Die meisten KI-Readiness-Assessments stellen die falschen Fragen. Sie messen, wie viele Data Scientists Sie beschäftigen, ob Sie eine „Datenstrategie" haben und wie Ihre Cloud-Infrastruktur auf irgendeiner Reifegradskala abschneidet. Am Ende steht ein 40-seitiges PDF, das im SharePoint-Ordner verstaubt.

Das ist keine Readiness. Das ist eine Bestandsaufnahme.

Nach über 25 KI-Projekten mit DACH-Unternehmen — Versicherungen, E-Mobilität, Industrie, Handel — haben wir ein deutlich klareres Bild davon, was tatsächlich vorhersagt, ob eine KI-Initiative die Produktion erreicht. Es ist nicht das, was die gängigen Frameworks messen.

Die Readiness-Lücke, über die niemand spricht

Das typische Mittelstandsunternehmen in unserer Pipeline sieht so aus: €30–200 Mio. Umsatz, 200–2.000 Mitarbeitende, ein oder zwei KI-Pilotprojekte, die beeindruckende Demos lieferten, aber nie in den Produktivbetrieb kamen. Der CTO hat einen Proof of Concept. Der Vorstand hat ein Mandat. Und irgendwo dazwischen ist die Initiative steckengeblieben.

Die Lücke ist nicht technisch. Die Modelle funktionieren. Die APIs existieren. Die Cloud ist provisioniert. Die Lücke ist operativ: Die Organisation kann KI nicht in ihre täglichen Arbeitsabläufe integrieren, ohne etwas zu beschädigen — einen Prozess, eine Compliance-Anforderung, das Vertrauen eines Teams.

Das ist es, was Readiness tatsächlich bedeutet: die Fähigkeit einer Organisation, KI in Produktion zu bringen und dort dauerhaft zu betreiben.

Nicht „Sind wir fortschrittlich genug für KI?", sondern „Kann unsere Organisation ein Modell in einem realen Workflow operationalisieren — in diesem Quartal, ohne ein zweijähriges Transformationsprogramm?"

Das ist eine grundlegend andere Frage. Und sie liefert grundlegend andere Antworten.

Warum gängige Readiness-Frameworks am Mittelstand scheitern

Die Readiness-Frameworks der großen Beratungshäuser — McKinseys AI-Maturity-Modell, Gartners Assessments, die diversen Consulting-Scorecards — wurden für DAX-40-Konzerne entwickelt: Unternehmen mit dedizierten KI-Teams und achtstelligen Transformationsbudgets. (Warum diese Frameworks im Mittelstand strukturell versagen, vertiefen wir in Warum die meisten KI-Assessments scheitern.) Sie messen Fähigkeiten, die im Konzernumfeld nützlich sind, für ein Unternehmen mit erstem KI-Workflow aber schlicht irrelevant.

Sie fragen: Haben Sie eine zentrale Datenplattform? Haben Sie eine MLOps-Infrastruktur? Haben Sie ein AI Centre of Excellence?

Für einen Industriezulieferer mit €50 Mio. Umsatz und 400 Mitarbeitenden lautet die ehrliche Antwort auf alle drei Fragen „Nein." Das bedeutet aber nicht, dass dieses Unternehmen nicht bereit ist. Es bedeutet, dass es einen anderen Rahmen braucht — einen, der operative Bereitschaft misst statt organisatorische Reife.

Der Unterschied ist entscheidend. Reife beschreibt, wo Sie auf einer Fünf-Punkte-Skala stehen. Readiness beschreibt, ob Sie eine konkrete Initiative in den nächsten 90 Tagen umsetzen können. Das eine produziert Berichte. Das andere produziert Ergebnisse.

Sechs Dimensionen operativer KI-Readiness

In Das KI-Betriebssystem definieren wir Readiness entlang von sechs Dimensionen. Nicht weil sechs eine magische Zahl ist, sondern weil wir in genau diesen sechs Bereichen Projekte scheitern oder gelingen sehen.

1. Workflow-Readiness

Können Sie schriftlich die drei Workflows benennen, die das höchste KI-adressierbare Volumen haben? Nicht „Wir könnten KI im Kundenservice einsetzen" — sondern „Unser Schadensteam bearbeitet 1.200 Fälle pro Woche, von denen 40 % einem Muster folgen, das ein Klassifikationsmodell mit >90 % Genauigkeit abdecken könnte."

Wenn Sie diesen Satz für keinen einzigen Workflow formulieren können, sind Sie nicht bereit zu bauen. Sie sind bereit für Discovery.

Workflow-Readiness ist das Fundament, weil sie alles Nachfolgende bestimmt: welche Daten Sie brauchen, welche Compliance-Anforderungen gelten, wer eingebunden sein muss und wie „Erfolg" in messbaren Kennzahlen aussieht.

