Selbsttest

KI-Readiness-Selbsttest für Unternehmen

KI-Vorhaben geraten oft ins Stocken, wenn Problem, Daten, Prozesse, Führung und Governance nicht tragfähig genug zusammenspielen. Dieser Selbsttest zeigt, wo Ihr Unternehmen heute belastbar ist — und wo vor dem nächsten KI-Projekt nachgeschärft werden sollte.

21 Fragen
7 Dimensionen
3 Ergebnisprofile
Rahmen

Was der Test prüft

KI-Readiness entsteht nicht durch ein Tool allein. Der Test betrachtet sieben Engpässe, an denen KI-Initiativen in Unternehmen typischerweise hängen bleiben: Problemklarheit, Daten, Prozesse, Führung, Wissen, Wertmessung und Governance.

Problemfit

Gibt es ein klar benanntes Problem, ein sauberes Zielbild und einen Anwendungsfall, der sich überhaupt sinnvoll spezifizieren lässt?

Daten & Wissensarchitektur

Sind die relevanten Informationen auffindbar, belastbar und in einem Modell verbunden, mit dem KI nicht nur plausible, sondern nützliche Ergebnisse erzeugt?

Prozesse

Ist klar, wo KI in bestehende Abläufe eingreift, wer Ergebnisse prüft und wie ein Pilot später in den Alltag übergehen kann?

Führung & Change

Gibt es einen Sponsor mit Entscheidungsmandat, Manager, die mitziehen, und die Bereitschaft, Arbeitsweisen zu ändern statt nur Tools einzukaufen?

Wissen & Kultur

AI-Literacy gilt für Anbieter und Betreiber seit 2. Februar 2025. Stand 3. August 2026 greifen nun auch die Aufsichts- und Durchsetzungsregeln. Entscheidend sind angemessene Maßnahmen für die eingesetzten Systeme und die betroffenen Rollen.

Wert & ROI

Gibt es für KI-Initiativen eine Baseline, klare KPIs und die Bereitschaft, auf Basis von Ergebnissen — nicht von Sympathie für die Technologie — zu entscheiden?

Governance & Risiko

Sind Verantwortlichkeiten, sensible Daten, EU-AI-Act-Risikoklassen und Kontrollen für autonom handelnde Agenten so geklärt, dass KI nicht als Schattenprozess eingeführt wird?

Selbsttest

21 Fragen für eine ehrliche Standortbestimmung

Bewerten Sie jede Aussage mit Nein, Teilweise oder Ja. „Ja“ bedeutet: Die einschlägigen Voraussetzungen sind nachweisbar erfüllt. „Teilweise“ bedeutet: Konkrete Maßnahmen bestehen, aber es gibt benannte Lücken. Unbekannt oder ungeprüft zählt als „Nein“. Ohne Agenteneinsatz ist Frage 21 nicht relevant. Bewerten Sie einen konkreten priorisierten Anwendungsfall; vor dem ersten Pilot zählen belastbare Vorbereitungen, bei laufendem Betrieb tatsächliche Ergebnisse.

0 Nein
1 Teilweise
2 Ja
Problemfit & Priorisierung

Diese Fragen prüfen, ob Sie mit einem echten Geschäftsproblem starten — oder nur mit einer interessanten KI-Idee.

1. Für jeden priorisierten KI-Kandidaten können wir klar benennen, welches Geschäftsproblem er löst, für wen und woran sich Erfolg zeigt.

2. Wir haben vor dem Start messbare Erfolgskriterien definiert, inklusive Qualität, Risiko, Nutzerakzeptanz und wirtschaftlichem Effekt.

3. Wir priorisieren wenige KI-Use-Cases nach Geschäftswert, Datenverfügbarkeit, Risiko und Umsetzbarkeit — nicht nach Demo-Eindruck oder Tool-Neugier.

Daten & Wissensarchitektur

KI braucht nicht einfach „viele Daten“, sondern die richtigen Informationen: auffindbar, verständlich, zuverlässig und verantwortet.

