AI Readiness im Unternehmen: Bedeutung, Checkliste und Fahrplan für KMU im DACH-Raum

30 Prozent der österreichischen Unternehmen ab zehn Beschäftigten nutzen laut Statistik Austria bereits künstliche Intelligenz, 2021 waren es noch neun Prozent. Der EU-Schnitt liegt bei 20 Prozent. In Deutschland sind es laut Destatis 26 Prozent, bei Unternehmen mit 50 bis 249 Beschäftigten 36 Prozent. Die Zahlen klingen nach Aufbruch. Nutzung ist aber noch kein Nutzen. Ein Unternehmen kann ein Dutzend KI-Tools im Einsatz haben und trotzdem keinen einzigen Ablauf, der dadurch messbar besser geworden ist.

Diese Lücke zwischen Ausprobieren und echtem Nutzen beschreibt der Begriff AI Readiness. Meine These dazu: In KMU scheitert AI Readiness selten an Technik oder Budget. Sie scheitert daran, dass das Wissen, mit dem KI arbeiten soll, in Köpfen und Gesprächen liegt und nirgends sonst. Deshalb gehört die Frage nach dem Wissen an den Anfang des Fahrplans.

Viele Beratungen sehen das anders und beginnen mit Infrastruktur, Tool-Auswahl oder einer KI-Strategie auf Folien. Das ist nicht falsch, es kommt nur in der falschen Reihenfolge. Ein sauber ausgerolltes Werkzeug ohne Zugriff auf das relevante Wissen produziert gut formulierte, allgemeine Antworten. Die Teams probieren es aus, finden nichts, was sie nicht auch selbst gewusst hätten, und kehren zum alten Ablauf zurück.

Was AI Readiness bedeutet

AI Readiness, auf Deutsch KI-Reife oder KI-Bereitschaft, beschreibt die Fähigkeit eines Unternehmens, künstliche Intelligenz wirksam, sicher und rechtskonform einzusetzen und daraus dauerhaft Wert zu schaffen. Es geht also um die Voraussetzungen, damit KI-Tools etwas verändern, und weniger um die Tools selbst.

Mein Maßstab: Ein Unternehmen ist AI ready, wenn es einen KI-Anwendungsfall auswählen, umsetzen, messen und skalieren kann, ohne jedes Mal von vorne anzufangen.

AI Readiness erreicht man nicht einmal und hat sie dann. Mit jeder neuen Technologie und jeder neuen Regel verschiebt sich der Maßstab, wie zuletzt im Sommer 2026 mit dem Digital Omnibus zum EU AI Act.

Woher der Begriff kommt

Reifegradmodelle haben in der Unternehmensführung eine lange Tradition. Das bekannteste ist das Capability Maturity Model, das Watts Humphrey ab Mitte der 1980er-Jahre am Software Engineering Institute der Carnegie Mellon University für die Softwareentwicklung entwickelte und 1989 in Managing the Software Process als Buch veröffentlichte. Mit der Digitalisierung folgten Modelle zur Digital Readiness, in Deutschland etwa der Industrie 4.0 Maturity Index von acatech.

Seit dem Durchbruch generativer KI Ende 2022 hat sich AI Readiness als eigener Begriff etabliert. Beratungen, Technologieanbieter und öffentliche Stellen veröffentlichen eigene Indizes. Der Cisco AI Readiness Index 2024 kam etwa zum Ergebnis, dass weltweit nur 13 Prozent der befragten Unternehmen vollständig bereit sind, das Potenzial von KI zu nutzen. Die Dimensionen in diesen Modellen ähneln sich stark. Wo sie sich unterscheiden, ist das Gewicht, das sie dem Wissen geben.

Die sechs Dimensionen der AI Readiness

Aus den gängigen Modellen leite ich sechs Dimensionen ab und gewichte sie für Unternehmen zwischen 50 und 500 Mitarbeitenden, für die wir RECO bauen. Jede einzelne kann zum Engpass werden.

Strategie und Anwendungsfälle

Gibt es eine klare Antwort darauf, welches Geschäftsproblem KI lösen soll? Unternehmen ohne priorisierte Anwendungsfälle verteilen ihr Budget auf zu viele Piloten. Bereit ist, wer eine kurze, priorisierte Liste von Anwendungsfällen hat und für jeden sagen kann, woran der Nutzen gemessen wird.

