Der Pilot läuft.
Die Produktion nicht.
Rund die Hälfte aller Gen-AI-Projekte wird nach dem Proof of Concept eingestellt. Nicht, weil die Technologie versagt – sondern weil niemand den Übergang in den Betrieb geplant hat. ABD AI bringt bestehende Piloten in die skalierte Produktion: mit gemessenem Ausgangswert, belastbarer Architektur und einem Wertbeitrag, den Sie Ihrem Vorstand vorlegen können.
der Gen-AI-Projekte wurden nach dem Proof of Concept eingestellt
Gartner, Stand Ende 2025der untersuchten Piloten ohne messbaren Effekt auf die Gewinn- und Verlustrechnung
MIT NANDA, 2025der KI-Projekte erreichen überhaupt den produktiven Betrieb
Gartner-Erhebungdurchschnittlich vom Prototyp bis in die Produktion
Gartner-ErhebungAlle Kennzahlen quellenbelegt · zuletzt geprüft: August 2026
Wo die Projekte tatsächlich abbrechen
Die MIT-Untersuchung „The GenAI Divide“ hat den Weg vom Interesse bis zum Produktivbetrieb nachgezeichnet. Der Trichter verengt sich nicht am Ende – er verengt sich in der Mitte.
Quelle: MIT NANDA, „The GenAI Divide: State of AI in Business 2025“. Grundlage der Untersuchung sind 150 Führungskräfte-Interviews, eine Befragung von 350 Mitarbeitenden und die Auswertung von über 300 öffentlich dokumentierten KI-Einführungen.
Vier Gründe, warum Piloten
nicht in Produktion gehen
Die Gründe wiederholen sich über Branchen hinweg. Mit der Leistungsfähigkeit der eingesetzten Modelle haben sie wenig zu tun.
Es gibt keinen Ausgangswert
Der Pilot startet ohne dokumentierten Ist-Zustand. Nach dem Produktivgang lässt sich deshalb nicht belegen, was sich verändert hat – und die Entscheidung über das Folgebudget fällt ohne Faktengrundlage.
Genau hier setzt die meistzitierte Kritik an der MIT-Zahl an: „Kein messbarer Effekt“ heißt in vielen Fällen „nie gemessen“.
Die Architektur trägt nur die Demonstration
Was mit zehn Testnutzern funktioniert, bricht bei fünfhundert. Skalierung wurde nicht mitgedacht, weil der Pilot beweisen sollte, dass etwas geht – nicht, dass es trägt. Der Neubau ist teurer als der Erstbau.
Gartner nennt eskalierende Kosten als einen der vier Hauptgründe für Projektabbrüche.
Das Datenfundament hält nicht
Im Piloten wurden aufbereitete Beispieldaten verwendet. In der Produktion trifft das System auf gewachsene, unstrukturierte Bestände – und die Antwortqualität bricht ein. Mehr dazu auf unserer Seite zur KI-Datenstrategie.
Mangelhafte Datenqualität steht bei Gartner an erster Stelle der Abbruchgründe.
Das System lernt nicht mit
Die MIT-Untersuchung benennt die Lernlücke als eigentliche Ursache: Die meisten Systeme behalten keine Rückmeldung, passen sich dem Kontext nicht an und werden im Betrieb nicht besser. Mitarbeitende weichen aus – und das Werkzeug verliert seine Berechtigung.
MIT NANDA: Der Engpass liegt im Lernen, nicht in Infrastruktur, Regulierung oder Personal.
Zwei völlig verschiedene Anforderungsprofile
Ein Pilot muss überzeugen. Ein Produktivsystem muss tragen. Das sind nicht zwei Reifegrade derselben Sache, sondern zwei unterschiedliche Bauaufgaben.
Der Sprung von links nach rechts ist keine Ausbaustufe, sondern ein eigenes Vorhaben. Wer ihn als Fortsetzung des Piloten plant, kalkuliert ihn zwangsläufig zu klein.
Derselbe Pilot, zwei Verläufe
Der Unterschied zwischen einem produktiven und einem eingestellten Projekt liegt selten in der Technologie – sondern in der Frage, ob der Übergang geplant wurde, bevor er nötig war.
