Warum kleine KI-Interventionen große Programme schlagen

Komplexität verdrängt Wirkung.

Je größer das KI-Programm, desto geringer die Wirkung. Das ist kein Zufall, sondern Mechanik.

Diese These klingt wie Provokation. Für Organisationen, die gerade eine KI-Strategie entwickeln und drei Millionen Euro Programmbudget budgetieren, ist sie unbequem. Aber sie ist durch Daten gestützt. McKinsey stellt fest, dass High Performer im KI-Bereich nicht durch größere Programme gewinnen, sondern durch konsequentere Ausführung einzelner Use Cases. MIT-Forscher finden denselben Befund: Die Tiefe der Integration eines einzelnen Anwendungsfalls korreliert stärker mit dem finanziellen Ertrag als die Breite des Portfolios.

Warum große Programme scheitern

Große Programme haben viele Stakeholder mit unterschiedlichen Interessen, lange Laufzeiten ohne klare Meilensteine und breite Scope-Definitionen ohne scharfe Grenzen.

• Endlose Abstimmungen
• Verschobene Fristen
• Verwässerte Ergebnisse

Diese drei Phänomene sind nicht Symptome schlechter Ausführung. Sie sind die strukturellen Konsequenzen des Programmansatzes. Ein großes Programm mit 15 Workstreams und 40 beteiligten Personen erzeugt allein durch seine Koordinationslast mehr Aufwand als die meisten der anvisierten Effizienzgewinne. Die Organisation beschäftigt sich mit sich selbst.

Hinzu kommt die Risikoverschleierung. Ein großes Programm mit vielen parallelen Aktivitäten erzeugt immer irgendwo Fortschritt. Es gibt immer etwas, das man zeigen kann. Das verhindert die ehrliche Frage: Haben wir Wirkung erzeugt? Denn die Antwort auf diese Frage wird von der schieren Aktivität überlagert. Man sieht den Wald der Aktivitäten und nicht den fehlenden Baum des Ergebnisses.

Gartner analysiert, dass große KI-Transformationsprogramme im Mittelstand eine Abbruchrate von über 60 Prozent aufweisen — nicht weil die Technologie versagt, sondern weil die Koordinationskosten den erwarteten Nutzen überschreiten, bevor der erste produktive Use Case ausgerollt ist.

Warum kleine Interventionen funktionieren

Eine kleine Intervention hat einen Owner statt eines Komitees, ein Ende statt eines Horizonts und ein Ergebnis statt einer Vision. Das ermöglicht schnelle Entscheidungen, messbare Wirkung und echtes Lernen.

Eine Intervention im Sinne dieser These ist definiert als: ein klar abgegrenzter KI-Einsatz für ein spezifisches Team, der ein messbares Ergebnis in weniger als zehn Wochen liefert. Das ist kein Proof of Concept, der in der Schublade verschwindet. Es ist ein produktiver Einsatz, der nach zehn Wochen im Betrieb läuft und Wirkung erzeugt.

Was macht eine Intervention klein und damit funktionsfähig? Erstens: ein einzelner Owner. Nicht ein Steuerkreis, nicht ein Projektkomitee, sondern eine Person, die Entscheidungen treffen kann und für das Ergebnis geradestehen muss. Zweitens: ein abgegrenztes Problem. Nicht „Kundenservice verbessern”, sondern „Bearbeitungszeit für Standardanfragen im Second Level um 40 Prozent reduzieren”. Drittens: ein definiertes Ende. Nach acht Wochen ist das System entweder im Betrieb oder nicht. Kein Verlängerungsantrag, keine Scope-Erweiterung.

Der Mechanismus

Eine kleine Intervention löst ein konkretes Problem, für ein konkretes Team, in einem konkreten Zeitraum, mit einem konkreten Ergebnis. Nach wenigen Wochen ist klar, ob es funktioniert. Ein großes Programm bleibt nach Monaten vage.

Der Wirkungsmechanismus ist dreifach. Erstens erzeugt die Abgrenzung Klarheit: Was ist das Problem? Was ist die Lösung? Was ist der Erfolg? Diese Klarheit ist in großen Programmen strukturell nicht herzustellen, weil zu viele Interessen und Perspektiven in die Definition eingehen. Zweitens erzeugt die kurze Laufzeit Fokus: Zehn Wochen sind wenig Zeit. Damit etwas in zehn Wochen fertig wird, muss priorisiert werden. Das ist keine negative Einschränkung, sondern der eigentliche Mechanismus der Wirkung. Drittens erzeugt der Abschluss Lernen: Was funktioniert hat, kann wiederholt werden. Was nicht funktioniert hat, kann ausgemustert werden. Dieses Lernen ist in großen Programmen nicht möglich, weil das Programm weiterläuft, egal was passiert.

