Das Last-Mile-Problem: Warum KI-Piloten in der Demo beeindrucken und am Handoff sterben

Jeder KI-Pilot sieht im Raum gleich aus. Der Bildschirm zeigt einen sauberen Prompt, in Sekunden erscheint eine plausible Antwort, und jemand am Tisch sagt “das ist unglaublich”. Sechs Wochen später ist dasselbe Projekt still abgestellt, und niemand kann auf einen einzigen Euro zeigen, den es bewegt hat. Die Demo war echt. Der Wert kam nie an.

Das ist das Muster hinter den Zahlen, die jetzt alle zitieren. MIT NANDA fand heraus, dass 95 Prozent der generativen KI-Piloten keinen messbaren Beitrag zur Gewinn- und Verlustrechnung liefern¹. S&P Global berichtete, dass 2025 42 Prozent der Unternehmen die meisten ihrer KI-Initiativen abgebrochen haben, gegenüber 17 Prozent im Jahr zuvor³. Gartner erwartet, dass bis Ende 2027 mehr als 40 Prozent der agentischen KI-Projekte abgebrochen werden⁴. Das sind keine Modellqualitäts-Fehler. Es sind Handoff-Fehler.

Der Grund ist fast immer derselbe, und es ist nicht der Teil, den jemand demonstriert. Ein Pilot hört genau vor dem schwierigen Teil auf: in das echte System zu schreiben, die Ausnahme zu behandeln, die nicht im Skript stand, und das Ergebnis zu verantworten. Dieser letzte Abschnitt ist die letzte Meile, und genau dort liegt der Wert und genau dort sterben Piloten. Dieser Artikel ist für die Führungskraft, die die Demo gesehen, die Begeisterung gespürt und beobachtet hat, wie sie am Handoff verpuffte, und die wissen will, was wahr sein muss, damit der nächste den Produktivbetrieb erreicht.

Die Demo-Produktiv-Lücke

Zwischen einem System, das eine Frage beantworten kann, und einem System, das eine Aufgabe abschließen kann, liegt eine Kluft. Fast jeder KI-Pilot wird am Ersten gemessen und gegen das Zweite eingesetzt, weshalb die Ausfallzahlen bei jedem Forschungshaus so ähnlich aussehen.

• 95 Prozent zeigen keine Rendite - MIT NANDA analysierte den Stand der Unternehmens-KI und fand heraus, dass trotz zweistelliger Milliardenausgaben 95 Prozent der generativen KI-Piloten keinen messbaren G&V-Beitrag lieferten. Nur rund 5 Prozent erreichten schnellen Wert¹.
• Abbrüche mehr als verdoppelt - S&P Globals Voice-of-the-Enterprise-Umfrage 2025 fand, dass 42 Prozent der Unternehmen die meisten ihrer KI-Initiativen verwarfen, gegenüber 17 Prozent ein Jahr zuvor, wobei fast die Hälfte aller Proofs of Concept vor dem Produktivbetrieb eingestellt wurde³.
• Agentische Projekte sind als Nächstes dran - Gartner prognostiziert, dass bis Ende 2027 über 40 Prozent der agentischen KI-Projekte abgebrochen werden, wegen steigender Kosten, unklarem Geschäftswert und unzureichenden Risikokontrollen⁴.
• Piloten scheitern an derselben Wand - Unabhängige Analysen beziffern den Anteil der Unternehmens-KI-Piloten, die nie in den Produktivbetrieb kommen, auf rund 88 Prozent, und den Anteil speziell der KI-Agenten-Piloten, die stecken bleiben, auf rund 78 Prozent¹¹¹².
• Scheitern ist strukturell, nicht exotisch - RAND fand, dass mehr als 80 Prozent der KI-Projekte scheitern, etwa doppelt so oft wie Nicht-KI-IT-Projekte, getrieben von fehlausgerichteten Zielen, schwachen Daten und Technik-zuerst-Denken⁶.
• Nutzung ist breit, aber flach - In Deutschland nutzen 36 Prozent der Unternehmen KI in irgendeiner Form¹³, aber nur 15 Prozent nutzen sie produktiv, also mit mindestens einem System, das regelmäßig für einen echten Geschäftszweck läuft¹⁵.