Fünf Schritte vom Piloten
in den Betrieb
Jeder Schritt hat ein greifbares Ergebnis. Nach jedem Schritt können Sie entscheiden, ob weitergegangen wird – das hält das Risiko klein und die Kontrolle bei Ihnen.
PoC-Analyse
Den bestehenden Piloten bewerten: Was trägt, was nicht, und woran es liegt. Ehrliche Einschätzung der Skalierbarkeit, auch wenn sie unbequem ausfällt.
Gap-ReportAusgangswert
Kennzahlen festlegen und den Ist-Zustand erheben, bevor gebaut wird. Zeit, Kosten, Fehlerquote, Nutzung – jede Größe mit definierter Messmethode.
MessrahmenArchitektur
Infrastruktur auf reale Last auslegen, Datenfundament prüfen, Nachweisführung und Rollenmodell nach KI-Verordnung von Beginn an einbauen.
ArchitekturplanRollout
Stufenweiser Produktivgang. Begleitung, Schulung und Rückkopplung, damit das System im Arbeitsablauf ankommt und nicht daneben.
Produktive NutzungNachweis
Laufende Messung gegen den Ausgangswert. Dokumentierter Wertbeitrag als Grundlage für die Entscheidung über Ausbau und Folgebudget.
WertnachweisWas „kein messbarer Effekt“
in Wahrheit bedeutet
Die vielzitierten 95 Prozent aus der MIT-Untersuchung werden meist als technisches Versagen gelesen. Das sind sie nicht. Gemessen wurde das Fehlen eines nachweisbaren Effekts auf die Gewinn- und Verlustrechnung innerhalb von etwa sechs Monaten. Ein erheblicher Teil dieser Projekte hatte vor dem Start schlicht keinen Ausgangswert dokumentiert – ein Effekt war damit von vornherein nicht belegbar.
Die Größen selbst legen wir mit Ihnen fest – sie unterscheiden sich je nach Anwendungsfall. Unveränderlich ist nur die Reihenfolge: erst messen, dann bauen.
Wir haben das selbst betrieben
ABD AI wurde von Praktikern gegründet, nicht von Beratern. 29 Jahre Handel, davon zuletzt die Verantwortung für die Digital- und KI-Agenda eines europäischen Handelskonzerns über neun Länder. Die folgenden Systeme sind produktiv gegangen – mit allem, was der Übergang vom Piloten in den Betrieb tatsächlich bedeutet.
Filialen mit GenAI-Assistent
Erster produktiver generativer KI-Assistent im Filialnetz, rund 3.000 Mitarbeitende, mehrsprachig, mit Quellenangabe und ohne Speicherung der Eingaben.
Effizienzgewinn Sortimentssteuerung
Ablösung starrer Cluster durch lokalisierte Sortimente. Zusätzlich 4 bis 13 Prozent Verbesserung bei Umsatz und Ergebnis.
Artikel im Schnellliefergeschäft
Aufbau des Quick-Commerce-Geschäfts mit durchschnittlich 35 Minuten Lieferzeit und ohne Preisaufschlag.
Länder im CRM-Rollout
Harmonisierung der Kundendatenbasis über acht Märkte hinweg – ein Vorhaben, das an der Datenrealität scheitert, wenn sie nicht vorher geprüft wird.
Erfahrungswerte aus der operativen Verantwortung von Alexander Huber, Co-Founder und Managing Partner. Nennung als Berufserfahrung, nicht als Kundenreferenz von ABD AI.
Skalierung nach Gefühl
oder nach Methode
| Dimension | Skalierung nach Gefühl | Vorgehen ABD AI |
|---|---|---|
| Messung | Nachträglich, oft gar nicht möglich | Ausgangswert vor dem ersten Umsetzungsschritt |
| Architektur | Auf die Demonstration ausgelegt | Von Beginn an auf Produktionslast geplant |
| Datenbasis | Beispieldaten im Piloten, Echtdaten im Betrieb | Datenfundament vor dem Rollout geprüft |
| Nutzung | System steht bereit, wird aber umgangen | Begleitung und Schulung als Teil des Vorhabens |
| Regulierung | Klassifizierung erst beim Produktivgang | Nachweisführung technisch mitgebaut |
| Folgebudget | Scheitert am fehlenden Wertnachweis | Entscheidung auf dokumentierter Grundlage |
Was Entscheider zuerst fragen
Wie viele Gen-AI-Projekte scheitern nach dem Proof of Concept?
Gartner hatte 2024 prognostiziert, dass mindestens 30 Prozent der Gen-AI-Projekte nach dem Proof of Concept eingestellt werden. Rückblickend nennt Gartner für das Ende des Jahres 2025 einen Wert von mindestens 50 Prozent. Als Gründe werden mangelhafte Datenqualität, unzureichende Risikokontrolle, eskalierende Kosten und unklarer Geschäftswert genannt.
Was besagt die MIT-Studie zu 95 Prozent gescheiterter Piloten?
Die Untersuchung „The GenAI Divide“ der MIT-Initiative NANDA aus dem Jahr 2025 kommt zu dem Ergebnis, dass 95 Prozent der betrachteten Pilotprojekte keinen messbaren Effekt auf die Gewinn- und Verlustrechnung zeigten. Die genaue Lesart ist entscheidend: Gemessen wurde das Fehlen eines nachweisbaren Effekts, nicht ein technisches Versagen. Ein erheblicher Teil der Projekte hatte vor dem Start keinen Ausgangswert dokumentiert. Die Studie beruht auf 150 Führungskräfte-Interviews, einer Befragung von 350 Mitarbeitenden und über 300 ausgewerteten Einführungen – eine schmale Basis, worauf die Autoren selbst hinweisen.
Warum ist der Ausgangswert vor dem Projektstart so wichtig?
Ohne dokumentierten Ist-Zustand lässt sich nach dem Produktivgang nicht belegen, was sich verändert hat. Die Entscheidung über Budget und Ausbau fällt dann ohne Faktengrundlage – und fällt erfahrungsgemäß negativ aus. Der Ausgangswert wird deshalb vor dem ersten Umsetzungsschritt erhoben und nicht nachträglich rekonstruiert.
Wie lange dauert der Weg vom Prototyp in die Produktion?
Gartner nennt in einer Erhebung durchschnittlich acht Monate vom KI-Prototyp bis zur Produktion, wobei nur rund 48 Prozent der Projekte diesen Schritt überhaupt erreichen. Unser Vorgehen ist auf einen kürzeren Verlauf angelegt, weil die Architektur- und Messfragen vor dem Bauen geklärt werden statt danach.
Muss beim Produktivgang die KI-Verordnung berücksichtigt werden?
Ja. Seit dem 2. August 2026 gilt die KI-Verordnung im Grundsatz vollständig, insbesondere die Transparenzpflichten nach Artikel 50. Die Pflichten für Hochrisiko-Systeme wurden durch die Digital-Omnibus-Verordnung (EU) 2026/1744 auf Dezember 2027 beziehungsweise August 2028 verschoben. Wer erst beim Produktivgang mit der Klassifizierung beginnt, baut die Nachweisführung nachträglich ein – das ist der teurere Weg. Eine Einordnung finden Sie auf unserer Seite zur KI-Verordnung.
Was kostet ein Skalierungs-Check?
Das Erstgespräch ist kostenfrei. Darin klären wir, in welchem Zustand Ihr Pilot ist und ob eine Skalierung überhaupt sinnvoll erscheint. Fällt die Einschätzung negativ aus, sagen wir das – ein Vorhaben ohne tragfähigen Anwendungsfall nützt keiner Seite. Der anschließende Gap-Report wird nach Aufwand kalkuliert und richtet sich nach Umfang und Zahl der beteiligten Systeme.
Ihr Pilot hat Potenzial.
Bringen wir ihn in Betrieb.
Wir sehen uns Ihren bestehenden KI-Piloten an, benennen die konkreten Hürden auf dem Weg in die Produktion und legen einen Plan für den Übergang vor – mit definierten Kennzahlen, belastbarer Aufwandsschätzung und einem Wertnachweis, der einer Prüfung standhält.
office@ai-bd.at · ABD AI Business Development GmbH · Hornstein, Burgenland