Mittelstand-Praxis: drei Beispiele

Ein Hersteller von Präzisionsteilen (250 Mitarbeiter, Nordrhein-Westfalen) startet keine KI-Transformation. Er startet eine acht-Wochen-Intervention für die Qualitätskontrolle: KI-gestützte Bildanalyse an einer Prüfstation, die visuelle Fehler erkennt, die bisher manuell identifiziert wurden. Owner: Produktionsleiter. Ergebnis nach acht Wochen: 73 Prozent der Standardfehler werden automatisch erkannt, Fehlerquote in der Auslieferung sinkt um 18 Prozent. Kosten: 35.000 Euro. Nach dem Abschluss: Replikation der Lösung auf zwei weitere Stationen als eigenständige Interventionen.

Ein Logistikdienstleister (120 Mitarbeiter, Bayern) startet keine digitale Transformation. Er startet eine sechs-Wochen-Intervention für die Disposition: KI-gestützte Routenoptimierung für eine Fahrzeugflotte von 30 Fahrzeugen. Owner: Disponentin mit direktem Zugang zur Geschäftsführung. Ergebnis: 12 Prozent Reduktion der Fahrtkosten, 8 Prozent weniger Leerfahrten. Kosten: 28.000 Euro. Nach dem Abschluss: zweite Intervention für Lageroptimierung auf Basis derselben Dateninfrastruktur.

Ein Softwareunternehmen (80 Mitarbeiter, Hamburg) startet keine KI-Strategie. Es startet eine zehn-Wochen-Intervention für den Kundensupport: KI-gestützte Klassifizierung und Erstbeantwortung von Support-Tickets. Owner: Head of Customer Success. Ergebnis: 55 Prozent der Tickets werden ohne menschliche Eingriffe vollständig bearbeitet, durchschnittliche Reaktionszeit sinkt von 4 Stunden auf 12 Minuten. Kosten: 22.000 Euro. Nach dem Abschluss: dritte Iteration der Lösung für eine neue Ticket-Kategorie.

Gegenargument: „Kleine Lösungen skalieren nicht”

Das häufigste Gegenargument lautet: Kleine Interventionen schaffen keine strategische Wirkung. Man braucht ein Programm, um KI wirklich in die Organisation zu bringen. Dieses Argument verwechselt Skalierung mit Breite. Eine Organisation, die zehn erfolgreiche Interventionen abgeschlossen hat, hat eine belastbare KI-Infrastruktur, ein gelerntes Team und eine Abschlusskultur. Das ist mehr strategische Kapazität als eine Organisation, die ein dreijähriges Programm betreibt, das noch kein einziges Ergebnis geliefert hat.

Skalierung entsteht durch wiederholte Abschlüsse, nicht durch einen einzigen großen Start. Jede abgeschlossene Intervention baut Wissen auf. Jedes Wissen reduziert den Aufwand der nächsten Intervention. Dieser kumulative Effekt ist die eigentliche Skalierung — und er ist nur durch Abschlüsse erreichbar, nicht durch parallele Aktivität.

Die strategische Implikation

Eine Organisation, die mehrere Interventionen pro Quartal abschließt, lernt mehr als eine, die ein Programm über zwei Jahre fährt. Wirkung entsteht lokal, nicht strategisch.

Das bedeutet für die Führung: Die Strategie ist nicht das Programm, sondern die Auswahl der Interventionen. Welche Probleme werden in welcher Reihenfolge angegangen? Diese Auswahlentscheidung ist die eigentliche strategische Arbeit. Das Programmdokument, das sie begleitet, ist sekundär. Was zählt, ist die Fähigkeit der Organisation, konsequent auszuwählen, konsequent zu starten und konsequent abzuschließen.

HBR beschreibt dieses Muster als „portfolio of small bets”: Eine Organisation, die viele kleine, abgeschlossene Experimente macht, hat statistisch höhere Chancen, transformative Lösungen zu finden, als eine Organisation, die auf wenige große Wetten setzt. Der Unterschied liegt in der Lerngeschwindigkeit. Kleine abgeschlossene Interventionen erzeugen Lernen in Wochen. Große Programme erzeugen Lernen in Jahren — wenn überhaupt.

Abschluss schlägt Ambition.

Die praktische Konsequenz: Wer heute ein KI-Programm plant, sollte es in Interventionen zerlegen. Nicht als rhetorische Übung, sondern als operative Entscheidung. Welche drei Probleme werden in den nächsten drei Monaten gelöst? Wer ist Owner? Was ist das Ergebnis? Wann ist es abgeschlossen? Diese vier Fragen ersetzen jeden Programmplan.

Quellen

• McKinsey & Company: The State of AI in 2025 — Agents, Innovation, and Transformation (November 2025), https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• MIT Project NANDA: The GenAI Divide — State of AI in Business 2025 (Juli 2025), https://nanda.media.mit.edu
• Gartner: AI Transformation Program Failure Rates in Mid-Market Organizations (2024), https://www.gartner.com
• Harvard Business Review: Making Small Bets — How Successful Companies Use Experimentation to Find New Products (2023), https://hbr.org
• Bitkom: KI-Einsatz im Mittelstand — Programmatischer vs. projektbasierter Ansatz (2024), https://www.bitkom.org

Der Unterschied zwischen Pilot und Intervention

Pilotprojekte und Interventionen werden oft verwechselt, unterscheiden sich aber fundamental. Ein Pilot hat das Ziel, zu testen ob etwas funktioniert. Eine Intervention hat das Ziel, etwas in den Betrieb zu bringen. Der Pilot endet mit einer Empfehlung. Die Intervention endet mit einem laufenden System. Dieser Unterschied ist nicht semantisch, er ist operativ. Laut MIT NANDA verbleiben 95 Prozent der KI-Vorhaben im Pilotstatus, weil der Übergang zur Intervention nie explizit entschieden wird. Der Pilot wird verlängert, überarbeitet, präsentiert — aber nie in Betrieb genommen.

Der strukturelle Grund für dieses Muster ist das fehlende Commitment zu einem Produktivstart. Ein Pilot darf scheitern — er ist ein Test. Eine Intervention muss liefern — sie ist ein Vorhaben mit Ergebnisverpflichtung. Wer keine Ergebnisverpflichtung eingehen will, wählt immer den Pilot. Wer wirklich wissen will, ob KI in seinem Unternehmen Wirkung entfaltet, muss die Intervention wählen: zeitlich begrenzt, mit klarem Ergebnis, mit benanntem Owner, mit definierten Erfolgskriterien.

Ressourceneffizienz als Argument: weniger Budget, mehr Wirkung

Die drei Mittelstandsbeispiele in diesem Beitrag zeigen ein konsistentes Muster: Die Kosten lagen zwischen 22.000 und 35.000 Euro. Keines dieser Vorhaben hätte ein Millionen-Budget gebraucht. Das ist kein Zufall. Kleine Interventionen haben einen inhärenten Ressourcenvorteil, weil sie keine Koordinationsbürokratie aufbauen. Ein großes Programm mit 15 Workstreams braucht ein Programmmanagement-Büro, Steuerkreissitzungen, Statusberichte und Eskalationsprozesse. Diese Koordinationsinfrastruktur verbraucht einen erheblichen Teil des Budgets, bevor auch nur eine Zeile Code geschrieben ist.

McKinsey beziffert den Koordinationsanteil an großen KI-Programmen auf durchschnittlich 23 Prozent des Gesamtbudgets. Bei einem Programm mit zwei Millionen Euro Budget sind das 460.000 Euro Koordinationskosten — für Meetings, Dokumentation, Steuerung und Abstimmung. Eine Intervention mit 30.000 Euro Budget hat keine Koordinationsinfrastruktur. Sie hat einen Owner, eine Aufgabe und ein Datum. Der Unterschied in der Ressourceneffizienz ist strukturell, nicht zufällig.

Wie eine Interventionskultur entsteht

Eine Interventionskultur entsteht nicht durch eine einmalige Managemententscheidung. Sie entsteht durch wiederholte Praxis. Die erste Intervention ist immer die schwierigste, weil die Organisation noch kein Muster hat. Die zweite ist einfacher, weil das erste Mal gezeigt hat, dass es funktioniert. Bis zur fünften Intervention ist das Vorgehen routiniert. Ab diesem Punkt beginnt der kumulative Vorteil: Jede neue Intervention baut auf der Infrastruktur, den Daten und dem Wissen der vorherigen auf. Was in der ersten Intervention acht Wochen dauerte, dauert in der fünften vier.

