Letzten Herbst rief mich ein Schweizer Medizintechnik-Händler an. Er hatte gerade ein sechsmonatiges KI-Projekt abgeschlossen. Ziel: maschinelles Lernen einsetzen, um Bestellvolumen vorherzusagen und die Beschaffung automatisch zu planen. Das Ergebnis: Das Modell lief, produzierte Ausgaben — und niemand vertraute ihnen. Die Beschaffung arbeitete weiterhin mit eigenen Tabellen. Das Projekt wurde still beendet.
Die Technologie funktionierte. Der Lieferant lieferte, was versprochen wurde. Aber die zugrundeliegenden Bestelldaten waren inkonsistent — einige Datensätze unvollständig, andere doppelt vorhanden, wieder andere in einem Altsystem, das nie migriert wurde. Die KI lernte aus Rauschen. Und wenn Menschen nicht verstehen, warum die KI etwas empfiehlt, hören sie auf, sie zu nutzen.
Das ist kein Einzelfall. Ich sehe dasselbe Muster in der Fertigung, im Handel und in der Medizintechnik in der Schweiz. Das Scheitern hat fast immer dieselbe Ursache: KI auf unzuverlässigen Daten.
Warum die meisten B2B-KI-Projekte scheitern
KI-Werkzeuge scheitern nicht, weil sie schlecht sind. Sie scheitern, weil sie verstärken, was bereits in den Daten steckt — einschliesslich der Probleme. Wenn Salesforce und ERP für dasselbe Konto unterschiedliche IDs verwenden, behandelt das KI-Modell sie als zwei Kunden. Wenn Auftragsstatusfelder von verschiedenen Vertriebsmitarbeitern unterschiedlich befüllt werden, lernt das Modell diese Inkonsistenz.
Eine nützliche Analogie: Stellen Sie sich vor, Sie bitten einen neuen Analysten, die Einnahmen des nächsten Quartals zu prognostizieren — mit einer Tabelle, in der 30 % der Zeilen fehlende Daten haben, Produktnamen unterschiedlich geschrieben sind und einige Aufträge doppelt erfasst wurden. Egal wie gut der Analyst ist, das Ergebnis wird unzuverlässig sein. KI ist genauso — nur dass sie Tausende von Zeilen verarbeitet und dabei überzeugend wirkt.
Das Ergebnis ist das, was ich zuversichtlichen Unsinn nenne: Vorhersagen, die präzise aussehen, sich automatisch aktualisieren und auf eine Weise falsch sind, die erst auffällt, wenn es echten Schaden anrichtet.
Was wirklich funktioniert: Drei Muster mit nachgewiesenen Ergebnissen
Nicht alle KI-Projekte scheitern. Die erfolgreichen teilen ein gemeinsames Merkmal: Sie beginnen mit Prozessklarheit, nicht mit KI-Fähigkeiten. Hier sind drei Muster, die in Schweizer B2B-Betrieben konstant Ergebnisse liefern.
1. Erst repetitive Entscheidungen automatisieren, dann intelligent machen
Die erfolgreichsten KI-Einsätze, die ich gesehen habe, begannen nicht als "KI-Projekte". Sie begannen als Automatisierungsprojekte. Ein Händler in der Region Basel automatisierte seine Auftragsweiterleitung: Aufträge über einem bestimmten Wert wurden zur Prüfung markiert, Aufträge darunter gingen direkt in die Abwicklung. Kein maschinelles Lernen — nur Regeln.
Nach sechs Monaten mit sauberen, konsistenten Daten in diesem System hatten sie etwas Wertvolles: einen zuverlässigen Trainingsdatensatz. Dann führten sie ein Modell ein, das vorhersagt, welche markierten Aufträge tatsächlich risikoarm sind und die manuelle Prüfung überspringen können. Die Akzeptanz war sofort, weil die Beteiligten dem zugrundeliegenden Prozess bereits vertrauten.
Das Prinzip: Erst das Routinegeschäft automatisieren, dann mit KI optimieren. Jeder Automatisierungsschritt bereinigt und standardisiert die Daten. Wenn KI ins Spiel kommt, hat sie etwas Solides, worauf sie aufbauen kann.
2. KI dort einsetzen, wo Menschen bereits der Engpass sind
KI bringt den grössten Nutzen dort, wo menschliche Kapazität wirklich begrenzt ist. Eine Schweizer Herstellerin, mit der ich zusammenarbeite, hatte eine erfahrene Betriebsleiterin, die jeden Montagmorgen 40 bis 60 Bestellanfragen prüfte — jede einzeln gegen Lagerbestände, Lieferfristen und Budget. Sie war gut darin, aber es kostete sie einen halben Tag. Dringende Anfragen mussten warten.
