5 Gründe warum AI-Projekte keinen ROI liefern — und wie mans richtig macht

5 Gründe warum AI-Projekte keinen ROI liefern — und wie mans richtig macht Ein Kollege aus der Werbebranche hat mir neulich etwas erzählt, das mich beschäftigt hat. Sein Unternehmen hatte über ein Jahr lang in KI-Tools investiert, Workshops veranstaltet, ein Pilotprojekt nach dem anderen gestartet. Und am Ende: Nichts messbares. Die Leute nutzten die Tools noch, aber der erhoffte Produktivitätsschub war ausgeblieben. Das ist kein Einzelfall. Eine Analyse von Thomson Reuters – veröffentlicht im Februar 2026 und von mehreren Medien aufgegriffen – zeigt, dass trotz weit verbreiteter KI-Nutzung viele Organisationen keinen bedeutsamen Return on Investment erzielen. Jonathan Richard Schwarz, Head of AI Research bei Thomson Reuters, identifiziert darin mehrere Faktoren – technologische, konzeptuelle und organisatorische – die erfolgreiche KI-Implementierungen blockieren. Ich hab das mit meinen eigenen Beobachtungen aus der Kreativbranche abgeglichen. Und ich muss sagen: Die Muster stimmen überein. Der Mehr-Data-Irrglaube und was wirklich zählt Der erste und vielleicht häufigste Fehler: Unternehmen glauben, dass mehr Daten automatisch zu besseren KI-Ergebnissen führen. Mehr Trainingsdaten, mehr Eingabe, mehr Input. Die Logik klingt plausibel – sie ist es aber nicht immer. Was wirklich zählt, ist Datenqualität und Relevanz. Ein KI-Modell, das mit Unmengen an irrelevantem oder fehlerhaftem Material gefüttert wird, lernt die falschen Dinge. Oder – noch häufiger – liefert Outputs, die oberflächlich gut aussehen, aber inhaltlich nicht passen. Für Kreativagenturen bedeutet das konkret: Nicht einfach alle vorhandenen Assets in ein KI-System laden und hoffen, dass es daraus lernt. Sondern gezielt kuratieren. Was ist tatsächlich repräsentativ für das, was wir produzieren wollen? Der zweite Fehler ist ähnlich gelagert: der Glaube, dass mehr Rechenleistung oder ein teureres Modell das Problem löst. Die Analyse spricht von "jagged intelligence" – einem Phänomen, bei dem Modelle bei manchen Aufgaben brillieren und bei anderen komplett versagen, ohne dass das von außen vorhersehbar ist. Mehr Hardware macht dieses Problem nicht kleiner. Das falsche Tool für den falschen Job Fehler Nummer drei ist ein Klassiker: das falsche Werkzeug für den falschen Anwendungsfall. Generische Modelle wie ChatGPT oder Gemini sind beeindruckend vielseitig – aber diese Vielseitigkeit ist gleichzeitig ihre Schwäche, wenn es um spezialisierte Anwendungsfälle geht. Wer als GenAI Kreativagentur einen KI-Workflow für Videoproduktion aufbaut, braucht andere Werkzeuge als ein Marketingteam, das Social-Media-Posts generiert. Das klingt offensichtlich, wird aber in der Praxis regelmäßig ignoriert – weil ChatGPT nun mal das Bekannteste ist, das jeder kennt. Das Gleiche gilt andersherum: Spezialisierte Modelle haben ihre eigenen blinden Flecken. Sie sind gut in ihrem Bereich und fragil außerhalb davon. Eine KI Beratung für die Kreativbranche bedeutet auch, genau dieses Mismatch frühzeitig zu erkennen. Ein Google-Vertreter hat das kürzlich auf den Punkt gebracht: KI-Startups, die nur eine dünne UI-Schicht über ein bestehendes Sprachmodell legen, werden mittelfristig nicht überleben. Was bleibt, sind Unternehmen, die echte, spezifische Probleme lösen – mit tiefer Domänenkenntnis. Wenn niemand weiß, wie man mit den Ergebnissen umgeht Fehler vier ist weniger technisch, aber mindestens genauso folgenreich: fehlende AI Literacy in den Teams, die mit den Outputs arbeiten müssen. Das ist keine Frage von Programmierkenntnissen. Es geht darum, ob Texter, Kreativdirektoren oder Produzenten verstehen, wie man KI-Ergebnisse bewertet, einordnet und verbessert. Wenn jemand einen KI-generierten Text einfach kopiert, ohne ihn kritisch zu prüfen, dann hilft das beste Modell nichts. Ich hab das in eigenen Projekten erlebt. Der Moment, in dem KI wirklich produktiv wird, ist nicht, wenn das Tool besser wird. Es ist der Moment, wenn die Menschen im Team gelernt haben, damit umzugehen. Prompt Engineering ist ein Teil davon – aber eigentlich geht es um ein viel grundlegenderes Verständnis: Wo ist KI hilfreich? Wo brauche ich menschliches Urteil? Die Analogy, die mir dazu einfällt: Ein guter Kameramann macht aus einem schlechten Drehbuch keinen guten Film. Die Qualität der KI-Outputs hängt massiv davon ab, wer mit ihnen arbeitet. Das Organisationsproblem: Silos, die KI-Nutzen verhindern Der fünfte Grund ist struktureller Natur. KI-Projekte scheitern häufig nicht an der Technologie, sondern daran, wie Unternehmen organisiert sind. Wenn die IT-Abteilung ein KI-Tool einführt, ohne die Teams einzubeziehen, die es täglich nutzen sollen, entsteht Widerstand. Wenn Entscheidungen über KI-Investitionen ohne Rückkopplung mit operativen Einheiten gefällt werden, entstehen Projekte, die an der Realität vorbeigehen. Wenn Erfolgsmetriken nicht klar definiert sind, bevor das Projekt startet, weiß am Ende niemand, ob es funktioniert hat. Das klingt trivial. Ist es aber nicht. Gerade in traditionelleren Branchen – und die Kreativbranche gehört historisch gesehen dazu – sind Innovationsprojekte oft schlecht ins Tagesgeschäft eingebettet. Was hilft: Kleine, konkrete Use Cases statt großer Transformationsprogramme. Pilot mit einem Team, das tatsächlich Motivation hat, nicht mit dem, das am wenigsten Widerstand leistet. Und vor allem: Klare Zieldefinition, die messbar ist. GenAI ROI für Unternehmen entsteht nicht durch Enthusiasmus, sondern durch disziplinierte Implementierung. Ich sage das nicht, um pessimistisch zu sein – ganz im Gegenteil. Die gute Nachricht ist: Diese fünf Fehler sind vermeidbar. Sie erfordern keine Wundertechnologie, keine riesigen Budgets. Sie erfordern klares Denken darüber, was man eigentlich will, und die Bereitschaft, langsamer anzufangen als der Hype suggeriert. Das ist ein unbefriedigender Ratschlag für alle, die sofort beeindruckende Ergebnisse wollen. Aber es ist der richtige.