KI-Readiness: was vor dem ersten KI-Projekt feststehen muss

© KI-generiert (TenMedia)

KI-Readiness gilt je Anwendungsfall, nicht je Unternehmen

Readiness heißt hier nichts anderes, als für den Einsatz künstlicher Intelligenz gerüstet zu sein, und damit steht es widersprüchlich: 41 Prozent der Unternehmen setzen KI ein, aber nur 32 Prozent nutzen das Potenzial ihrer eigenen Daten (Bitkom-Umfrage unter 604 Unternehmen).

KI-Readiness bezeichnet die Bereitschaft eines Unternehmens, künstliche Intelligenz produktiv einzusetzen. Gängige Modelle prüfen dafür vier Bereiche, die je nach Anbieter anders zugeschnitten sind, meist Technologie, Daten, Organisation und Kompetenzen der Beschäftigten. Der Begriff ist nicht genormt. Es gibt keine Zertifizierung und keinen einheitlichen Schwellenwert, ab dem ein Unternehmen als bereit gilt.

Wie weit KI-Readiness im Mittelstand tatsächlich reicht

Die Nutzung hängt zuerst an der Unternehmensgröße. Im Mittelstand arbeiten 20 Prozent der Unternehmen mit künstlicher Intelligenz, knapp 780.000 insgesamt. Bei über 50 Mitarbeitenden sind es 36 Prozent, bei unter fünf Beschäftigten 19 Prozent (KfW-Mittelstandspanel, Februar 2026). Für KI in KMU sagt die Größe damit mehr über die tatsächliche Nutzung als jede Selbsteinschätzung. KI-Readiness im Mittelstand ist deshalb keine Eigenschaft, die sich abfragen lässt. Der Schritt zur laufenden KI-Integration und Anwendung verlangt eigene Entscheidungen über Modellwahl und Betrieb. Die KI-Bereitschaft davor ist enger gefasst.

Ein Anwendungsfall entscheidet, kein Reifegrad

Ein KI-Reifegrad beschreibt einen Zustand, ein Anwendungsfall eine Aufgabe. Nur die Aufgabe lässt sich prüfen, und der Weg vom geprüften Ausschnitt zur laufenden KI-Integration für Unternehmen hängt an Anbindung, Betrieb und Kostenrahmen dieser einen Aufgabe. Ob ein Unternehmen für die automatische Rechnungsvorerfassung bereit ist, sagt wenig über einen Assistenten im Kundenservice. Bereitschaft gilt immer für eine Aufgabe, nie für ein Unternehmen. Die Voraussetzungen für KI im Unternehmen greifen erst, wenn ein Anwendungsfall gewählt ist, weil sie sich an ihm bemessen. Kein KI-Reifegradmodell fragt sie in dieser Form ab. Vier Fragen fallen je KI-Anwendungsfall anders aus:

• Welche Systeme die benötigten Daten überhaupt führen
• Ob diese Daten aktuell und vollständig genug sind
• Wer über die Nutzung dieser Daten entscheiden darf
• Was ein falsches Ergebnis an Nacharbeit kostet

Warum ein KI-Readiness-Check die falsche Größe misst

Ein Fragebogen erhebt, was die ausfüllende Person über die eigene Organisation glaubt. In der Bitkom-Rangliste der Hürden für den KI-Einsatz steht Mangel an Daten mit 24 Prozent auf Platz elf von dreizehn, nicht erkannte Anwendungsfälle mit 23 Prozent auf Platz zwölf. Zugleich nutzen 48 Prozent der Unternehmen das Potenzial ihrer Daten nach eigener Auskunft eher wenig, 13 Prozent überhaupt nicht. Der Check erhebt die Selbsteinschätzung, und die liegt beim Datenthema daneben. Ein Selbstcheck bestätigt eher ein Bild, als es zu korrigieren.

Warum fallen zwei KI-Readiness-Checks unterschiedlich aus?

Der zweite Grund liegt im Instrument, denn ein einheitliches KI-Reifegradmodell gibt es nicht. Ein öffentlich gefördertes Verfahren führt durch 40 Fragen entlang der vier Dimensionen Technologie, Organisation, Rahmenbedingungen und Menschen. Ein anderes bewertet 25 Kriterien in vier Themenbereichen und ordnet das Ergebnis fünf Reifegradstufen von 0 bis 4 zu, von Beobachter bis Experte. Zwei Verfahren mit zwei Maßstäben liefern zwei Ergebnisse. Ein KI-Readiness-Check für Unternehmen misst deshalb nicht die Sache, sondern seinen eigenen Maßstab. Vier Unterschiede erklären abweichende Ergebnisse:

• Zahl und Zuschnitt der geprüften Dimensionen
• Gewichtung der Technik gegenüber der Organisation
• Skala des Ergebnisses und Zahl der Reifegradstufen
• Kriterien, die auf Konzerne zugeschnitten sind

Woran lässt sich erkennen, ob ein Unternehmen KI-ready ist?

