Auf dieser Seite
Rund 80 Prozent aller KI-Projekte erreichen keine produktive Nutzung. Das ist doppelt so hoch wie die Ausfallrate konventioneller IT-Projekte, und dieser Wert hat sich bis 2026 nicht verändert. KI ist inzwischen das schnellste Werkzeug, das je für den Aufbau von KI selbst eingesetzt wurde. Wenn diese Rückkopplungsschleife die Lücke schließen sollte, warum tut sie es nicht?
Wo KI die Projektentwicklung beschleunigt
In Teams, die 2026 KI entwickeln, sind große Sprachmodelle fast überall präsent, nicht nur im Code-Editor. Der DORA-Bericht 2025 von Google, der auf einer Befragung von knapp fünftausend Technologiefachleuten basiert, beziffert die tägliche Nutzungsrate unter Entwicklern auf rund 90 Prozent, ein Anstieg von etwa vierzehn Prozentpunkten innerhalb eines einzigen Jahres.
Wo die Beschleunigung tatsächlich ankommt, variiert stärker als die Schlagzeilen vermuten lassen. Im Anforderungsmanagement wirkt das Modell als Präzisionswerkzeug. "Wir nutzen LLMs als strukturiertes 'zweites Gehirn' in der Analysephase", erklärt David Hunt, COO bei Versys Media. "Bei einem internen Produkt haben wir einen zwölfseitigen Anforderungsentwurf durch einen Prompt geführt, der explizite Annahmen, Grenzfälle, Datenflüsse und Fehlermodi erzwang. Das hat unsere Iterationszeit auf die Spezifikation von etwa zwei Wochen auf drei Tage reduziert und die späteren Änderungsanfragen laut JIRA-Verlauf um rund 30 Prozent gesenkt."
Weiter im Prozess wiederholt sich das Muster, aber die Wissensquelle verlagert sich vom einzelnen Fachmann zur breiteren Forschungsbasis. Sprachmodelle prüfen Architekturentscheidungen, anstatt sie zu generieren. Sie decken Skalierungsprobleme und Fehlermodi auf, die sonst erst in der Produktion sichtbar würden. Sie entwerfen erste QA-Szenarien zur menschlichen Verfeinerung, erstellen Dokumentation aus Codebases und fassen Standup-Meetings in Projektboards zusammen. Im Bereich Coding selbst ergab die kontrollierte GitHub/MIT-Studie von 2023 eine Reduktion der Bearbeitungszeiten um rund 56 Prozent gegenüber dem Ausgangswert mit einem KI-Pair-Programmer. Die DORA-Zahlen von 2025 deuten darauf hin, dass diese Praxis inzwischen nahezu universell ist.
Bemerkenswert ist, wo die Beschleunigung tatsächlich wirkt. Keiner dieser Vorteile entfaltet sich bei jeder Organisation gleich. Wo KI bei der Projektentwicklung am meisten hilft, hängt weniger von den eingesetzten Werkzeugen ab als davon, wobei das Team bereits vorher langsam war. Das Verständnis von automatisierten Workflow-Lösungen ist oft die Voraussetzung, die Teams, die profitieren, von Teams trennt, die Budget verbrennen.
KI verstärkt, korrigiert aber nicht
Das ist der wichtigste Befund des DORA-Berichts 2025, und er bringt auf den Punkt, was viele Engineering-Verantwortliche seit zwei Jahren intern beschreiben: "KIs primäre Rolle in der Softwareentwicklung ist die eines Verstärkers. Sie vergrößert die Stärken leistungsstarker Organisationen und die Dysfunktionen schwächelnder."
Die Konsequenz ist unbequem. KI behebt kein schlechtes Denken, sie beschleunigt es. Sie macht klare Denker schneller und unklare Denker schneller darin, falsch zu liegen. Für eine Organisation mit vagen Anforderungen verkürzt KI den Zeitraum, in dem diese Unschärfe Schaden anrichtet. Für eine Organisation mit klarer interner Disziplin potenziert sie den Vorsprung.
