91 Prozent der Mid-Market-Unternehmen halten ihre interne KI-Kompetenz für belastbar. 10 Prozent haben tatsächlich alle ihre KI-Initiativen über die Pilotphase hinaus skaliert (IT Brief UK, 2026).
Dieselben 500 Befragten. Dieselbe Erhebung. Dieselben sechs Feldwochen.
Der Abstand zwischen diesen beiden Zahlen ist der Ort, an dem KI-Pilotprojekte im Mid-Market sterben — und der Grund, aus dem die meisten sterben, ist nicht der, der finanziert wird. Auf die Frage, warum Projekte steckenblieben, nannten 48 Prozent derselben Führungskräfte fehlende KI-Kompetenz. Sie machen also genau jene Fähigkeit verantwortlich, die sie sich zuvor mit 91 Prozent Zuversicht selbst attestiert hatten.
Das ist keine Kompetenzlücke. Das ist ein Diagnosefehler, und er ist teuer.
Was die Klarus-Studie tatsächlich gemessen hat
Klarus hat gemeinsam mit Vitreous World am 8. Juli 2026 seine Studie zu KI im Mid-Market veröffentlicht. Die Stichprobe: 500 Senior-Entscheider in britischen und irischen Unternehmen mit 200 Mio. bis 2 Mrd. Pfund Umsatz und 300 bis 3.000 Mitarbeitenden — Eigentümer, C-Level, VPs, Direktoren und Bereichsleiter mit Entscheidungsbefugnis über Technologie (IT Brief UK, 2026).
Die Einführung ist nicht das Problem. 73 Prozent hatten KI teilweise oder vollständig ausgerollt. Von denen, die KI erprobt hatten, hatten nur 10 Prozent sämtliche Initiativen über den Piloten hinaus skaliert — womit 90 Prozent Vorhaben in frühen Phasen oder im Stillstand haben (Klarus, 2026).
Dieses Segment ist nicht randständig. Klarus verweist auf NatWest-Zahlen, wonach der britische Mid-Market 30 Prozent der Bruttowertschöpfung erbringt — bei 0,5 Prozent aller Unternehmen. Eine Stillstandsquote von 90 Prozent in dieser Klasse ist keine Kuriosität der Techbranche. Sie ist eine volkswirtschaftliche Produktivitätsposition — und, unmittelbarer, Ihr Betriebsbudget.
Die Zuversicht-Kompetenz-Inversion
Liest man die beiden Kernzahlen zusammen, zeigt sich ein präzises Krankheitsbild.
91 Prozent Zuversicht in die interne Kompetenz. 48 Prozent, die fehlende Kompetenz als Todesursache der Piloten nennen. 39 Prozent, die den „Aufbau interner Kompetenz" zur Priorität der nächsten zwölf Monate erklären.
Diese drei Zahlen können nicht alle dieselbe Organisation zutreffend beschreiben. Sie beschreiben ein Team, das im Abstrakten selbstsicher und im Konkreten improvisierend ist — kompetent im Umgang mit KI-Werkzeugen, ungetestet im Produktivsetzen. Die Zuversicht ist echt; sie misst nur das Falsche. Einen Prompt schreiben zu können ist nicht dasselbe wie ein Modell gegen echte operative Daten laufen zu lassen — mit Audit-Trail, Verantwortlichem und Rollback-Plan.
Die Folge ist ein fehlgeleitetes Budget. Wenn Führungskräfte glauben, der Engpass sei Kompetenz, stellen sie ein. Sie kaufen Schulungslizenzen, veranstalten Enablement-Wochen, schreiben eine KI-Engineer-Stelle aus. Währenddessen liegt der eigentliche Blocker eine Ebene tiefer, unangetastet, und der nächste Pilot stirbt an exakt derselben Ursache wie der letzte.
Der Engpass, den niemand finanziert: warum KI-Pilotprojekte im Mid-Market an Daten scheitern
Und das berichteten dieselben Führungskräfte, als man sie nach ihren Daten statt nach ihren Leuten fragte.
83 Prozent der Unternehmen, die KI pilotiert oder ausgerollt hatten, meldeten schlechte Datenqualität. 69 Prozent sagten, sie verhindere oder verzögere KI-Arbeit aktiv (IT Brief UK, 2026).
Und wenn Projekte die Erwartungen erfüllten, nannten die Befragten den Grund: starke Datenqualität, von 59 Prozent als kritisch bezeichnet — vor Governance, Sicherheit, Datenschutz und Ethik mit 54 Prozent.
Die Erhebung beantwortet ihre eigene Frage. Datenqualität ist der meistgenannte Erfolgsfaktor unter den Gewinnern und eine nahezu universelle Klage unter den Steckengebliebenen. Sie ist nur nicht das, was beschuldigt wird — denn die eigenen Daten zu beschuldigen ist weniger schmeichelhaft, als den Arbeitsmarkt zu beschuldigen.
