Wenn KI-Projekte an der Wirklichkeit scheitern Datenchaos bremst Künstliche Intelligenz aus

Anbieter zum Thema

Fivetran Germany GmbH

Fsas Technologies GmbH

Disy Informationssysteme GmbH

INFOMOTION GmbH

Viele Unternehmen investieren Milliarden in Künstliche Intelligenz (KI), doch der Erfolg bleibt oft aus. Laut einer Studie von Fivetran liegt das Problem weniger in der Technik als in der Datenpraxis. Komplexe Datenpipelines, manuelle Prozesse und fehlende Echtzeitdaten könnten KI-Initiativen ausbremsen – mit direkten Folgen für Umsatz und Kundenbindung.

Die Ambitionen sind groß, die Realität oft ernüchternd. Fast die Hälfte aller Unternehmen berichtet laut einer Studie von Fivetran, dass mehr als 50 Prozent ihrer KI-Projekte entweder scheitern, unter den Erwartungen bleiben oder sich verzögern. Gründe seien laut Umfrage nicht etwa fehlende Modelle oder Strategien, sondern vor allem Probleme bei der Datenintegration und -pflege.

KI bleibt im Pilotmodus stecken

401 Führungskräfte und Datenverantwortliche aus Nordamerika, Europa und dem asiatisch-pazifischen Raum nahmen an der Befragung teil. Sie kommen aus Branchen wie Technologie, Gesundheitswesen, Einzelhandel, Finanzen und Fertigung – viele davon mit Tausenden Datenquellen. Trotz zentraler Datenplattformen bleibt der Durchbruch oft aus: 67 Prozent der Befragten mit bereits zentralisierten Daten gaben an, über 80 Prozent ihrer technischen Ressourcen allein für die Wartung von Pipelines zu benötigen.

Die Folge: Wenig Spielraum für Innovation. Statt neue Modelle zu trainieren oder Anwendungsfälle zu skalieren, sind Dateningenieure laut Studie damit beschäftigt, Datenflüsse am Laufen zu halten.

Viele GenAI-Initiativen bleiben in der Konzeptphase stecken

Gartner: Hälfte aller GenAI-Projekte vor dem Aus

Integration als Engpass

Datenintegration gilt als größter Stolperstein. 33 Prozent nannten sie als Hauptursache für das Scheitern von KI-Vorhaben. Besonders betroffen seien Unternehmen mit fragmentierten Infrastrukturen. Drei Viertel der Befragten managen oder planen mehr als 500 Datenquellen – mit steigender Komplexität. Ohne automatisierte Schnittstellen müssten viele Prozesse manuell verbunden werden, was zu Verzögerungen führe und das Risiko fehlerhafter Daten erhöhe.

Echtzeit statt Stau

41 Prozent der Unternehmen berichten von fehlendem Echtzeitzugriff als Ursache für mangelhafte Ergebnisse. KI-Modelle könnten in solchen Fällen nur mit veralteten Informationen arbeiten, was die Qualität der Vorhersagen mindere. Zudem würden laut 29 Prozent Datensilos den Zugriff auf relevante Informationen blockieren. Eine einheitliche Sicht auf Daten sei oft nicht gegeben – ein Nachteil, gerade bei generativer KI und prädiktiven Analysen.

Wirtschaftlicher Schaden durch Datenmängel

Die Studie verweist auch auf direkte wirtschaftliche Folgen. 68 Prozent der Unternehmen mit geringem Zentralisierungsgrad berichten von entgangenen Umsätzen. Rund 38 Prozent nennen steigende Betriebskosten als Folge ineffizienter oder gescheiterter KI-Projekte. Besonders gravierend sei laut Umfrage die Auswirkung auf das Kundenerlebnis: Schlechte Empfehlungen, langsame Services und inkonsistente Kommunikation könnten Kundenbindung und Vertrauen gefährden.

Regionale Unterschiede

Auch die Region mache einen Unterschied. Der asiatisch-pazifische Raum liegt mit einem durchschnittlichen AI-Readiness-Score von 8,8 von 10 vorn. In den USA liegt der Wert bei 8,2, in EMEA bei 8,0. Schlusslicht ist laut Studie das Vereinigte Königreich mit einem Wert von 6,0 – begründet mit schwacher Datenintegration und fragmentierten Systemen.

Von der Vision zur Umsetzung

Laut Studie scheitert KI nicht an der Vision, sondern an der Umsetzung. Automatisierung, standardisierte Schnittstellen und konsistente Datenpflege könnten der Schlüssel sein. Unternehmen wie HubSpot, Banxware oder Trinny London hätten laut Report durch automatisierte Pipelines nicht nur Entwicklungskosten gesenkt, sondern auch ihre Vorhersagegenauigkeit verbessert – und damit Raum geschaffen für skalierbare KI-Anwendungen.

Doch auch das bleibt eine Momentaufnahme. Solange Unternehmen mehr Ressourcen in die Pflege ihrer Dateninfrastruktur als in Innovation stecken, dürfte KI zwar auf den Agenden stehen – aber selten im operativen Alltag ankommen.

(ID:50420298)