KI-Projekte scheitern: Warum IT-Business-Alignment entscheidet

KI-Projekte scheitern selten an der Technologie. Sie scheitern an fehlender strategischer Verankerung, ignoriertem Change Management und der Trennung zwischen IT und operativem Fachbereich. Amir Farajollahzadeh, Business Director Aviation Commerce bei Lufthansa Industry Solutions, bringt es auf den Punkt:

„KI entfaltet einen echten Mehrwert erst, wenn das Ganze strategisch verankert ist. Das beginnt eben nicht nur mit der Technologie, sondern auch mit dem Thema Change Management. Das heißt tatsächlich auch unsere Kunden mitzunehmen, was dann auch entsprechend die Vorteile sind von KI und diese Technologie zu nutzen.”

Farajollahzadeh verantwortet bei Lufthansa Industry Solutions — einer 100-prozentigen Tochter der Lufthansa-Gruppe und einem der Top 25 IT-Beratungen in Deutschland — die KI-Implementierung in einem der komplexesten und reguliertesten Industrieumfelder überhaupt: der Luftfahrt. Seine Erfahrung aus 15+ Jahren in Airline Operations und Maintenance macht seine Diagnose für jedes Unternehmen relevant, das KI ernsthaft einsetzen will.

Das Kernproblem ist strukturell: Zu viele Organisationen treffen Technologieentscheidungen, bevor sie eine klare Geschäftsfrage formuliert haben. Das Ergebnis sind KI-Initiativen, die weder Adoption finden noch echten ROI generieren. Dieses Gespräch liefert die operative Gegenantwort.

Die wichtigsten Erkenntnisse

• Problem-first schlägt Technology-first: Jedes KI-Projekt muss mit einer klar formulierten Geschäftsfrage beginnen — nicht mit der Auswahl eines Modells oder einer Plattform.
• IT-Business-Alignment ist kein Nice-to-have: Die Verbindung zwischen technischem Know-how und operativem Fachwissen ist das Fundament erfolgreicher KI-Umsetzung — ohne sie scheitert jede Initiative.
• POCs in Tagen, GoLive in Wochen: Wer für einen Proof of Concept Monate braucht, liefert keine Transformation, sondern Planung. Echte Teams liefern schnell.
• Humans-in-the-Loop ist keine Schwäche: 100 % Automatisierung anzustreben ist falsch. Das Ziel ist, Experten zu beschleunigen — nicht zu ersetzen. Besonders in regulierten Industrien ist das Akzeptanzfundament.
• Kein Second-Mover-Vorteil: Auf andere zu warten, während diese Teams, Prozesse und Infrastruktur aufbauen, ist eine Verliererstrategie ohne Aufholpotenzial.
• Regulatoren gehören von Tag eins ins Projekt: In hochregulierten Branchen wie Luftfahrt, Pharma und MedTech ist die frühe Einbindung von Behörden kein Risiko — sie ist Risikovermeidung.
• Agentische Systeme sind die nächste Welle: Nach LLMs und Chatbots kommen Agenten, die nicht nur Informationen liefern, sondern Aufgaben autonom erledigen. Unternehmen müssen sich jetzt vorbereiten.

Im Detail: Warum KI-Projekte scheitern — und was wirklich funktioniert

KI-Projekte scheitern häufig, weil Organisationen mit Technologie statt mit konkrete Problemen beginnen. Anbieter und Consultants verkaufen Lösungen auf der Suche nach passenden Use Cases — nicht umgekehrt. Der entscheidende Erfolgsfaktor ist daher eine problemzentrierte Strategie: Erst das zu lösende Problem definieren, dann die passende Technologie wählen.

Der häufigste Fehler: Technology-first statt Problem-first

Der Markt ist voll von Anbietern, die mit einer Technologie ankommen und dann nach passenden Problemen suchen. Das klingt absurd — aber es ist die Norm. Consultants und Plattformanbieter verkaufen Lösungen auf der Suche nach Use Cases.

