Zehn Jahre digitale Reifegradmodelle: Sagen sie Ergebnisse voraus?

Auf einen Blick

Quelle

Thordsen and Bick (2023). A decade of digital maturity models: much ado about nothing?. Information Systems and e-Business Management, 21(4), 947–976. doi:10.1007/s10257-023-00656-w

Wie sie durchgeführt wurde

Die Autoren werteten elf Jahre Forschung zu digitalen Reifegradmodellen aus und stellten die wichtigsten Streitpunkte unter Forschenden dar. Systematische Übersichtsarbeit. Sie sucht nach festen Regeln alle veröffentlichten Studien zu einer Frage und fasst zusammen, was sie zeigen.

Wer teilnahm

Veröffentlichte Forschung zu digitalen Reifegradmodellen.

Wo

International.

“Various critical voices question the actual practical and theoretical value of DMMs, underlining the absence of objective evaluation criteria of these models and pointing out the lack of empirical data to prove the suggested relationship between maturity and performance.” [Verschiedene kritische Stimmen bezweifeln den tatsächlichen praktischen und theoretischen Wert von DMMs, betonen das Fehlen objektiver Bewertungskriterien für diese Modelle und weisen darauf hin, dass empirische Daten fehlen, die den behaupteten Zusammenhang zwischen Reife und Leistung belegen.]

Was sie fand

Ein Reifegradmodell ordnet eine Organisation auf einer Leiter von Stufen ein, meist von Anfänger bis Fortgeschritten, und schlägt vor, was für den Aufstieg zu tun ist.

• Es gibt viele solcher Modelle, und ihr Wert ist unter Forschenden umstritten.
• Kritiker nennen zwei Lücken. Die Modelle haben keine objektiven Kriterien, um eine Stufe zu beurteilen. Und es gibt kaum Daten, die zeigen, dass eine höhere Stufe mit besseren Geschäftsergebnissen einhergeht.

(„DMMs“ im Zitat steht für digital maturity models, digitale Reifegradmodelle.)

Wann das Ergebnis gilt

Die Übersicht betrifft digitale Reifegradmodelle allgemein. KI-Reifegradmodelle sind genauso aufgebaut, also gelten dieselben Zweifel. Dieser Schritt ist unsere Schlussfolgerung und kein Ergebnis der Übersicht.

Grenzen

• Sie berichtet über einen Streit. Sie prüft nicht selbst, ob Reife Ergebnisse voraussagt.

Praktiken, die sich auf diese Studie stützen

Diese Studie stützt:

• Behandeln Sie einen Reifegradwert nicht als Prognose Ein Wert für KI-Reifegrad oder KI-Bereitschaft beschreibt, wo Sie nach eigener Angabe stehen. Die Evidenz, dass ein höherer Wert zu besseren Ergebnissen führt, ist dünn und umstritten. Nutzen Sie ihn als Anstoß für ein Gespräch, nicht zur Vorhersage von Erträgen. Als Nächstes · Aufwand: gering (Tage, eine Person) Evidenz: Mittel Umstritten Messung · Erkunden

Diagnoseinstrumente zu dieser Studie

• Hat das Unternehmen, was es braucht, um KI zu nutzen? AI Capability scale Führungskräfte, über ihr eigenes Unternehmen · 46 Fragen Frei nutzbar und anpassbar Prüfung: Mittel Umfragen zur Bereitschaft

Faktenchecks, die diese Studie zitieren

• „Die AI Maturity Matrix von BCG zeigt, wie reif Unternehmen sind“ Muss korrigiert werden
• „Microsoft hat ein Reifegradmodell für verantwortungsvolle KI“ Bestätigt
• „Nur 13 % der Unternehmen sind bereit für KI“ Muss korrigiert werden