Hier beginnt frühere Erfahrung im Aufbau von KI-Systemen eine Rolle zu spielen, die die meisten Führungskräfte unterschätzen. "Den Fehler, den ich immer wieder beobachte, ist der Aufbau von KI im eigenen Haus ohne jemanden, der schon einmal eine Halluzinations-Mitigationsschicht entwickelt hat", sagt Eugene Sandugey, Gründer von Elevated Signal. "KI-Modelle halluzinieren. Sie klingen dabei überzeugend. Wenn niemand in Ihrem Team ein System gebaut hat, das speziell darauf ausgelegt ist, das abzufangen, ist das erste Mal, dass es vor Kunden passiert, auch das erste Mal, dass jemand merkt, dass diese Schicht tragend war. Diese eine Schicht extern zu vergeben ist günstiger als sie auf dem Weg eines öffentlichen Vorfalls zu lernen."
Das Fachwissen steckt nicht im Modell, sondern in der Infrastruktur darum herum. Und was diese Infrastruktur braucht, lernt man nur, indem man ihr Versagen beobachtet.
Externe Partner liefern, wo interne Entwicklung stockt
Die klarsten aktuellen Daten zur Frage Eigenbau oder Partnerschaft liefert die NANDA-Initiative des MIT. Der Bericht GenAI Divide: State of AI in Business 2025 analysierte rund dreihundert öffentlich bekannte KI-Deployments sowie 150 Führungsinterviews und stellte fest, dass nur etwa 5 Prozent der Pilotprojekte in Unternehmen zu schnellem Umsatzwachstum führten. Der Rest stagnierte. Lösungen, die mit externen Partnern entwickelt wurden, erreichten die Produktionsreife mit etwa dreimal höherer Wahrscheinlichkeit als intern entwickelte.
Der Grund für die hohe Ausfallrate im Eigenbau ist selten Budget oder Geografie. Es ist die fehlende KI-Erfahrung, gemessen in durchlebten Fehlern. Ritwick Dey, CTO von Panto AI, hat die Lücke über seine Projekte hinweg verfolgt: "Teams, die externe ML-Spezialisten einbanden, weil ihnen Datenpipelines und SRE-Kapazitäten fehlten, haben modellgestützte Funktionen in rund drei Monaten geliefert, verglichen mit neun bis zwölf Monaten im Eigenbau. Messbare Unterschiede umfassten eine zweifache Reduktion von Falsch-Positiven und eine schnellere Akzeptanz unter Entwicklern."
Anreizstrukturen verstärken die Lücke. Externe Teams arbeiten mit definierten Lieferergebnissen und Reputationsverantwortung, Bedingungen, die Entscheidungen schärfen, wie es diffuse interne Verantwortung oft nicht tut.
Die Ausnahme ist die Organisation, die bereits an der Schnittstelle von tiefem Domänenwissen und gelebter KI-Erfahrung sitzt, manchmal eine einzelne Person, die beides trägt. Ein Gründer, der jeden Entwicklungszyklus KI-gestützt durcharbeitet und dabei auf zwei Jahrzehnten operativer Eigenheiten sitzt, kann jeden externen Partner übertreffen. Der institutionelle Kontext ist der Wettbewerbsvorteil. KI senkt die Kosten, auf dieser Basis zu handeln. Diese Kombination ist selten. Die meisten Organisationen haben das eine oder das andere. In diesen Fällen ist die Partnerschaft kein Rückfall, sondern der schnellere Weg zu beidem.
Da KI die Entwicklungskosten senkt, verlagert sich der Engpass. Entwicklungskapazität ist nicht mehr die knappe Ressource. Knapp ist das Domänenverständnis, das tief genug ist, um das Richtige zu bauen. KI-Agenten übernehmen heute vollständige Aufgabensequenzen autonom, was die Qualität der Problemdefinition noch folgenreicher macht. Ein gut ausgerichteter Agent liefert; ein falsch ausgerichteter potenziert den Fehler.
Die Frage schärfen, nicht überspringen
Der Instinkt beim Einbinden externer Hilfe ist, es als Ausführungs-Outsourcing zu betrachten: interne Teams verantworten die Strategie, externe Teams schreiben den Code. Die Realität ist unordentlicher, und besser.
Der häufigste Fehler im Eigenbau ist nicht mangelnde technische Kapazität. Es ist der Einstieg mit dem Werkzeug statt mit dem Problem. Organisationen kaufen einen Chatbot, integrieren ihn und fragen sich, warum sich nichts verändert hat. Eine subtilere Variante desselben Fehlers: Teams, die das richtige Problem identifizieren, haben dennoch Schwierigkeiten, es präzise genug zu beschreiben, damit KI darauf reagieren kann.
