Die häufigsten KI-Fehler in Unternehmen – und wie Sie sie vermeiden

Warum KI-Projekte in KMU scheitern

Die gute Nachricht zuerst: Die meisten gescheiterten KI-Vorhaben scheitern nicht an schlechter Technologie, sondern an vermeidbaren Entscheidungen davor und daneben. Moderne Sprachmodelle und KI-Werkzeuge funktionieren für viele KMU-Aufgaben erstaunlich gut. Das Problem liegt fast immer im Rahmen: unklare Ziele, ungepflegte Daten, kein Prozess für die Ergebnisprüfung und blinde Flecken bei Datenschutz und Verantwortung.

Für ein KMU sind die Folgen konkret: verlorene Zeit, verbranntes Budget, frustrierte Mitarbeitende und – im schlimmsten Fall – ein Datenschutzvorfall. Die folgenden fünf Fehler tauchen in der Praxis immer wieder auf. Wer sie kennt, spart sich die teuersten Lektionen und kann KI dort einsetzen, wo sie wirklich Wert schafft.

Fehler 1 & 2: Dem Hype folgen statt einem klaren Anwendungsfall

Der Klassiker: «Wir müssen jetzt auch etwas mit KI machen.» Diese Motivation führt zu Werkzeugen auf der Suche nach einem Problem. Ein Chatbot, weil alle einen haben; ein KI-Feature, weil es im Marketing gut klingt. Ohne klar benannten Anwendungsfall fehlt der Massstab, an dem sich Erfolg messen liesse – und das Projekt versandet.

• So vermeiden Sie es: Beginnen Sie mit einem konkreten, wiederkehrenden Problem – nicht mit der Technologie.
• Formulieren Sie den Nutzen messbar: «Angebote in 30 statt 90 Minuten erstellen», nicht «KI einführen».
• Wählen Sie einen Anwendungsfall mit hoher Häufigkeit, klarer Datenlage und niedrigem Risiko für den Start.
• Testen Sie mit einem kleinen Proof of Concept, bevor Sie investieren – Lernen ist billiger als Ausrollen.
• Definieren Sie vorab, woran Sie Erfolg oder Abbruch erkennen (Zeit, Qualität, Kosten, Zufriedenheit).

Fehler 3: Datenqualität ignorieren

KI ist nur so gut wie die Daten, mit denen sie arbeitet. Veraltete Preislisten, widersprüchliche Kundendaten in drei Systemen, unstrukturierte PDFs ohne Struktur – daraus entstehen selbstbewusst klingende, aber falsche Antworten. Gerade bei KMU ist «Garbage in, Garbage out» der stille Killer vieler Pilotprojekte: Die Technik funktioniert, aber die Grundlage stimmt nicht.

• Prüfen Sie vor dem Projekt: Sind die relevanten Daten aktuell, vollständig, konsistent und auffindbar?
• Räumen Sie Doppelspurigkeiten und Widersprüche auf, bevor Sie eine KI darauf loslassen.
• Definieren Sie eine einzige verlässliche Quelle («single source of truth») pro Datentyp.
• Klein anfangen: Ein sauberer, begrenzter Datensatz schlägt einen grossen, chaotischen.
• Datenpflege ist kein Einmalprojekt, sondern ein laufender Prozess mit klarer Verantwortlichkeit.

Fehler 4: Keine menschliche Kontrolle

KI-Modelle können «halluzinieren» – also plausibel klingende, aber falsche Aussagen erzeugen. Wer generierte Angebote, Verträge, medizinische oder rechtliche Aussagen ungeprüft übernimmt, riskiert Fehler, die teuer oder rufschädigend werden. Vollautomatisierung ohne Kontrolle ist bei KMU selten sinnvoll; das Ziel ist Assistenz, die geprüft wird – nicht Ersatz ohne Aufsicht.

• Legen Sie fest, welche Ergebnisse ein Mensch vor Verwendung freigibt (Human-in-the-Loop).
• Je höher das Risiko (Recht, Finanzen, Gesundheit), desto strenger die Prüfpflicht.
• Schulen Sie Mitarbeitende, KI-Ergebnisse kritisch zu hinterfragen statt blind zu vertrauen.
• Halten Sie fest, wer für einen KI-gestützten Output verantwortlich ist – die Verantwortung bleibt beim Menschen.
• Kennzeichnen Sie intern, welche Inhalte KI-generiert sind, um Transparenz und Nachvollziehbarkeit zu sichern.

Fehler 5: Compliance-Blindspots (revDSG/nFADP)

Viele KMU geben Kunden- oder Personendaten in KI-Tools ein, ohne zu klären, wo diese verarbeitet und gespeichert werden. In der Schweiz gilt seit September 2023 das revidierte Datenschutzgesetz (revDSG). Personendaten dürfen nicht unbedacht an Dienste ausserhalb geeigneter rechtlicher Rahmen übermittelt werden, und für gewisse risikoreiche Verarbeitungen kann eine Datenschutz-Folgenabschätzung nötig sein. Die Aufsichtsbehörde ist der EDÖB.

• Klären Sie vor der Nutzung: Wo werden die Daten verarbeitet und gespeichert, und wer hat Zugriff?
• Geben Sie keine Personendaten oder Geschäftsgeheimnisse in kostenlose Consumer-Tools ohne geklärten Rahmen ein.
• Prüfen Sie, ob Anbieter einen Auftragsverarbeitungsvertrag und geeignete Garantien bieten.
• Bei risikoreicher Verarbeitung: Datenschutz-Folgenabschätzung durchführen und dokumentieren.
• Erstellen Sie eine einfache interne KI-Richtlinie: Was ist erlaubt, was nicht, wer entscheidet.
• Bei Rechtsfragen im Einzelfall Fachberatung beiziehen – dieser Artikel ersetzt keine Rechtsberatung.

Der pragmatische Fahrplan: KI-Fehler systematisch vermeiden

Die fünf Fehler haben eine gemeinsame Lösung: Disziplin statt Aktionismus. Statt gross zu planen, starten Sie klein, lernen schnell und skalieren nur, was nachweislich funktioniert. So denken Sie auch über die Kosten richtig nach: Nicht «Was kostet das Tool?», sondern «Welchen wiederkehrenden Aufwand spart es, und übersteigt der Nutzen die Gesamtkosten aus Lizenzen, Einführung, Datenpflege und Kontrolle?»

• 1. Problem zuerst: ein konkreter, häufiger, gut abgegrenzter Anwendungsfall.
• 2. Daten prüfen: aktuell, konsistent, auffindbar – sonst zuerst aufräumen.
• 3. Klein testen: Proof of Concept mit vorab definierten Erfolgskriterien.
• 4. Kontrolle einbauen: Human-in-the-Loop und klare Verantwortlichkeit.
• 5. Compliance klären: revDSG, Datenstandort, interne KI-Richtlinie.
• 6. Messen und entscheiden: skalieren, anpassen oder stoppen – auf Basis von Zahlen, nicht Gefühl.