Die 8 größten Fehler bei der KI-Plattform-Auswahl

Fehler bei der KI-Plattform-Auswahl sind teuer, aber selten technischer Natur. Die Plattformen können heute fast alle das Gleiche im Kern: Chat, Dokumente lesen, Vorlagen, Schnittstellen. Entschieden wird trotzdem falsch, weil die Vorarbeit fehlt.

Die folgenden acht Fehler sehen wir in Auswahlprojekten immer wieder. Zu jedem steht, woran Sie ihn erkennen und was stattdessen hilft. Die Beispiele sind bewusst als Muster formuliert und nicht als Kundenfälle mit Erfolgszahlen, denn solche Zahlen lassen sich von außen nicht prüfen.

Wer nicht weiß, welche Arbeit sich ändern soll, kann keine Plattform bewerten. Aus dieser Lücke entsteht die Pilotfalle: mehrere Versuche parallel, jeder mit eigenem Werkzeug, keiner mit klaren Erfolgskriterien.

Typisches Muster: Fünf Abteilungen starten gleichzeitig, jede wählt ihr eigenes Werkzeug. Nach einem Jahr läuft ein Chatbot ohne Anbindung an die Fachsysteme, vier Vorhaben sind eingestellt, und die Geschäftsführung hält KI für überschätzt.

Was hilft: Zuerst zwei bis drei Anwendungsfälle festlegen, die messbar Zeit oder Fehler kosten. Dann Ziel, Verantwortliche und Erfolgskriterium je Anwendungsfall aufschreiben. Erst danach Anbieter ansehen. Wie Pilotprojekte in den Regelbetrieb kommen, zeigt der Beitrag vom Pilot in den Betrieb.

KI-Antworten sind so gut wie die Quellen, aus denen sie stammen. Widersprüchliche Stammdaten, veraltete Dokumente und drei Wahrheiten in drei Systemen führen zu Antworten, denen niemand traut, und Vertrauen bekommt man schwer zurück.

Typisches Muster: Produktdaten liegen in mehreren Systemen und widersprechen sich. Die Auswahl läuft trotzdem weiter, weil das Thema Daten als Nacharbeit gilt. Nach dem Start erklärt die Fachabteilung jede zweite Antwort für falsch, obwohl die Plattform korrekt arbeitet.

Was hilft: Vor der Auswahl klären, welche Quellen für die ersten Anwendungsfälle gebraucht werden, wer sie pflegt und wie aktuell sie sind. Eine vollständige Datenbereinigung ist dafür nicht nötig, eine belastbare Quelle je Anwendungsfall schon. Die Schritte dazu stehen im Beitrag Daten KI-fähig machen.

Datenschutz und KI-Verordnung sind Auswahlkriterien, keine Nacharbeit. Wer sie erst nach dem Produktivgang prüft, riskiert, eine eingeführte Lösung wieder abzuschalten.

Der Rahmen ist klar: Verstöße gegen Grundsätze der Datenverarbeitung können bis zu 20 Millionen Euro oder 4 Prozent des weltweiten Jahresumsatzes kosten (Art. 83 Abs. 5 DSGVO), Verstöße gegen die Pflichten aus dem Auftragsverarbeitungsvertrag bis zu 10 Millionen Euro oder 2 Prozent (Art. 83 Abs. 4 DSGVO). Bei der KI-Verordnung gilt der höchste Rahmen von 35 Millionen Euro oder 7 Prozent nur für verbotene Praktiken nach Art. 5; für Verstöße gegen die übrigen Pflichten liegt die Grenze bei 15 Millionen Euro oder 3 Prozent, wobei bei kleinen und mittleren Unternehmen jeweils der niedrigere Betrag gilt (Art. 99 KI-Verordnung).

Was hilft: Vier Fragen vor jeder Anbieterrunde klären: Gibt es einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO mit aktueller Liste der Unterauftragsverarbeiter? Wo werden Daten gespeichert, und wo rechnen die Modelle? Werden Inhalte für Training verwendet? Welche Protokolle und Auswertungen liefert die Plattform für spätere Nachweise? Diese Übersicht ersetzt keine Rechtsberatung.

Eine Plattform, die niemand nutzt, hat keinen Nutzen. Die Einführung entscheidet über die Akzeptanz, nicht der Funktionsumfang.

Immerhin bieten inzwischen 70 Prozent der Unternehmen KI-Schulungen an, 25 Prozent schulen gar nicht; ein Jahr zuvor war es noch fast die Hälfte ohne Schulung (Bitkom, 14. September 2026). Wo Begleitung fehlt, weichen Beschäftigte auf private Konten aus, und die Kontrolle über Daten ist dahin.

Was hilft: Früh sagen, welche Aufgaben sich verändern und welche nicht, und den Betriebsrat rechtzeitig einbinden. Dazu Ansprechpersonen je Bereich, kurze Schulungen am eigenen Anwendungsfall statt allgemeiner Werkzeugkunde und sichtbare erste Ergebnisse. Mehr dazu im Beitrag zum Change Management bei der KI-Einführung.

Der Lizenzpreis ist der kleinere Teil der Rechnung. Dazu kommen Einführung, Anbindung an bestehende Systeme, Schulung, Betrieb, Modellverbrauch und interne Arbeitszeit.

Typisches Muster: Das günstigere Angebot gewinnt den Preisvergleich und verliert die Gesamtrechnung, weil fehlende Anbindungen nachgebaut werden müssen und der Betreuungsaufwand steigt.

Was hilft: Über drei Jahre rechnen, interne Aufwände einpreisen und die Frage beantworten, was die Plattform bei doppelter Nutzung kostet. Die vollständige Aufstellung steht in der TCO-Rechnung für KI-Plattformen.

Eine KI ohne Zugriff auf Fachdaten bleibt ein besseres Textwerkzeug. Der Unterschied zwischen nützlich und wirksam entsteht an der Schnittstelle zum ERP, zum Fileserver, zum Ticketsystem.

Typisches Muster: Die Auswahl fällt anhand von Funktionslisten. Erst in der Umsetzung zeigt sich, dass das führende Fachsystem keine brauchbare Schnittstelle hat und eine Zwischenschicht gebaut werden muss, die Monate kostet.

Was hilft: Die drei wichtigsten Systeme benennen und vom Anbieter zeigen lassen, wie er sie anbindet, nicht beschreiben lassen. Mögliche Wege sind fertige Apps, REST-Schnittstellen, Datenbankzugriff oder ein Konnektor für ältere Systeme.

Modelle, Preise und Anbieter verändern sich schneller als Verträge. Wer sich auf ein Modell eines Herstellers festlegt, gibt genau die Beweglichkeit auf, die den Vorteil ausmacht.

Was hilft: Vor der Unterschrift klären, welche Modelle und Anbieter nutzbar sind und ob sie pro Team freigegeben werden können. Dazu die unspektakulären Vertragsfragen: Lassen sich Inhalte, Vorlagen und Protokolle exportieren, und in welchem Format? Gibt es offene Schnittstellen wie REST oder MCP? Wie lang sind Kündigungsfristen, und wie ändern sich Preise? Die Abwägung beschreibt der Beitrag zur Multi-Modell-Strategie gegen Vendor-Lock-in.

Ohne Ausgangswert gibt es keinen Nachweis. Wer nicht weiß, wie lange ein Vorgang heute dauert, kann später nicht zeigen, dass er kürzer geworden ist, und verliert das Budget in der nächsten Sparrunde.

Typisches Muster: Ziel ist „schnellere Bearbeitung“. Nach sechs Monaten kann niemand sagen, ob sich etwas verbessert hat, weil der Zustand davor nie erfasst wurde.

Was hilft: Je Anwendungsfall eine Kennzahl, einen Ausgangswert und einen Zielwert festlegen, bevor die Plattform steht. Geeignet sind Durchlaufzeiten, Nacharbeitsquoten, Anteil automatisch beantworteter Anfragen und die Zahl aktiver Nutzer je Woche.

Acht Haken bedeuten: Sie können entscheiden. Fünf bis sieben bedeuten: Die Lücken schließen sich meist in wenigen Wochen. Unter fünf lohnt sich der Anbietervergleich noch nicht, denn dann vergleichen Sie Angebote für eine Aufgabe, die noch nicht beschrieben ist.

Plotdesk verbindet eine KI-Plattform mit einem Umsetzungsteam für den Mittelstand. Genau deshalb beginnt die Zusammenarbeit nicht mit Lizenzen, sondern mit der KI-Potenzialanalyse: Anwendungsfälle priorisieren, Datenlage prüfen, Aufwand und Nutzen grob beziffern. Im Proof of Value wird ein Anwendungsfall auf Ihren Daten gebaut und gemessen, danach folgen die produktive Lösung und der systematische Ausbau.

Die Punkte aus dem Selbstcheck sind dabei Teil der Plattform: eine dedizierte Instanz in der EU oder im eigenen Tenant mit DSGVO-konformem Auftragsverarbeitungsvertrag, mehr als 100 Modellvarianten aus zehn Provider-Typen, die sich pro Team freigeben und budgetieren lassen, Anbindung von ERP, Fileserver und älteren Systemen über Plotdesk Connect sowie SSO, Rollen, mehr als 40 Berechtigungen und Audit-Logs für die Nachweise. Die Grundlage für die Auswahl der ersten Anwendungsfälle bilden 1.200+ Use Cases in 15 Branchen.

Keiner dieser acht Fehler ist exotisch, und keiner ist teuer zu vermeiden. Teuer wird nur, sie zu übersehen und das erst im Betrieb zu merken.

Wer Anwendungsfälle, Datenlage, Rechtsfragen, Integration und Messgrößen vor der Auswahl klärt, trifft eine Entscheidung, die auch nach einem Jahr noch trägt. Die Checkliste mit 50 Kriterien führt diese Punkte in der Reihenfolge auf, in der sie im Auswahlprozess auftauchen.