Daten und Wissen

KI ist nur so gut wie die Informationen, auf die sie zugreift. Gartner prognostizierte 2025, dass Unternehmen bis Ende 2026 60 Prozent ihrer KI-Projekte aufgeben werden, die nicht durch KI-taugliche Daten gestützt sind. In KMU ist das Problem selten die Datenmenge. Es ist die Frage, wo das Wissen überhaupt liegt. Warum ein Kunde einen Sonderpreis hat, weshalb ein Projekt anders aufgesetzt wurde, welche Lösung beim letzten Mal nicht funktioniert hat: Das steht in keinem System. Es steckt in Köpfen und in Besprechungen. Wer dieses Wissen nicht erfasst, gibt der KI wenig, womit sie arbeiten kann.

Technologie und Infrastruktur

Sind Systeme über Schnittstellen erreichbar? Gibt es eine Cloudstrategie, und wo dürfen Daten verarbeitet werden? Für viele Unternehmen im DACH-Raum ist ein Hosting in der EU eine Grundbedingung, oft auch für Kunden und Betriebsrat.

Menschen und Kompetenzen

Artikel 4 des EU AI Act verlangt seit 2. Februar 2025, dass sich Unternehmen um die KI-Kompetenz ihrer Mitarbeitenden kümmern. Mit dem Digital Omnibus (Verordnung (EU) 2026/1744, in Kraft seit 27. Juli 2026) wurde der Artikel neu gefasst. Anbieter und Betreiber müssen jetzt Maßnahmen ergreifen, um die KI-Kompetenz ihres Personals zu fördern, ein bestimmtes Niveau jeder einzelnen Person müssen sie nicht garantieren. Die Pflicht ist dadurch handhabbarer geworden, verschwunden ist sie nicht. Wie wichtig das Thema ist, zeigen die österreichischen Zahlen: Unter den Unternehmen ohne KI-Nutzung nennen die meisten fehlende interne Expertise als Grund, noch vor Datenschutzbedenken und rechtlicher Unsicherheit.

Aus Sicht von Change und Usability ergänze ich einen Punkt, der in Kompetenzmodellen oft fehlt. Schulung hilft nur, wenn das Werkzeug in den Arbeitsablauf passt. Ein Tool, für das man das gewohnte Programm verlassen, Inhalte kopieren und Ergebnisse zurückübertragen muss, wird bald wieder liegen gelassen, egal wie gut die Schulung war.

Governance, Recht und Sicherheit

AI Readiness heißt auch, Regeln zu haben. Welche Tools sind erlaubt? Welche Daten dürfen eingegeben werden? Wer prüft Ergebnisse? Dazu kommen DSGVO, EU AI Act, Informationssicherheit und die Mitbestimmung des Betriebsrats. In Deutschland greift § 87 Abs. 1 Nr. 6 BetrVG bei technischen Einrichtungen, die dazu bestimmt sind, Verhalten oder Leistung zu überwachen, in Österreich regeln §§ 96 und 96a ArbVG die Zustimmung bei Kontrollsystemen und Personaldatensystemen. Orientierung für das eigene Regelwerk bieten das NIST AI Risk Management Framework und die Norm ISO/IEC 42001 für KI-Managementsysteme.

Kultur und Führung

Die beste Technik scheitert, wenn Mitarbeitende KI als Bedrohung erleben oder heimlich private Tools verwenden. Bereit ist eine Organisation, in der Führungskräfte KI selbst nutzen, offen über Grenzen sprechen und Erfolge sichtbar machen. Wie sich Akzeptanz messen lässt, beschreibt unser Artikel KI-Change-Management im KMU.

Die vier Reifegrade

Für eine schnelle Einordnung arbeite ich mit vier Stufen.

1. Explorativ: Einzelne Mitarbeitende nutzen KI-Tools auf eigene Faust, es gibt keine Regeln und keine Messung.
2. Experimentell: Erste Piloten laufen, oft getrieben von der IT oder einer engagierten Abteilung. Der Nutzen ist spürbar, aber nicht belegt.
3. Operativ: Mehrere Anwendungsfälle sind im Regelbetrieb, es gibt eine KI-Richtlinie, Verantwortliche und Kennzahlen.
4. Strategisch: KI ist Teil der Unternehmensstrategie, Daten und Wissen werden systematisch gepflegt, neue Anwendungsfälle entstehen laufend.

