Wie AI-ready ist Ihre Organisation? 6 Dimensionen, Selbsttest und 5-Minuten-Quick-Scan
Fachlich geprüft: · Inhalt aktualisiert:
AI-Readiness ist kein einzelner Wert, sondern sechs unabhängige Dimensionen: Daten, Infrastruktur, Skills, Prozesse, Governance, Kultur. Schwäche in nur einer davon reicht, um ein AI-Projekt scheitern zu lassen — eine unzureichende Datenbasis genügt bereits. Der Selbsttest in diesem Leitfaden und der 5-Minuten-Quick-Scan im Tool zeigen ehrlich, wo Sie stehen, bevor Sie investieren.
Dieser Leitfaden wurde am 23. Juli 2026 fachlich geprüft und am 31. Oktober 2026 inhaltlich aktualisiert.
Welche sechs Dimensionen entscheiden über AI-Readiness?
Ein Unternehmen kann exzellente Daten haben und trotzdem an fehlender Governance scheitern. Es kann modernste Infrastruktur betreiben und an unveränderten Workflows hängen bleiben. Jede der sechs Dimensionen ist unabhängig zu bewerten — genau eine schwache Dimension genügt, um ein sonst solides AI-Projekt auszubremsen.
| Dimension | Leitfrage | Warum sie zählt |
|---|---|---|
| D1 · Daten | Sind unsere Daten AI-ready? | In einer Umfrage von Precisely und Drexel LeBow (2024) unter über 550 Daten- und Analytics-Fachleuten gaben nur 12 % an, dass die Daten ihrer Organisation für KI in ausreichender Qualität und Zugänglichkeit vorliegen. |
| D2 · Infrastruktur | Kann unsere Plattform AI deployen? | Clean-Core-Schulden und fehlende API-Schichten blockieren Deployment-Geschwindigkeit direkt, unabhängig von der Modellqualität. |
| D3 · Skills | Haben wir die Fähigkeiten? | Ohne MLOps-Rollen bleibt jedes Modell ein Einzelstück: Betrieb, Monitoring und Updates hängen dann an einzelnen Personen statt an einem wiederholbaren Prozess. |
| D4 · Prozesse | Sind Prozesse AI-tauglich redesigned? | Der Nutzen hängt oft weniger an der Modellqualität als daran, ob die Arbeitsabläufe vor der Einführung neu gestaltet werden. |
| D5 · Governance | Wer entscheidet, wer verantwortet? | Fehlendes Ownership ist der häufigste Grund, warum AI-Projekte still sterben — nicht offen scheitern, sondern versanden. |
| D6 · Kultur | Will die Organisation AI wirklich? | Ob Mitarbeiter und Führung den künftigen KI-Anteil an der Arbeit ähnlich einschätzen, entscheidet über die Akzeptanz — klaffen die Erwartungen auseinander, wird jeder Rollout zum Top-down-Projekt. |
Wie funktionieren Selbsttest und Quick Scan?
Der Selbsttest in diesem Leitfaden stellt 18 Fragen, exakt drei pro Dimension, jeweils mit einem einfachen Ja oder Nein beantwortet. Sie zählen die Ja-Antworten pro Dimension und lesen das Ergebnis direkt ab: null bis eine Ja-Antwort markiert eine kritische Lücke, drei bedeuten, die Dimension trägt bereits eine Skalierung.
Kritische Lücke
Sofortiger Handlungsbedarf — empfehlenswert mit externer Beratung.
Entwicklungsfeld
Strukturierter Aufbau nötig — Gap-Analyse als nächster Schritt.
Dimension bereit
Skalierung möglich — Fokus auf die verbleibenden schwachen Dimensionen.
Drei Beispielfragen aus dem Selbsttest: Können wir Geschäftsdaten über dokumentierte APIs abrufen, ohne manuelle Excel-Exports? Beginnen AI-Projekte bei uns mit Prozessanalyse oder mit Tool-Auswahl? Haben wir schon einmal ein AI-Experiment bewusst scheitern lassen und die Erkenntnisse dokumentiert? Der Quick Scan auf der Seite AI-Readiness Assessment ist ein eigenes Instrument und nicht identisch mit diesem Selbsttest: Er stellt 16 Fragen auf einer Skala von 1 bis 5 und wertet sie gewichtet über die sechs Dimensionen des Tools aus (Datenqualität & -zugriff, Skills & Kompetenzen, Governance & Prozesse, Technische Infrastruktur, Strategie & Zielbild, Kultur & Leadership) — kostenlos und ohne Anmeldung.
