MIT-Bericht: 95 Prozent der Pilotprojekte mit generativer KI scheitern
Übertriebene Erwartungen, technische Hürden – und fast kein return on investment
Eine Studie des Massachusetts Institute of Technology (MIT), der renommiertesten technischen Universität der Welt kommt zu einem ernüchternden Ergebnis: 95 Prozent der Pilotprojekte mit generativer KI enden mit einem Misserfolg.
Die Studie basiert auf einer Umfrage unter 200 Führungskräften aus den-500 grössten-Unternehmen der USA.
Die wichtigen Erkenntnisse:
- Hohe Misserfolgsquote: 95 % der Pilotprjekte erreichen keinen messbaren return on ivestment. Nur 5 % werden in Produktionsumgebungen integriert.
- Umsetzungsbarrieren: 70 % der Projekte stocken bei der Integration in bestehende Systeme; 60 % kämpfen mit Datenschutz und Ethikfragen.
- Branchenunterschiede: In Finanzdienstleistungen scheitern 98 % (aufgrund regulatorischer Hürden), während Fertigung mit 92 % etwas besser abschneidet.
- Kosten: Unternehmen haben im Schnitt 1,2 Millionen US-Dollar pro Pilot investiert – oft ohne Ergebnis.
Die Studie identifiziert vier Hauptursachen:
- Fehlende Problemlösung: Generative KI wird für "coolen Kram" eingesetzt (z. B. lustige Chatbots), statt für Kernprozesse wie Supply-Chain-Optimierung.
- Technische Hürden: Schlechte Datenqualität und Integration in bestehende-Systeme verhindern Skalierbarkeit.
- Organisatorische Probleme: Mangel an Schulungen (nur 30 % der Mitarbeiter sind vorbereitet) und Widerstände gegen Veränderungen.
- Übertriebene Erwartungen: Viele Finanzmanager erwarten schnelle Gewinne, ignorieren aber langfristige Investitionen in die Unternehmensführung
Der Bericht schätzt, dass Fehlschläge bis 2030 500 Milliarden US-Dollar kosten könnten.
Ein paar grundlegende wirtschaftliche und technische Probleme der KI:
- Fehlende Wettbewerbsvorteile: Viele KI-Tools sind leicht zu kopieren. Wenn Dutzende von Unternehmen sehr ähnliche Chatbots oder Bildgeneratoren anbieten, gibt es keinen zwingenden Grund, genau ein bestimmtes Tool zu kaufen. Die Folge: Preiskämpfe und geringe Margen.
- Mangelnde Tiefe und Spezialisierung: Eine generische KI kann oberflächlich gute Ergebnisse liefern, scheitert aber oft an komplexen, branchenspezifischen Aufgaben. Ein Chatbot im Kundenservice kann Öffnungszeiten nennen (die man auch auf der Website findet), scheitert aber in komplexeren Beratungen.
- Die Lösung kommt vor dem Problem: Oft wird eine KI ohne ein echtes Marktbedürfnis. Die Entwickler schaffen eine "Lösung" und suchen dann nach passenden Problemen. Erfolgreiche Innovationen funktionieren umgekehrt: Sie identifizieren ein teures Problem und entwickeln dann die Lösung.