Der häufigste Fehler, den wir beobachten: Unternehmen definieren ihren Ziel-Workflow zu breit. „Kundenservice automatisieren" ist kein Workflow. „Eingehende Support-Tickets nach Dringlichkeit klassifizieren und an die zuständige Abteilung weiterleiten" ist ein Workflow. Je enger und spezifischer die Definition, desto höher die Wahrscheinlichkeit einer Produktivstellung.

Prüfen Sie: Gibt es dokumentierte Prozesslandkarten? Ist der Durchsatz messbar? Gibt es eine klare Definition von „guter Output", gegen die ein Modell bewertet werden kann?

2. Datenzugänglichkeit

Nicht Datenqualität — Datenzugänglichkeit. Die Frage ist nicht „Sind Ihre Daten sauber?" (Das sind sie nicht. Bei niemandem.) Die Frage ist: Können Sie die Daten von dort, wo sie liegen, dorthin bringen, wo ein Modell sie braucht — in unter zwei Wochen, ohne ein sechsmonatiges Integrationsprojekt?

Die meisten Mittelständler haben ihre geschäftskritischen Daten in ERP-Systemen (SAP, Microsoft Dynamics, Sage), Dokumentenmanagement-Systemen oder — häufiger als irgendjemand zugibt — in Excel-Dateien auf Netzlaufwerken. Die Readiness-Frage ist, ob es einen gangbaren Weg gibt, diese Daten in einen KI-Workflow zu leiten, ohne die gesamte Dateninfrastruktur vorher neu aufzubauen.

An diesem Punkt sterben viele Projekte leise. Der Workflow ist klar, der Sponsor steht, das Team ist verfügbar — und dann schätzt die IT acht Monate für den Aufbau der Datenpipeline. Das Projekt verliert an Dynamik und verschwindet still aus dem Quarterly Review.

Das Gegenmittel ist Pragmatismus. Für einen ersten KI-Workflow brauchen Sie keinen Data Lake. Sie brauchen einen CSV-Export, der nächtlich läuft, einen API-Endpunkt, der die Transaktionen der letzten 90 Tage liefert, oder einen Dokumentenordner, den eine Retrieval-Pipeline indexieren kann. Die perfekte Datenarchitektur ist ein Ziel für Jahr zwei. Funktionaler Datenzugang ist eine Anforderung für Woche eins.

Prüfen Sie: API-Verfügbarkeit der Kernsysteme, Datenexport-Möglichkeiten, Existenz einer Staging- oder Sandbox-Umgebung, in der Daten fließen können, ohne Produktivsysteme zu berühren.

3. Entscheidungskompetenz

Wer kann „Ja, in Produktion bringen" sagen? Nach unserer Erfahrung ist dies der stärkste einzelne Prädiktor für Projekterfolg. Wenn die Antwort lautet „der Vorstand, nach einem dreimonatigen Genehmigungsprozess", werden Sie mehr Zeit in Gremien verbringen als in der Entwicklung.

KI-Readiness erfordert einen Executive Sponsor mit Budgethoheit und operativem Mandat — ein Punkt, den wir in der KI-Readiness-Checkliste für CFOs vertiefen. Kein Gremium. Keine Arbeitsgruppe. Eine Person, die €30.000–150.000 freigeben, Teammitglieder zuweisen und eine Produktivstellungsentscheidung innerhalb von Tagen treffen kann — nicht innerhalb von Quartalen.

Im Mittelstand ist das oft der Geschäftsführer persönlich — was tatsächlich ein Vorteil ist. Je kürzer die Entscheidungskette, desto schneller das Deployment. Ein familiengeführtes Unternehmen mit €80 Mio. Umsatz, in dem die Geschäftsführung sagt „Machen wir", wird ein KI-Projekt schneller in Produktion bringen als ein €500-Mio.-Konzern, in dem KI-Initiativen die Unterschriften von vier Bereichsleitungen und einem Lenkungsausschuss brauchen.

Prüfen Sie: Gibt es einen benannten Executive Sponsor mit freigegebenem Budget? Kann diese Person Go/No-Go-Entscheidungen treffen, ohne eskalieren zu müssen?

4. Compliance-Positionierung

Unter der DSGVO, dem EU AI Act und branchenspezifischer Regulierung (BaFin, Versicherungsaufsicht) ist KI in Produktion keine technische Entscheidung — es ist eine Compliance-Entscheidung. Die Readiness-Frage lautet nicht „Sind wir compliant?", sondern „Wissen wir, was Compliance für unseren konkreten Anwendungsfall verlangt?"

Die meisten Unternehmen entdecken Compliance-Anforderungen nachdem sie das Modell gebaut haben. Das ist die falsche Reihenfolge. Ein zweistündiger Termin mit Ihrem DSB und der Rechtsabteilung, unter Verwendung einer DSFA-Vorlage, klärt, ob Ihr Ziel-Workflow unter dem AI Act als Hochrisiko, begrenztes Risiko oder minimales Risiko einzustufen ist — und welche Dokumentation Sie vor der Produktivstellung benötigen.