Zwei unabhängige Institutionen ohne Interesse an einem Mid-Market-Beratungsmandat weisen in dieselbe Richtung. Gartner prognostiziert, dass Organisationen bis 2026 60 Prozent aller KI-Projekte aufgeben werden, die nicht durch „AI-ready" Daten gestützt sind (Gartner, 2025). RAND ordnete nach strukturierten Interviews mit 65 erfahrenen Data Scientists und Ingenieuren unzureichende Daten unter die fünf Grundursachen des Scheiterns von KI-Projekten ein — neben falschem Problemverständnis, dem Nachlaufen hinter der Technologie statt hinter dem Anwendungsfall und unzureichender Infrastruktur für Deployment und Betrieb der Modelle (RAND Corporation, 2024).
Drei Datensätze. Einer aus einer britischen Mid-Market-Erhebung, einer aus einer Analystenprognose, einer aus einem US-Forschungsinstitut, das Praktiker befragt. Keiner davon nennt Talent als primären Engpass.
Governance ist dasselbe Problem mit anderem Etikett
59 Prozent dieser Unternehmen haben kein umfassendes KI-Governance-Framework. 48 Prozent nannten Governance-, Ethik-, Sicherheits- oder Datenschutzbedenken als Grund für Stillstand — derselbe Anteil, der fehlende Kompetenz verantwortlich machte (IT Brief UK, 2026).
Behandeln Sie das als einen Befund, nicht als zwei. Ein Pilot ohne Governance-Framework hat keinen definierten Weg in die Produktion, weil niemand beantwortet hat, wer Modellausgaben freigibt, was passiert, wenn eine falsch ist, welche Daten das Haus verlassen dürfen und wem die Sache in neunzig Tagen gehört. Ohne diese Antworten kann ein erfolgreicher Pilot nicht befördert werden. Er kann nur wiederholt werden.
Das ist der Mechanismus hinter den 90 Prozent. Die meiste steckengebliebene KI-Arbeit scheitert nicht technisch. Sie besteht ihren Piloten und steht dann vor einem Tor, das niemand gebaut hat — und wartet.
Nur 35 Prozent planen, ihre KI-Leitplanken im kommenden Jahr zu verstärken. Für die Mehrheit bleibt das Tor ungebaut.
Warum man diese Zahlen nicht ungeprüft übernehmen sollte
Ich will bei der Quelle ehrlich sein, denn der Reflex, sie zu relativieren, hat teilweise recht.
Klarus ist ein Technologiedienstleister, der genau an diesen Markt verkauft. Eine Studie mit dem Ergebnis, dass Mid-Market-Unternehmen bessere Datenfundamente und stärkere Governance brauchen, ist kommerziell exakt die Studie, die man veröffentlichen möchte. Die Stichprobe umfasst nur Großbritannien und Irland; die konkreten Prozentwerte lassen sich nicht ungeprüft auf einen US- oder EU-Betrieb übertragen. Und jede Zahl ist selbstberichtet: „83 Prozent melden schlechte Datenqualität" misst, was Führungskräfte über ihre Daten glauben — kein Audit derselben.
Zwei Einschränkungen wirken allerdings in die Gegenrichtung.
Der Selbstauskunftsbias arbeitet hier gegen den Befund, nicht für ihn. Führungskräfte, die ihre eigene Kompetenz mit 91 Prozent überschätzen, neigen nicht dazu, eigene Schwächen zu übertreiben. Wenn überhaupt, sind 83 Prozent eine Untergrenze.
Und die Bestätigung ist unabhängig. Gartners Prognose zu AI-ready Daten und RANDs Praktikerinterviews entstanden Jahre auseinander, auf verschiedenen Kontinenten, ohne kommerzielle Verbindung zu Klarus. Wenn eine anbieterfinanzierte Erhebung, eine Analystenprognose und eine akademisch angelegte Interviewstudie konvergieren, sollte man das Anbieterinteresse notieren — und dann beiseitelegen.
Was keine dieser Quellen Ihnen sagt: ob Ihre Piloten aus diesem Grund steckenbleiben. Das beantworten nur Ihre eigenen Daten — und diese Frage wird nach meiner Erfahrung fast nie in genau dieser Form gestellt.
Was das in einem Unternehmen mit 300 bis 3.000 Beschäftigten ändert
Nicht die „Pilot-Purgatory"-Geschichte, die Sie schon kennen
Dem Mid-Market wurden inzwischen drei verschiedene Erklärungen für ins Stocken geratene KI-Piloten angeboten: dass Entscheidungsrechte niemandem gehören, dass reife Programme sich zu Tode governen, und nun, dass die Datenebene nie bereit war. Das sind keine konkurrierenden Erklärungen. Es sind drei Tore auf demselben Weg, und ein Pilot muss alle passieren.