Die Lücke zwischen einer geschäftlichen Intuition und einer funktionierenden Spezifikation ist größer als die meisten erwarten, bevor sie versucht haben, sie zu schließen. Gute externe Arbeit umgeht das interne Gespräch darüber, was gebaut werden soll, nicht. Sie strukturiert und beschleunigt es. Die erste Aufgabe eines ernsthaften KI-Projekts ist die Umwandlung einer vagen geschäftlichen Intuition in ein konkret definiertes operatives Problem: Welcher Workflow verändert sich, anhand welcher KPI, mit welchen Akzeptanzschwellen.
Strategische Absicht und Domänenkontext bleiben intern. Die Methodik, diese in ein funktionierendes System zu übersetzen, ist das, was die Partnerschaft beiträgt. KI senkt die Kosten der Ausführung. Sie senkt nicht die Kosten des Urteils. Dasselbe Prinzip gilt für die KI-gestützte Dokumentenverarbeitung: Organisationen, die Extraktionsregeln und Akzeptanzkriterien im Voraus definieren, übertreffen jene, die rohe Dokumente übergeben und erwarten, dass das Modell entscheidet.
Was bei KI-Projektübergaben verloren geht
KI-Systeme sind keine statische Software. Modelle driften, Datenverteilungen verschieben sich, die Ausgabequalität verschlechtert sich, wenn niemand aktiv dagegen kalibriert. Das institutionelle Wissen, das ein solches System gesund hält, steckt nicht im Code oder in der Dokumentation, sondern in den Köpfen der Menschen, die es gebaut haben. Warum diese Architektur. Warum diese Mitigationsschicht. Warum diese Akzeptanzschwellen.
Übergibt man das System an ein Team ohne diese Geschichte, verliert man nicht den Code, sondern die Überlegungen, die den Code richtig gemacht haben.
Die McKinsey State of AI-Umfrage vom November 2025 macht die Konsequenz im großen Maßstab sichtbar: Von den 88 Prozent der Organisationen, die KI inzwischen einsetzen, berichten nur 39 Prozent von einem messbaren EBIT-Effekt. Der stärkste einzelne Prädiktor dafür, zu dieser Minderheit zu gehören, ist die Neugestaltung von End-to-End-Workflows vor der Auswahl von Modellierungstechniken. Genau diese Neugestaltung, das operative Denken, das das Modell im Geschäft verankert, ist das Wissen, das bei einer schlecht gemanagten Übergabe verloren geht.
Wer KI-Projekte liefert und wer aufgibt
Die Versuchung beim Lesen der Misserfolgsdaten ist, die Entscheidung ideologisch zu behandeln: Eigenbau für Kontrolle, Einkauf für Geschwindigkeit. Die ehrliche Lesart ist eine andere.
Wenn eine Organisation bereits beides hat, operative Tiefe im Fachgebiet und Mitarbeiter, die KI-Systeme geliefert haben, sind interne Entwicklungen legitim und oft der bessere Weg. Fehlt eines davon, lautet die Frage nicht, ob externe Hilfe einzubeziehen ist. Sondern ob die fehlende Kompetenz am besten durch jahrelanges Lernen erworben wird oder durch die Zusammenarbeit mit Menschen, die sie bereits haben.
Die RAND-Analyse beziffert die Ausfallrate auf rund 80 Prozent aller KI-Projekte, unverändert bis 2026. Die Teams, die dieser Statistik entkommen, teilen eine Eigenschaft: Sie wussten bereits, wohin sie das Werkzeug richten wollten, bevor sie es in die Hand nahmen.
KI ist das schnellste Werkzeug, das je für den Aufbau von KI eingesetzt wurde. Aber es startet nicht von selbst, und es entscheidet nicht, wann es aufhört. Die Teams, die liefern, sind jene, die bereits wissen, wohin sie es richten. Wenn Sie einschätzen möchten, wo KI in Ihren Betrieb passt, deckt das Build-Thema das gesamte Spektrum ab, von einfacher Automatisierung bis hin zu produktionsreifen KI-Systemen.