An einer Note lässt sich das nicht ablesen, an einem konkreten Vorhaben schon, etwa an einem RAG-System auf dem eigenen Dokumentbestand. Ein Unternehmen ist KI-ready für eine Aufgabe, wenn die nötigen Daten zugänglich sind, ihre Nutzung rechtlich gedeckt ist und eine benannte Stelle das Ergebnis freigeben darf. Alles Weitere entsteht im Projekt, auch die Datenqualität. Bei KI im CRM ist eine Bereinigung vor dem Modellstart kein Vorprojekt, sondern Teil der Lösung. Ein Unternehmen ist damit KI-fähig für einen Ausschnitt, nicht für die ganze Systemlandschaft.

KI-Readiness am echten Prozess prüfen, nicht am Fragebogen

Das Fraunhofer IML formuliert die Alternative knapp: Daten entstehen in jedem Wertschöpfungsschritt, werden aber oftmals unzureichend aufbereitet, und der Aufbau mehrerer kleiner Modelle ist erfolgversprechender als das eine große Modell. Für die Frage nach der Bereitschaft heißt das, einen von mehreren KI-Anwendungsfällen auszuwählen und ihn mit echten Daten in begrenzter Zeit durchzuspielen. Ein solcher Proof of Concept für Software liefert einen Befund über die eigenen Systeme, den kein Fragebogen erzeugt. Der Prototyp misst die Systeme, der Fragebogen die Erwartung an sie.

Datenbereinigung ohne Ziel trifft die falschen Felder

Ein Vorprojekt zur Datenbereinigung klingt nach Sorgfalt und ist der teuerste Irrtum. Ohne Zielanwendung fehlt der Maßstab dafür, welche Felder zählen, und Aufwand fließt in Bestände, die kein Modell je liest. Daten für KI aufzubereiten heißt deshalb, den Ausschnitt zu bereinigen, den der erste Anwendungsfall braucht. Bereinigt wird nach dem Anwendungsfall, nicht vor ihm. Genau das unterscheidet eine KI-Einführung im Mittelstand von einem Datenprojekt ohne Adressat. Vier Dinge klärt ein Durchlauf am echten Prozess, die kein Fragebogen erreicht:

• Ob die benötigten Felder tatsächlich gefüllt sind
• Wie lange ein Abgleich mit dem Bestandssystem dauert
• Welche Fälle das Modell zuverlässig nicht löst
• Wie viel Nacharbeit ein Ergebnis im Alltag auslöst

Wie ein Unternehmen tatsächlich KI-ready wird

Der Weg dorthin ist kurz und unbequem, weil er eine Entscheidung verlangt statt einer Bewertung. Ein Prozess wird benannt und ein Ergebnis definiert, an dem der Durchlauf als gelungen oder gescheitert gilt. Gescheitert ist dabei ein brauchbares Ergebnis, denn es kostet Wochen statt Quartale und beendet eine offene Diskussion. KI-ready ist ein Unternehmen danach für diesen Prozess, und die weitere KI-Implementierung baut nur darauf auf.

Voraussetzungen für KI im Unternehmen

Die Liste ist kürzer, als jedes KI-Reifegradmodell und jede Sammlung von KI-Use-Cases vermuten lässt, und sie enthält nichts Organisatorisches. Alle vier Punkte sind technisch oder rechtlich, also entscheidbar statt bewertbar, und genau das braucht eine KI-Implementierung als Startpunkt. Rechtliche Verunsicherung führt die Bitkom-Rangliste der Hürden mit 53 Prozent an und mündet in dieselbe Frage wie der technische Zugang: Darf dieser Datenbestand so verwendet werden, und kommt jemand an ihn heran? Organisation und Kultur folgen dem ersten Projekt, sie gehen ihm nicht voraus. Vier Punkte müssen für die KI-Readiness eines Anwendungsfalls vorher feststehen:

❗ Zugriff auf die Daten, die der Anwendungsfall braucht
❗ Eine Schnittstelle oder die Entscheidung, sie zu bauen
❗ Geklärte Rechte und Lizenzen an diesen Daten
❗ Eine benannte Stelle, die Ergebnisse freigeben darf

Ohne Schnittstelle entscheidet der Zugang über die Laufzeit

Fehlt die Schnittstelle, wird sie gebaut, oder das Vorhaben wartet. Ein Fachverfahren ohne dokumentierte Programmierschnittstelle lässt sich über eine Zwischenschicht anbinden oder über einen periodischen Export bedienen, und die Wahl entscheidet über Laufzeit und Betriebsaufwand. KI an Bestandssysteme anzubinden ist damit kein Nebenschritt, sondern häufig der größte Posten im ersten Vorhaben. Die API- und Schnittstellenentwicklung trägt diesen Teil.

Die Freigabe braucht vorher einen Namen

Die Freigabe hängt an einer Person, nicht an einer Abteilung. Solange nur ein Bereich benannt ist, verzögert sich jede Entscheidung über Testdaten und Ergebnisqualität um Wochen. Ohne benannte Freigabe hat ein Durchlauf kein Ende, nur eine Verlängerung.

TenMedia begleitet den Einstieg technisch, also mit der Anbindung an Bestandssysteme und einem Prototyp am echten Prozess statt mit einem Assessment. Für die advise research gmbh ist eine per Programmierschnittstelle angebundene Oberfläche für individuell trainierte KI-Sprachmodelle entstanden. Aus dem geprüften Ausschnitt wird dort eine laufende Anwendung, ohne dass ein KI-Reifegrad dazwischensteht. So bleibt von der KI-Readiness eine überprüfbare Aussage übrig statt einer Note.