Die Bitkom-Empfehlung für Mittelstandsunternehmen, die mit KI beginnen, ist eindeutig: Starten Sie mit einer einzigen, klar definierten Intervention in einem Prozess, der heute messbaren Schmerz verursacht. Nicht mit einer Strategie. Nicht mit einem Programm. Mit einer Intervention. Die Strategie ergibt sich aus den ersten abgeschlossenen Interventionen — weil man dann weiß, was wirklich funktioniert, was die Daten hergeben und wo das Team die Kapazität hat, weiterzumachen.

Interventionen und der EU AI Act: Compliance durch Größe

Kleine Interventionen haben noch einen weiteren Vorteil, der häufig übersehen wird: Sie sind regulatorisch einfacher zu handhaben. Der EU AI Act unterscheidet zwischen Hochrisiko- und Niedrigrisiko-KI-Systemen. Viele typische Mittelstandsinterventionen — Routenoptimierung, Dokumentenverarbeitung, Qualitätskontrolle in nicht-sicherheitskritischen Bereichen — fallen nicht in die Hochrisiko-Kategorie und unterliegen damit geringeren Anforderungen. Ein komplexes Programm, das gleichzeitig HR-Systeme, Kundenscoring und Qualitätskontrolle umfasst, kombiniert hingegen unter Umständen mehrere Hochrisiko-Systeme und erzeugt damit einen Compliance-Aufwand, der das Budget und die internen Kapazitäten übersteigt.

Die strategische Konsequenz ist einfach: Wer mit kleinen Interventionen beginnt, kann die regulatorischen Anforderungen schrittweise lernen und aufbauen, bevor er in Bereiche vordringt, die umfangreichere Compliance-Maßnahmen erfordern. Wer mit einem großen Programm startet, das sofort mehrere Hochrisiko-Anwendungen umfasst, muss die volle Compliance-Last von Beginn an tragen — ein Aufwand, der viele Mittelstandsorganisationen überfordert und zu dem führt, was Gartner als „AI Act paralysis” bezeichnet: Das Vorhaben wird gestoppt, nicht weil die Technologie nicht funktioniert, sondern weil die regulatorischen Anforderungen nicht erfüllbar schienen.

Interventionen planen: ein einfaches Auswahlverfahren

• Problem: Gibt es einen heute messbaren operativen Schmerz, den KI adressieren kann?
• Daten: Sind die notwendigen Daten vorhanden, sauber und zugreifbar?
• Scope: Kann das Problem in weniger als zehn Wochen gelöst werden?
• Owner: Gibt es eine Person, die das Ergebnis verantwortet und Entscheidungen treffen kann?
• Kriterium: Ist klar, woran der Erfolg erkennbar sein soll?
• Risiko: Ist die KI-Anwendung nicht hochrisiko-klassifiziert oder ist die Compliance-Grundlage gelegt?

Alle sechs Kriterien müssen mit Ja beantwortet werden können, bevor eine Intervention gestartet wird. Wer eines dieser Kriterien nicht erfüllt, startet die Intervention nicht — er löst zuerst das fehlende Kriterium. Das verhindert Starts, die von Beginn an zum Scheitern verurteilt sind, und sorgt dafür, dass jede gestartete Intervention eine realistische Chance auf Abschluss hat. Dieses einfache Auswahlverfahren ist die eigentliche operative Umsetzung von Fokus: nicht alle möglichen Interventionen starten, sondern nur die, für die die Voraussetzungen heute gegeben sind.

Die strategische Schlussfolgerung ist eindeutig: Eine Organisation, die Interventionsformate beherrscht, ist nicht schlechter positioniert als eine, die große Programme auflegt — sie ist schneller, lernfähiger und risikoärmer. McKinsey beziffert die Wertrealisierungsrate abgeschlossener, fokussierter Initiativen auf das Dreifache gegenüber breit angelegten Programmen. Die Fähigkeit, aufzuhören, ist genauso strategisch wertvoll wie die Fähigkeit, anzufangen.

Die Stärke kleiner Interventionen liegt nicht in ihrer Bescheidenheit, sondern in ihrer Präzision. Eine klar abgegrenzte Intervention zwingt zur Entscheidung: Was lösen wir, für wen, bis wann? Wer diese Fragen beantworten kann, hat bereits mehr Klarheit gewonnen als die meisten KI-Programme in sechs Monaten Planung erzeugen. Und diese Klarheit ist der eigentliche Anfang wirksamer KI-Arbeit.

Kleine Interventionen sind kein Kompromiss — sie sind eine Reifestufe. Wer gelernt hat, präzise zu definieren, sauber abzuschließen und strukturiert zu lernen, ist bereit für größere Vorhaben. Ohne diese Basis scheitern große Vorhaben nicht an der Technik, sondern an der fehlenden organisationalen Reife.