KI-Agenten in der Praxis: Warum die meisten Projekte scheitern - und wie es richtig gehtAI agents in practice: why most projects fail - and how to get it right

Ein Finanzdienstleister beauftragt uns, KI-Agenten für die Vertragsverarbeitung einzuführen. Das Ziel klingt klar: Verträge automatisch prüfen, Risiken identifizieren, Freigabeworkflows auslösen. Nach drei Wochen stellt sich heraus: Die eigentliche Herausforderung liegt nicht in der KI-Technologie, sondern in der Realität der Prozesse.

Die unterschätzte Wahrheit: Datenqualität entscheidet

Der KI-Agent soll Verträge verarbeiten. Klingt simpel. Die Realität: Verträge liegen als gescannte PDFs vor, teilweise in schlechter Qualität. Manche sind handschriftlich ergänzt, andere haben Anhänge in separaten Dateien. Die Metadaten fehlen. Der Agent kann nicht zwischen einem Mietvertrag und einem Liefervertrag unterscheiden, weil die Ablagestruktur das nicht hergibt.

Das ist kein Einzelfall. In fast jedem Projekt stossen wir auf das gleiche Problem: Die Daten sind nicht bereit für KI. Nicht weil die Technologie zu schwach ist, sondern weil die Grundlagen fehlen - strukturierte Ablage, konsistente Formate, brauchbare Metadaten.

Das Prozess-Problem: Wenn niemand weiss, wie es wirklich läuft

Ein weiteres Projekt: Automatisierte Rechnungsprüfung. Der Fachbereich beschreibt den Prozess: "Rechnung kommt rein, wird geprüft, dann freigegeben oder abgelehnt." Simpel. Dann schauen wir uns an, was wirklich passiert. Es gibt Ausnahmen für bestimmte Lieferanten. Manche Rechnungen durchlaufen eine Sonderfreigabe. Bei Beträgen über 10.000 Franken greift eine andere Regel - ausser bei Lieferant X, da liegt die Grenze bei 50.000 Franken.

Niemand hat das dokumentiert. Es funktioniert, weil die Mitarbeiter es "einfach wissen". Ein KI-Agent weiss es nicht. Und das Projekt stockt, weil niemand den Prozess vollständig beschreiben kann.

Die Erwartungsfalle: KI kann nicht zaubern

Ein häufiges Missverständnis: "Der KI-Agent soll selbstständig lernen, wie wir arbeiten." Das klingt verlockend, funktioniert aber nicht so. KI-Agenten brauchen klare Regeln, Beispiele und vor allem: Feedback. Wenn niemand dem Agent sagt, was richtig und was falsch war, lernt er nichts.

In einem Projekt sollte ein Agent Kundenanfragen kategorisieren. Nach zwei Wochen war die Genauigkeit bei 60%. Der Kunde war frustriert: "Warum lernt der Agent nicht?" Die Antwort: Weil niemand ihm Feedback gibt. Ohne menschliche Korrektur bleibt der Agent auf seinem Level stehen.

Was funktioniert: Klein anfangen, schnell lernen

Die erfolgreichsten Projekte haben eines gemeinsam: Sie beginnen mit einem klar abgegrenzten Use Case. Nicht "automatisiere alles", sondern: "Prüfe Standard-Rechnungen von Top-10-Lieferanten". Nicht "beantworte alle Kundenanfragen", sondern: "Beantworte Fragen zur Öffnungszeit und Adresse".

Das hat zwei Vorteile: Erstens ist der Use Case schnell umsetzbar. Zweitens lernen alle Beteiligten - Entwickler, Fachbereich, KI-Agent - was funktioniert und was nicht. Nach drei Monaten erweitern Sie den Scope. Iterativ, nicht Big Bang.

Die kritischen Erfolgsfaktoren

Daten vorbereiten: Bevor Sie KI einsetzen, räumen Sie Ihre Daten auf. Strukturierte Ablage, einheitliche Formate, Metadaten pflegen.

Prozesse dokumentieren: Was macht wer wann? Welche Ausnahmen gibt es? Ohne diese Klarheit wird kein KI-Projekt erfolgreich.

Feedback-Schleifen einbauen: Der Agent muss lernen. Das geht nur, wenn Menschen seine Entscheidungen bewerten und korrigieren.

Klein anfangen: Ein klar abgegrenzter Use Case bringt mehr Wert als ein überambitioniertes Grossprojekt, das nie fertig wird.

Fazit

KI-Agenten scheitern nicht an der Technologie. Sie scheitern an schlechten Daten, unklaren Prozessen und unrealistischen Erwartungen. Wer diese drei Punkte adressiert, hat gute Chancen auf ein erfolgreiches Projekt. Der Rest ist Umsetzung.

A financial services provider engages us to introduce AI agents for contract processing. The goal sounds clear: review contracts automatically, identify risks, trigger approval workflows. After three weeks it becomes apparent: the real challenge lies not in the AI technology, but in the reality of the processes.

The underestimated truth: data quality is decisive

The AI agent is supposed to process contracts. Sounds simple. The reality: contracts exist as scanned PDFs, some of poor quality. Some have handwritten additions, others have attachments in separate files. The metadata is missing. The agent cannot distinguish between a lease agreement and a supply contract because the filing structure does not allow it.

This is not an isolated case. In almost every project we encounter the same problem: the data is not ready for AI. Not because the technology is too weak, but because the fundamentals are missing - structured filing, consistent formats, usable metadata.

The process problem: when nobody knows how it really works

Another project: automated invoice verification. The business unit describes the process: "Invoice comes in, gets checked, then approved or rejected." Simple. Then we look at what really happens. There are exceptions for certain suppliers. Some invoices go through a special approval. For amounts above 10,000 Swiss francs a different rule applies - except for supplier X, where the threshold is 50,000 Swiss francs.

Nobody has documented this. It works because the employees "just know". An AI agent does not know. And the project stalls because nobody can describe the process completely.

The expectation trap: AI cannot work magic

A common misconception: "The AI agent should learn on its own how we work." That sounds tempting, but it does not work that way. AI agents need clear rules, examples and above all: feedback. If nobody tells the agent what was right and what was wrong, it learns nothing.

In one project, an agent was supposed to categorize customer inquiries. After two weeks, accuracy was at 60%. The client was frustrated: "Why is the agent not learning?" The answer: because nobody gives it feedback. Without human correction, the agent stays at its level.

What works: start small, learn fast

The most successful projects have one thing in common: they start with a clearly defined use case. Not "automate everything", but: "Review standard invoices from top 10 suppliers". Not "answer all customer inquiries", but: "Answer questions about opening hours and address".

This has two advantages: first, the use case can be implemented quickly. Second, everyone involved - developers, business unit, AI agent - learns what works and what does not. After three months, you expand the scope. Iteratively, not big bang.

The critical success factors

Prepare the data: Before you deploy AI, clean up your data. Structured filing, uniform formats, maintained metadata.

Document the processes: Who does what, and when? What exceptions exist? Without this clarity, no AI project will succeed.

Build in feedback loops: The agent must learn. That only works if people evaluate and correct its decisions.

Start small: A clearly defined use case delivers more value than an overambitious large-scale project that never gets finished.

Conclusion

AI agents do not fail because of the technology. They fail because of poor data, unclear processes and unrealistic expectations. Those who address these three points have a good chance of a successful project. The rest is execution.