Farajollahzadeh beschreibt den richtigen Ansatz unmissverständlich:

„Das Thema ist immer für uns die wichtigste Frage, welches konkrete Problem will ich eigentlich mit KI lösen und nicht umgekehrt, weil es gibt eben auch sehr viele Mitbewerber auf dem Markt, die eher zunächst einmal mit der Technologie sozusagen kommen und versuchen Probleme, passende Probleme zu der Technologie zu finden.”

Das Problem-First-KI-Framework beginnt deshalb mit einer einzigen Frage: Welche konkrete Geschäftsfrage soll beantwortet werden? Erst dann folgt die Technologieauswahl. Die Schritte in der Praxis:

1. Geschäftsproblem definieren (nicht die Technologie)
2. Konkrete Use Cases identifizieren und priorisieren
3. Feasibility und Reifegrad bewerten
4. IT und Business zusammenbringen
5. Proof of Concept bauen und validieren

Dieser Ansatz verhindert die häufigste Form von Ressourcenverschwendung: KI-Initiativen, die technisch funktionieren, aber keine Adoption finden, weil sie kein echtes Problem lösen.

IT-Business-Alignment: Das Fundament, nicht die Kür

Die Trennlinie zwischen IT und Fachbereichen ist in vielen Organisationen strukturell eingebaut. IT entwickelt, Business betreibt — und beide sprechen unterschiedliche Sprachen. Bei KI-Projekten wird diese Trennung zum Systemfehler.

„Für uns ist diese Frage eine Verbindung herzustellen zwischen Fach und Techwissen. Das ist eben kein nice to have, sondern wirklich das Fundament, um erfolgreiche KI in der Praxis umzusetzen.”

Das IT-Business-Alignment-Modell aus der Lufthansa-Praxis operationalisiert dieses Prinzip über sechs konkrete Schritte:

• Cross-funktionale Teams: IT, Operations und Compliance sitzen von Tag eins am selben Tisch
• Gemeinsame Sprache etablieren: Glossare, regelmäßige Syncs, keine Silo-Kommunikation
• Prozessverständnis aufbauen: IT-Teams müssen den operativen Betrieb kennen, nicht nur die Systemarchitektur
• Review-Cycles mit beiden Seiten: Keine Lösungen, die nur von einer Seite abgenommen werden
• Frühe Regulatoren-Einbindung: In regulierten Branchen keine Überraschungen in der Genehmigungsphase
• Gemeinsame Erfolgsmetriken: Nicht IT-KPIs und Business-KPIs — ein gemeinsames Ziel

Ohne dieses Alignment laufen Technologie und Organisation in unterschiedliche Richtungen. Das ist der eigentliche Grund, warum KI-Projekte scheitern — nicht die Algorithmen, sondern die Governance.

Warum POCs in Tagen gemessen werden müssen

Lange Planungsphasen und endlose Abstimmungsschleifen sind das Erkennungsmerkmal von KI-Projekten, die nie in Produktion gehen. Farajollahzadeh zieht eine klare Grenze:

„Wenn es dann zur Umsetzung kommt, muss es relativ schnell gehen. Wir brauchen keine Theoriekonstrukte, sondern wirklich praxistaugliche Teams. POCs müssen innerhalb von wenigen Tagen umgesetzt werden können mit echten Software und KI Profis. Und GoLive darf nicht in Monaten passieren, sondern wirklich in wenigen Wochen.”

Tage bis Wochen — nicht Monate. Das ist die operative Messlatte für funktionsfähige KI-Transformation. Wer diesen Rhythmus nicht halten kann, hat ein Team-Problem, kein Technologieproblem.

Der End-to-End-Transformationsansatz denkt dabei nicht linear, sondern als iterativer Prozess mit klaren Checkpoints — von der ersten Idee über den POC bis zum dauerhaften Produktivbetrieb. Wichtig: Skalierung muss von Anfang an mitgedacht werden. “Klein anfangen und dann skalieren” klingt agil, ist aber oft eine Falle, wenn die Infrastruktur, die Datenqualität und die Support-Strukturen für den Produktionsbetrieb nicht von Beginn an spezifiziert sind.

Humans-in-the-Loop: Warum 100 % Genauigkeit der falsche Zielwert ist

Eine der häufigsten Fehlannahmen bei KI-Implementierungen: Das System muss perfekt sein, bevor es produktiv geht. Das ist falsch — und aus der Akzeptanzforschung gut begründbar.