Die gute Nachricht: Für die meisten KI-Workflows im Mittelstand — Dokumentenklassifikation, Prozessautomatisierung, internes Wissensmanagement — ist der Compliance-Aufwand beherrschbar. Der EU AI Act reserviert seine schärfsten Anforderungen für Hochrisiko-Anwendungen (Personalentscheidungen, Kreditscoring, kritische Infrastruktur). Ein Workflow, der eingehende Rechnungen klassifiziert, ist kein Hochrisiko-System. Aber Sie müssen das wissen — dokumentiert — bevor Sie bauen.

Prüfen Sie: Wurde eine Datenschutz-Folgenabschätzung für den Ziel-Workflow begonnen? Weiß Ihr DSB von diesem Projekt? Hat jemand den Anwendungsfall gegen die Risikokategorien des EU AI Act abgeglichen?

5. Teamkapazität

Nicht „Haben Sie KI-Ingenieure?", sondern „Können Sie 2–3 Personen für 6–13 Wochen von ihrer aktuellen Arbeit freistellen?" KI-Implementierung ist nichts, was nebenbei im Tagesgeschäft geschieht. Sie erfordert dedizierte Zeit von den Menschen, die den zu automatisierenden Workflow verstehen.

Das DIWM-Modell (Do It With Me) funktioniert, weil Ihr Team die Implementierung mit Coaching selbst durchführt — aber die Beteiligten brauchen tatsächlich freigeschaufelte Kapazität. Das DIFM-Modell (Do It For Me) erfordert weniger Teamzeit, benötigt aber dennoch Fachexperten für Anforderungsdefinition, Testing und Validierung.

Wir haben technisch hervorragende Projekte scheitern sehen, weil die Fachexpertin gleichzeitig drei andere Projekte verantwortete und nur zu wöchentlichen Check-ins kommen konnte. KI braucht Feedbackschleifen, die in Tagen laufen, nicht in Wochen. Das funktioniert nur, wenn die Personen, die Feedback geben sollen, auch die Kapazität dafür haben.

Prüfen Sie: Können Sie die 2–3 Teammitglieder benennen, die eingebunden werden? Hat deren Führungskraft zugestimmt, deren übrige Aufgabenlast zu reduzieren? Ist das Projekt offiziell Teil der Quartalsziele dieser Personen?

6. Klarheit im Betriebsmodell

Das ist die Dimension, die die meisten Frameworks komplett übersehen. Wenn der KI-Workflow in Produktion ist: Wer betreibt ihn? Wer überwacht Modell-Drift? Wer bearbeitet Grenzfälle? Wer entscheidet, wann neu trainiert wird?

KI ist kein Feature, das Sie einmal ausliefern und dann vergessen. Es ist eine operative Fähigkeit, die regelmäßige Aufmerksamkeit braucht — nicht täglich, aber wöchentlich. Wenn Sie keine Klarheit darüber haben, wer den KI-Workflow nach der Produktivstellung verantwortet, bauen Sie etwas, das innerhalb von drei Monaten verfällt.

Die gute Nachricht: Für die meisten Mittelstands-Anwendungsfälle ist der Betriebsaufwand überschaubar. Ein wöchentlicher Check der Modellgenauigkeit, ein monatlicher Review der Grenzfälle, eine vierteljährliche Entscheidung, ob nachtrainiert oder der Scope erweitert werden soll. Das kann vom selben Team geleistet werden, das bereits den zugrunde liegenden Geschäftsprozess verantwortet — es erfordert kein dediziertes ML-Engineering-Team.

Aber jemand muss benannt sein. Wenn niemand die Verantwortung trägt, wartet niemand das System. Und unwartete KI ist schlimmer als keine KI, weil sie lautlos degradiert.

Prüfen Sie: Gibt es einen benannten Verantwortlichen für den Ziel-Workflow heute? Wird diese Person auch die KI-erweiterte Version verantworten? Versteht sie, was „einen KI-Workflow betreiben" in der Praxis bedeutet?

Die Readiness-Schwelle: Was Sie tatsächlich brauchen

Sie brauchen keine Bestnote in allen sechs Dimensionen. Nach unserer Erfahrung liegt die Schwelle für ein erfolgreiches erstes Projekt hier:

  • Dimensionen 1 + 3 sind nicht verhandelbar. Sie brauchen mindestens einen benannten Workflow mit messbarem Volumen und einen Executive Sponsor mit Budgethoheit. Ohne diese beiden ist alles andere irrelevant.
  • Dimensionen 2 + 4 brauchen einen gangbaren Weg, keinen fertigen Zustand. Daten müssen nicht sauber sein. Compliance muss nicht abgeschlossen sein. Aber beides braucht einen Pfad, der sich in Wochen beschreiten lässt, nicht in Jahren.
  • Dimensionen 5 + 6 können während des Projekts entwickelt werden, insbesondere im Rahmen von Discovery (2 Wochen, €10.000), das genau dafür konzipiert wurde, diese Grundlagen zu schaffen.

