Selbsttest

KI-Readiness-Selbsttest für Unternehmen

Die meisten KI-Projekte scheitern nicht daran, dass KI grundsätzlich nicht funktioniert. Sie scheitern daran, dass 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

Verstehen Mitarbeitende, was die eingesetzten KI-Werkzeuge können und wo ihre Grenzen liegen — und wird Befähigung systematisch betrieben, wie es Artikel 4 des EU AI Act seit 2025 verlangt?

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. Der Test berechnet daraus Ihr Ergebnisprofil und zeigt, wo Ihr größter Engpass liegt.

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 KI-Ergebnisse sind menschliche Prüfung, Qualitätskriterien, Eskalation und Feedback-Schleifen vor dem Pilot definiert.

9. Für erfolgreiche Piloten ist der Echtbetrieb geklärt: Owner, Monitoring, Support, Kosten, Modell- oder Anbieterwechsel und Fallback.

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 mindestens einen aktiven KI-Use-Case haben wir eine belastbare Baseline, konkrete KPIs und einen Messzeitpunkt für die Bewertung definiert.

17. Wir messen KI-Wert nicht nur als Zeitersparnis, sondern auch über Qualität, Risiko, Kundeneffekt, Umsatz, Kosten oder Entscheidungsqualität.

18. Wir stoppen, ändern oder skalieren KI-Vorhaben auf Basis gemessener Ergebnisse — nicht aufgrund von Hype, Gewöhnung oder interner Lieblingsprojekte.

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.

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

21. Für KI-Agenten sind Identität, Berechtigungen, Tool-Zugriffe, Protokollierung, menschliche Freigabe, Kostenlimits und Not-Aus/Fallback definiert.

Methodik

Worauf dieser Selbsttest aufbaut

Dieser Selbsttest orientiert sich an etablierten Reifegrad-Modellen für Enterprise AI: am Cisco AI Readiness Index, am Gartner AI Maturity Model, am Microsoft AI Readiness Framework, an Deloitte „State of AI in the Enterprise“, an BCG „Build for the Future“, am NIST AI Risk Management Framework sowie an den Anforderungen des EU AI Act. 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 zeigt, wie breit oder eng ein Unternehmen sinnvoll mit KI starten sollte. 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.

0–14 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.

15–27 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.

28–42 Punkte

Bereit für fokussierte Umsetzung. Die Grundlagen sind tragfähig genug, um KI diszipliniert in wirksame Arbeitsabläufe zu bringen. Priorität haben Auswahl, Wertmessung, Betrieb und Skalierung — nicht die Breite des Tool-Portfolios.

Weiterlesen

Die drei häufigsten Muster hinter einem niedrigen Score

Wenn Sie bei diesem Test schwächer abschneiden, liegt das fast nie an mangelnder Technologieaffinität. Es liegt typischerweise an drei Mustern: unscharfen Problemen, instabilen Daten und nicht geklärten Verantwortlichkeiten. Genau dazu habe ich in den letzten Wochen bereits mehrere Beobachtungen veröffentlicht.

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