Das Muster ist branchenübergreifend und über alle Unternehmensgrößen hinweg konsistent. Begeisterung auf Führungsebene, eine vage Problemdefinition, sechs Monate Buildzeit, und dann die stille Anerkennung, dass niemand das Ding tatsächlich nutzt. Oder schlimmer: Sie nutzen es, aber für die falschen Aufgaben, und das ROI-Gespräch wird unangenehm.
Das Scheitern lässt sich fast immer auf dieselbe Ursache zurückführen: Die Diagnosephase wurde übersprungen, weil sie sich nach Verzögerung anfühlte.
Ein strukturierter Discovery Sprint, typischerweise über 30 Tage durchgeführt [ESTIMATIVA: redaktioneller Rahmen für ein fokussiertes Engagement, kein Branchen-Benchmark], reduziert mehr Risiko als 12 Monate iterativer Entwicklung am falschen Problem. Der kontraintuitive Grund: AI wirkt selbst als load test. Wenn Sie ernsthaft kartieren, welche Prozesse automatisiert werden sollen, entdecken Sie, welche organisatorischen Strukturen tatsächlich tragendes Gewicht haben und welche von bürokratischem Theater abhängen. Diese Entdeckung verändert die Implementierung grundlegend.
AI-Implementierungen scheitern, bevor sie beginnen
Das Scheiternsmuster ist nicht schwer zu beschreiben. Eine Geschäftseinheit identifiziert etwas, das sich wie eine AI-Opportunity anfühlt, meist weil ein Wettbewerber etwas angekündigt hat oder ein Führungskraft eine Konferenz besucht hat. Ein Anbieter oder ein internes Team schlägt einen Implementierungsumfang vor. Der Umfang wird um die sichtbare Oberfläche des Problems herum definiert, nicht um seine Wurzel. Sechs Monate und ein erhebliches Budget später löst das System die formulierte Anforderung, aber nicht den tatsächlichen Bedarf, und die Akzeptanz ist gering.
Die subtilere Version: Die Implementierung gelingt technisch, landet aber in einem Prozess, der bereits gebrochen war. AI beschleunigt gebrochene Prozesse. Sie repariert sie nicht. Ein schneller gebrochener Prozess ist manchmal schlimmer als ein langsamer, weil die Geschwindigkeit die Dysfunktion verschleiert.
Die strukturelle Ursache in beiden Fällen ist das Fehlen einer echten Diagnose. Das Team hat eine Problemdefinition von demjenigen übernommen, der das Budget hatte, das Projekt zu sponsern, anstatt zu hinterfragen, ob dieses Problem das war, das es sich lohnte zu lösen. Der Discovery Sprint hinterfragt diese Annahme gezielt, bevor irgendwelche Build-Kosten anfallen.
Was ein Discovery Sprint produziert
Ein bezahlter Discovery Sprint sollte vier Mindestartefakte liefern. Keine Folien, keine Roadmap, keine “zu erkundenden Möglichkeiten.”
Eine Prozess- und Datenkarte für jeden Kandidatenworkflow: der Prozesseigentümer, die beteiligten Systeme, die Dateneingaben und -ausgaben, die Häufigkeit, die geschätzten Scheiternkosten und die aktuelle Fehlerquote. Das ist die Karte dessen, was die Organisation tatsächlich tut, die sich häufig von dem unterscheidet, was sie glaubt zu tun.
Eine Opportunity Matrix, die jeden Kandidatenprozess über vier Dimensionen bewertet: potenzieller Impact, wenn die AI wie beabsichtigt funktioniert; Aufwand für Build und Wartung; Qualität und Zugänglichkeit der Daten, auf die sie sich stützen würde; und Grad des menschlichen Urteils, das an jedem Entscheidungspunkt erforderlich ist. Die Matrix erzeugt ein Ranking, keine Empfehlung, weil das Ranking noch organisatorische Bereitschaft und Executive Sponsorship berücksichtigen muss.
Ein Pilot-Design für die am höchsten eingestufte Opportunity: eine definierte Vorher-Nachher-Metrik, die guardrails, die verhindern würden, dass die AI Schaden anrichtet, während das System unbewiesen ist, und explizite Go/No-Go-Kriterien. Das Pilot-Design erzwingt Spezifität darüber, was “funktionieren” bedeutet, was oft das wertvollste Gespräch ist, das der Sprint produziert.
