Nach über 25 DACH-Enterprise-Projekten können wir mit brauchbarer Genauigkeit vorhersagen, ob eine KI-Initiative die Produktion erreicht — bevor eine einzige Zeile Code geschrieben wurde. Nicht weil wir hellsehen können, sondern weil dieselben sechs Faktoren mit bemerkenswerter Konsistenz über Erfolg oder Scheitern entscheiden.
Diese sechs Dimensionen bilden den diagnostischen Kern der KI-Betriebssystem-Methodik. Jede einzelne repräsentiert einen Bereich, in dem wir Initiativen haben stocken, scheitern oder gelingen sehen. Schneiden Sie in zwei oder mehr Dimensionen schlecht ab, wird eine Produktivstellung erfahrungsgemäß unwahrscheinlich. Schneiden Sie in allen sechs gut ab, verschiebt sich die Frage von „Wird das funktionieren?" zu „Wie schnell können wir ausrollen?"
1. Workflow-Readiness
Die Frage: Können Sie in messbaren Begriffen formulieren, welchen Prozess KI verbessern soll?
Das ist nicht „Wir wollen KI im Kundenservice einsetzen." Es ist: „Unser Support-Team bearbeitet 800 Tickets pro Woche. 60 % folgen vorhersagbaren Mustern. Wir wollen eingehende Tickets nach Dringlichkeit klassifizieren, an die zuständige Abteilung weiterleiten und für die vorhersagbaren 60 % erste Antworten entwerfen."
Das Erste ist ein Wunsch. Das Zweite ist ein Workflow.
Was wir prüfen:
- Ist der Ziel-Workflow dokumentiert mit klaren Ein- und Ausgaben?
- Ist der Durchsatz in Einheiten pro Periode messbar?
- Gibt es eine Definition von „gutem Output", gegen die ein Modell bewertet werden kann?
- Wie hoch sind aktuelle Fehlerquote, Zykluszeit und Kosten pro Einheit?
Warnsignale: Keine Prozessdokumentation, kein messbarer Durchsatz, keine klare Erfolgsdefinition. Das bedeutet: Sie brauchen Discovery, bevor Sie einen Build brauchen. Wie Sie die richtigen Kennzahlen definieren, erfahren Sie in KI-ROI messen.
2. Datenzugänglichkeit
Die Frage: Können Sie die Daten von dort, wo sie liegen, dorthin bringen, wo ein Modell sie braucht — in Wochen, nicht Monaten?
Nicht Datenqualität. Datenzugänglichkeit. Jede Organisation hat unordentliche Daten. Das ist nicht die Frage. Die Frage ist, ob es einen gangbaren Weg gibt, relevante Daten einem KI-Workflow verfügbar zu machen, ohne ein monatelanges Infrastrukturprojekt.
Was wir prüfen:
- Wo liegen die relevanten Daten? (SAP, Dynamics, Salesforce, Excel, Netzlaufwerke)
- Gibt es APIs, Export-Funktionen oder Datenbankzugriff?
- Kann eine Staging-Umgebung bereitgestellt werden, ohne Produktivsysteme zu berühren?
- Wie lange schätzt die IT für die Bereitstellung eines funktionierenden Datenfeeds?
Warnsignale: Daten in Legacy-Systemen ohne API-Zugang eingesperrt, IT-Schätzungen über 8 Wochen für die Datenbereitstellung, keine Sandbox- oder Staging-Umgebung. Diese Dimension tötet mehr Mittelstands-Initiativen als jede andere — leise, nachdem das Projekt bereits gestartet wurde.
Wenn Legacy-Systeme der Blocker sind, kann AI-native Modernisierung parallel zur AI-Workflow-Lieferung laufen — den Stack stabilisieren, ohne Big-Bang-Cutover.
3. Entscheidungskompetenz
Die Frage: Wer kann „Ja, in Produktion bringen" sagen — und wie lange dauert das?
Nach unserer Erfahrung ist dies der stärkste einzelne Prädiktor für Projekterfolg. Ein benannter Entscheider mit Budgethoheit und operativem Mandat — der Go/No-Go-Entscheidungen in Tagen treffen kann — ist wertvoller als jede technische Fähigkeit.
Was wir prüfen:
- Gibt es einen benannten Executive Sponsor?
- Hat diese Person vorab genehmigtes Budget (typischerweise €30.000–150.000 für eine erste Initiative)?
- Kann sie eine Produktivstellungsentscheidung treffen, ohne ein Gremium einschalten zu müssen?
- Ist sie operativ eingebunden oder rein strategisch?
Warnsignale: Entscheidungskompetenz auf ein Gremium verteilt, Budget nicht vorab genehmigt, Genehmigungszyklen über mehrere Monate. Im Mittelstand ist der Geschäftsführer als direkter Sponsor oft die stärkste Konstellation — kurze Entscheidungsketten schlagen ausgefeilte Governance jedes Mal.
4. Compliance-Positionierung
Die Frage: Ist die Haltung Ihrer Organisation gegenüber KI-Regulierung befähigend oder blockierend?
Mit dem EU AI Act und der DSGVO, die auf jedes KI-System mit Personendatenverarbeitung anwendbar ist, ist Compliance nicht verhandelbar. Die Frage ist nicht, ob Compliance wichtig ist — das ist sie — sondern ob die Organisation sie als Leitplanke oder als Straßensperre behandelt.
