.

Die deutsche Alternative: 60 Prozent in Erprobung, 6 Prozent angekommen

Für den deutschen Markt existiert eine Erhebung, die besser dokumentiert ist als jede der vier Quoten: die Befragung „KI in Unternehmen“ der Bundesnetzagentur. 808 Unternehmen wurden telefonisch befragt, Bruttostichprobe und Gewichtung sind offengelegt, der Bericht ist frei zugänglich. Erhoben wurde von Oktober bis Dezember 2024, veröffentlicht im Juli 2025 — das Alter gehört bei jeder Verwendung dazu, gerade in einem Feld, das sich schnell bewegt.

Von den Unternehmen, die KI einsetzen, waren 60 Prozent noch in der Erprobung: ausgewählte Pilotprojekte oder einzelne Prozesse. Für 33 Prozent war KI unterstützender Bestandteil mehrerer Prozesse. Für 6 Prozent war sie zentraler Bestandteil des Geschäftsmodells.

Grundgesamtheit

Die Menge, auf die sich ein Prozentwert bezieht. Die 60 Prozent in Erprobung beziehen sich nicht auf alle Unternehmen in Deutschland, sondern auf die 29 Prozent, die KI überhaupt einsetzen. Ohne Angabe der Grundgesamtheit ist ein Prozentwert unbrauchbar — und in der Rückfrage angreifbar.

Dieselbe Erhebung nennt die Gründe, aus denen Unternehmen den KI-Einsatz wieder eingestellt haben: fehlende Zeit 59 Prozent, Nichterreichen der gesetzten Ziele 58 Prozent, fehlende Fachkräfte 50 Prozent. Ganz hinten stehen ausgerechnet die Gründe, die in Präsentationen am häufigsten auftauchen: fehlende Akzeptanz der Mitarbeitenden 9 Prozent, mangelnde technische Ausstattung 5 Prozent.

Das Gegengewicht, das kaum jemand zitiert

Wer die Scheiter-Quoten zitiert, sollte die Gegenzahl aus derselben Erhebung kennen. 75 Prozent der KI-nutzenden Unternehmen gaben an, ihre Erwartungen an den KI-Einsatz hätten sich erfüllt: 20 Prozent übererfüllt, 55 Prozent weitestgehend erfüllt. 18 Prozent sahen sie nur teilweise erfüllt, 4 Prozent fast überhaupt nicht.

Das ist dieselbe Stichprobe, dieselbe Methodik und derselbe Bericht wie die 60 Prozent in Erprobung. Wer die eine Zahl zitiert und die andere weglässt, trifft eine Auswahl — und muss damit rechnen, dass sein Gegenüber die Quelle aufschlägt.

Die Bitkom-Erhebung vom März 2026 zeigt dieselbe Zweiteilung an anderer Stelle. 52 Prozent der KI-nutzenden Unternehmen berichten einen messbaren Beitrag zum Geschäftserfolg. Zugleich haben 33 Prozent festgestellt, dass KI zu deutlich höheren Kosten geführt hat als erwartet.

Die ehrliche Zusammenfassung lautet damit nicht „KI-Projekte scheitern“. Sie lautet: Die meisten Anwender sind zufrieden, knapp die Hälfte kann den Beitrag nicht beziffern, ein Drittel wurde von den Kosten überrascht, und der Sprung von der Erprobung in den Regelbetrieb gelingt selten. Das ist ein Auswahl- und Nachweisproblem — ein deutlich präziseres Argument als jede Untergangsquote.

Der Faktencheck in einer Tabelle

Drei Regeln für Zahlen in Kundenunterlagen

1. Jede Zahl trägt drei Angaben: wer erhoben hat, wann erhoben wurde und wie viele befragt wurden. Passt das nicht auf die Folie, passt die Zahl nicht auf die Folie.
2. Prognose und Messung nie im selben Satzbau. „Gartner erwartet“ ist etwas anderes als „Gartner hat festgestellt“ — und der Unterschied fällt spätestens in der Rückfrage auf.
3. Die Grundgesamtheit gehört dazu. 60 Prozent der KI-Nutzer sind nicht 60 Prozent der Unternehmen; als Aussage über alle Unternehmen wäre derselbe Wert um ein Vielfaches falsch.

Dazu eine Beobachtung, die keine Regel ist: Die stärkste Zahl in einer Kundenunterlage ist selten eine Marktquote. Sie ist die Zahl aus dem Haus des Kunden — was ein Vorgang heute kostet, wie oft er im Jahr anfällt, was nach der Umstellung übrig bleibt. Fremde Scheiter-Quoten begründen, warum man sorgfältig auswählt. Dass sich ein bestimmter Anwendungsfall lohnt, begründen sie nicht.