Viele glauben, KI müsse vom ersten Versuch an zuverlässig funktionieren. Meine Erfahrung zeigt etwas anderes. Echte Wirkung entsteht meist erst nach der Ernüchterung.
Wie fühlt sich die erste Phase an?
Die erste Phase fühlt sich an wie ein perfektes erstes Date. Ein neues Modell erscheint, ein einziger Prompt erzeugt eine Website oder den Prototyp einer Software, und plötzlich scheint fast alles möglich. Die Schlagzeilen versprechen, dass sich die Welt verändert und Menschen bestimmte Aufgaben nie wieder selbst erledigen müssen.
In dieser Phase entstehen die beeindruckenden Demos, die auf Konferenzen gezeigt werden. Sie sind echt. Sie zeigen aber nur, was unter idealen Bedingungen möglich ist.
Warum folgt die Ernüchterung?
Dann beginnt die zweite Phase. Der Prototyp funktioniert nicht zuverlässig. Der Text ist nicht so gut wie erhofft. Eine Berechnung stimmt nicht. Was in einer Demo funktioniert, trägt im echten Arbeitsalltag noch lange nicht. Aus Begeisterung wird Ernüchterung.
Dieses Muster ist gut dokumentiert. Das Beratungsunternehmen Gartner beschreibt mit seinem Hype Cycle, wie neue Technologien nach einem Gipfel überzogener Erwartungen in ein Tal der Enttäuschungen fallen. In seiner Analyse von 2025 hat Gartner generative KI genau dort verortet, im Tal der Enttäuschungen. Gleichzeitig standen KI Agenten am Gipfel der Erwartungen.
Auch die Zahlen aus der Praxis passen dazu. Laut einer Studie des MIT erreichen nur 5 % der maßgeschneiderten KI Werkzeuge in Unternehmen den produktiven Einsatz. Ein Großteil bleibt im Stadium des Pilotprojekts stecken.
Viele hören an diesem Punkt auf und schließen daraus, dass KI nicht funktioniert. Bei mir selbst habe ich etwas anderes beobachtet. Hier beginnt oft erst die eigentliche Lernkurve.
Was ist informierte Leistung?
In der dritten Phase entsteht das, was ich informierte Leistung nenne. Die Vision aus dem Anfang bleibt bestehen. Sie trifft aber auf ein realistisches Verständnis der Grenzen.
In meiner eigenen Arbeit brauchte es viele Runden des Ausprobierens und Verbesserns. Manchmal musste ich komplett neu anfangen, Modelle wechseln und Grundideen verwerfen, bis ich Aufgaben gefunden hatte, bei denen KI die Arbeit tatsächlich vereinfacht oder verändert. Als es dann geklappt hat, lief es richtig gut.
Ein Beispiel ist meine Art zu präsentieren. Beim ersten Versuch, Folien mit KI zu erstellen, hat es nur halb funktioniert. Ein halbes Jahr später entsteht ein ganzer Vortrag an einem Nachmittag. Den Weg dorthin beschreibe ich in Wie ich Präsentationen mit KI Agenten erstelle.
Warum ist die Ernüchterung so wertvoll?
Die Ernüchterung zeigt, wo die Grenzen einer Technologie im eigenen Kontext liegen. Forschende von Harvard und der Boston Consulting Group sprechen von einer „gezackten Grenze“. KI ist bei manchen Aufgaben hervorragend und scheitert bei scheinbar ähnlichen Aufgaben überraschend. In ihrem Experiment lösten BeraterInnen mit KI Aufgaben außerhalb dieser Grenze sogar deutlich schlechter als ohne KI.
Diese Grenze findet man nur durch Ausprobieren. Keine Herstellerbroschüre und keine Studie kann sie für Ihre konkreten Prozesse vorhersagen. Die Ernüchterung ist deshalb eine notwendige Lernphase. Sie zeigt, wo KI trägt und wo menschliches Urteil unverzichtbar bleibt.
Was bedeutet das für Führungskräfte?
Für Führungskräfte liegt darin eine wichtige Konsequenz. Der erste Prototyp zeigt, was möglich ist. Erst die wiederholte Anwendung im echten Prozess zeigt, was trägt.
Ich verwende dafür gerne ein Bild. Die tief hängenden Früchte sind der erste Motivationsschub. Die süßen Früchte findet man aber erst weiter oben am Baum, und dorthin muss man erst einmal klettern.
Daraus ergeben sich vier praktische Empfehlungen.
- Ernüchterung einplanen. Kommunizieren Sie von Beginn an, dass die erste Version Fehler machen wird. Das nimmt den Druck und verhindert, dass Projekte beim ersten Rückschlag beendet werden.
- Zeit für Iterationen budgetieren. Planen Sie mehrere Runden aus Testen, Lernen und Verbessern ein, bevor Sie über Erfolg oder Misserfolg urteilen.
- Erfolg erst im echten Prozess messen. Eine gelungene Demo ist ein Zwischenergebnis. Entscheidend ist, ob die Lösung im Alltag über Wochen zuverlässig funktioniert.
- Lernen sichtbar machen. Halten Sie fest, was nicht funktioniert hat und warum. Dieses Wissen ist wertvoll für alle weiteren Anwendungen in der Organisation.
Wie ein solcher Weg in einem konkreten Fall aussehen kann, zeigt der Praxisfall Vertragsprüfung mit KI.
Wenn Sie Ihre KI Projekte durch die Phase der Ernüchterung begleiten möchten, sprechen Sie mit uns.
Häufige Fragen (FAQ)
Warum scheitern so viele KI Pilotprojekte?
Viele Pilotprojekte werden in der Phase der Ernüchterung beendet, wenn die erste Version nicht zuverlässig funktioniert. Häufig fehlt die Zeit für mehrere Verbesserungsrunden, und Erfolg wird an der Demo gemessen und zu selten am Einsatz im echten Prozess.
Was ist der Hype Cycle?
Der Hype Cycle ist ein Modell des Beratungsunternehmens Gartner. Er beschreibt, wie neue Technologien nach anfänglicher Euphorie in ein Tal der Enttäuschungen fallen und erst danach über einen Pfad der Erleuchtung ein Plateau der Produktivität erreichen. Generative KI wurde 2025 im Tal der Enttäuschungen verortet.
Wie lange dauert es, bis KI im Unternehmen wirkt?
Das hängt stark vom Anwendungsfall ab. Einfache Aufgaben zeigen oft nach wenigen Wochen Wirkung. Komplexe Prozesse brauchen mehrere Monate mit vielen Verbesserungsrunden, bis die Lösung zuverlässig im Alltag trägt.
Quellen
- Gartner (2025). Hype Cycle for Artificial Intelligence, 2025.
- MIT NANDA (2025). The GenAI Divide. State of AI in Business 2025.
- Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013.