Meiner Einschätzung nach stehen die meisten KMU im DACH-Raum heute zwischen Stufe eins und zwei. In Österreich haben laut Statistik Austria 77 Prozent der Unternehmen ohne KI-Nutzung diese noch gar nicht in Betracht gezogen. Der Sprung von Stufe zwei auf drei ist der schwierigste, weil dort aus Begeisterung Routine werden muss.

AI-Readiness-Checkliste für KMU

Beantworten Sie die folgenden Fragen ehrlich mit Ja oder Nein. Jedes Nein zeigt Ihnen ein konkretes Handlungsfeld.

Strategie

• Haben wir eine priorisierte Liste von KI-Anwendungsfällen mit erwartetem Nutzen in Euro oder Stunden?
• Gibt es in der Geschäftsführung eine verantwortliche Person für KI?
• Ist ein Budget für die nächsten zwölf Monate eingeplant?

Daten und Wissen

• Wissen wir, wo unser erfolgskritisches Wissen liegt, auch das, das nur in Köpfen steckt?
• Sind die relevanten Daten zugänglich, aktuell und einigermaßen sauber?
• Werden Entscheidungen und ihre Begründungen dokumentiert?

Technologie

• Sind unsere Kernsysteme über Schnittstellen erreichbar?
• Ist geklärt, in welchen Rechenzentren und Ländern Daten verarbeitet werden dürfen?

Menschen

• Haben alle Mitarbeitenden, die KI nutzen, eine Grundschulung erhalten, und ist das dokumentiert (Artikel 4 EU AI Act)?
• Gibt es interne Ansprechpersonen, die Kolleginnen und Kollegen unterstützen?

Governance

• Gibt es eine schriftliche KI-Richtlinie mit erlaubten Tools und Datenregeln?
• Haben wir eine Übersicht, welche KI-Systeme im Einsatz sind und in welche Risikoklasse sie fallen?
• Ist der Betriebsrat eingebunden, sofern vorhanden?

Kultur

• Nutzen Führungskräfte KI selbst und sprechen offen darüber?
• Werden Erfolge und Fehlschläge geteilt?

Eine Punktzahl mit Ampel gebe ich bewusst nicht vor. Für eine solche Schwelle gibt es keine belastbare Grundlage, und die Fragen wiegen nicht gleich schwer. Lesen Sie das Ergebnis lieber so: Jede Frage, die Sie mit Nein beantworten, ist eine konkrete Lücke. Viele Nein in Strategie und Governance heißen, zuerst Richtlinie, Verantwortung und einen klar abgegrenzten Anwendungsfall zu klären. Wenige Nein über alle Blöcke heißen, dass Sie skalieren können.

Eine Regel stelle ich über die Summe. Steht im Block Daten und Wissen ein Nein, beginnen Sie dort, egal wie viele Ja Sie insgesamt haben. Ein Pilot auf einer Wissensbasis, die es nicht gibt, misst am Ende nur, dass die Wissensbasis fehlt.

Ein typisches Muster sieht so aus. Budget, Verantwortliche und Schulungen sind vorhanden, die Microsoft-365-Umgebung ist aufgeräumt. Offen bleibt, wo das kritische Wissen liegt und ob Entscheidungen samt Begründung dokumentiert werden. In der Summe wirkt so ein Unternehmen weit, und der nächste Pilot scheint der logische Schritt. Nach meiner Regel kommt zuerst eine Wissenslandkarte und eine einseitige Richtlinie, erst danach ein Pilot, etwa für die Dokumentation von Kundengesprächen.

Fahrplan: In fünf Phasen zu echter AI Readiness

So würde ich vorgehen. Wie lange jede Phase dauert, hängt vor allem davon ab, wie schnell Betriebsrat, Datenschutz und Fachbereiche mitziehen. Eine seriöse Dauer kann ich Ihnen deshalb nicht versprechen, wohl aber die Reihenfolge.

Phase 1: Bestandsaufnahme

Gehen Sie die Checkliste mit Geschäftsführung, IT, HR und einigen Fachbereichen durch. Erheben Sie, welche Tools bereits genutzt werden, auch inoffiziell. Erstellen Sie eine Wissenslandkarte: Welche Rollen tragen Wissen, das nirgends dokumentiert ist? Unser Wissensverlust-Kalkulator hilft, dieses Risiko in Euro zu beziffern.