Wir bauten ein System, das jede Anfrage vorverarbeitet: aktuellen Lagerbestand abrufen, Lieferantendaten prüfen, Anfragen, die Standardkriterien erfüllen, automatisch genehmigen. Sie verbringt jetzt 45 Minuten mit der Prüfung der 8 bis 10 Ausnahmen, die tatsächlich Urteilsvermögen erfordern. Das System ersetzte sie nicht — es entfernte den Teil ihrer Arbeit, der reines Datennachschlagen war.
3. KI-Ausgaben für die handelnde Person erklärbar machen
Ein wesentlicher Unterschied zwischen KI-Werkzeugen, die angenommen werden, und solchen, die es nicht werden: Kann die Person, die damit arbeitet, verstehen, warum etwas empfohlen wird? "Das Modell schlägt eine Nachbestellung von SKU 4471 vor" reicht nicht. "Lagerbestand liegt bei 12 Einheiten, durchschnittlicher Wochenverbrauch ist 18, Lieferzeit des Lieferanten ist 3 Wochen" ist handlungsfähig und überprüfbar.
Im B2B-Betrieb haben Entscheidungsträger jahrelange Erfahrung. Sie werden — und sollten — kritische Entscheidungen nicht an ein System delegieren, das sie nicht befragen können. Die KI-Werkzeuge, die sich durchsetzen, machen ihre Überlegungen transparent genug, damit eine erfahrene Fachkraft zustimmen, widersprechen oder mit Zuversicht eingreifen kann.
Vor einer KI-Investition: Eine praktische Diagnose
Wenn Sie ein KI-Projekt in Ihrem Betrieb erwägen, gehen Sie zuerst diese Fragen durch. Sie dauern 30 Minuten und können Ihnen Monate verschwendeten Budgets ersparen.
- Können Sie einen sauberen, konsistenten Datensatz für den zu verbessernden Prozess exportieren? Wenn die Antwort manuelle Bereinigung erfordert, braucht Ihre Datengrundlage Arbeit, bevor KI sinnvoll ist.
- Vertrauen die Personen, die die KI-Ausgaben nutzen werden, den aktuellen Daten? Wenn sie bereits mit Workarounds um Salesforce oder ERP herumarbeiten, löst eine KI-Schicht dieses Misstrauen nicht.
- Ist der aktuelle Prozess gut genug dokumentiert, dass ein neuer Mitarbeiter ihn korrekt ausführen könnte? Falls nicht, sind Sie noch nicht bereit, ihn zu automatisieren — geschweige denn, ihn intelligent zu machen.
- Welche Entscheidung soll die KI unterstützen — und wer trifft diese Entscheidung heute? Je klarer und enger die Entscheidung, desto grösser die Chancen auf eine nützliche KI-Anwendung.
- Was passiert, wenn die KI falsch liegt? Wenn die Kosten einer falschen Empfehlung hoch und schwer zu erkennen sind, beginnen Sie mit KI als zweiter Meinung statt als autonomem Akteur.
Die ehrliche Einschätzung: Die meisten Schweizer B2B-Unternehmen sind noch nicht KI-bereit — und das ist in Ordnung. Die Unternehmen, die in den nächsten 3 Jahren am meisten von KI profitieren werden, investieren jetzt in saubere Prozesse, zuverlässige Integrationen und konsistente Daten. Das ist das Fundament. KI ist der Beschleuniger, den Sie hinzufügen, sobald das Fundament trägt.
Wo anfangen, wenn Sie echte Ergebnisse wollen
Wählen Sie einen Prozess, der manuell, repetitiv ist und Daten beinhaltet, die bereits in Ihren Systemen vorhanden sind. Kartieren Sie jeden Schritt. Identifizieren Sie, wo Daten manuell zwischen Systemen verschoben werden — Kopieren, E-Mail, Tabellenkalkulation. Beheben Sie diese Übergaben zuerst. Bauen Sie die Automatisierung. Lassen Sie sie drei Monate laufen.
An diesem Punkt haben Sie saubere, strukturierte Daten für einen realen Prozess. Sie wissen, wo die Ausnahmen liegen. Sie wissen, welche Entscheidungen menschliches Urteilsvermögen erfordern und welche nicht. Und Sie haben organisatorisches Vertrauen in automatisierte Systeme aufgebaut — was in der Praxis der schwierigste Teil jedes KI-Projekts ist.
Die Unternehmen, die ich mit KI erfolgreich gesehen habe, haben nicht die fortschrittlichsten Werkzeuge gekauft. Sie haben zuerst die unspektakuläre Arbeit geleistet: klare Prozesse, zuverlässige Daten, ehrliche Integrationen. Dann haben sie diese Prozesse intelligent gemacht.