So läuft ein KI-Projekt ab: von der Idee zum produktiven System

Phase 1: Standortbestimmung (1-2 Tage)

Bevor irgendjemand baut, gehören drei Fragen beantwortet: Wo stehen wir (Prozesse, Daten, Team)? Welche Anwendungsfälle lohnen sich wirklich? Und was ist der konkrete nächste Schritt? Ein strukturierter KI-CHECK beantwortet das in einem Gespräch - remote an einem Tag, vor Ort in ein bis zwei Tagen inklusive Prozessanalyse. Ergebnis: Readiness-Scorecard, die Top-Anwendungsfälle nach Nutzen und Machbarkeit, eine Handlungsempfehlung.

Phase 2: Datenprüfung (parallel, wenige Tage)

RAND bezifferte schon 2024 die Scheiterquote von KI-Projekten auf über 80 % - und der häufigste Grund ist das Fundament: Daten, die verstreut, veraltet oder schlicht nicht zugänglich sind. Deshalb gehört vor die Umsetzung ein Datenreife-Assessment über sechs Dimensionen (Zugänglichkeit, Qualität, Struktur, Aktualität, Verantwortung, Datenschutz). Ist die Ampel rot, ist das kein K.o. - sondern der Moment, in dem eine Daten-Roadmap das Projekt rettet, bevor es Geld verbrennt.

Phase 3: Umsetzung (2-12 Wochen)

Mit klarem Use Case und tragfähiger Datenbasis ist die Umsetzung der planbarste Teil - wenn der Rahmen stimmt: ein Festpreis statt offener Tagessätze, wöchentliche Zwischenstände statt Big-Bang, und eine Garantie für den Produktivtermin. Zur Orientierung unsere Paketlogik: Ein einfacher Webseiten-Assistent braucht 2-4 Wochen, ein Assistent mit einer Systemanbindung 4-6, ein Business-System mit mehreren APIs 6-8, Enterprise-Umgebungen mit SSO 8-12 Wochen.

Der wichtigste Erfolgsfaktor in dieser Phase ist nicht technisch: Benennen Sie eine verantwortliche Person mit Entscheidungsmandat auf Ihrer Seite. Projekte, bei denen "das Team nebenbei" entscheidet, verlieren Wochen in Abstimmungsschleifen.

Phase 4: Betrieb - und die drei klassischen Fehler

Nach dem Go-live beginnt die eigentliche Lebensdauer: Modelle werden vom Anbieter abgekündigt, APIs ändern sich, der EU AI Act bringt neue Pflichten. Planen Sie den Betrieb von Anfang an ein (als Faustwert 10-20 % des Setup-Preises pro Jahr) - oder bewusst dagegen, aber dann wissentlich.

Die drei Fehler, an denen KI-Projekte wirklich scheitern: (1) Umsetzung ohne Standortbestimmung - es wird gebaut, was technisch spannend ist, nicht was Return bringt. (2) Ignorierte Datenbasis - das System antwortet, aber falsch oder lückenhaft. (3) Kein Team-Aufbau - das Werkzeug ist da, aber niemand nutzt es; seit Februar 2025 ist Team-Kompetenz sogar Pflicht (Artikel 4 EU AI Act) und ihre Schulung bis zu 100 % förderfähig.