Warum KI-Projekte scheitern, bevor der erste Techniker im Raum ist

KI-Projekte im Enterprise-Umfeld haben ein Scheitern-Muster. Und es liegt fast nie an der Technologie.

Es liegt daran, wann die Technologie ins Gespräch kommt.

Das Muster

Ich habe in meiner Zeit als Senior Account Executive bei einem IT-Dienstleister mit Schwerpunkt KI und Managed Services mehrere Enterprise-Kunden durch die frühe Phase von KI-Projekten begleitet. Und ich habe dabei immer wieder dasselbe beobachtet:

Unternehmen haben Interesse an KI. Oft auch konkrete Vorstellungen. Aber wenn man genauer nachfragt, zeigt sich: Die Vorstellung ist noch kein Bedarf. Es ist ein Wunsch — formuliert in der Sprache der Technologie, nicht in der Sprache des Problems.

„Wir wollen KI für unsere Daten nutzen.“
„Wir brauchen Automatisierung im Content-Bereich.“
„Wir möchten unsere Prozesse mit KI optimieren.“

Das klingt konkret. Es ist es nicht.

Was passiert, wenn man zu früh eskaliert

Der klassische Fehler: Ein erstes Gespräch mit dem Kunden findet statt. Das Interesse ist da. Also werden technische Spezialisten hinzugezogen — KI-Architekten, Data Scientists, Solution Engineers.

Das Problem: Die Spezialisten arbeiten präzise. Sie brauchen präzise Inputs. Und die hat der Kunde zu diesem Zeitpunkt noch nicht.

Das Ergebnis ist vorhersehbar: Das Gespräch wird abstrakt. Der Kunde fühlt sich überfordert oder unverstanden. Das Momentum geht verloren. Aus einem vielversprechenden Erstgespräch wird nichts — oder es entsteht ein vages „Wir melden uns wieder“, das niemanden weiterbringt.

Ich habe das oft genug gesehen, um daraus eine Konsequenz zu ziehen: Technische Ressourcen dürfen erst dann eingesetzt werden, wenn der Bedarf präzise ist. Nicht vorher.

Strukturierte Bedarfserhebung als Voraussetzung

Was ich stattdessen etabliert habe, war ein einfaches, aber konsequentes Vorgehen: Bevor ein Spezialist ins Gespräch kommt, führe ich eine strukturierte Bedarfserhebung durch. Nicht als Formalie, sondern als inhaltliche Arbeit.

Das bedeutet konkret:

Welches Problem soll gelöst werden — in der Sprache des Kunden?
Nicht „KI-gestützte Automatisierung“, sondern: „Unsere Produktmanager verbringen 60% ihrer Zeit damit, technische Produktdaten manuell in Marketingtexte zu übersetzen. Das ist der Engpass.“

Wer ist betroffen — und wer entscheidet?
KI-Projekte haben selten einen einzelnen Entscheider. Es gibt operative Betroffene, IT-Verantwortliche, und irgendwo einen Budget-Owner. Diese Konstellation muss vor dem ersten technischen Gespräch verstanden sein.

Was ist der konkrete Maßstab für Erfolg?
„Effizienz steigern“ ist kein Maßstab. „Den manuellen Aufwand für Produkttexte von 3 Tagen auf 4 Stunden reduzieren“ ist einer.

Erst wenn diese Fragen beantwortet sind, hat ein technisches Gespräch eine Grundlage.

Drei Beispiele aus der Praxis

Ein führender Sportausrüster.
Das initiale Interesse: KI für Content. Die eigentliche Aufgabe, die sich nach strukturierter Bedarfserhebung herauskristallisierte: die automatisierte Generierung von Marketing- und Produkttexten aus technischen Produktdaten — skalierbar, mehrsprachig, konsistent. Parallel dazu: der Aufbau einer KI-Plattform, die das tragen kann. Ohne diese Präzisierung wäre das Gespräch mit den Technikern ein Gespräch über Möglichkeiten geworden, nicht über Lösungen.

Ein Maschinenbauunternehmen.
Hier war das Interesse breiter formuliert: „Wir wollen KI in unsere Prozesse integrieren.“ Was sich herausschälte: ein sehr konkreter Schmerz im Shopfloor — fehlerhafte Buchungen vor der SAP-Übergabe, die manuell nachkorrigiert werden mussten. Automatisierte Fehlererkennung an genau dieser Stelle. Ein umgrenztes Problem, eine umgrenzbare Lösung. Ohne Bedarfserhebung wäre das in einer generischen KI-Strategie-Diskussion verschwunden.

Ein Parkraumbetreiber.
Dieser Kunde kam aus einem strukturierten Lead-Programm und hatte bereits konkretere Vorstellungen. Nach den Kick-off-Gesprächen war der Bedarf klar definiert: KI-gestützte dynamische Preisoptimierung. Das Ergebnis: ein POC mit 100.000 Euro Vorauszahlung — vereinbart, bevor ein einziger technischer Spezialist involviert war.

Was das für B2B-Marketing bedeutet

Dieser Punkt wird im B2B-Marketing oft übersehen: Die Qualität eines KI-Projekts hängt nicht nur von der technischen Exzellenz ab. Sie hängt davon ab, ob der Bedarf vor dem ersten technischen Gespräch präzise genug ist.

Das ist eine Marketing- und Vertriebsaufgabe, keine IT-Aufgabe.

Wer KI-Lösungen vermarktet, muss in der Lage sein, Kunden durch diese frühe Phase zu führen — von einem vagen Interesse zu einem präzisen Bedarf. Das erfordert andere Fähigkeiten als technische Expertise. Es erfordert die Fähigkeit, Fragen zu stellen, zuzuhören und technische Komplexität in Kundensprache zu übersetzen — und zurück.

Content, der das unterstützt, sieht anders aus als klassisches Produkt-Marketing. Er stellt keine Features vor. Er hilft dem Kunden, sein eigenes Problem zu verstehen.

Das ist der Unterschied zwischen Marketing, das Pipeline erzeugt, und Marketing, das Kataloge produziert.

Martin Lehofer ist Marketing & Growth Leader mit Fokus auf B2B-Technologie im DACH-Raum. Auf lehofer.com schreibt er über GTM-Strategie, Positionierung und die Verbindung von Marketing und Vertrieb im Enterprise-Umfeld.