Was wir prüfen:
- Hat die Rechts-/Compliance-Abteilung KI-Use-Cases geprüft und klare Leitlinien formuliert?
- Gibt es ein Framework zur Klassifizierung von KI-Anwendungen nach Risikolevel (gemäß EU AI Act)?
- Kann die Compliance-Prüfung parallel zur Entwicklung laufen oder ist sie ein sequenzielles Gate?
- Versteht die Organisation, was die DSGVO spezifisch für KI-Systeme verlangt?
Warnsignale: Kein Compliance-Review-Framework, „Wir müssen erst alle regulatorischen Implikationen vollständig verstehen, bevor wir starten", Rechtsabteilung behandelt standardmäßig jeden KI-Use-Case als Hochrisiko. Für praktische Orientierung siehe unser EU AI Act Ressourcenzentrum.
Die produktive Haltung: Compliance definiert Grenzen, und das Team baut innerhalb dieser Grenzen. Die unproduktive Haltung: Compliance muss alles genehmigen, bevor irgendetwas beginnt.
5. Team-Kapazität
Die Frage: Haben Sie Mitarbeitende mit Zeit und Mandat, daran zu arbeiten?
Es geht nicht um KI-Talent. Für Level-1-Deployments brauchen Sie Fachexperten, die den Workflow verstehen, eine technische Leitung für das Integrationsmanagement und Zugang zu externer Engineering-Kapazität für den Build. Sie brauchen keine Data Scientists im Haus.
Was wir prüfen:
- Kann der Fachbereich 1–2 Domänenexperten für 20–30 % ihrer Zeit abstellen?
- Gibt es ein technisches Gegenüber (intern oder extern) für die Integrationsarbeit?
- Hat die IT Kapazität, Datenzugang und Infrastruktur zu unterstützen?
- Sind die benannten Personen tatsächlich verfügbar oder bereits für drei andere Prioritäten eingeplant?
Warnsignale: Alle benannten Ressourcen sind bereits zu 100 % ausgelastet, kein technisches Gegenüber identifiziert, IT-Backlog übersteigt 6 Monate. Ein voll besetztes Team ohne verfügbare Kapazität ist, funktional betrachtet, null Kapazität.
6. Betriebsmodell-Klarheit
Die Frage: Wissen Sie, wie KI verändern wird, wer was tut?
Das ist die Dimension, die die meisten Organisationen überspringen — und der Hauptgrund, warum Level-2-Deployments scheitern. KI auszurollen, ohne Rollen, Verantwortlichkeiten und Erfolgskennzahlen neu zu definieren, erzeugt Verwirrung, Widerstand und Schattenprozesse.
Was wir prüfen:
- Hat die Organisation definiert, welche Aufgaben von Mensch auf KI übergehen?
- Gibt es neue oder angepasste Rollenbeschreibungen für den Zustand nach dem Deployment?
- Wurden Erfolgskennzahlen aktualisiert, um das neue Betriebsmodell abzubilden?
- Gibt es einen Change-Management-Plan für das betroffene Team?
Warnsignale: Keine Diskussion über Rollenveränderungen, Annahme, dass „die Leute das Tool einfach nutzen werden", keine aktualisierten KPIs. Wenn Sie KI in ein Team deployen, ohne zu erklären, wie sich die Arbeit ändert, erwarten Sie, dass die KI innerhalb von 60 Tagen ungenutzt ist. Wie schlanke Governance dafür sorgt, dass Rollen und Verantwortlichkeiten klar bleiben, beschreibt KI-Governance für den Mittelstand.
Wie die Dimensionen zusammenwirken
Die sechs Dimensionen sind nicht unabhängig. Sie erzeugen Abhängigkeiten:
- Workflow-Readiness ermöglicht alles. Ohne sie können Sie weder Datenanforderungen noch Compliance-Scope noch Erfolgskennzahlen definieren.
- Datenzugänglichkeit und Entscheidungskompetenz sind die zwei häufigsten Blockaden. Lösen Sie diese zuerst.
- Compliance-Positionierung und Team-Kapazität bestimmen die Umsetzungsgeschwindigkeit.
- Betriebsmodell-Klarheit bestimmt, ob das Deployment Bestand hat.
Eine Organisation mit starker Workflow-Readiness und Entscheidungskompetenz, aber schwacher Datenzugänglichkeit braucht eine andere Intervention als eine mit zugänglichen Daten, aber ohne Executive Sponsor. Die Dimensionen diagnostizieren nicht nur — sie verordnen.
Ihre Organisation bewerten
In Das KI-Betriebssystem wird jede Dimension auf einer Vierpunkteskala bewertet: blockierend, schwach, ausreichend, stark. Das Muster über alle sechs bestimmt den empfohlenen nächsten Schritt:
- Mehrere blockierende Bewertungen: Discovery-Engagement zur Schaffung der Grundlagen
- Gemischt schwach/ausreichend: Gezielte Intervention bei blockierenden Dimensionen, dann Accelerator
- Überwiegend ausreichend/stark: Bereit für den Accelerator — weiter zum Level-1-Deployment
Nutzen Sie die Diagnose für ein strukturiertes Self-Assessment über alle sechs Dimensionen.