KI steht ganz oben auf der Agenda vieler Unternehmen – und trotzdem scheitert ein großer Teil der Projekte. Laut Gartner werden über 40 Prozent der agentenbasierten KI-Vorhaben bis Ende 2027 wieder eingestellt,¹ meist wegen steigender Kosten, unklarem Nutzen oder mangelnder Steuerung. Das Problem liegt also selten in der Technologie, sondern im Projektmanagement.
Als Projektmanager:in stehst du dabei zwischen den Welten. Die Geschäftsführung will „etwas mit KI machen“, das Data-Science-Team spricht von Modellen und Trainingsdaten, die Fachbereiche sind skeptisch – und du sollst daraus ein erfolgreiches Projekt formen.
Die gute Nachricht: Du musst dafür kein Data Scientist werden. Die schlechte: Dein klassischer Werkzeugkasten allein reicht nicht aus. KI-Projekte folgen eigenen Gesetzmäßigkeiten und genau die schauen wir uns hier an.
Ein KI-Projekt ist ein Vorhaben, bei dem ein System aus Daten lernt, um Vorhersagen zu treffen, Muster zu erkennen oder Entscheidungen zu unterstützen – statt fest programmierten Regeln zu folgen. Das kann ein Machine-Learning-Modell zur Absatzprognose sein, ein Chatbot im Kundenservice oder eine automatisierte Dokumentenprüfung. Entscheidend ist: Nicht ein Programmierer bestimmt, was das System tut, sondern die Daten, mit denen es trainiert wurde.
Das Wichtigste in Kürze
- KI-Projekte sind keine klassischen IT-Projekte: Sie sind datengetrieben, experimentell und in ihrem Ergebnis nicht vollständig planbar. Wer sie nach dem Wasserfallmodell steuert, scheitert häufig.
- Der Business Case kommt vor der Technologie. Erfolgreiche KI-Projekte starten nicht mit „Wir wollen KI machen“, sondern mit einem konkreten Problem und einer sauberen Use-Case-Priorisierung.
- Datenqualität entscheidet über Erfolg oder Misserfolg. Prüfe Datenverfügbarkeit und -qualität, bevor du budgetierst und nicht erst danach.
- Ein Proof of Concept (PoC) ist Pflicht, aber kein Selbstzweck. Plane von Anfang an den Weg in die Produktion mit, sonst bleibt dein Projekt im Prototypen-Stadium stecken.
- Erfolg misst du zweifach: an Modell-KPIs (z. B. Genauigkeit) und an Business-KPIs (z. B. eingesparte Stunden, Umsatz).
Warum KI-Projekte anders funktionieren als klassische Projekte
Drei Merkmale unterscheiden KI-Projekte grundlegend von klassischen IT- oder Organisationsprojekten:
- Datenabhängigkeit statt Anforderungsabhängigkeit. In einem klassischen Projekt definierst du die Anforderungen und das Team setzt sie um. In einem KI-Projekt kannst du perfekte Anforderungen haben, aber wenn die Daten fehlen, unvollständig oder verzerrt sind, wird das Ergebnis trotzdem unbrauchbar. Die Datenqualität ist deine kritischste Abhängigkeit und sie liegt oft außerhalb deines direkten Einflussbereichs.
- Experimentcharakter statt Planbarkeit. Ob ein Modell die gewünschte Genauigkeit erreicht, weißt du erst, wenn du es ausprobiert hast. KI-Entwicklung ist Forschung im Kleinen. Das heißt, zuerst die Hypothese, dann das Experiment, darauf folgt die Auswertung und dann die nächste Iteration. Für dich im Projektmanagement heißt das: Plane in Lernschleifen statt in fixen Meilensteinen mit garantierten Ergebnissen und kommuniziere von Anfang an offen, warum du keine festen Ergebnisgarantien geben kannst. Das erspart dir später Erklärungsnot gegenüber Auftraggebern.
- Kein Ende nach dem Go-live. Ein klassisches Projekt ist mit der Einführung abgeschlossen. Ein KI-Modell dagegen altert. Daten und Rahmenbedingungen ändern sich, die Vorhersagequalität sinkt schleichend (im Fachbereich als „Modell-Drift“ bekannt). Ohne Monitoring und regelmäßiges Nachtraining verliert deine Lösung an Wert. Betrieb und Modellpflege gehören deshalb ab Tag eins in deine Planung und dein Budget.
Jedes dieser drei Merkmale hat eine typische Fehleinschätzung als Kehrseite, die dir in der Praxis begegnen wird:
- Wer die Datenabhängigkeit unterschätzt, sagt „Das ist doch nur ein Software-Feature“.
- Wer den Experimentcharakter ausblendet, denkt „Die KI wird das schon lernen“.
- Und wer vergisst, dass KI-Lösungen nicht mit dem Go-live fertig sind, glaubt „Nach dem Launch sind wir durch“.
Ein großer Teil deiner Arbeit als Projektleitung besteht demnach darin, diese Erwartungen früh und ehrlich zu managen.
Wo sich KI-Projekte lohnen: typische Anwendungsfälle
Bevor du in die Umsetzung gehst, hilft ein Blick auf Use-Case-Kategorien, die sich in der Praxis bewährt haben:
- Automatisierung und Prozessoptimierung: Wiederkehrende Aufgaben mit hohem Volumen, wie z. Bsp. die Klassifizierung eingehender E-Mails, die Extraktion von Daten aus Rechnungen oder die Vorsortierung von Support-Tickets. Hier ist der Nutzen meist schnell in der eingesparten Bearbeitungszeit erkennbar.
- Vorhersagemodelle: Absatzprognosen, Bedarfsplanung oder Predictive Maintenance, also die Vorhersage von Maschinenausfällen, bevor sie eintreten. Der Hebel liegt in besseren Entscheidungen. Weniger Lagerkosten und weniger ungeplante Stillstände sind das Ergebnis.
- Personalisierung: Empfehlungssysteme im E-Commerce oder individualisierte Kommunikation im Marketing. Der Nutzen zeigt sich in Conversion und Kundenbindung.
- Qualitätssicherung und Erkennung: Bilderkennung in der Fertigung (Fehlerdetektion), Textanalyse in der Dokumentenprüfung oder Anomalie-Erkennung in Finanzdaten.
Dass sich der Aufwand auszahlen kann, zeigt das AI Jobs Barometer 2025 von PwC:² In den Branchen, die am stärksten von KI betroffen sind, hat sich das Produktivitätswachstum seit der Verbreitung generativer KI im Jahr 2022 von 7 auf 27 Prozent nahezu vervierfacht. Beschäftigte mit KI-Kompetenzen erzielten 2024 zudem im Schnitt 56 Prozent höhere Gehälter. Die Kehrseite: Dieser Nutzen entsteht nicht automatisch, sondern nur bei sauber aufgesetzten Projekten.
Merke dir diese Faustregel:
Die besten KI-Projekte haben ein klar abgegrenztes Problem, verfügbare Daten und einen Nutzen, den du in Euro oder Stunden ausdrücken kannst.
Von der Idee zur Produktion in sechs Phasen
Wie führst du ein KI-Projekt strukturiert von der Idee in den produktiven Betrieb? Das folgende Phasenmodell hat sich in der Praxis bewährt. Es ist iterativ gedacht, mit klaren Entscheidungspunkten zwischen den Phasen.
Phase 1: Ideen priorisieren – das Value-Feasibility-Assessment
Meist gibt es mehr KI-Ideen als Ressourcen. Bewerte jeden Use Case entlang zweier Achsen:
- Wert (Welchen messbaren Business-Nutzen bringt er?)
- Machbarkeit (Sind Daten vorhanden? Wie komplex ist die Umsetzung? Wie hoch sind die Risiken?).
Starte mit Use Cases, die in beiden Dimensionen gut abschneiden. Dabei sollte es keine Rolle spielen, wenn sie unspektakulär wirken. Ein erfolgreiches kleines Projekt schafft die Glaubwürdigkeit für größere Vorhaben und ist der beste Grundstein für deine KI-Roadmap.
Phase 2: Business Case und Erfolgskriterien definieren
Bevor Budget fließt, brauchst du Antworten auf drei Fragen:
- Welches Problem lösen wir?
- Was ist der Nutzen in Zahlen (ROI)?
- Woran erkennen wir Erfolg?
Definiere jetzt schon beide KPI-Ebenen: die technischen (z. B. „Das Modell klassifiziert mindestens 90 % der Fälle korrekt“) und die geschäftlichen (z. B. „Wir reduzieren die manuelle Bearbeitungszeit um 30 %“). Diese Kriterien bilden später deine Entscheidungsgrundlage an jedem Phasenübergang.
Phase 3: Machbarkeit prüfen – der Proof of Concept (PoC)
In dieser Phase klärst du mit begrenztem Budget und in wenigen Wochen bis maximal drei Monaten die Frage, ob der Ansatz mit euren echten Daten überhaupt funktioniert. Statt gleich in die volle Entwicklung zu investieren, baust du eine abgespeckte Testversion und schaust, ob das Modell brauchbare Ergebnisse liefert.
Genau hier zeigt sich meist zum ersten Mal, wie es um die Datenqualität wirklich bestellt ist. Was auf dem Papier vollständig aussah, entpuppt sich in der Praxis oft als lückenhaft oder unsauber.
Wichtig ist, dass du vorab festlegst, wann du das Vorhaben abbrichst. Definiere also klare Kriterien dafür, welches Ergebnis der PoC mindestens erreichen muss. Ein gescheiterter PoC ist kein gescheitertes Projekt, sondern eine Erkenntnis. Teuer wird es erst dann, wenn du ein aussichtsloses Vorhaben weiterlaufen lässt, nur weil schon Geld hineingeflossen ist.
Phase 4: Entwicklung, Testing und Validierung
Ist die Machbarkeit belegt, wird aus dem Prototyp eine robuste Lösung. Das Team trainiert und optimiert das Modell, testet es gegen reale Szenarien und validiert die Ergebnisse gemeinsam mit den Fachbereichen. Deine wichtigste Aufgabe hier: die Fachbereiche eng einbinden.
Phase 5: Produktionseinführung und Skalierung
Der Sprung vom funktionierenden Prototyp zum echten Produktivsystem wird fast immer unterschätzt. Ein Modell, das im Testlauf gute Ergebnisse liefert, ist nämlich noch lange nicht bereit für den täglichen Einsatz mit echten Nutzer:innen und echten Datenmengen.
An dieser Stelle kommt MLOps ins Spiel. Der Begriff beschreibt vereinfacht gesagt alle Verfahren, mit denen ein KI-Modell zuverlässig in Betrieb genommen und aktuell gehalten wird. Dazu gehört etwa, dass neue Modellversionen automatisiert ausgerollt werden und dass jederzeit nachvollziehbar bleibt, welche Version mit welchen Daten trainiert wurde.
Das klingt technisch, ist für dich aber planungsrelevant. Fehlt dieses Fundament, wird jede Aktualisierung des Modells zur mühsamen Handarbeit und die Übertragung auf weitere Anwendungsfälle bleibt Wunschdenken. Plane diese Phase deshalb mit eigenem Budget und eigener Zeit ein. Sie ist kein Anhängsel der Entwicklung, sondern der Schritt, der über den dauerhaften Nutzen entscheidet.
Phase 6: Betrieb, Monitoring und Modellpflege
Nach dem Go-live beginnt der Dauerlauf. Performance überwachen, regelmäßig nachtrainieren und die Kosten im Blick behalten. Kläre vor dem Go-live, wer den Betrieb verantwortet, welches Budget bereitsteht und wann ein Modell nachtrainiert oder abgeschaltet wird. Ein KI-Projekt ohne Betriebskonzept ist ein Projekt mit Verfallsdatum.
Das richtige Team: Rollen, die du brauchst
Im Kern brauchst du vier Perspektiven im Team:
- Die fachliche Perspektive: Product Owner und Domänenexpert:innen, die das Problem und die Daten inhaltlich verstehen. Sie definieren, was „gut genug“ bedeutet und sind dein wichtigster Hebel für spätere Akzeptanz.
- Die Datenperspektive: Data Scientists entwickeln die Modelle, Data Engineers sorgen dafür, dass Daten in der nötigen Qualität und Struktur bereitstehen (Stichwort Datenpipeline). Die Rolle des Data Engineers solltest du nicht unterschätzen, die Qualität der Daten ist essenziell für das ganze Projekt.
- Die Betriebsperspektive: ML-Engineers und DevOps/MLOps-Spezialist:innen bringen Modelle in Produktion und halten sie dort stabil. Ohne diese Rolle enden Projekte schneller als du denkst.
- Die Steuerungsperspektive: Diese Rolle nimmst du ein. Deine Aufgabe ist die Übersetzung zwischen Business und Technik, das Erwartungs- und Stakeholder-Management und die Entscheidungsfindung an den Phasenübergängen.
Viele der Rollen können intern oder extern besetzt werden. Externe Dienstleister:innen haben den Vorteil, dass sie den Einstieg beschleunigen und Erfahrung mitbringen, die intern fehlt. Achte aber darauf, dass Wissen im Haus bleibt und definiere Wissenstransfer explizit als Projektergebnis. Alles, was den laufenden Betrieb betrifft, solltest du mittelfristig intern verankern oder vertraglich sauber regeln.
Governance, Datenschutz und Ethik: früh mitdenken statt spät nachbessern
KI-Governance klingt nach Bremse, ist aber ein Beschleuniger, wenn du sie früh einbaust. Diese Themen gehören auf deine Agenda:
Datenschutz und Recht: Kläre mit Datenschutzbeauftragten und gegebenenfalls dem Betriebsrat frühzeitig, welche Daten du nutzen darfst (DSGVO) und welche Anforderungen der EU AI Act an deinen Use Case stellt. Eine nachträgliche rechtliche Prüfung, die das Projekt stoppt, ist das teuerste Szenario überhaupt.
Transparenz und Bias: Modelle können Verzerrungen aus den Trainingsdaten übernehmen. Besonders kritisch wird das bei Entscheidungen über Menschen, z. Bsp. im Recruiting. Sorge dafür, dass das Team Bias-Prüfungen einplant und Entscheidungen des Systems erklärbar bleiben.
Auditierbarkeit: Dokumentiere, mit welchen Daten und Parametern ein Modell trainiert wurde. Das ist nicht nur Compliance, es ist die Grundlage, um Fehler später nachvollziehen zu können.
Typische Stolperfallen – und wie du sie vermeidest
Die meisten KI-Projekte scheitern nicht an der Technologie, sondern an vier wiederkehrenden Mustern:
1. Unzureichende Datenbasis. Das Projekt startet und erst mitten in der Umsetzung stellt sich heraus, dass die Daten lückenhaft, veraltet oder nicht zugänglich sind.
Die Lösung: Daten-Check vor der Budgetfreigabe, nicht danach.
2. Unrealistische Erwartungen. Stakeholder:innen erwarten 100 % Genauigkeit ab Tag eins.
Die Lösung: Erwartungsmanagement von Anfang an. Kommuniziere KI-Ergebnisse als Wahrscheinlichkeiten, zeige früh reale Zwischenergebnisse und definiere gemeinsam, was „gut genug“ ist.
Wichtig:
Unkritisch übernommener KI-Output ist ebenso gefährlich. Eine Untersuchung von BetterUp Labs und dem Stanford Social Media Lab beschreibt dieses Phänomen mit „Workslop“. Das sind KI-Ergebnisse, die professionell aussehen, aber inhaltlich substanzlos sind. 40 Prozent der befragten US-Büroangestellten erhielten solche Ergebnisse innerhalb eines Monats, und jeder Vorfall kostete im Schnitt rund zwei Stunden Nacharbeit.
Quelle aus der Infobox: https://www.betterup.com/workslop
3. KI-Team im Silo. Data Scientists entwickeln monatelang im stillen Kämmerlein, das Ergebnis geht an der Praxis vorbei.
Die Lösung: Fachbereiche in jede Iteration einbinden, regelmäßige Demos, gemeinsame Validierung.
4. PoC-Falle und technische Schulden. Der Prototyp funktioniert, aber niemand hat den Weg in die Produktion geplant oder die Lösung ist so schnell zusammengebaut, dass sie nicht wartbar ist.
Die Lösung: Produktionsreife und MLOps von Beginn an als Projektziel definieren, nicht als optionale Fortsetzung.
Erfolg messen: Business-KPIs schlagen Modell-KPIs
Ein Modell mit 95 Prozent Genauigkeit klingt beeindruckend, sagt aber nichts darüber aus, ob dein Projekt erfolgreich ist. Deshalb brauchst du zwei KPI-Ebenen, die du getrennt misst und berichtest:
Modell-KPIs beantworten die Frage, ob die Technik funktioniert. Beispiele sind Genauigkeit, Fehlerraten oder Antwortzeiten. Sie gehören ins technische Monitoring und sind deine Frühwarnindikatoren für Modell-Drift.
Business-KPIs beantworten die Frage, ob sich das Ganze lohnt. Beispiele sind hier reduzierte Bearbeitungszeit pro Vorgang, eingesparte Kosten, zusätzlicher Umsatz, gestiegene Kundenzufriedenheit. Diese Zahlen interessieren vor allem deine Auftraggeber:innen und mit ihnen rechtfertigst du Folgeinvestitionen und baust deine KI-Roadmap aus.
Für dein Stakeholder-Reporting heißt das: Übersetze konsequent und mache die KPIs so plastisch wie möglich. Aus „Die Precision liegt bei 92 Prozent“ wird „Von 100 automatisch bearbeiteten Fällen müssen nur 8 manuell nachgeprüft werdend. Das spart dem Team rund 15 Stunden pro Woche.“
Deine Checkliste für den Projektstart
Vor dem Start:
- Ist das Business-Problem klar formuliert und der Nutzen quantifiziert?
- Sind die benötigten Daten identifiziert, zugänglich und in ausreichender Qualität vorhanden?
- Sind Erfolgskriterien (Business- und Modell-KPIs) und Abbruchkriterien definiert?
- Sind Datenschutz, Betriebsrat und Compliance früh eingebunden?
- Ist das Budget realistisch, inklusive Produktionseinführung und Betrieb?
Während der Umsetzung:
- Arbeitet das Team in kurzen Iterationen mit regelmäßigen Demos?
- Sind die Fachbereiche aktiv in die Validierung eingebunden?
- Werden Zwischenergebnisse ehrlich gegen die Erfolgskriterien geprüft?
Bei Go-live und Betrieb:
- Gibt es ein Monitoring für Performance, Drift und Kosten?
- Ist geklärt, wer den Betrieb verantwortet und wann nachtrainiert wird?
- Ist die Nutzerakzeptanz gesichert? Durch Schulung, Kommunikation und sichtbaren Nutzen?
FAQ: Häufige Fragen zu KI-Projekten
Was kostet ein KI-Projekt?
Das hängt stark vom Use Case ab. Als Faustregel: Kalkuliere neben der Entwicklung einen erheblichen Anteil des Budgets für Datenaufbereitung und einen laufenden Posten für Betrieb und Modellpflege ein. Ein PoC lässt sich oft schon mit überschaubarem Budget realisieren. Gerade deshalb ist er das richtige Instrument, um Investitionsentscheidungen abzusichern.
Brauche ich für den Start ein eigenes Data-Science-Team?
Nein. Für erste Projekte kannst du mit externen Partner:innen arbeiten. Wichtig ist, dass fachliches Wissen und Betriebsverantwortung schrittweise intern aufgebaut werden.
Woran erkenne ich, dass ein Use Case nicht KI-tauglich ist?
Warnsignale sind: keine oder schlechte Daten, ein Problem, das sich mit einfachen Regeln lösen lässt, kein messbarer Nutzen oder Entscheidungen, die zwingend hundertprozentige Korrektheit erfordern.
Was ist der Unterschied zwischen KI-Strategie und KI-Projekt?
Die KI-Strategie legt fest, welche Ziele dein Unternehmen mit KI verfolgt und welche Use Cases in welcher Reihenfolge angegangen werden (KI-Roadmap). Das einzelne KI-Projekt setzt einen dieser Use Cases um. Idealerweise zahlt jedes Projekt auf die Strategie ein und die Erkenntnisse aus jedem Projekt schärfen wiederum die Strategie.