Der Irrtum, der mir am häufigsten begegnet: Datenmigration wird mit Datenbereinigung verwechselt. ERP-Landschaften tragen oft jahrzehntealte Master-Data-Schulden — duplizierte Lieferantenstämme, inkonsistente Materialklassen — unverändert in jede Systemmigration und blockieren danach jeden KI-Agenten-Einsatz. Kundeneigenentwicklungen im ERP-Kern stehen Standard-KI-Modellen oft grundsätzlich nicht zur Verfügung. Wer einen hohen Anteil an Eigenentwicklungen hat, sollte vor jedem AI-Projekt prüfen, welche Use Cases ohne Bereinigung überhaupt realisierbar sind.
Glossar
- AI-Readiness
- Grad, in dem eine Organisation die Voraussetzungen für den produktiven KI-Einsatz erfüllt — in diesem Leitfaden bewertet über sechs Dimensionen: Daten, Infrastruktur, Skills, Prozesse, Governance und Kultur.
- Clean Core
- Prinzip, das Kernsystem (typischerweise das ERP) möglichst nah am Standard zu halten und Erweiterungen über dokumentierte Schnittstellen statt über Änderungen im Kern umzusetzen.
- MLOps
- Praktiken und Werkzeuge, mit denen Machine-Learning-Modelle reproduzierbar entwickelt, bereitgestellt, überwacht und aktualisiert werden.
- Data Stewardship
- Fachliche Verantwortung für bestimmte Datenbestände: Data Stewards pflegen Definitionen, Qualitätsregeln und Zugriffsregeln für ihren Datenbereich.
Quellen
- Precisely & Drexel University LeBow College of Business: „2025 Outlook: Data Integrity Trends and Insights", 14.10.2024 (über 550 Daten- und Analytics-Fachleute) — Quelle für die 12 % — https://www.precisely.com/blog/data-integrity/2025-planning-insights-the-rise-of-ai-is-hampered-by-a-lack-of-data-readiness
Ihr Readiness-Profil in 5 Minuten
Das AI-Readiness Assessment ordnet Ihre Organisation allen sechs Dimensionen zu und zeigt, wo zuerst gehandelt werden sollte.
KI-Readiness-Check kostenlos starten →FAQ
Reichen Selbsttest und Quick Scan, oder brauche ich das volle Assessment?
Der Selbsttest in diesem Leitfaden gibt in 5 Minuten ein grobes Profil über 18 Ja/Nein-Fragen; der Quick Scan auf der Tool-Seite wertet 16 Fragen auf einer Skala von 1 bis 5 gewichtet aus. Für eine belastbare Grundlage vor Investitionsentscheidungen empfiehlt sich das Deep Assessment mit 42 Fragen (Pro).
Was, wenn wir in einer Dimension bei 0 von 3 liegen?
Das markiert eine kritische Lücke mit sofortigem Handlungsbedarf. In dieser Situation lohnt sich meist externe Beratung, bevor weiter in AI-Projekte investiert wird.
Ist Datenqualität wirklich wichtiger als die Wahl des KI-Modells?
In der Praxis ja. Ohne verlässliche Daten liefert auch das beste Modell keine belastbaren Ergebnisse — die Modellwahl ist selten die Hauptursache.
Welche Rolle spielt die Wahl des Tools für AI-Readiness?
Eine kleinere, als viele denken. Entscheidend ist meist, ob die Arbeitsabläufe vor der Einführung neu gestaltet werden — nicht die Technologie- oder Modellauswahl.
Daniel Ostner
Aus Kapitel 2 des Enterprise-AI-Leitfaden-Buchs
Verwandte Leitfäden
AI-Reifegrad
Drei Archetypen fassen den AI-Reifegrad zusammen: Starter, Scaler, Transformer. Plus ein 5-Level-Reifegradmodell mit messbaren Kriterien statt Bauchgefühl.
Warum AI-Projekte scheitern
Viele Unternehmen nutzen KI, wenige erzielen messbaren ROI. Die drei echten Ursachen: fehlende Datenbasis, kein Workflow-Redesign, fehlende Governance.