Die KI-Readiness-Checkliste: Ist Ihr Unternehmen wirklich bereit?

Es gibt eine Frage, die mir inzwischen mindestens einmal pro Woche gestellt wird, meist mit einem leicht nervösen Lachen: „Also … sollten wir irgendetwas mit KI machen?“ Es ist die falsche Frage, aber eine ehrliche. Die richtige Frage — die fast niemand zuerst stellt — ist leiser und weit nützlicher: Ist dieses Unternehmen überhaupt bereit, einen Nutzen aus KI zu ziehen, oder würden wir nur Geld verbrennen, um modern auszusehen?

Ich sitze seit Jahren Inhabern und Führungskräften mittelständischer Unternehmen gegenüber — Herstellern, Großhändlern, Kanzleien, regionalen Dienstleistern mit fünfzig bis dreihundert Mitarbeitenden. Diejenigen, die mit KI erfolgreich sind, beginnen fast nie mit der Technologie. Sie beginnen damit, ehrlich über den Zustand des eigenen Hauses zu sein: ihre Daten, ihre Prozesse, ihre Menschen und wie Entscheidungen tatsächlich getroffen werden, wenn niemand hinschaut. Die Technologie ist der einfache Teil. Die Readiness entscheidet, ob Sie ein Ergebnis erhalten oder ein Bedauern.

Das ist also die Checkliste, die ich mehr oder weniger durchgehe, bevor ich einem Unternehmen empfehlen würde, auch nur einen einzigen Euro in den Bau von etwas zu stecken. Es ist kein Reifegradmodell mit zwölf Dimensionen und einem bunten Netzdiagramm. Es ist eine Reihe schlichter Fragen, die Sie bei einem Kaffee beantworten können, gruppiert in fünf Dinge, die wirklich vorhersagen, ob KI für Sie funktioniert — oder Sie in sechs Monaten in einer Steuerungssitzung still blamiert.

Warum „Readiness“ wichtiger ist als das Modell

Hier ist die unbequeme Wahrheit, mit der Anbieter nicht einsteigen: Das KI-Modell ist selten der Grund, warum ein Projekt scheitert. Die Modelle sind heute erstaunlich gut, und sie werden alle paar Monate besser, ob Sie etwas tun oder nicht. Was Projekte tötet, ist alles rund um das Modell — die unordentlichen Daten, mit denen es gefüttert wird, der Prozess, an den es angeschraubt wird, die Menschen, die nie gefragt wurden, der unklare Verantwortliche, die schwammige Definition von Erfolg.

Ich habe Unternehmen erlebt, die ernsthaft Geld in einen klugen Piloten gesteckt haben, der in der Demo wunderbar funktionierte und dann beim Aufprall auf die Realität starb, weil die benötigten Daten in drei inkompatiblen Systemen und einem Kopf lebten. Der Pilot war nicht falsch. Das Unternehmen war nur nicht bereit dafür. Readiness ist kein Tor, das Sie von KI fernhält — sie ist das, was darüber entscheidet, ob sich Ihre Investition verzinst oder verdunstet.

Die gute Nachricht ist, dass Readiness behebbar ist, und die meisten Korrekturen sind unspektakulär und günstig. Sie brauchen keinen Data Lake und keinen Chief AI Officer. Sie müssen ehrlich wissen, wo Sie an fünf Fronten stehen, und die ein oder zwei Lücken schließen, die sonst das erste Projekt versenken würden. Gehen wir sie durch.

Säule 1: Ihre Daten — sind sie gut genug, um darauf aufzubauen?

KI ist nur so gut wie das, womit Sie sie füttern, und hier werden mittelständische Unternehmen am häufigsten überrascht. Nicht weil ihre Daten schlecht wären — meist reichen sie zum Führen des Geschäfts völlig aus —, sondern weil „gut genug für Menschen“ und „gut genug für eine Maschine“ unterschiedliche Maßstäbe sind. Ein Mensch kann einen leicht inkonsistenten Kundendatensatz lesen und weiß, dass „Müller GmbH“ und „Mueller G.m.b.H.“ dieselbe Firma sind. Ein System verlangt, dass Sie das bereits entschieden haben.

Sie brauchen keine perfekten Daten. Niemand hat perfekte Daten, und darauf zu warten ist nur Aufschieberitis im Anzug. Was Sie brauchen, sind Daten, die zugänglich, einigermaßen konsistent und mit dem Prozess verbunden sind, den Sie verbessern wollen. Stellen Sie sich die schlichten Fragen:

• Kommen Sie tatsächlich an die Daten heran, die Sie brauchen würden, oder stecken sie in einem System fest, aus dem nur ein einziger Anbieter exportieren kann?
• Wird dasselbe meistens auf dieselbe Weise erfasst — Kunden, Produkte, Status, Daten?
• Wissen Ihre Kernsysteme voneinander, oder tippt jemand jeden Tag zwischen ihnen ab?
• Gibt es genug Historie zum Lernen, wo die Aufgabe überhaupt Historie braucht?
• Wäre es Ihnen recht, wenn eine Aufsichtsbehörde fragen würde, woher eine bestimmte Zahl stammt?