4. Die Informationen, die ein KI-System für den Use Case braucht, sind auffindbar, zugänglich und in einer Form verfügbar, die verlässlich genutzt werden kann.

5. Für die wichtigsten Datenprobleme gibt es Verantwortliche und einen realistischen Verbesserungsplan — nicht nur ein bekanntes Problem.

6. Wir wissen, wem kritische Daten gehören, was sie bedeuten, wie aktuell sie sind und in welchem Kontext sie genutzt werden dürfen.

Prozesse & Umsetzung

Ein guter KI-Pilot braucht einen Ablauf, der sich beschreiben, prüfen und später auch betreiben lässt.

7. Die betroffenen Prozesse sind so klar beschrieben, dass Input, Output, Entscheidungspunkte, Verantwortliche und Prüfschritte benannt werden können.

8. Für den Pilot sind menschliche Prüfung, Eskalation und repräsentative Normal-, Grenz- und Fehlerfälle mit Qualitätsgrenzen festgelegt. Vor produktiver Nutzung müssen diese Prüfungen bestanden sein; bei bereits produktiv genutzten Systemen sind die Ergebnisse dokumentiert.

9. Für erfolgreiche Piloten ist der Echtbetrieb geklärt: Owner, Monitoring, Support, Kosten und Fallback. Nach wesentlichen Änderungen an Modell, Anbieter, Datenquellen oder Arbeitsablauf prüfen wir Qualität und Schutzmaßnahmen erneut.

Führung & Change

KI wird nur dann wirksam, wenn Führung nicht nur zustimmt, sondern Prioritäten setzt, Ressourcen gibt und Arbeitsweisen verändert.

10. Es gibt einen Sponsor mit Budget, Entscheidungsrechten und Mandat über Fachbereich, IT, Legal/Compliance und HR hinweg.

11. Die direkten Führungskräfte der betroffenen Teams treiben die KI-Einführung aktiv mit, übersetzen sie in Arbeitsweisen und lösen Widerstände im Alltag.

12. Wir sind bereit, Rollen, Entscheidungen und Workflows neu zu gestalten, statt KI nur als zusätzliches Tool auf bestehende Abläufe zu setzen.

Talent & Kultur

AI-Literacy heißt nicht, dass alle programmieren können. Gemeint ist: Mitarbeitende verstehen, wie sie KI in ihrem Arbeitskontext sinnvoll, sicher und kritisch nutzen.

13. Unsere Mitarbeitenden verstehen die Möglichkeiten, Grenzen und Risiken der konkret eingesetzten KI-Werkzeuge in ihrem jeweiligen Arbeitskontext.

14. Unsere Mitarbeitenden lernen passend zu ihrer Rolle, KI sicher zu nutzen, Risiken zu erkennen und Ergebnisse kritisch zu prüfen — nicht einmalig, sondern regelmäßig in der Praxis.

15. Mitarbeitende haben freigegebene, attraktive KI-Nutzungswege, sodass produktive Nutzung nicht überwiegend als Shadow AI auf privaten Tools stattfindet.

Wert & ROI

Reife Organisationen messen nicht nur, ob KI beeindruckend wirkt, sondern ob sie nachweisbar bessere Ergebnisse erzeugt.

16. Für den priorisierten KI-Use-Case haben wir eine belastbare Baseline, konkrete KPIs und einen Messzeitpunkt für die Bewertung definiert.

17. Unser Messkonzept erfasst neben Zeitersparnis auch relevante Effekte auf Qualität, Risiko, Kunden, Umsatz, Kosten oder Entscheidungen. Bei laufenden Vorhaben liegen entsprechende Messungen vor.

18. Für Stoppen, Ändern oder Skalieren sind messbare Entscheidungskriterien vereinbart. Bei laufenden Vorhaben wenden wir diese anhand der Ergebnisse an.

Governance & Risiko

Governance heißt hier nicht Papier, sondern klare Leitplanken für Daten, Anbieter, Freigaben, Verantwortlichkeit und autonom handelnde Systeme.