Eine Executive-Empfehlung mit sechs möglichen Schlussfolgerungen: jetzt bauen, auf bessere Daten warten, stattdessen ein bestehendes Tool kaufen statt zu bauen, zuerst Datenqualität verbessern, stattdessen das Team schulen oder die Opportunity vollständig aufgeben. Eine gute Discovery produziert “das nicht bauen” als Output für etwa jedes dritte Engagement, gemäß typischer Erfahrung [ESTIMATIVA: kommerzielle These aus beobachteten Engagements, kein externer Benchmark]. Diese Ehrlichkeit ist es, was eine Diagnose von einem Verkaufsprozess unterscheidet.
Die Loadbearing-AI-Linse
Alex Karp, CEO von Palantir, hat eine Beobachtung gemacht, die es wert ist, ernst genommen zu werden: AI offenbart den echten Marktwert von Arbeit. Aufgaben, die wertvoll aussahen, weil sie schwer waren, werden transparent, wenn AI sie in Sekunden erledigen kann. Der Wert lag nicht in der Aufgabe. Er lag in der Person, die gelernt hatte, das Schwierige zu tun.
Wenn diese Neuformulierung auf die organisatorische Prozesskartierung angewendet wird, ist sie unbequem und nützlich. Sie fragen nicht nur, welche Prozesse AI unterstützen kann. Sie fragen, welche Prozesse strukturell tragend sind, und welche scheinbar tragend aussahen, weil sie zeitaufwendig waren.
Der Sprint kartiert jeden Kandidatenprozess nach realer Entscheidungshäufigkeit, Datenverfügbarkeit, Ausnahmequote und Abhängigkeit von menschlichem Urteil. Die Kombination produziert ein Signal darüber, was der Prozess in der Organisation tatsächlich tut. Hohe Entscheidungshäufigkeit, geringe Ausnahmequote, verfügbare Daten und minimale Urteilsabhängigkeit ist das Kandidatenprofil für Automatisierung. Hohe Ausnahmequote mit bedeutender Urteilsabhängigkeit ist der Advisory-Anwendungsfall. Geringe Häufigkeit mit hohem Urteil ist typischerweise kein AI-Projekt.
Die folgenreichere Entdeckung ist die Identifizierung der informellen Prozessverantwortlichen, der Menschen, die organisatorische Last ohne Titel oder Systeme tragen, die dies widerspiegeln. Das sind die Personen, deren Umgehungslösungen, institutionelles Gedächtnis und Urteil den Prozess tatsächlich zum Funktionieren bringen. Ein Discovery Sprint, der sie übersieht, übersieht die echte Architektur.
Die fünf Signale, die einen Prozess qualifizieren
Fünf Bedingungen bestimmen, ob ein Prozess in einem ersten AI-Engagement verfolgenswert ist. Vier von fünf produzieren einen schwierigen ersten Kunden. Alle fünf müssen vorhanden sein.
Schmerz ist mit messbarem Geld oder Risiko verknüpft. “Das dauert zu lange” reicht nicht. “Das kostet X im Umsatz pro Quartal” oder “das erzeugt Y in Compliance-Exposure” reicht. Die Metrik muss nicht perfekt präzise sein, aber sie muss existieren und zurechenbar sein.
Daten existieren und sind zugänglich. Nicht in Anbietersystemen gesperrt. Nicht in unstrukturierten PDFs von 2017 gespeichert, die niemand seitdem angefasst hat. Nicht im Kopf der einen Person, die den Prozess seit acht Jahren führt. Daten, die abgefragt, strukturiert und dem AI-System verfügbar gemacht werden können.
Der Entscheidungsträger ist erreichbar. Die Person mit der Autorität, die Implementierung zu genehmigen, den Prozess umzustrukturieren und das Projekt zu finanzieren, wird sich auf einige fokussierte Sitzungen einlassen. Projekte ohne Sponsor verlieren Priorität, bevor der erste Sprint abgeschlossen ist.
Das erste Projekt schafft einen Weg zur Kontinuität. Der Pilot sollte natürlich in ein laufendes Verbesserungssystem münden. Wenn die Implementierung einen sauberen Endzustand ohne laufenden Wert hat, sind die Wirtschaftlichkeit für beide Parteien schwach.