Eines unterschätzen Menschen noch: das Eigentum an Daten. Wenn ein kritischer Teil dessen, was Sie dem Modell zuführen würden, in einem Drittanbieter-Tool liegt, dessen Vertrag den Export verbietet, ist das kein technisches Problem, das Sie umgehen können — es ist ein kommerzielles, das Sie zuerst lösen müssen. Besser, Sie finden das jetzt auf dem Papier heraus als drei Monate nach Baubeginn.

Säule 2: Ihre Prozesse — sind sie stabil genug zum Automatisieren?

Es gibt einen alten Spruch in unserer Welt: Wenn Sie ein Chaos automatisieren, bekommen Sie ein schnelleres Chaos. Es ist ein Klischee, weil es unerbittlich wahr ist. KI auf einen chaotischen Prozess gesetzt behebt das Chaos nicht — sie skaliert es, und nun sind Sie im Tempo verwirrt. Bevor Sie Intelligenz auf einen Prozess setzen können, muss der Prozess stabil genug sein, dass Sie ihn einer neuen Kraft an ihrem ersten Tag beschreiben könnten.

Das heißt nicht, dass er elegant oder vollständig dokumentiert sein muss. Es heißt, er muss real und wiederholbar sein. Der Test ist einfach: Können Sie ihn zeichnen? Wenn Sie drei Personen, die den Job machen, in einen Raum setzen und sie bitten, die Schritte zu skizzieren — würden sie ungefähr dasselbe Bild zeichnen oder drei verschiedene, von denen jede darauf besteht, ihres sei das „eigentliche“?

Regeln versus Urteilsvermögen

Es hilft auch zu wissen, mit welcher Art von Prozess Sie es zu tun haben. Folgt er festen Regeln — diese Daten dorthin verschieben, jene Erinnerung senden, alles über einem Schwellenwert markieren —, brauchen Sie vielleicht gar keine KI; schlichte Automatisierung ist günstiger und zuverlässiger. KI verdient ihr Geld dort, wo die Arbeit wirklich unordentlich und sprach- oder urteilsgeprägt ist: eine Freitext-E-Mail lesen und die Bestellung herausziehen, eine erste Antwort entwerfen, Dokumente sortieren, die niemand ablegen will. Ehrlich zu sein, welche Art Sie haben, bewahrt Sie davor, einen Vorschlaghammer für einen Reißnagel zu kaufen.

Säule 3: Ihre Menschen — werden sie es tatsächlich nutzen?

Das ist die Säule, die die geringste Aufmerksamkeit bekommt und die meisten Projekte zerbricht. Sie können saubere Daten und einen aufgeräumten Prozess haben und trotzdem mit einem Werkzeug enden, das niemand anrührt, weil die Menschen, deren Arbeit es verändert hat, als Nachgedanke behandelt wurden. Ein ignoriertes Modell hat einen ROI von exakt null, egal wie eindrucksvoll es im Pitch aussah.

Readiness geht hier teils um Fähigkeiten, vor allem aber um Vertrauen und Einbindung. Wurden die Menschen, die die Arbeit machen, gefragt, was sie ausbremst, oder bekamen sie eine Lösung für ein Problem, das sie gar nicht als ihres anerkannten? Empfindet jemand im Haus ein Gefühl von Eigenverantwortung dafür, dass dies gelingt, oder ist es „das Projekt des Beraters“? Gibt es mindestens eine neugierige Person im Team, die es vorantreibt, statt es still zu umgehen?

Sie brauchen keine Data Scientists in der Belegschaft. Für die meisten mittelständischen Unternehmen bringt der richtige Partner die technische Tiefe mit. Was Sie nicht auslagern können, ist die Bereitschaft, zu ändern, wie ein paar tägliche Aufgaben erledigt werden — und diese Bereitschaft entsteht, indem man Menschen früh einbindet, nicht indem man das neue System auf einer Betriebsversammlung verkündet, wenn es bereits gekauft ist.

Säule 4: Strategie und Budget — gibt es einen echten Verantwortlichen und eine echte Zahl?

KI-Initiativen, die frei vom Geschäft schweben, ohne klaren Verantwortlichen und ohne definierten Erfolg, treiben meist vor sich hin, bis jemand sie still die Finanzierung entzieht. Readiness an dieser Front ist unspektakulär, aber entscheidend: eine benannte Person, die das Ergebnis verantwortet, ein konkretes lösenswertes Problem und ein Budget, das zum Anspruch passt — einschließlich des Teils, den alle vergessen, nämlich das Ding nach dem Start am Laufen zu halten.