Operativ zählt vor allem die Reihenfolge. Entscheidungsrechte und Governance lassen sich per Entscheidung lösen — jemand mit Autorität benennt einen Verantwortlichen und einen Freigabeweg, und das Tor steht bis Freitag. Datenfundamente nicht. Entitäten über drei Systeme hinweg abzugleichen, Felder nachzupflegen, die nie Pflicht waren, und Lineage für jene Tabellen herzustellen, die ein Modell tatsächlich konsumiert, ist ein Quartal unglamouröser Arbeit ohne Demo am Ende.
Genau deshalb verliert sie den Budgetstreit regelmäßig gegen ein Schulungsprogramm.
Die Illusion der kuratierten Daten
In dieser Größenordnung haben Sie keine Data-Engineering-Funktion mit freier Kapazität. Sie haben zwei oder drei Menschen, die wissen, wo in jedem System die Wahrheit liegt — und die sind bereits voll ausgelastet.
Das ist der eigentliche Skalierungsengpass, und er erklärt ein Muster, das die meisten Operations-Verantwortlichen wiedererkennen: Piloten gelingen auf kuratierten Daten und scheitern auf Produktionsdaten. Der Pilot lief gegen einen sauberen Extrakt, den jemand von Hand vorbereitet hat. Die Produktion läuft gegen das führende System — mit doppelten Kunden-IDs, einem Freitext-Statusfeld und vier Jahren migrierter Datensätze, die niemand validiert hat.
Am Modell hat sich zwischen beiden Läufen nichts geändert. An den Daten schon.
Ein weiterer Befund, den man behalten sollte: 45 Prozent sagten, KI helfe Junior-Beschäftigten, ihre Arbeit besser oder schneller zu erledigen, 24 Prozent, sie schaffe neue Rollen (Klarus, 2026). Die unmittelbare Personalwirkung von KI im Mid-Market zeigt sich als Aufgabenunterstützung und Rollenumbau, nicht als Stellenabbau. Wenn Ihr KI-Business-Case auf Personalkosteneinsparungen beruht, während Ihre Peers Kapazitätsgewinne berichten, sind Sie nicht rigoroser als sie. Sie messen eine Rendite, die dieses Segment noch nicht produziert.
Drei Schritte, bevor Sie den nächsten Piloten finanzieren
Auditieren Sie die Daten, nicht das Team
Bevor die nächste Initiative Budget erhält, nehmen Sie die drei Datensätze, die sie tatsächlich konsumieren wird, und prüfen Sie vier Dinge: Vollständigkeit, Dublettenquote, Verantwortlichkeit, Lineage. Nicht das Data Warehouse im Allgemeinen — diese drei Tabellen. Das kostet einen Analysten eine Woche und sagt mehr über die Erfolgschancen des Piloten aus als jedes Kompetenzassessment der Beteiligten.
Bauen Sie das Produktivsetzungs-Tor, bevor Sie den Piloten starten
Halten Sie vorab fest, was ein Pilot nachweisen muss, um in Produktion zu gehen, wer freigibt, wer ihn danach besitzt und was passiert, wenn eine Ausgabe falsch ist. 59 Prozent dieses Marktes haben kein solches Rahmenwerk. Ein Pilot ohne definierten Ausgang ist kein Experiment, sondern eine Demo mit Budgetposition.
Verschieben Sie ein Pfund Schulung auf ein Pfund Daten
Wenn Ihr KI-Plan 2026 Enablement und Personal finanziert, aber nichts für Datenqualität, finanzieren Sie die 48-Prozent-Erklärung statt der 83-Prozent-Erklärung. Sie müssen die Schulung nicht streichen. Sie brauchen eine Position auf der anderen Seite des Kontos, dimensioniert auf ein Quartal echter Bereinigungsarbeit.
Eine Entscheidung in diesem Quartal
Nehmen Sie Ihren jüngsten KI-Piloten, der nicht skaliert hat, und schreiben Sie einen einzigen Satz darüber, warum er stehen blieb. Prüfen Sie diesen Satz dann gegen die Daten, auf denen er lief.
Wenn die ehrliche Antwort lautet, dass das Modell funktionierte und die Pipeline nicht, dann hat Ihnen keine KI-Kompetenz gefehlt. Ihnen hat das langweilige, nicht finanzierbare, vollständig behebbare Ding darunter gefehlt — und die 90 Prozent, die nie einen KI-Piloten im Mid-Market skaliert haben, sind größtenteils Leute, die weiterhin die falsche Hälfte des Problems finanziert haben.
91 Prozent Zuversicht kaufen nichts. 10 Prozent skaliert ist die einzige Zahl auf der Anzeigetafel.