Farajollahzadeh zitiert eine aufschlussreiche Studie:

„Da wurden Patienten gefragt, ob sie lieber von dem Chefarzt behandelt werden sollen, der eine Rate hat von vielleicht 75% die Krankheit richtig zu erkennen oder von dem Computersystem mit einer Quote von 98%. Und die Menschen haben trotzdem gesagt, wir möchten lieber vom Chefarzt behandelt werden.”

Diese 75 % vs. 98 %-Dynamik ist kein Randphänomen. Sie beschreibt fundamentales menschliches Vertragsverhalten — besonders in regulierten und sicherheitskritischen Industrien. Das Humans-in-the-Loop-Validierungsmodell übersetzt das in Implementierungsprinzipien:

• Realistische Genauigkeitsziele setzen (90–95 %, nicht 100 %)
• Validierungsprozesse für KI-Ausgaben einbauen
• Experten trainieren, nicht ersetzen
• Audit-Trails und Erklärbarkeit von Anfang an gewährleisten
• Kontinuierliche Lernschleifen zwischen KI-System und Fachexperten

„Eine 100% Lösung immer anzustreben ist nicht empfehlenswert. Es ist immer wichtig weiterhin die Fachleute im Loop zu haben und entsprechend KI als unterstützende Technologie zu nehmen.”

Dieser Ansatz ist nicht nur ethisch vertretbar — er ist der schnellste Weg zur tatsächlichen Adoption in Organisationen, die ohne menschliche Validierung keine KI-Systeme in den Betrieb nehmen werden.

Regulatorische Früheinbindung: Behörden als Projektpartner, nicht als Gatekeeper

In hochregulierten Branchen — Luftfahrt, Pharma, MedTech — ist die typische Strategie: Zuerst entwickeln, dann genehmigen lassen. Das ist strukturell falsch und führt zu kostspieligen Nachkorrekturen in der Spätphase.

Die Regulatorische Früheinbindungs-Strategie dreht diese Logik um: Behörden kommen von Anfang an ins Projekt. Nicht als Prüfer am Ende, sondern als Validierungspartner während der Entwicklung. Das bedeutet:

• Regulatorische Anforderungen frühzeitig mappen
• Behördenvertreter in regelmäßige Jour Fixes einbinden
• Mehrwert und Sicherheit gemeinsam validieren
• Compliance-Checkpoints direkt in den Entwicklungsprozess einbauen
• Dokumentation und Audit-Trails von Sprint eins an aufbauen

„Durch die Reglementierung ist da enorm wichtig wirklich frühzeitig die Luftfahrtbehörden mit reinzunehmen und entsprechend auch zu schauen, wie wir überzeugen können durch Mehrwert eben auch von der Lösung.”

Für KI-Implementierung in regulierten Industrien wie Pharma und MedTech gilt dieselbe Logik. Wer auf späte Genehmigungen setzt, zahlt doppelt: in Zeit und in Nachentwicklung.

Kein Second-Mover-Vorteil — die Kosten des Wartens

Eine verbreitete Denkfigur in Führungsetagen: Erst abwarten, wie andere KI umsetzen, und dann von deren Fehlern lernen. Farajollahzadeh widerspricht direkt:

„Es gibt definitiv da an der Stelle kein Second Mover Vorteil. Das wäre ja utopisch zu glauben, dass es irgendwo durch Zauber alles verändern wird.”

Was dieser Second-Mover-Mythos unterschätzt: Erfolgreiche KI-Transformation ist kumulativ. Unternehmen, die heute investieren, bauen über Jahre Teams, Prozesse, Datenqualität, Standards und Infrastruktur auf. Das ist kein Sprint — das ist organisatorische Muskelkraft, die sich nicht kurzfristig replizieren lässt.

„Es ist natürlich echte Arbeit dahinter und sehr viel Fleiß und Fachwissen und entsprechend auch Überzeugung. Das Ganze beginnt natürlich auch im irgendwo Veränderungsmanagement und wirklich auch die Betroffenen zu Beteiligung zu machen.”

Wer wartet, wartet sich aus dem Wettbewerb heraus.