Sie sollten diesen Satz vervollständigen können, bevor Sie starten: „Dieses Projekt ist erfolgreich, wenn innerhalb von drei Monaten [konkrete messbare Sache] passiert.“ „Wir werden innovativer“ ist keine Ziellinie; das ist eine Pressemitteilung. „Unser Team verbringt keine sechs Stunden pro Woche mehr mit dem Abtippen von Bestellungen“ ist eine Ziellinie. Je enger und messbarer, desto besser — und desto leichter ist zu erkennen, ob Sie wirklich gewonnen haben.

Speziell zum Budget: Der Bau ist meist die kleinere Hälfte. Ein Modell braucht Überwachung, gelegentliches Nachjustieren und einen Verantwortlichen, der merkt, wenn die Realität von dem abdriftet, worauf es trainiert wurde. Unternehmen, die nur den Bau budgetieren, richten ein Werkzeug ein, das ein Quartal lang brillant funktioniert und dann langsam verrottet, weil niemand dafür bezahlt wurde, sich darum zu kümmern. Planen Sie für das langweilige Nachleben des Projekts, nicht nur für seine aufregende Geburt.

Säule 5: Risiko und Governance — der Teil, den Sie in Europa nicht überspringen können

Für ein mittelständisches europäisches Unternehmen ist diese Säule nicht optional, und so zu tun, als wäre sie es, führt dazu, dass Sie am Ende ein cleveres Werkzeug haben, das Sie rechtlich nicht einsetzen dürfen. Sie brauchen keine Compliance-Abteilung, aber Sie müssen die grundlegenden Fragen vor dem Bau gestellt haben, nicht danach. Meist läuft es darauf hinaus, zu wissen, welche Daten das System berührt, wo sie verarbeitet werden und wer verantwortlich ist, wenn etwas schiefgeht.

Die Fragen sind weniger beängstigend, als sie klingen. Verarbeitet das Werkzeug personenbezogene Daten, und wenn ja, auf wessen Servern und unter welcher Vereinbarung? Wenn die KI etwas vorschlägt — einen Preis, eine Antwort, eine Entscheidung —, prüft ein Mensch es dort, wo es zählt, oder handelt sie allein? Können Sie in klarer Sprache erklären, wie sie zu einem bestimmten Ergebnis gekommen ist, wenn ein Kunde oder Prüfer fragt? Haben Sie bedacht, was an dem Tag passiert, an dem sie selbstbewusst falsch liegt, denn dieser Tag wird kommen?

Alles zusammenführen: sich ehrlich bewerten

Sie brauchen dafür keine Tabelle, auch wenn Sie eine bauen können. Gehen Sie die fünf Säulen durch und bewerten Sie jede mit Rot, Gelb oder Grün — nicht wie Sie es sich wünschen, sondern wie es heute wirklich ist. Es geht nicht darum, durchgängig Grün zu erreichen; fast kein Unternehmen schafft das, und Sie müssen es auch nicht. Es geht darum, die ein oder zwei Rots zu finden, die ein erstes Projekt versenken würden, und sich darum zu kümmern, bevor Sie bauen.

1. 1
   Bewerten Sie jede Säule rot, gelb, grün

   Daten, Prozesse, Menschen, Strategie, Governance. Seien Sie ehrlich — eine optimistische Selbsteinschätzung verschiebt die Enttäuschung nur nach hinten.
2. 2
   Finden Sie Ihre blockierenden Rots

   Ein Rot genau auf der Säule, von der Ihr erstes Projekt abhängt, ist ein Stoppschild. Ein Rot irgendwo Unbeteiligtem kann warten. Der Kontext zählt mehr als die Summe.
3. 3
   Schließen Sie zuerst die günstigen Lücken

   Die meisten Readiness-Lücken werden mit unspektakulärer, kostengünstiger Arbeit geschlossen — Daten erreichbar machen, den Prozess aufschreiben, das Team früh einbinden.
4. 4
   Wählen Sie das kleinste echte Projekt

   Wählen Sie einen stabilen, häufigen, gut verantworteten Prozess, bei dem Sie grün genug sind, um zu gewinnen. Ein kleiner abgeschlossener Erfolg finanziert den nächsten — an Vertrauen, nicht nur an Geld.
5. 5
   Dann, und erst dann, bauen

   Mit beseitigten Rots auf den entscheidenden Säulen und einem aufgeschriebenen messbaren Ziel sind Sie bereit. Nicht perfekt — bereit. Das ist verschieden, und nur eines davon geht in Betrieb.

Beachten Sie, dass die meiste dieser Arbeit nichts mit KI zu tun hat. Erreichbare Daten, ein Prozess, den Sie zeichnen können, ein eingebundenes Team, ein klarer Verantwortlicher, ein Mensch in der Schleife — diese machen Ihr Unternehmen besser, selbst wenn Sie nie ein einziges Modell einsetzen. Das ist der stille Bonus, wenn man Readiness ernst nimmt: Die Vorbereitung ist für sich genommen wertvoll. KI gibt Ihnen nur einen Grund, es endlich zu tun.

Häufige Fragen