Wie Sie erkennen, ob Ihre Organisation diese Schwelle erreicht, beschreiben wir in 5 Signale, dass Ihr Unternehmen wirklich bereit für KI ist. Diese Schwelle ist bewusst niedriger als das, was die meisten Frameworks empfehlen. Wir haben festgestellt, dass Unternehmen sich über-vorbereiten und unter-umsetzen. Das Ziel ist nicht, für jeden erdenklichen KI-Anwendungsfall bereit zu sein. Das Ziel ist, für einen bereit zu sein — denjenigen, an dem Ihre Organisation lernt, wie KI in der Praxis funktioniert.

Drei Stufen der Readiness — und was auf jeder Stufe zu tun ist

Basierend auf den sechs Dimensionen fallen Unternehmen typischerweise in eine von drei Stufen:

Stufe 1: Noch nicht bereit

Sie haben Interesse, aber keinen spezifischen Workflow, keinen Executive Sponsor mit Budgethoheit oder fundamentale Blocker bei Datenzugang oder Compliance. Was zu tun ist: Beginnen Sie mit Wissensvermittlung und interner Ausrichtung. Lesen Sie Das KI-Betriebssystem. Führen Sie einen internen Workshop durch, um Kandidaten-Workflows zu identifizieren. Binden Sie Ihren DSB frühzeitig ein. Kommen Sie zurück, wenn Sie einen benannten Workflow und einen benannten Sponsor haben.

Stufe 2: Bereit für Discovery

Sie haben einen Ziel-Workflow und einen Executive Sponsor, müssen aber Machbarkeit validieren, den Scope definieren und die operativen Grundlagen schaffen. Was zu tun ist: Discovery ist ein zweiwöchiges Engagement (€10.000), das einen validierten Scope, eine technische Machbarkeitsbewertung und einen Deployment-Plan liefert. Es ist der risikoärmste Weg von „Wir glauben, das könnte funktionieren" zu „Hier ist genau, was wir bauen, wie lange es dauert und was es kostet."

Stufe 3: Bereit zu bauen

Sie haben einen validierten Workflow, zugängliche Daten, Entscheidungskompetenz, Compliance-Klarheit, Teamkapazität und operativen Ownership. Was zu tun ist: Gehen Sie in den Accelerator (6 Wochen, €30.000) oder OS Build (13 Wochen, €75.000–150.000), je nach Komplexität.

Was, wenn Sie nicht bereit sind?

Dann wissen Sie genau, was zu beheben ist. Das ist der Wert eines ehrlichen Assessments: Es verwandelt „Wir sollten etwas mit KI machen" in „Wir müssen X, Y und Z lösen, bevor wir bauen können."

Das schlimmste Ergebnis ist nicht, den Readiness-Check nicht zu bestehen. Das schlimmste Ergebnis ist, den Check zu überspringen, €150.000 in einen OS Build zu investieren und in Woche 8 festzustellen, dass niemand die Befugnis hat, in Produktion zu gehen.

Wir sagen Ihnen lieber „Kommen Sie in drei Monaten wieder" als Ihr Budget für ein Engagement zu nehmen, das ins Stocken geraten wird. Das ist kein Altruismus — es ist Eigeninteresse. Gescheiterte Projekte produzieren keine Case Studies, keine Weiterempfehlungen und kein Folgegeschäft. Erfolgreiche schon.

Das 10-Minuten-Self-Assessment

Wenn Sie eine strukturierte Selbsteinschätzung wünschen: Unsere KI-Betriebsdiagnostik bewertet Ihre Organisation über alle sechs Dimensionen in etwa 10 Minuten. Sie ist kostenlos, erfordert keinen Login und liefert eine personalisierte Handlungsempfehlung.

Für ein vertieftes Assessment mit unserem Team buchen Sie ein 20-minütiges Erstgespräch. Wir sagen Ihnen ehrlich, ob Sie bereit sind für Discovery, Accelerator oder OS Build — oder ob Sie zunächst Vorarbeit leisten sollten. Kein Pitch Deck. Kein Verkaufsdruck. Nur Klarheit darüber, wo Sie stehen und was als Nächstes kommt.

Dieser Artikel basiert auf der Methodik aus Das KI-Betriebssystem von Andreas Anding. Das Framework wurde in über 25 DACH-Projekten in den Bereichen Versicherung, E-Mobilität, industrielle Fertigung und Handel erprobt.