AI-first company

Messung · Erkunden

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.

Von
Zuletzt geprüft
Korrekturen
Fehler melden
Wann Als Nächstes. Sobald Ihre ersten KI-Anwendungen laufen.
Aufwand Gering (Tage, eine Person)
Evidenz Mittel Umstritten

Zwei Übersichtsarbeiten, die alle veröffentlichten Studien durchsuchten, finden den Zusammenhang zwischen Reife- oder Bereitschaftsgrad und Ergebnissen unbewiesen. Eine Umfrage unter 143 Führungskräften findet einen Zusammenhang zwischen KI-Fähigkeit und Leistung. Die Studien widersprechen sich, daher trägt die Seite einen Hinweis.

Passt für
Branchen Alle Branchen
Im Leitfaden Was scheitert

Worum es geht

Wenn Ihnen jemand einen Reifegradwert vorlegt, lesen Sie ihn als Beschreibung, wo Sie stehen, und suchen Sie die Ergebnisse anderswo. Reifegradmodelle stellen ein Unternehmen auf eine Leiter, oft mit fünf Stufen, und versprechen, dass sich der Aufstieg auszahlt. Beratungsfirmen, Anbieter und Forschende veröffentlichen solche Modelle.

Was die Evidenz zeigt

Was dagegen spricht, sich auf den Wert zu verlassen

  • Eine Übersicht über zehn Jahre Studien zu digitalen Reifegradmodellen berichtet, dass Forschende den Wert der Modelle anzweifeln. Die Modelle haben keine objektiven Regeln für die Bewertung, und niemand hat Daten, die einen Reifegrad mit Leistung verbinden.
  • Viele Modelle erfassen vor allem, was die oberste Leitung denkt, nicht messbare Ergebnisse.
  • Eine Übersicht über 47 Studien fand den Zusammenhang zwischen Veränderungsbereitschaft und einer erfolgreichen Einführung unklar. Die Studien messen Bereitschaft auf sehr unterschiedliche Weise.
  • Eine Übersicht über veröffentlichte Studien zu KI-Reifegradmodellen fand, dass 6 von 13 Studien (46 %) vor allem die Technik bewerten (Sadiq und andere, in den Quellen unten).
  • Wer KI tiefer einbaute, hatte keine besseren Einstellungspläne. Die Federal Reserve Bank of New York wertete eine Umfrage von 2025 unter kleinen US-Unternehmen mit Beschäftigten aus. Unter den Unternehmen, die KI nutzten, erwarteten diejenigen, die sie in ihre Prozesse eingebaut hatten, nicht mehr Einstellungen als diejenigen, die noch experimentierten. In Lohnabrechnungsdaten, die Gusto, ein Anbieter von Lohnabrechnungssoftware für kleine Unternehmen, ausgewertet hat, stellten Unternehmen, die KI für alltägliche Aufgaben nutzten, im selben Tempo ein wie Unternehmen, die sie tief in ihren Betrieb eingebaut hatten. Beide Quellen stehen in der Liste unten.

Was dafür spricht

  • Eine Umfrage unter 143 Führungskräften aus der obersten Leitung ergab, dass Unternehmen mit stärkerer KI-Fähigkeit mehr Kreativität und bessere Leistung angaben. In dieser Umfrage bewerteten dieselben Führungskräfte sowohl die Fähigkeit als auch die Leistung.
  • In einer Umfrage der OECD unter 2.018 kleinen und mittleren Unternehmen in 12 Ländern berichteten 2 % der Unternehmen, die KI für einzelne Aufgaben nutzten, von einer grundlegend verändernden Wirkung. Unter den Unternehmen, die sie im ganzen Unternehmen nutzten, waren es 23 %. Die Unternehmen schätzten die Wirkung selbst ein. Die OECD sagt, die Stichprobe sei nicht repräsentativ: Die Unternehmen wurden über digitale Plattformen erreicht, die mit der OECD zusammenarbeiten, und drei Viertel der Antworten zu KI kamen aus Japan.

Niemand hat gezeigt, dass ein Reifegradwert Erträge vorhersagt.