Der verräterische Punkt liegt darin, was das Budget kaufte. MIT NANDA fand, dass mehr als die Hälfte der GenAI-Budgets in Vertriebs- und Marketing-Tools floss, während die größten Renditen in unspektakulärer Back-Office-Automatisierung lagen, die tatsächlich manuelle Arbeit entfernt¹. Das Geld folgte der Demo. Der Wert folgte dem Ergebnis. Sie waren nicht am selben Ort.

Der rote Faden über allem ist ein Handoff, der nie stattfindet. Die letzte Meile genau zu verstehen, ist der erste Schritt, um dafür zu bauen.

Was die letzte Meile wirklich ist

Der Begriff kommt aus der Logistik, wo die letzte Meile die kurze, teure, komplizierte letzte Etappe ist, die ein Paket vom Depot zur Haustür bringt. In der KI ist die letzte Meile die Etappe, die ein Ergebnis vom Modell zum System of Record bringt. Sie ist kurz im Konzept und brutal in der Praxis.

Ein Pilot löst das Suchproblem: Er findet, fasst zusammen oder entwirft. Der Produktivbetrieb verlangt, das Ausführungsproblem zu lösen: die eigentliche Dateneingabe, das Klicken, das Buchen, das Senden⁷. Der Chatbot überlässt diese letzte Etappe einem Menschen. Der KI-Mitarbeiter geht sie. Vier Dinge leben auf dieser letzten Meile, und jedes davon ist in einer Demo unsichtbar.

1. In das echte System schreiben - Die Aktion muss im CRM, im ERP, im Ticket-Tool oder im Posteingang landen, nicht in einer Chatblase, die der Nutzer dann abtippt. Das ist der größte Unterschied zwischen einer Demo und einem Produktiveinsatz.
2. Die Ausnahme behandeln - Echte Arbeit ist zu 70 Prozent Routine und zu 30 Prozent Sonderfall. Die Demo zeigt die Routine-70. Der Produktivbetrieb steht und fällt damit, ob das System mit dem fehlenden Feld, dem Duplikat, dem Kunden umgeht, der nicht ins Schema passt.
3. Das Ergebnis verantworten - Jemand muss dafür verantwortlich sein, dass das Ticket gelöst, die Rechnung gebucht, der Lead qualifiziert ist. Ein Entwurf, der an einen Menschen zurückgeht, verantwortet nichts.
4. Dauerhaft sein - Das System muss sich merken, wie Ihr Unternehmen das macht, sich bei Korrektur verbessern und im nächsten Quartal noch funktionieren, wenn die Person, die es aufgesetzt hat, weitergezogen ist.

Nichts davon heißt, dass lesende KI nutzlos ist. Es heißt, sie ist ein anderes Produkt als das, welches der Business Case annahm, und die Lücke zwischen beiden ist der Ort, an dem das Geld stirbt.

Warum Piloten am Handoff sterben

Der Handoff ist der Moment, in dem ein vielversprechender Pilot zu einem Produktivsystem werden soll, das ohne die Menschen läuft, die es gebaut haben. Hier hören die meisten auf zu atmen. Die Fehlerarten sind vorhersehbar, und das ist eine gute Nachricht, denn vorhersehbare Fehler lassen sich wegkonstruieren.

1. Der Demo-Umfang war der ganze Umfang - Der Pilot sollte das Konzept beweisen, also behandelte er den Happy Path und nichts sonst. Beim Handoff kommen die echten Fälle, und es gibt keine Logik dafür. Das Projekt braucht einen zweiten Bau, der nie budgetiert war.
2. Schreibzugriff wurde nie verdrahtet - Der Pilot las aus Systemen und erzeugte Output, war aber nie zum Zurückschreiben verbunden. Live-Gang bedeutet ein Integrationsprojekt, das niemand zugeschnitten hat, mit Sicherheit und Berechtigungen, die von Grund auf verhandelt werden müssen.
3. Niemand verantwortet das Ergebnis - Weil die KI nur vorschlug, musste ein Mensch immer noch handeln, also änderte sich das Organigramm nie. Auf niemandes Aufgabenliste steht “dieses Ergebnis verantwortet jetzt das System”, also fällt die Verantwortung still an dasselbe überlastete Team zurück.
4. Das Wissen steckte im Kopf des Erbauers - Die Person, die den Piloten betrieb, kannte die Umwege und Prompts auswendig. Nichts davon wurde festgehalten. Wenn sie weiterzieht, kann niemand sonst den Piloten betreiben.
5. Erfolg war als Demo definiert, nicht als Zahl - Der Pilot “funktionierte”, weil er gut aussah, nicht weil er eine Basislinie traf. Beim Handoff gibt es keine vereinbarte Kennzahl, die sagt, ob skaliert oder gestoppt werden soll, also driftet er, bis das Budget aufgebraucht ist.
6. Risikokontrollen waren ein Nachgedanke - Wenn zum ersten Mal jemand fragt “was passiert, wenn es im ERP das Falsche tut”, ist die ehrliche Antwort “wir wissen es nicht”, und das Projekt bleibt in einer Governance-Prüfung stecken, die es per Konstruktion hätte bestehen sollen.

Schreibzugriff: Die Linie zwischen Demo und Wert

Die schärfste Linie zwischen einem Piloten und einem Produktivsystem ist, ob die KI schreiben kann. Lesende KI sagt Ihnen, was zu tun ist. Last-Mile-KI tut es. Alles am Wert- und am Risikofall ändert sich, sobald das System handeln kann, weshalb Schreibzugriff bewusst konstruiert werden muss, statt später eingeschaltet zu werden.

Warum der Wert im Schreibzugriff liegt

• Der menschliche Schritt kostet die Zeit - Eine Zusammenfassung zu lesen spart Minuten. Nicht das ERP öffnen, den Datensatz finden und die Aktualisierung eintippen zu müssen, spart die eigentliche Arbeit. Wert wird erst frei, wenn der letzte manuelle Schritt verschwindet.
• Ergebnisse erfordern Abschluss - Sie können kein gelöstes Ticket messen, wenn ein Mensch es noch lösen muss. Schreibzugriff ist das, was ein messbares Ergebnis überhaupt entstehen lässt.
• Im Back-Office liegen die Renditen - MIT NANDA fand die stärkste Rendite in Back-Office-Automatisierung, die manuelle Bearbeitung entfernt, genau der Arbeit, die Schreiben in Systeme erfordert, nicht in den Entwurfstools, die die Ausgaben dominierten¹.
• Es verändert die Arbeitseinheit - Mit lesender KI besetzen Sie den Prozess weiter. Mit Schreibzugriff läuft der Prozess und Ihr Team beaufsichtigt ihn, was eine ganz andere Kostenstruktur ist.

Warum auch das Risiko im Schreibzugriff liegt

Dieselbe Fähigkeit, die den Wert schafft, schafft die Gefahr. Ein lesendes System ist gefährlich, wenn es Daten preisgibt oder täuscht. Ein agentisches System ist gefährlich, weil es Dinge tun kann⁸. Die Antwort ist nicht, KI für immer lesend zu halten. Es ist, die Kontrollen genau dorthin zu setzen, wo die Aktion passiert.

• Eng gefasste Berechtigungen - Der Agent erhält Zugriff auf die konkreten Systeme, Datensätze und Felder, die er braucht, und nichts sonst. Least Privilege gilt für KI genauso wie für Menschen.
• Freigabepunkte - Risikoreiche Aktionen, oberhalb eines Wertes oder außerhalb normaler Parameter, halten für eine menschliche Freigabe an. Routine fließt; Folgenreiches wartet.
• Vollständiger Audit-Trail - Jede Aktion des Agenten wird mitsamt Begründung protokolliert, sodass Sie sie prüfen, erklären und rückgängig machen können. Das ist bessere Nachvollziehbarkeit, als die meisten manuellen Prozesse haben.
• Umkehrbarkeit - Bevorzugen Sie Aktionen, die sich rückgängig machen lassen, und stufen Sie unumkehrbare hinter stärkeren Prüfungen ein. Konstruieren Sie für den Fehler, bevor er passiert.

