Warum KI-Projekte an der Akzeptanz scheitern, nicht an der Technik

Die Technik funktioniert meistens. Das Modell liefert brauchbare Ergebnisse, die Integration läuft stabil, die Demo überzeugt im Steering Committee. Und trotzdem scheitert das Projekt drei Monate später an etwas ganz anderem: Das Team nutzt die neue Unterstützung einfach nicht, oder nur widerwillig, im Zweifel lieber auf dem alten Weg. Was KI-Projekte scheitern lässt, ist fast immer nicht die Technologie – es sind die Menschen, die damit arbeiten sollen und die nicht mitgenommen wurden.

Warum das bei KI besonders ausgeprägt ist

Change Management ist bei jeder neuen Software-Einführung ein Thema, aber bei KI kommt eine zusätzliche Dynamik hinzu: Anders als bei einem neuen Ticketsystem oder einer neuen Buchhaltungssoftware schwingt bei KI fast immer die Frage mit, ob die eigene Rolle dadurch grundsätzlich infrage gestellt wird. Diese Unsicherheit ist real, auch wenn sie selten offen ausgesprochen wird – und sie beeinflusst, wie ein Pilotprojekt aufgenommen wird, oft stärker als jede fachliche Einwand.

Wer das ignoriert und ausschließlich über Effizienzgewinne spricht, verstärkt die Sorge eher, als sie zu adressieren.

Die Fragen, die vor dem Piloten geklärt sein sollten

Wessen Arbeit verändert sich konkret? Nicht abstrakt "das Team", sondern welche Rolle macht morgen etwas anders als heute. Je konkreter das benannt wird, desto weniger Raum bleibt für Spekulation und Gerüchte.

Was passiert mit der Zeit, die frei wird? Wenn KI Aufgaben abnimmt, aber niemand sagt, wofür die gewonnene Zeit genutzt werden soll, entsteht Verunsicherung statt Entlastung. Die unausgesprochene Frage im Raum lautet dann: "Wird als Nächstes mein Stellenumfang gekürzt?" Eine klare Antwort – etwa mehr Zeit für Aufgaben, die liegen geblieben sind, oder für Themen mit höherem Mehrwert – nimmt dieser Sorge die Grundlage.

Wer beantwortet die unbequemen Fragen? "Wird meine Stelle dadurch überflüssig?" – diese Frage kommt, ob eingeplant oder nicht. Besser, es gibt vorher eine ehrliche Antwort darauf, formuliert von jemandem mit Entscheidungsbefugnis, statt dass sie in der Kaffeeküche unbeantwortet zirkuliert.

Wie wird mit Fehlern des Systems umgegangen? Wenn die KI-gestützte Empfehlung einmal falsch liegt, sollte vorher klar sein, wie das Team damit umgeht – und dass ein einzelner Fehler nicht automatisch das ganze Projekt diskreditiert. Ohne diese Erwartungssteuerung wird der erste sichtbare Fehler oft zum Vorwand, das ganze Vorhaben infrage zu stellen.

Der Unterschied zwischen Ankündigen und Einbeziehen

Ein Pilotprojekt, das dem Team präsentiert wird, erzeugt tendenziell Widerstand – selbst wenn die Technik gut ist. Ein Pilotprojekt, an dessen Ausgestaltung das Team beteiligt war, erzeugt Mitverantwortung. Der Unterschied zeigt sich meist schon an einem einfachen Signal: Wird im Pilotteam über das "Ob" diskutiert oder über das "Wie"? Diskussionen über das "Wie" – welche Aufgaben zuerst, welche Qualitätskriterien, welches Feedback wichtig ist – sind ein gutes Zeichen. Diskussionen über das "Ob" deuten darauf hin, dass die Einbindung zu spät oder zu oberflächlich war.

Der Mehraufwand für echte Einbeziehung ist überschaubar: ein oder zwei zusätzliche Workshops vor dem eigentlichen Rollout, in denen das Team Fragen stellen und Bedenken einbringen kann. Der Unterschied in der späteren Akzeptanz ist es nicht – er entscheidet häufig darüber, ob aus einem technisch erfolgreichen Piloten auch ein dauerhaft genutztes Werkzeug wird.

Ein typisches Muster

Ein Kundenservice-Team erhält ein KI-Tool, das Antwortentwürfe für eingehende Anfragen vorschlägt. Die Geschäftsführung kündigt es per Rundmail an: Start in zwei Wochen, Ziel sei "mehr Effizienz". Ergebnis: In den ersten Tagen nutzt kaum jemand die Vorschläge aktiv, mehrere Teammitglieder formulieren lieber komplett neu, nur um sicherzugehen, "nichts Falsches" zu übernehmen.

Ein zweites Team im selben Unternehmen bekommt dasselbe Tool drei Wochen später – diesmal mit einem vorgeschalteten Workshop, in dem das Team an typischen Beispielanfragen selbst testet, wo die Vorschläge gut sind und wo nicht, und gemeinsam Leitplanken festlegt, wann ein Vorschlag genutzt und wann er verworfen werden sollte. Die Akzeptanz nach dem Rollout ist spürbar höher – nicht, weil das Tool besser wäre, sondern weil das Team es sich zu eigen gemacht hat, bevor es zur Pflicht wurde.

Auf den Punkt

Technische Machbarkeit ist die niedrigere Hürde. Wer KI-Projekte zum Erfolg führen will, plant Change Management nicht als Begleitmaßnahme nach dem Rollout, sondern als festen Bestandteil schon in der Konzeptionsphase – mit denselben Ressourcen und derselben Ernsthaftigkeit wie die technische Umsetzung selbst.