Warum KI-Projekte an Menschen scheitern, nicht an Modellen.
Der teuerste Pilot ist der, den niemand nutzt.
KI ist im Handel angekommen: Bedarfsprognosen, Preisvorschläge, automatisierte Textbausteine. Die Modelle werden besser, die Business Cases rechnen sich, die Piloten laufen technisch sauber. Und trotzdem bleibt der Ertrag in vielen Häusern aus. Der Grund sitzt selten im Modell. Er sitzt in der Organisation.
Das Projekt, das funktioniert und trotzdem scheitert
Ein Muster, das uns in ähnlicher Form immer wieder begegnet: Ein Handelsunternehmen führt eine KI-gestützte Bedarfsprognose ein. Der Business Case ist solide, die Pilotphase technisch einwandfrei. Nach acht Wochen zeigt das Dashboard eine Prognosegüte, die den manuellen Prozess klar schlägt.
Und dann passiert: fast nichts. Die Disposition übernimmt die Vorschläge nicht. Zwei Drittel werden manuell überschrieben, oft zurück auf exakt die Mengen, die schon immer bestellt wurden. Die Führung reagiert mit mehr Schulung, mehr Kommunikation, einem Reminder im Teammeeting. Die Quote bewegt sich nicht.
In den Gesprächen mit den Disponenten fallen dann drei Sätze:
“Ich sehe nicht, wie das Ding rechnet.”
“Wenn das Lager leerläuft, hafte ich. Nicht der Algorithmus.”
“Wenn das funktioniert, wozu braucht es mich dann noch?”
Wer diese drei Sätze ernst nimmt, versteht: Das ist kein Schulungsproblem. Das ist ein Veränderungsproblem. Und zwar eines, das mit klassischem Projekt-Change nicht zu greifen ist.
Warum KI-Change anders ist als jedes Systemprojekt
Die üblichen Change-Rezepte sind für Vorhaben mit Endzustand gebaut: neues System, Go-live, Stabilisierung, fertig. KI bricht diese Logik an drei Stellen.
- KI ist nie fertig. Ein Modell verändert sein Verhalten mit jedem Retraining. Die Organisation arbeitet dauerhaft mit einem Werkzeug, das sich wandelt.
- KI ist nicht durchschaubar. Eine Bestellformel lässt sich nachrechnen, ein Machine-Learning-Modell nicht. Vertrauen muss anders entstehen als über Nachvollziehbarkeit im Einzelfall.
- KI berührt das Selbstverständnis. Wer seit zwanzig Jahren gut disponiert, hört bei jeder KI-Ankündigung eine zweite Botschaft mit: Vielleicht braucht es diese Erfahrung bald nicht mehr.
Die Arbeitspsychologie der Ruhr-Universität Bochum hat für genau diese Lücke ein Rahmenwerk entwickelt (JOCAT, entstanden im Kompetenzzentrum HUMAINE). Die Kernaussage in einem Satz: Der Erfolg einer KI-Transformation hängt an den Bedürfnissen, Wahrnehmungen und dem Engagement der Mitarbeitenden. Nicht an der Modellgüte.
Drei Hebel, die die Akzeptanz wirklich bewegen
Keine Theorie, sondern das, was die Übersteuerungsquote (den Anteil manuell überschriebener Systemvorschläge) in Projekten tatsächlich verändert:
1. Leitplanken vor dem Piloten, nicht als Beruhigung danach
Die Geschäftsführung legt schriftlich fest, wofür die KI da ist und wofür nicht: keine Leistungsbewertung, kein Stellenabbau durch das System. Und sie vertritt das persönlich, an jedem Standort. Wer den Betriebsrat erst nach dem Piloten einbindet, überlässt dem Flurfunk die Deutungshoheit, und der erzählt nie etwas Gutes.
2. Beteiligung mit echtem Einfluss, nicht mit Feedback-Briefkasten
Die erfahrensten Anwender bekommen einen Kanal, über den ihr Wissen nachweisbar ins Modell fließt. Zum Beispiel ein festes Kalibrierungsteam, das wöchentlich die auffälligsten Abweichungen mit dem Data-Team durchgeht. Aus Betroffenen werden Beteiligte. Und jede Verbesserung, die aus dem Team kommt, wird sichtbar kommuniziert.
3. Übersteuern erlauben und messen
Die Regel „begründetes Abweichen ist erwünscht“ nimmt die Angst, gegen die Maschine zu verlieren, und liefert dem Modell die wertvollsten Trainingssignale. Gemessen wird trotzdem: Die Übersteuerungsquote gehört ins Führungs-Reporting, gleichberechtigt neben Bestand und Verfügbarkeit. Liegt sie dauerhaft über 40 Prozent, haben Sie kein Anwenderproblem, sondern ein Führungs- oder Datenproblem.
Die unbequeme Wahrheit
Der Change-Anteil kostet einen Bruchteil des KI-Budgets und entscheidet über den gesamten Ertrag. Die teuerste Variante ist der technisch erfolgreiche Pilot, den niemand nutzt. Genau die wird gerade in vielen Handelsunternehmen gebaut.
Der Schritt davor: Trägt der Prozess überhaupt KI?
Bevor die Frage nach der Akzeptanz kommt, steht eine andere: Welche Ihrer Prozesse tragen KI wirklich, und welche müssen erst aufgeräumt werden? Eine erste Einordnung liefert der KI-Realitäts-Check in drei Minuten, kostenfrei und ohne Anmeldung. Wie wir KI-Reife systematisch bewerten und Ihre Organisation auf die Einführung vorbereiten, zeigt die KI-Readiness-Einordnung.
Wie KI im Handel insgesamt einzuordnen ist, von der Frage, wo sie sich rechnet, bis zu Haftung und Change, lesen Sie gebündelt auf unserer Themenseite KI im Handel.
Wenn Sie dieses Thema in Ihrem Projekt vertiefen möchten, sprechen Sie mit uns.
Über den Autor
Stefan Radau
Gründer & Geschäftsführer
Stefan Radau gründete Innovera Consulting 2025 nach über 20 Jahren im Handel. Er begleitet Geschäftsführer und Bereichsleiter im Handel und Großhandel vendor-neutral, pragmatisch und messbar durch komplexe Transformationen.