End-to-End-Verantwortung: Das Ergebnis verantworten, nicht den Schritt

Schreibzugriff lässt die KI handeln. Verantwortung ist das, was diese Aktionen zu etwas summiert, das Sie zur Rechenschaft ziehen können. Der Unterschied zählt, weil ein System, das einen Schritt in einer Kette verantwortet, die Kette trotzdem einem Menschen überlässt, und die Kette ist die Aufgabe.

Was Verantwortung wirklich erfordert

1. Ein definiertes Ergebnis - Nicht “bei Rechnungen helfen”, sondern “eingehende Rechnungen werden innerhalb eines Werktags abgeglichen, gebucht und Ausnahmen eskaliert”. Das Ergebnis ist ein Substantiv, das Sie messen können, kein Verb, bei dem Sie assistieren.
2. Autorität über jedes System, das das Ergebnis berührt - Wenn das Lösen eines Tickets das CRM, die Wissensdatenbank und das Abrechnungstool braucht, muss die KI in allen drei handeln. Verantwortung endet am ersten System, das sie nicht erreichen kann.
3. Urteilsvermögen bei Ausnahmen - Die KI behandelt die Fälle, die sie kann, und eskaliert die, die sie nicht kann, mit dem Kontext, den ein Mensch braucht, um in Sekunden statt Minuten zu entscheiden.
4. Eine Feedback-Schleife - Wenn ein Mensch sie korrigiert, ändert diese Korrektur künftiges Verhalten. Verantwortung ohne Lernen verkommt zu einem System, um das die Leute still herumarbeiten.
5. Berichterstattung - Die KI sagt Ihnen, was sie getan, was sie eskaliert und wo sie unsicher war. Sie beaufsichtigen ein Ergebnis, statt eine Aufgabe zu erledigen.

Das ist der Unterschied zwischen einem Copilot und einem Mitarbeiter. Ein Copilot macht einen Menschen bei jedem Schritt schneller und lässt den Menschen für alle verantwortlich. Ein Mitarbeiter nimmt Ihnen das Ergebnis ab. Verantwortung ist auch die einzige ehrliche Grundlage für ergebnisbasierte Preise: Sie können ein gelöstes Ticket bepreisen, aber keinen Entwurf, den jemand noch fertigstellen muss.

Das Company Brain: Warum Piloten vergessen

MIT NANDA nannte die Kernursache für das Steckenbleiben von Piloten: eine Lernlücke, bei der generische Werkzeuge kein Feedback behalten, sich nicht an den Kontext anpassen und sich über die Zeit nicht verbessern¹. Eine Demo muss sich nichts merken. Ein Produktivsystem, das ein Ergebnis verantwortet, muss sich fast alles merken. Dieses Gedächtnis nennen wir das Company Brain, und es ist das dritte Ding, das eine KI über die letzte Meile bringt.

Ein Company Brain ist ein dauerhafter, strukturierter Speicher, wie Ihr Unternehmen tatsächlich arbeitet: Ihre Prozesse, wie sie wirklich laufen, Ihre Regeln und deren Ausnahmen, die Systeme, die jeder Schritt berührt, und die Korrekturen, die Ihr Team über die Zeit macht. Es ist der Unterschied zwischen einer KI, die jede Sitzung als Fremde beginnt, und einer, die Ihr Geschäft bereits kennt.