Geld fließt bereits im Prozess. Der “money waits”-Filter: Wenn der Prozess Umsatz berührt, Kosten reduziert oder Risiko mit echter finanzieller Konsequenz managt, findet das ROI-Gespräch natürlich statt. Wenn nicht, hat selbst eine erfolgreiche Implementierung Mühe, erneutes Engagement zu verdienen.
Diese fünf Bedingungen zu prüfen dauert weniger als einen Tag fokussierter Gespräche. Sie nicht zu prüfen dauert zwölf Monate, um sie empirisch zu entdecken.
Wie Discovery in der Praxis aussieht
Die Mechanik ist einfach: drei bis fünf Stakeholder-Sitzungen, strukturiert als Prozess-Walkthroughs statt als Interviews. Das Ziel ist, der tatsächlichen Arbeit zu folgen, nicht ihrer offiziellen Beschreibung.
Jede Sitzung kartiert den Workflow vom Auslöser bis zum Output: Was startet den Prozess, welche Entscheidungen werden unterwegs getroffen, was kann an jedem Schritt schiefgehen, wie sieht die Ausnahmebehandlung aus und was ist das System of Record für das Ergebnis. Das Daten-Audit läuft parallel: Wo sind die Daten, wer besitzt sie, in welchem Format liegen sie vor, wie ist das Zugriffsmodell.
Die Output-Dokumentation ist ein Prozessfluss, ein Datenschema-Entwurf, eine Risikokarte mit den Schadenskategorien, die ein schlecht funktionierendes System verursachen könnte, und eine guardrails-Liste, die definiert, was das System niemals ohne menschliche Überprüfung tun sollte.
Der wertvollste Moment in einem Discovery Sprint ist, wenn der Praktiker dem Kunden sagt: “Das sollte kein AI-Projekt sein.” Diese Schlussfolgerung kann bedeuten, dass der Prozess bessere Software benötigt, zuerst eine sauberere Datenstruktur braucht oder von Urteilsvermögen abhängt, das auf dem erforderlichen Qualitätsniveau noch nicht replizierbar ist. Jedes davon ist ein ehrlicherer und nützlicherer Output als ein Scope, der zu einer fehlgeschlagenen Implementierung führt. Die Ehrlichkeit schafft dauerhafteres Vertrauen als ein Angebot, das dem Kunden sagt, was er hören möchte.
Die Discovery richtig bepreisen
Kostenlose Discovery trainiert Kunden dazu, diagnostische Kapazität als Vertriebskosten zu behandeln. Die Botschaft, die sie sendet: Die Diagnose hat keinen unabhängigen Wert, sie ist nur wichtig als Einstieg in die Implementierung, und der Praktiker ist nicht zuversichtlich genug, für die Arbeit zu berechnen, bis er weiß, dass der Kunde mehr kaufen wird.
Eine bezahlte Discovery signalisiert das Gegenteil: Die Diagnose hat Wert, unabhängig davon, was sie empfiehlt. Wenn sie empfiehlt, nicht zu bauen, hat der Kunde trotzdem eine bessere Entscheidung getroffen, als er sonst getroffen hätte. Dieses Ergebnis ist es wert, dafür zu zahlen.
Die Gebühr dient auch als Filter. Kunden, die nicht für eine strukturierte Diagnose vor einer bedeutenden AI-Investition zahlen wollen, signalisieren etwas darüber, wie sie sich an der Implementierung beteiligen werden. Ein Kunde, der sich dagegen sperrt, für 30 Tage Risikoreduktion zu zahlen, bevor er sich zu 12 Monaten Build verpflichtet, ist ein Kunde, dessen Implementierung wahrscheinlich schmerzhaft sein wird, unabhängig von der technischen Qualität.
Die kommerzielle Sequenz, die funktioniert: Discovery als erstes Engagement, Production MVP als zweites, AI-Partner-Retainer als drittes [ESTIMATIVA: kommerzielle These aus beobachteten Engagements]. Jeder Schritt ist bezahlt, jeder hat einen definierten Output, und der Retainer ergibt nur Sinn, nachdem die Discovery validiert hat, dass es etwas gibt, das es wert ist, gebaut und gepflegt zu werden.
Unser AI Opportunity Sprint ist eine strukturierte 30-Tage-Diagnose, die die vier oben beschriebenen Artefakte produziert. Er endet mit einer Empfehlung, auf die ein CEO handeln kann, nicht mit einem Foliendeck voller Potenziale.