Phase 2: Leitplanken setzen

Beschließen Sie eine KI-Richtlinie, benennen Sie Verantwortliche und starten Sie eine Basisschulung für alle Mitarbeitenden. Binden Sie den Betriebsrat früh ein. Für den Start reicht ein einseitiges Papier, das Zweck, verarbeitete Daten, Zugriffsrechte und Aufbewahrungsfristen festhält.

Phase 3: Zwei Piloten mit klarer Messung

Wählen Sie zwei Anwendungsfälle mit hohem Nutzen und überschaubarem Risiko, etwa Gesprächsdokumentation, Angebotserstellung oder interne Wissenssuche. Legen Sie vor dem Start fest, woran Sie Erfolg messen: eingesparte Stunden, Durchlaufzeit, Fehlerquote. Wie Sie Piloten in den Regelbetrieb bringen, zeigt der Artikel KI-Agenten im Mittelstand.

Phase 4: Skalieren, was wirkt

Übernehmen Sie erfolgreiche Piloten in den Regelbetrieb und beenden Sie die anderen konsequent. Bauen Sie ein internes Netzwerk von KI-Ansprechpersonen auf und halten Sie fest, was Sie gelernt haben, damit der nächste Anwendungsfall schneller geht.

Phase 5: Verankern

Machen Sie KI zum Teil der Jahresplanung und des Budgets. Überprüfen Sie Richtlinie und Risikoeinstufung, und wiederholen Sie die Checkliste. Für die Budgetrunde hilft eine Rechnung, was nicht dokumentiertes Wissen kostet, wenn eine Schlüsselperson geht; eine Anleitung dazu finden Sie im Beitrag Wissensverlust berechnen.

Rechtlicher Rahmen: Was KMU 2026 wissen müssen

Der EU AI Act ist seit 1. August 2024 in Kraft und wird stufenweise wirksam. Verbote bestimmter Praktiken und Artikel 4 zur KI-Kompetenz gelten seit 2. Februar 2025, die Regeln für KI-Modelle mit allgemeinem Verwendungszweck seit 2. August 2025. Seit 2. August 2026 gilt ein Großteil der übrigen Regeln, darunter die Transparenzpflichten nach Artikel 50.

Der Digital Omnibus hat den Zeitplan im Sommer 2026 verändert. Die Pflichten für Hochrisiko-Systeme nach Anhang III, etwa KI zur Bewerberauswahl oder Leistungsbewertung, gelten ab 2. Dezember 2027. Für Hochrisiko-KI in regulierten Produkten nach Anhang I gilt der 2. August 2028. Die meisten KMU nutzen KI mit geringem Risiko, sollten aber Kompetenzmaßnahmen, Transparenz und ihre Systemübersicht nachweisen können. Details dazu im Artikel EU AI Act für KMU. Dieser Abschnitt ist eine Orientierung und keine Rechtsberatung.

In Österreich bietet die KI-Servicestelle der RTR kostenlose Orientierung zum AI Act. Für Förderungen lohnt ein Blick auf die Programme der aws und auf KMU.DIGITAL der Wirtschaftskammer.

Typische Fehler auf dem Weg zur AI Readiness

• Mit dem Tool statt mit dem Problem beginnen. Eine Lizenz für alle ist noch keine Strategie.
• Zu viele Piloten gleichzeitig starten. Wenige gut gemessene Piloten bringen mehr als viele halbherzige.
• Daten und Wissen unterschätzen. KI kann nur nutzen, was erfasst ist, und implizites Wissen aus Gesprächen fehlt in den meisten Systemen.
• Governance auf später verschieben. Schatten-KI entsteht dann, wenn Regeln fehlen.
• Den Menschen vergessen. Ohne Schulung, passende Abläufe und Vorbilder in der Führung bleibt die Nutzung oberflächlich.

Wo ich anfangen würde

Für KMU im DACH-Raum ist die Ausgangslage gut. Österreich liegt bei der KI-Nutzung deutlich über dem EU-Schnitt, und der Rechtsrahmen ist mit dem Omnibus klar genug, um zu planen. Wenn ich nur einen Schritt empfehlen darf, dann diesen: Setzen Sie sich mit Ihrem Führungsteam zusammen, beantworten Sie die drei Fragen zu Daten und Wissen und schreiben Sie die Rollen auf, deren Ausfall Sie am meisten treffen würde. Was das Wissen dieser Rollen wert ist, rechnet der Wissensverlust-Kalkulator mit Ihren eigenen Werten aus.