• Es verankert die KI in Ihrer Realität - Der Agent handelt danach, wie Ihr Unternehmen Rechnungen oder Onboarding macht, nicht nach einem generischen Muster aus dem Internet. Diese Verankerung macht seine Aktionen oft genug korrekt, um ihnen zu vertrauen.
• Es überlebt Fluktuation - Wenn die Person geht, die den Prozess verstand, bleibt das Wissen im Brain, statt aus der Tür zu gehen. Das ist das Gegenteil eines Piloten, den nur ein Erbauer betreiben kann.
• Es wächst mit der Nutzung - Jede Korrektur Ihres Teams wird festgehalten und angewandt, sodass das System fähiger wird, je länger es läuft. Ein Pilot, der vergisst, ist an Tag 200 nicht besser als an Tag eins.
• Es ist das Asset, nicht das Modell - Modelle sind eine Ware, die Sie tauschen können. Ihre kodifizierte Arbeitsweise ist proprietär und verteidigbar. Das Company Brain ist das, was Sie tatsächlich besitzen.
• Es macht Ausnahmen handhabbar - Weil das Brain die Sonderfälle hält, die das Unternehmen schon gesehen hat, erkennt die KI sie, statt an jedem zu scheitern, als wäre er neu.

Die letzte Meile überqueren: Ein praktischer Fahrplan

Die letzte Meile zu überqueren ist kein größerer Pilot. Es ist eine andere Art, vom ersten Tag an zuzuschneiden, gebaut um ein Ergebnis, das die KI verantworten kann, statt um eine Fähigkeit, die sie vorführen kann. Hier ist die Abfolge, die funktioniert.

Phase 1: Ein Ergebnis wählen, kein Feature (Woche 1-2)

1. Ein verantwortetes Ergebnis wählen - Wählen Sie einen hochvolumigen, gut verstandenen Prozess mit klarem Resultat: Rechnungsbuchung, Ticketlösung, Lead-Qualifizierung. Ein Ergebnis, keine Plattform.
2. Den echten Prozess samt Ausnahmen abbilden - Setzen Sie sich zu den Menschen, die die Arbeit tun, und dokumentieren Sie die 30 Prozent Sonderfälle, die es nie auf eine Folie schaffen. Das ist der Teil, den die Demo übersprang.
3. Eine Ergebnis-Basislinie setzen - Messen Sie aktuelles Volumen, Zeit, Fehlerquote und Kosten, bevor Sie bauen. Ohne Basislinie lässt sich nicht entscheiden, ob skaliert wird.

Phase 2: Vom ersten Tag an für den Produktivbetrieb bauen (Woche 3-5)

4. Schreibzugriff früh verdrahten - Verbinden Sie im ersten Bau mit den echten Systemen und eng gefassten Berechtigungen, nicht in einer späteren Phase. Wenn es nicht schreiben kann, ist es nicht das eigentliche Projekt.
5. Freigaben und Audit-Trail entwerfen - Legen Sie fest, welche Aktionen fließen und welche für einen Menschen anhalten, und protokollieren Sie ab der ersten Aktion alles. Governance besteht, weil sie eingebaut wurde, nicht angeschraubt.
6. Im Company Brain verankern - Halten Sie Prozesswissen und Ausnahmen fest, damit das System dauerhaft ist und sich mit Korrektur verbessert.

Phase 3: Live betreiben und beaufsichtigen (Woche 6-8)

7. Erst mitlaufen, dann übergeben - Lassen Sie die KI neben dem aktuellen Prozess laufen, vergleichen Sie ihre Aktionen mit denen des Menschen, dann lassen Sie sie die Routinefälle verantworten, während Menschen beaufsichtigen.
8. Die Feedback-Schleife schließen - Speisen Sie jede Korrektur zurück ins Company Brain, damit das System jede Woche schärfer wird.
9. An der Basislinie messen - Berichten Sie abgeschlossene Ergebnisse und entfernte Stunden gegen Woche null, dann entscheiden Sie, den Umfang oder das nächste Ergebnis auszuweiten.

Wie Superkind passt

Superkind baut KI-Mitarbeiter, die die letzte Meile überqueren: Sie verantworten ein Ergebnis End-to-End, haben Schreibzugriff auf Ihre echten Systeme und sind in einem Company Brain verankert, das lernt, wie Ihr Geschäft arbeitet. Der Ansatz ist prozessorientiert, der Ausgangspunkt ist also immer Ihr tatsächlicher Prozess, nicht ein Produkt, das Sie passend biegen müssen.

• Verantwortet ein Ergebnis, keinen Schritt - Jeder KI-Mitarbeiter ist auf ein vollständiges Ergebnis zugeschnitten, für das er verantwortlich ist, sodass die Arbeit von der Liste Ihres Teams verschwindet, statt nur etwas schneller zu werden.
• Schreibzugriff auf echte Systeme - Er handelt in E-Mail, Teams, SharePoint, CRM und ERP und schließt die Aktion ab, statt sie für einen Menschen zum Abtippen zu entwerfen.
• Verankert in einem Company Brain - Er ist auf Ihr internes Wissen und Ihre Prozesse trainiert, nicht auf allgemeine Internetdaten, und verbessert sich jedes Mal, wenn Ihr Team ihn korrigiert.
• Sitzt auf Ihrem Stack - Er arbeitet als eine Schicht über den Tools, die Sie schon nutzen, ohne Rip-and-Replace und ohne dass Ihr Team etwas Neues lernen muss.
• Live in etwa zwei Wochen - Ein fokussiertes Ergebnis geht in etwa zwei Wochen in den Produktivbetrieb, kein Sechs-Monats-Rollout, weil der Umfang ein Ergebnis ist, ordentlich gemacht.
• Ausnahmen und Freigaben per Konstruktion - Routine fließt, Folgenreiches hält für einen Menschen an, und die Sonderfälle sind von Anfang an eingebaut, statt am Handoff entdeckt zu werden.
• Vollständiger Audit-Trail - Jede Aktion wird mit Begründung protokolliert, sodass die Arbeit besser nachvollziehbar und umkehrbar ist als der manuelle Prozess, den sie ersetzt.
• Nach Ergebnis bepreist - Die Preise folgen den gelieferten Resultaten, nicht Plätzen oder Token, was nur möglich ist, weil die KI Ergebnisse tatsächlich abschließt.

Entscheidungsrahmen: Ist Ihr Pilot bereit zu überqueren?

Nicht jede KI-Idee sollte heute die letzte Meile überqueren, aber die Signale, die eine Demo von einem einsatzfähigen Ergebnis trennen, sind klar. Nutzen Sie dies, um zu entscheiden, wo Sie drücken und wo Sie warten.

Das Muster ist einfach: Überqueren Sie die letzte Meile dort, wo das Ergebnis klar, die Systeme erreichbar und die Aktionen meist umkehrbar sind, und beginnen Sie dort.

Häufig gestellte Fragen

Verwandte Artikel

• Warum KI-Projekte scheitern - und wie Sie zur Minderheit gehören, die ausliefert
• RPA vs KI-Agenten: Was die Ausnahme wirklich behandelt
• Das Ende der Lizenz pro Platz: Warum KI-Mitarbeiter nach Ergebnis bepreist werden
• Human in the Loop: Wo Menschen in einen agentischen Workflow gehören
• Was ein Company Brain wirklich kostet
• Prozess-zuerst-KI: Warum der Workflow die Modellwahl schlägt
• Agent Washing: Woran Sie einen echten KI-Mitarbeiter von einem umetikettierten Chatbot erkennen

Henri Jung

Mitgründer von Superkind, wo er KMU und Unternehmen hilft, maßgeschneiderte KI-Agenten einzusetzen, die wirklich zur Arbeitsweise ihrer Teams passen. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert zu schließen, den sie in echten Unternehmen schafft. Er hat zu viele beeindruckende Piloten am Handoff sterben sehen und glaubt, dass der Mittelstand alles hat, um bei KI zu führen - er braucht nur Systeme, die die letzte Meile überqueren, statt an der Demo stehen zu bleiben.