Warum 80% deiner AI-Projekte scheitern werden (und der eine Schritt, der fehlt)

---

Das Problem, das niemand sehen will

Ein Immobilienmakler verbringt 80% seiner Zeit mit Leads, die nie kaufen werden.

Das klingt nach einem AI-Problem. Lass einen Agenten die Leads scoren. Automatisiere die Qualifizierung. Fertig.

Genau das hat er versucht. Der Agent wurde gebaut. Die Leads wurden gescort. Die Kosten explodierten. Die Qualität sank.

Warum?

Weil der Agent nicht wissen konnte, was der erfahrene Makler weiß. Dass ein Lead, der innerhalb von zwei Stunden antwortet und eine Finanzierungszusage erwähnt, 8x wahrscheinlicher kauft. Dass Leads aus bestimmten Postleitzahlen statistisch 40% weniger konvertieren. Dass die Tonalität der ersten Email ein besserer Prädiktor ist als jede demografische Variable.

Dieses Wissen existierte nirgendwo außer im Kopf des Maklers. Der Agent hatte keinen Zugang dazu. Er operierte blind.

Das ist kein Technologie-Problem. Das ist ein Wissenstransfer-Problem. Und es ist der Grund, warum 80% aller AI-Projekte scheitern.

---

Warum Musk hier nicht hilft

Elon Musks 5-Schritte-Algorithmus ist legendär:

1. Mach die Requirements weniger dumm
2. Lösche den Part oder Prozess
3. Vereinfache und optimiere
4. Beschleunige die Zykluszeit
5. Automatisiere

Das funktioniert. Für Raketen. Für Batterien. Für physische Systeme mit deterministischen Outputs.

Musks Philosophie ist subtraktiv. Lösche bis nur noch Essenz bleibt. Das beste Teil ist kein Teil. Der beste Prozess ist kein Prozess.

Bei AI-Systemen fehlt ein fundamentaler Schritt.

Ein Raptor-Motor braucht kein Bauchgefühl. Er braucht keine Intuition. Die Physik ist die Physik. Wenn du alle überflüssigen Teile entfernst, bleibt ein besserer Motor.

Ein AI-Agent braucht Kontext. Er braucht das implizite Wissen, das in keinem Dokument steht. Wenn du nur subtrahierst, löschst du auch dieses Wissen. Der Agent wird effizienter, aber dümmer.

Das ist der Augment Gap. Und er erklärt, warum Teams mit perfekter Prozess-Disziplin trotzdem AI-Projekte gegen die Wand fahren.

---

Das IMPACTS Protocol

IMPACTS ist Musks Methode, erweitert um den fehlenden Schritt. Sieben Buchstaben, sieben Phasen, eine Erkenntnis: AI-Systeme brauchen sowohl Subtraktion als auch Addition.

• I – IDENTIFY: Ziel und Constraint identifizieren
• M – MINIMIZE: Prozess auf Skelett reduzieren
• P – PERFECT: Struktur linearisieren
• A – AUGMENT: Kontext injizieren (der fehlende Schritt)
• C – CONSTRUCT: Prototyp bauen
• T – TEST: Gegen Realität validieren
• S – SCALE: Produktiv härten

Die ersten drei Schritte (I-M-P) sind Musks Territorium. Der vierte Schritt (A) ist der Differentiator. Die letzten drei (C-T-S) sind Standard-Engineering.

Lass mich jeden Schritt so erklären, wie er in der Praxis funktioniert.

---

I – Identify: Die Entscheidung, die alle vermeiden

Worauf optimierst du?

Die Frage klingt banal. Die Antwort ist es nicht.

Es gibt drei Dimensionen:

• Qualität: Weniger Fehler, höhere Kundenzufriedenheit, bessere Entscheidungen
• Geschwindigkeit: Mehr Output pro Zeiteinheit, kürzere Durchlaufzeiten
• Gewinn: Höhere Marge, niedrigere Kosten, besserer ROI

Du kannst eine wählen. Nicht zwei. Nicht drei.

"Schneller und besser" ist kein Ziel. Es ist ein Wunsch. Wünsche lassen sich nicht messen. Ziele schon.

Hier ist der Teil, den die meisten übersehen: Diese drei Dimensionen haben unterschiedliche Failure Modes.