19. Für sensible Daten und externe KI-Anbieter sind Freigaben, Vertragsbedingungen, Trainingsnutzung, Datenresidenz und Verantwortliche geklärt. Angemessene Schutzmaßnahmen gegen Datenabfluss und manipulierte Eingaben sind geprüft, auch bei Wissenschatbots ohne Agentenfunktionen.

20. Wir führen ein aktuelles Inventar der eingesetzten KI-Systeme und bewerten Rolle, Zweck, Risiko, Datenarten und EU-AI-Act-Relevanz.

21. Falls KI-Agenten eingesetzt werden: Sind Identität, minimale Berechtigungen, zulässige Tool-Zugriffe, Protokollierung, risikogerechte menschliche Freigaben, Kostenlimits und Not-Aus/Fallback definiert und geprüft? „Ja“ setzt voraus, dass alle für den Einsatz notwendigen Kontrollen wirksam sind.

Methodik

Worauf dieser Selbsttest aufbaut

Die Fragen, Gewichtung und Schwellen sind eine eigene redaktionelle Heuristik auf Grundlage der folgenden Quellen, kein wissenschaftlich validiertes Messinstrument. Die sieben Dimensionen verdichten wiederkehrende Voraussetzungen für wirksamen KI-Einsatz. Die Auswahl der Fragen folgt einem Prinzip: wenige, scharf gestellte Items pro Dimension — kein Tiefenscan, sondern eine ehrliche Standortbestimmung in fünf bis zehn Minuten.

Transparenzhinweis: Dieser Selbsttest wurde unter KI-Unterstützung inhaltlich erarbeitet, redaktionell durchgesehen und wird laufend aktualisiert, wenn sich Reifegrad-Modelle oder Praxisstand ändern.

Interpretation

Die drei Ergebnisprofile

Der Score ist kein Reifegrad-Zertifikat. Er gibt eine Orientierung anhand der Selbstauskunft. Offene kritische Voraussetzungen in Fragen 1, 4, 7–9 und 19–21 begrenzen das Profil unabhängig von der Punktzahl; auch „Teilweise“ erlaubt hier keine uneingeschränkte Umsetzungsempfehlung. Ein hoher Wert heißt nicht, dass KI „fertig eingeführt“ ist. Ein niedriger Wert heißt nicht „nichts tun“, sondern: enger starten, sauberer priorisieren und Grundlagen zuerst stabilisieren.

Bis einschließlich 33 % der relevanten Punkte

Fundament zuerst. Starten Sie nicht mit einem breiten KI-Programm. Wählen Sie einen klar umrissenen Use Case, klären Sie Daten, Verantwortlichkeiten und Erfolgskriterien und bauen Sie erst dort belastbare Praxis auf.

Über 33 % bis einschließlich 64 % der relevanten Punkte

Pilotfähig mit Fokus. Ein erster oder nächster KI-Pilot ist realistisch. Der entscheidende Punkt ist jetzt, ihn nicht als Demo zu behandeln, sondern mit Messung, Governance, Betriebsmodell und klarer Verantwortung aufzusetzen.

Über 64 % der relevanten Punkte, ohne kritische Lücken

Bereit für fokussierte Umsetzung. Nach Ihrer Selbstauskunft sind die abgefragten Voraussetzungen für den priorisierten Anwendungsfall geklärt. Vor Produktivsetzung bleiben die Ergebnisse und Kontrollen zu prüfen. Priorität haben Auswahl, Wertmessung, Betrieb und Skalierung — nicht die Breite des Tool-Portfolios.

Weiterlesen

Die drei häufigsten Muster hinter einem niedrigen Score

Ein niedriger Score weist häufig auf unscharfe Probleme, instabile Daten oder ungeklärte Verantwortlichkeiten hin. Genau dazu habe ich in den letzten Wochen bereits mehrere Beobachtungen veröffentlicht.

Zur KI-Beratung Warum KI-Piloten scheitern KI-Modellstrategie Europa