So gehen Sie vor

  1. Nutzen Sie eine Reifegradbewertung, um ein Gespräch zu strukturieren: Wo sind wir schwach, und sind wir uns darin einig?
  2. Achten Sie auf die Antworten zu einzelnen Fragen, nicht auf die Gesamtstufe.
  3. Prüfen Sie, wer sie ausgefüllt hat. Waren es nur Führungskräfte der Leitung, holen Sie andere Sichtweisen ein. Siehe Ermitteln Sie die KI-Bereitschaft aus mehreren Quellen.
  4. Setzen Sie nicht „Stufe 4 erreichen“ als Ziel. Setzen Sie Ziele in betrieblichen Größen: Zeit, Qualität, Kosten, Umsatz.
  5. Nutzen Sie keinen Wert, um Geschäftsbereiche zu vergleichen oder Budgets zu verteilen.
  6. Seien Sie vorsichtig, wenn ein Vergleich mit anderen Unternehmen von der Firma kommt, die die Lösung verkauft.

Was Sie messen sollten

  • Die Ergebnisse tatsächlicher KI-Projekte: gesparte Zeit, Qualität, Kosten. Siehe Messen Sie gegen eine Ausgangsmessung.
  • Wenn Sie eine Reifegradbewertung wiederholen: wie weit die Sichtweisen der verschiedenen Gruppen sich annähern.

Woran es scheitert

  • Das Modell wegwerfen. Eine strukturierte Checkliste hilft einer Leitung trotzdem, Lücken zu sehen. Die Warnung betrifft das, was der Wert beweisen kann.
  • Regulierte Bereiche. Manche Prüfungen und Normen verlangen eine dokumentierte Bewertung. Machen Sie sie, und halten Sie sie von Ihrer Wirtschaftlichkeitsrechnung getrennt.

Nach Unternehmensgröße

  • Mittlere Unternehmen: Die meisten veröffentlichten Modelle wurden für große Firmen gebaut und passen vielleicht nicht. Eine kurze Checkliste reicht.
  • Großunternehmen: Reifegradwerte landen oft in Berichten an Vorstand oder Aufsichtsrat. Berichten Sie die Projektergebnisse daneben.

Diagnoseinstrumente für diese Praktik

Dies sind vorhandene Fragebögen, Tests und Leitfäden, die Sie nutzen können. Jede Karte nennt die Frage, die es beantwortet, wer es ausfüllt und ob Sie es frei nutzen dürfen. Alle Diagnoseinstrumente.

Quellen

  1. Thordsen and Bick (2023). A decade of digital maturity models: much ado about nothing?. Information Systems and e-Business Management, 21(4), 947–976. Was diese Studie untersucht und gefunden hat
  2. Silva, São Mamede and Santos (2024). A new proposed model to assess the digital organizational readiness to maximize the results of the digital transformation in SMEs. Journal of Innovation & Knowledge, 10(1), 100644. Was diese Studie untersucht und gefunden hat
  3. Caci, Nyantakyi, Blum, Sonpar, Schultes, Albers and Clack (2025). Organizational readiness for change: A systematic review of the healthcare literature. Implementation Research and Practice, 6. Was diese Studie untersucht und gefunden hat
  4. Mikalef and Gupta (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. Schränkt diese Praktik ein oder widerspricht ihr. Was diese Studie untersucht und gefunden hat
  5. Sadiq, Safie, Abd Rahman and Goudarzi (2021). Artificial intelligence maturity model: a systematic literature review. PeerJ Computer Science. doi.org
  6. Aarons and Sarkar (October 2026). AI Adoption and Employment Expectations: Evidence from a Survey of Small Business Owners. Federal Reserve Bank of New York, Liberty Street Economics. libertystreeteconomics.newyorkfed.org
  7. Tremper and Bowen (2026). Analysis of AI adoption and hiring at small businesses, from payroll records. Gusto, which sells payroll software to small firms. gusto.com
  8. Bianchini, Lasheras Sancho and others (April 2026). Empowering SMEs in the age of AI: The 2026 OECD D4SME Survey. OECD. oecd.org

Behauptungen zu diesem Thema, geprüft anhand dieser Studien: