Jeder kann einen KI-Piloten präsentieren – aber fast niemand schafft es, ihn fünf Jahre lang im Einsatz zu halten.
Im Jahr 2026 kann jeder Technologieanbieter einem deutschen Energieversorger ein beeindruckendes KI-Pilotprojekt vorstellen. Ein Modell, das Strafzettel klassifiziert, ein anderes, das Anomalien bei Zählerständen erkennt, und ein drittes, das behördliche Unterlagen zusammenfasst. Die Demos sehen großartig aus, die ersten Ergebnisse sind vielversprechend, und die Erwartungen steigen rasant.
Das Problem tritt erst Monate später zutage, wenn jemand fragt , wer dieses Modell im Produktivbetrieb einsetzen wird, unter welcher Steuerung, mit welchen laufenden Kosten und unter welchen regulatorischen Auflagen. An dieser Stelle scheitern die meisten Pilotprojekte. Nicht, weil die KI nicht funktioniert, sondern weil das Pilotprojekt von vornherein nicht darauf ausgelegt war, den Produktivbetrieb zu erreichen.
Bei einem deutschen Energieversorger ist diese Kluft zwischen Pilotprojekt und Produktivbetrieb besonders groß. Kritische Systeme wie SAP IS-U, FI-CA, Powercloud und Marktkommunikationsprozesse unterliegen der Aufsicht durch das BSI, der DSGVO, den KRITIS-Vorschriften sowie der ständigen Überwachung durch die Bundesnetzagentur. Ein Pilotprojekt, das diese Realität außer Acht lässt, ist kein Pilotprojekt, sondern lediglich eine Demo.
„Ein KI-Pilotprojekt ist kein Projekt. Es ist ein Versprechen. Und Versprechen bestehen keine Prüfungen.“
Warum die meisten KI-Piloten nie in die Serienproduktion gelangen
Es gibt fünf immer wiederkehrende Gründe, warum ein KI-Pilotprojekt in einem Versorgungsunternehmen schon vor der Industrialisierung scheitert.
01 · Keine Unternehmensführung vom ersten Tag an
Ohne eine klare Definition, wer der Rechnungsprüfung gegenüber rechenschaftspflichtig ist, wie Entscheidungen dokumentiert werden und welche Kontrollmaßnahmen gelten, übersteht das Pilotprojekt den ersten Kontakt mit der Compliance-Abteilung nicht.
02 · Schwache Datengrundlage
Pilotprojekte, die auf künstlichen oder unvollständigen Datensätzen basieren, scheitern, sobald sie mit echten SAP-IS-U-Daten konfrontiert werden, die Stammdatenfehler, Altverträge und aufgelaufene Integrationen enthalten.
03 · Keine Integration in das Ökosystem
Ein Modell, das nicht mit FI-CA, CRM, dem Kundenportal oder MaKo integriert ist, schafft isolierten Mehrwert und operativen Aufwand – ein weiteres System, das gewartet werden muss.
04 · Keine MLOps-Ebene
Ein Produktionsmodell erfordert ein erneutes Training, eine Drift-Überwachung, Warnmeldungen bei Leistungsverschlechterungen und Rollback-Pläne. Die meisten Pilotprojekte sehen diese Ebene nicht vor, da dafür keine Mittel eingeplant wurden.
05 · Keine Entscheidung der Führungsebene, rechtzeitig zu stoppen
Viele Piloten machen monatelang weiter, obwohl sich längst gezeigt hat, dass das Projekt nicht skalierbar ist, weil niemand zugeben will, dass der Anwendungsfall falsch war. Ein rechtzeitiger Abbruch spart mehr als die Kosten für die Erkundung.
✓ Was tatsächlich funktioniert
Gemeinsame Erkundung → kurzer Pilotversuch mit dokumentierten Kennzahlen → strenge Go/No-Go-Entscheidung → Industrialisierung mit MLOps. Ein disziplinierter Abschluss unterscheidet ein ernsthaftes Programm von einer bloßen Sammlung von POCs.
Das Industrialisierungsmodell, das funktioniert
Es beginnt mit einer gemeinsamen technischen und regulatorischen Bestandsaufnahme zwischen dem Partner, der IT, der Compliance-Abteilung und den Geschäftsbereichen. Dabei legt das Team fest, welche Prozesse betroffen sind, welche Daten verwendet werden, welche regulatorischen Vorgaben gelten und anhand welcher Kennzahlen der Erfolg gemessen wird. Ohne diesen Schritt startet das Pilotprojekt auf dem falschen Weg.
Es folgt ein kurzer Pilotversuch von vier bis acht Wochen, dessen Kennzahlen vor Beginn schriftlich vereinbart werden. Keine automatischen Versprechen einer Ausweitung. Kein „Mal sehen, ob es funktioniert“. Klare Kennzahlen, festes Budget, festgelegter Entscheidungstermin.
Dann folgt die strenge Go/No-Go-Entscheidung. Werden die Kennzahlen erreicht, geht das Pilotprojekt in die Industrialisierung über. Ist dies nicht der Fall, werden die gewonnenen Erkenntnisse dokumentiert, der Fall wird abgeschlossen und das Programm wendet sich dem nächsten Kandidaten zu. Genau dieser disziplinierte Abschluss unterscheidet ein seriöses KI-Programm von einer Ansammlung von POCs.
Schließlich folgt die Industrialisierung mit MLOps. Das Modell wird mit Drift-Überwachung, Pipelines zum Nachtrainieren, Warnmeldungen bei Leistungsabfall, Rollback-Plänen und zugewiesenen Verantwortlichen bereitgestellt. Die Lösung wird vom ersten Tag an für Audits dokumentiert – nicht erst sechs Monate später.
Es ist genauso wichtig, wer das Modell in der Produktion hält, wie wer es baut
In deutschen Versorgungsunternehmen lautet die Frage, die zu Beginn eines KI-Projekts nur wenige Kunden stellen, die aber eigentlich jeder stellen sollte: Wer wird dieses Modell in drei Jahren warten? Lautet die Antwort „ein Team, das dann nicht mehr da ist“, ist das Projekt schon vor dem Start zum Scheitern verurteilt.
KI in der Produktion erfordert stabile Teams, die sich mit der Branche, dem System, den Daten und den regulatorischen Rahmenbedingungen auskennen. Genau hier hören geringe Fluktuation und die Kontinuität der Senior-Berater auf, nur ein HR-Slogan zu sein, und werden zu einer operativen Variable, die darüber entscheidet, ob das KI-Programm überlebt oder scheitert.
Wo Principal33 ansetzt
Bei Principal33 kombinieren wir AMS für Kernsysteme (SAP IS-U, FI-CA, Powercloud) mit einem KI-unabhängigen Daten- und KI-Bereich, der von erfahrenen, deutschsprachigen Nearshore-Teams aus dem DACH-Raum betreut wird. Das bedeutet: Das gleiche Team, das die Kernsysteme im Betrieb hält, ist auch für die Konzeption, Pilotierung und industrielle Umsetzung der KI rund um diese Systeme zuständig. Modellkontinuität und Teamkontinuität sind ein und dasselbe.
Darüber hinaus ist die „Go/No-Go“-Entscheidung zwischen Pilotphase und Industrialisierung fester Bestandteil unseres Umsetzungsmodells. Wir verkaufen keine unbefristeten Pilotprojekte oder Projekte nach dem Motto „Mal sehen, was passiert“. Wir verkaufen KI-Programme, die bis in die Produktion gelangen – oder die mit Kennzahlen und dokumentierten Erkenntnissen abgeschlossen werden.
Der Perspektivwechsel
Für einen deutschen Energieversorger, der seine KI-Strategie evaluiert, lautet die entscheidende Frage nicht mehr : „Funktioniert das Pilotprojekt?“. Das kann fast jeder Anbieter unter Beweis stellen. Die Frage, die ernsthafte KI-Programme von bloßem KI-Theater unterscheidet, ist schwieriger zu beantworten: „Wer wird dieses Modell in drei Jahren im Einsatz halten, und mit welchen Teams?“. Wenn die Antwort lautet: „Die gleichen Leute, die es jetzt entwickeln“, ändert sich die Erfolgswahrscheinlichkeit des Programms grundlegend.
