Welcher AI-Archetyp ist Ihr Unternehmen — Starter, Scaler oder Transformer?
Zuletzt geprüft: 23. Juli 2026
Drei Archetypen fassen den AI-Reifegrad zusammen: AI Starter (kein produktiver Use Case), AI Scaler (1–3 Use Cases, Skalierung offen) und AI Transformer (5+ Use Cases, strategisch differenzierend). Kein Archetyp ist besser — jeder hat andere Prioritäten. Der entscheidende Test für Level 3: Läuft der Use Case auch ohne seine Kernteilnehmer?
Was unterscheidet die drei Archetypen wirklich?
Ein Archetyp beschreibt Unternehmenstyp und AI-Reifegrad vereinfacht, aber belastbar — er hilft, Empfehlungen zu priorisieren, ohne jeden Kontext neu erklären zu müssen. Die drei Typen unterscheiden sich vor allem in der Zahl produktiver Use Cases, der Datenstrategie und dem Reifegrad der Governance.
Kein produktiver Use Case
Meist nur ein PoC im Haus. Daten liegen in Silos, es gibt keine AI-spezifische Governance. Hauptfrage: Wo anfangen, was priorisieren?
1–3 Use Cases live
Skalierung steht noch aus. Datenstrategie im Aufbau, Governance rudimentär und projektbezogen. Hauptfrage: Wie skaliere ich das Erreichte?
5+ Use Cases, enterprise-weit
AI läuft in kritischen Prozessen. Governed Data Fabric vorhanden, Enterprise-AI-Governance etabliert. Hauptfrage: Wie differenziere ich strategisch?
Wie schätze ich den Reifegrad präzise ein — jenseits der drei Archetypen?
Reifegradmodelle scheitern oft, wenn Level 3 zur Auffangkategorie für alles Mittelmäßige wird. Das folgende 5-Level-Modell definiert jede Stufe über messbare Kriterien statt über Bauchgefühl — von null produktiven Use Cases bis zur strategischen Differenzierung, die sich messbar im EBIT niederschlägt.
Kein AI-Projekt aktiv, AI wird beobachtet, nicht priorisiert. Kein Budget, kein Owner, keine Datenstrategie. Messbar: 0 produktive Use Cases, 0 AI-Rollen.
PoC läuft oder ist abgeschlossen, kein Produktiveinsatz. Piloten skalieren wegen Governance-Lücken nicht — „Pilot Purgatory". Messbar: 0–1 Use Case, Data Readiness unter 30 %.
Mindestens 1 Use Case live, aber begrenzte Skalierung. Schärfungstest: Läuft er ohne seine Kernteilnehmer? Nein bedeutet Level 2. Messbar: RACI vorhanden, Datenqualitäts-KPIs definiert.
3 oder mehr Use Cases live, MLOps etabliert, Governance greift operativ. AI ist reproduzierbar, nicht mehr von Einzelpersonen abhängig. Messbar: ROI messbar.
AI ist kein Projekt mehr, sondern das Betriebsmodell. Agenten orchestrieren durchgängig, Daten sind vertrauenswürdig. Messbar: AI als KPI-Treiber, EBIT-Impact.
Reifegradmodelle scheitern, wenn Level 3 zur Auffangkategorie für alles Mittelmäßige wird — der Schärfungstest ist einfach: Läuft der Use Case ohne seine Kernteilnehmer? Wenn nein, ist es Level 2, nicht Level 3. Ebenso gefährlich ist der Durchschnittsscore: Ein Unternehmen mit hoher Infrastruktur-Reife und niedriger Governance-Reife hat ein fundamental anderes Problem als eines mit mittlerem Niveau in allen Dimensionen. Handeln Sie immer an der schwächsten Dimension — nicht am Durchschnitt.
Glossar
Wo steht Ihr Unternehmen wirklich? Wir zeigen es in 10 Minuten.
Das Reifegrad-Assessment ordnet Sie einem Archetyp zu und zeigt, welche Dimension zuerst Aufmerksamkeit braucht — bevor Sie in Skalierung investieren.
AI-Readiness Assessment starten →FAQ
Ist ein AI-Archetyp eine Wertung — ist Transformer automatisch besser?
Nein. Jeder Archetyp hat andere Prioritäten, Quick Wins und Risiken. Ein Starter, der wie ein Transformer agieren will, scheitert typischerweise am fehlenden Fundament.
Woran erkenne ich, ob ein Use Case wirklich Level 3 erreicht hat?
Am Schärfungstest: Läuft er ohne seine Kernteilnehmer weiter? Wenn nein, handelt es sich noch um Level 2 — einen Piloten im Pilot Purgatory.
Was ist der häufigste Fehler bei der Reifegrad-Selbsteinschätzung?
Einen Durchschnittsscore über alle Dimensionen zu bilden. Hohe Infrastruktur-Reife bei niedriger Governance-Reife ist ein anderes Problem als mittleres Niveau überall — handeln Sie an der schwächsten Dimension.
Muss ich alle sechs Dimensionen gleich stark entwickeln, um zu skalieren?
Nein, aber die schwächste Dimension begrenzt das Gesamttempo. Skalierung auf Level 4 setzt voraus, dass keine Dimension kritisch zurückbleibt.
Daniel Ostner
Aus Kapitel 1 und 2 des Enterprise-AI-Leitfaden-Buchs
Verwandte Leitfäden
Warum AI-Projekte scheitern
88 % der Unternehmen nutzen AI, nur 5,5 % erzielen messbaren ROI. Die drei echten Ursachen: fehlende Datenbasis, kein Workflow-Redesign, fehlende Governance.
AI-Readiness Quick Scan
AI-Readiness hat sechs unabhängige Dimensionen. Datenqualität allein steht hinter 85 % aller abgebrochenen Projekte. Der 10-Minuten-Quick-Scan zeigt, wo Sie stehen.