Wenn du auf Qualität optimierst und scheiterst, bist du zurück bei Baseline. Ärgerlich, aber nicht tödlich. Du hast immer noch ein Ergebnis, es ist nur nicht besser als vorher.

Wenn du auf Geschwindigkeit optimierst und scheiterst, hast du negative Zeit. Der Prozess ist langsamer als vorher, weil du ihn zerstört hast. Zeit ist nicht zurückholbar.

Qualität hat Graceful Degradation. Geschwindigkeit nicht.

Der Immobilienmakler dachte, er braucht Geschwindigkeit. Mehr Calls pro Tag. Schnellere Lead-Bearbeitung. Nach einer Stunde Analyse wurde klar: Sein Problem war Qualität. Er rief die falschen Leute an.

Sein North Star wurde: "Nur Leads anrufen, die tatsächlich kaufen wollen."

Das ändert alles. Jetzt wissen wir, worauf wir optimieren.

---

M – Minimize: Die unbequeme Wahrheit

60-80% der Schritte in deinem Prozess sind überflüssig.

Das ist keine Übertreibung. Das ist der Durchschnitt aus dutzenden Projekten.

Der Minimize-Schritt ist brutal einfach: Nimm jeden Schritt und frage "Warum existiert das?"

Wenn niemand eine aktuelle, konkrete Antwort hat, lösche ihn.

Die typischen Opfer:

• Doppelte Dateneingaben ("Das tragen wir auch noch ins andere System ein")
• Sicherheits-Theater ("Das haben wir seit 2019 so gemacht, als damals...")
• Meeting-Kaskaden ("Lass uns das kurz besprechen, bevor wir...")
• Dokumentation, die niemand liest

Der Immobilienmakler hatte wöchentliche Lead-Review-Meetings. Drei Stunden, jeden Montag. Fünf Leute.

Warum? "Das haben wir immer so gemacht."

Seit wann? "Seit der Chef vor drei Jahren gesagt hat, wir brauchen mehr Abstimmung."

Was ist das Ergebnis? Schweigen.

Gelöscht. 15 Stunden pro Woche zurückgewonnen. Null negativer Impact.

Die Faustregel: Wenn der Prozess nach dem Minimize nicht 30-50% schlanker ist, hast du zu zaghaft gelöscht.

---

P – Perfect: Syntax für Maschinen

AI-Systeme lieben Linearität. Sie hassen Zick-Zack.

Der Perfect-Schritt macht aus deinem Prozess einen geraden Fluss. Input rein, Transformation, Output raus. Keine versteckten Abhängigkeiten. Keine "das weiß man halt"-Momente.

Das ist Syntax-Arbeit. Du bringst die Struktur in Ordnung, nicht den Inhalt.

Der Unterschied ist kritisch. Wenn ein Agent später scheitert und logische Sprünge macht (A, dann C, dann B statt A-B-C), ist das ein Syntax-Problem. Zurück zu Perfect.

Wenn ein Agent später scheitert und den Inhalt nicht versteht (gibt irrelevante Antworten, versteht Kontext nicht), ist das ein Semantik-Problem. Das kommt im nächsten Schritt.

Der Makler-Prozess vorher:

Lead kommt rein → Jemand schaut irgendwann drauf → Vielleicht Rückfrage → Irgendwann Anruf → Manchmal Follow-up → CRM-Update (wenn jemand dran denkt)

Der Makler-Prozess nachher:

Lead kommt rein → Automatisches Scoring → Priorisierte Liste → Gezielter Anruf → Strukturiertes Follow-up → CRM-Update (automatisch)

Der Test: Kann ein Fremder diesem Flow folgen, ohne Nachfragen zu stellen? Wenn ja, bist du fertig. Wenn nein, ist er noch nicht linear genug.

---

A – Augment: Der Schritt, der alles verändert

Hier trennt sich IMPACTS von Musk. Hier passiert der eigentliche Wissenstransfer.

Der Augment-Schritt zwingt dich, implizites Wissen explizit zu machen.

Implizites Wissen ist das, was dein erfahrenster Mitarbeiter weiß, aber nicht erklären kann. Es ist das Bauchgefühl. Die Intuition. Das "ich weiß einfach, ob ein Lead gut ist".

Eine AI hat kein Bauchgefühl. Sie muss alles explizit erklärt bekommen.

So funktioniert die Extraktion:

Du: "Woran erkennst du einen guten Lead?"

Experte: "Das weiß ich einfach."

Du: "Was ist das erste, worauf du schaust?"

Experte: "Ob er eine Telefonnummer angegeben hat."

Du: "Warum?"

Experte: "Wer seine Nummer angibt, meint es ernst."

Du: "Was noch?"

Experte: "Ob er von Finanzierung geredet hat."

Du: "Und wenn beides zutrifft?"

Experte: "Dann ruf ich ihn sofort an."

Aus diesem Gespräch wird ein Context Object:

Features:

• Telefonnummer angegeben: 80% Gewicht (Ernsthafte Interessenten geben Nummer)
• Finanzierung erwähnt: 70% Gewicht (Finanzierung = konkrete Kaufabsicht)
• Antwortzeit unter 24h: 50% Gewicht (Schnelle Antwort = hohes Interesse)
• Postleitzahl Premium-Gegend: 40% Gewicht (Korreliert mit Kaufkraft)

Rubrics:

• Score > 70 → Sofortiger Anruf
• Score 40-70 → Anruf innerhalb 24h
• Score < 40 → Automatisierte Nurture-Sequenz

Kontext:

• Sommer-Leads konvertieren 20% schlechter (Urlaubszeit)
• Wiederkehrer (2+ Website-Besuche) sind 3x wahrscheinlicher
• Anfragen nach 18 Uhr sind oft private Suche (höhere Intent)

Das ist der Moment, wo Bauchgefühl zu Daten wird.

Die meisten AI-Projekte überspringen diesen Schritt. Sie nehmen den gelöschten, vereinfachten, linearisierten Prozess und werfen ihn einem Agenten vor. Der Agent optimiert dann effizient das Falsche, weil ihm der Kontext fehlt.

Der Augment-Schritt braucht Zeit. Mehrere Gespräche mit Experten. Iteratives Nachbohren. Validierung der extrahierten Signale gegen historische Daten.

Aber er ist der Unterschied zwischen einem Agenten, der blind operiert, und einem, der das Wissen deines besten Mitarbeiters hat.

---

C – Construct: Quick and Dirty

Jetzt darfst du bauen.

Aber der erste Build ist Wegwerf-Code. Das meine ich ernst.

Der Prototyp im Construct-Schritt muss nur eines: einmal erfolgreich durchlaufen.

Kein Error Handling. Kein Monitoring. Keine Tests. Das kommt später.

Wenn Teams hier zu viel Zeit verbringen, ist das meist ein Zeichen, dass sie die vorherigen Schritte nicht sauber gemacht haben. Wenn I-M-P-A sauber sind, ist Construct trivial.

---

T – Test: Der Reality-Check

Erinnerst du dich an die North Star Metrik aus dem Identify-Schritt? Jetzt messen wir sie.

Nur sie. Nicht fünf KPIs. Eine.

Zwei Methoden:

Backtesting: Agent gegen historische Daten laufen lassen. Funktioniert wenn du viele strukturierte Daten hast.

Parallel Run: Alter und neuer Prozess gleichzeitig. Funktioniert bei Teams und kritischen Prozessen.

Der Test hat drei mögliche Ausgänge:

1. PASS (>90% nutzbar): Weiter zu Scale.
2. FAIL – Logische Sprünge: Der Agent macht Dinge in falscher Reihenfolge. Das ist ein Syntax-Problem. Zurück zu Perfect.
3. FAIL – Versteht Inhalt nicht: Der Agent versteht nicht, was gut und schlecht bedeutet. Das ist ein Semantik-Problem. Zurück zu Augment.

Die Unterscheidung ist kritisch. Es sind verschiedene Probleme mit verschiedenen Lösungen.

Der Makler-Agent im Test:

• Methode: Backtesting gegen 200 historische Leads
• Accuracy: 94% korrekt klassifiziert
• False Positives: 3% (Leads als High Priority, die nicht kauften)
• False Negatives: 3% (Leads als Low Priority, die kauften)
• Decision: PASS → weiter zu Scale

---

S – Scale: Vom Experiment zum Standard

Der Prototyp hat funktioniert. Jetzt wird es ernst.

Scale bedeutet: Wegwerf-Code wird neu gebaut. Nicht verbessert, neu gebaut.

Was hinzukommt:

• Error Handling (Was passiert bei API-Timeout?)
• Logging (Was hat der Agent entschieden und warum?)
• Version Control (Wie kommen wir zurück?)
• Monitoring (Wöchentliche Accuracy-Checks)
• Kill Switch (Automatische Deaktivierung bei <80% Accuracy)

Der ultimative Test: Das Altsystem wird abgeschaltet. Wenn du das nicht schaffst, hast du nichts transformiert – du hast nur ein paralleles System gebaut.

---

Das Ergebnis

Der Immobilienmakler nach IMPACTS:

Vorher: 10 Anrufe pro Verkauf, 20 Stunden Aufwand

Nachher: 2 Anrufe pro Verkauf, 4 Stunden Aufwand

5x weniger Anrufe. 5x weniger Zeit. Gleicher Output.

Interessant: Er wollte ursprünglich "schneller" werden. Er wurde schneller – aber als Nebenprodukt von besserer Qualität. Er telefonierte nicht schneller. Er telefonierte schlauer.

---

Die Feedback-Loops

IMPACTS ist nicht linear. Es ist iterativ.

• TEST scheitert (Logik) → zurück zu PERFECT
• TEST scheitert (Semantik) → zurück zu AUGMENT
• SCALE entdeckt neuen Constraint → neuer IMPACTS-Durchlauf

Diese Loops sind kein Versagen. Sie sind der normale Weg. Die wenigsten Projekte laufen beim ersten Mal durch. Aber jeder Loop macht das System robuster.

---

Was du niemals tun darfst

Drei verbotene Shortcuts:

CONSTRUCT ohne PERFECT: Du baust, bevor die Struktur stimmt. Der Agent halluziniert, weil er sich in deinem Prozess-Chaos verliert.

SCALE ohne TEST: Du rollst aus, ohne zu validieren. Du automatisierst Fehler im großen Stil.

Sacred Touchpoints automatisieren: Es gibt Momente, die deine Marke definieren. Die persönliche Schlüsselübergabe beim Makler. Das finale Kandidatengespräch beim Recruiter. Der handgeschriebene Dankesbrief nach dem Projektabschluss.

Diese Momente dürfen niemals automatisiert werden. Sie sind das, wofür Menschen dich bezahlen. Sie sind der Grund, warum Kunden wiederkommen.

Der IDENTIFY-Schritt hat einen expliziten Check dafür: Ist das ein Sacred Touchpoint? Wenn ja, stopp. Hier endet IMPACTS. Hier beginnt Menschlichkeit.

---

Der eine Satz

Wenn du alles andere vergisst:

Musk zeigt dir, was du löschen kannst. AUGMENT zeigt dir, was du hinzufügen musst.

Beides zusammen ist der Unterschied zwischen einem AI-System, das Chaos skaliert, und einem, das Wissen skaliert.

---

Key Takeaways

1. Der Augment Gap ist der Grund, warum AI-Projekte scheitern. Klassische Prozessoptimierung ist subtraktiv. AI-Systeme brauchen additiven Kontext.

2. Bauchgefühl ist extrahierbar. Mit den richtigen Fragen wird implizites Wissen zu einem Context Object, das ein Agent nutzen kann.

3. Syntax und Semantik sind verschiedene Probleme. Logische Sprünge (zurück zu P) und Verständnisprobleme (zurück zu A) haben verschiedene Lösungen.

4. Qualität hat Graceful Degradation, Geschwindigkeit nicht. Wenn du auf Speed optimierst und scheiterst, hast du negative Zeit.

5. Sacred Touchpoints sind tabu. Manche Momente definieren deine Marke. Sie gehören Menschen, nicht Maschinen.

---

Dein nächster Schritt

Nimm einen Prozess, den du automatisieren willst. Beantworte diese eine Frage:

Was weiß dein erfahrenster Mitarbeiter über diesen Prozess, das nirgendwo dokumentiert ist?

Wenn du diese Frage nicht beantworten kannst, bist du nicht bereit für einen Agenten. Wenn du sie beantworten kannst, hast du gerade den Augment-Schritt begonnen