Wie reif ist Ihr Unternehmen für KI? Das Reifegradmodell Road.MAP for AI

Was ist ein KI-Reifegradmodell?

Es zerlegt die KI-Einführung in Dimensionen, beschreibt für jede Dimension beobachtbare Stufen und zeigt damit, wo ein Unternehmen steht und was der nächste Schritt ist.

Road.MAP for AI ist das Reifegradmodell, das ich bei Storm Reply gemeinsam mit Kolleginnen und Kollegen entwickelt habe. Grundlage war eine Analyse von sieben bestehenden Reifegradmodellen. Drei Befunde haben uns überrascht: Keines davon kennt eine Kostendimension, keines eine agentische Zielstufe, und keines trennt Organisationsreife von Prozesseignung. Methodisch steht das Modell auf zehn wissenschaftlichen Rahmenwerken, aus denen rund 150 Fragen abgeleitet sind.

KI verstärkt, was da ist – aber nur in einer Richtung. Wer bei den Beschleunigern weit vorn ist und beim Rahmen aus Governance, Sicherheit und Kostensteuerung zurückbleibt, bekommt kein Mittelmaß, sondern Schaden im Tempo seiner stärksten Dimension.

Das ist die Leseregel, um die sich das ganze Modell dreht. Umgekehrt entsteht kein Risiko, sondern Leerlauf: Ein starker Rahmen bei geringem Einsatz ist keine Reife, sondern deren Abwesenheit.

Die fünf Stufen der KI-Reife

1. Experiment – Einzelne probieren KI auf eigene Initiative aus, oft mit privaten Accounts. Die Organisation weiß nichts davon und steuert nichts.
2. Pilot – Richtlinie, Budget und Anwendungsfälle sind beschlossen, aber nichts davon greift technisch. Auf dieser Stufe bleiben die meisten Organisationen hängen.
3. Kontrollierter Rollout – Die Regeln greifen im System: nur freigegebene Modelle, durchgesetzte Rechte, Budgets und ein Owner je Anwendungsfall.
4. Skalierter Regelbetrieb – gemessen, verrechnet, auditierbar. Für die meisten Organisationen ist das in den Dimensionen, die ihre Anwendungsfälle brauchen, das richtige Ziel.
5. Agentische Organisation – Neue Anwendungsfälle und Governance-Nachweise entstehen aus dem laufenden Betrieb, Agenten handeln in geklärten Rechteketten. Die Stufe setzt agentischen Betrieb voraus.

Die härteste Grenze liegt zwischen Stufe 2 und Stufe 3, zwischen „beschlossen“ und „erzwungen“. Alles ist beschlossen, nichts ist erzwungen: Das ist Stufe 2 in einem Satz. Die Stufen gelten je Dimension. Ein Unternehmen steht nicht auf einer Stufe, sondern auf neun, und selten auf derselben.

Jede Stufe beschreibt einen Zustand, keine Aktivität. Eine durchgeführte Schulung ist eine Aktivität; ob die Organisation drei Monate später anders arbeitet, ist ein Zustand. Nur Zustände lassen sich prüfen.

Die neun Dimensionen

Die Dimensionen sind entlang des Technology–Organization–Environment-Rahmens¹ geschnitten. Zwei betreffen das Umfeld (Strategie & Portfolio, Governance & Recht), drei die Technik (Infrastruktur & Rechte, Sicherheit & Risiko, Wissen & Daten) und vier die Organisation (Kosten & Steuerung, Organisation & Befähigung, Kultur & Change, Prozesse & Wertbeitrag). Jede Dimension hat eine Leitfrage und für jede Stufe einen Anker, an dem sich die eigene Stufe erkennen lässt²:

Mit Katalog 3.0 ist Strategie & Portfolio dazugekommen: wofür das Unternehmen KI einsetzt, wer das entschieden hat und wie viel Risiko es dabei eingehen will. Aus Anwendungsfälle & Wertbeitrag wurde Prozesse & Wertbeitrag, weil der Unterschied darin liegt, ob Abläufe für KI neu gestaltet oder nur beschleunigt werden.

Organisation & Befähigung und Kultur & Change waren anfangs ein Thema. Wir haben sie getrennt, weil sie zwei verschiedene Fragen beantworten: ob Menschen mit KI umgehen können und ob sie es wollen. Ein Team kann perfekt geschult sein und das Werkzeug trotzdem umgehen.

Warum ein Profil statt einer Gesamtnote?

Ein Beispiel: 3,4 von 5 klingt nach einem soliden KI-Reifegrad. Im Profil dahinter stehen vier Dimensionen im skalierten Regelbetrieb, aber Governance & Recht hängt auf Stufe 2. Die Richtlinie ist verabschiedet, lebt aber in einem Dokument, nicht in der Technik. Die Organisation kann KI technisch skalieren, hat aber keinen durchsetzbaren Rahmen dafür.

Der Durchschnitt glättet genau die Unwucht weg, um die es geht. Entscheidend ist, wo der Engpass liegt. Drei Dimensionen setzen den Rahmen: Governance & Recht, Sicherheit & Risiko und Kosten & Steuerung. Ein Engpass dort erhöht das Schadensrisiko durch Rechtsverstöße, Sicherheitsvorfälle oder Kosten, und zwar umso stärker, je schneller die übrigen Dimensionen sind. Die anderen sechs beschleunigen. Ein Engpass bei ihnen bremst und erzeugt im Zweifel Leerlauf. Das Ziel ist Tempo mit Rahmen.

Deshalb wird eine Dimension im Modell auch nach unten gedeckelt: Sie kann nicht auf Stufe 4 stehen, wenn eine ihrer Kernfragen auf Stufe 2 steht.

Das Ziel ist nicht Stufe 5

Neben dem Ist, dem AI Readiness Profile, steht das Ziel, das AI Target Profile. Es hängt von Branche, Regulierung, Risikobereitschaft und den geplanten Anwendungsfällen ab. Zwei Beispiele: Ein Versicherer mit Agenten im Kernprozess braucht Governance & Recht sowie Sicherheit & Risiko auf Stufe 4, bevor der erste Agent produktiv arbeitet. Ein Maschinenbauer mit interner Wissenssuche kommt dort mit Stufe 3 aus, profitiert aber von Stufe 4 bei Wissen & Daten, Infrastruktur & Rechte sowie Prozesse & Wertbeitrag.

Die Road.MAP ist der Weg vom Ist zum Ziel. Das Modell beschreibt ihn in 146 Bausteinen über alle Dimensionen und Stufen, etwa „Zugang über ein zentrales Gateway erzwingen“ oder „Mitbestimmung früh an den Tisch“. Welche Bausteine anstehen, ergibt sich aus dem Abstand zwischen Ist und Ziel; die Reihenfolge folgt Abhängigkeiten und Nutzen. Diese Reihenfolge ist die eigentliche strategische Entscheidung.

Wie Softwareanbieter (ISVs) mit einer Road.MAP die Cloud-Reise und die KI-Reise gemeinsam angehen, zeigt der Artikel ISVs auf zwei Reisen: Wie Softwareanbieter Cloud und KI mit einer Road.MAP angehen.

Wie wird eingestuft?

• AI Readiness Pulse Check: 18 Fragen, zwei je Dimension, 10 bis 15 Minuten, online auf ki-reifecheck.de³. Das Ergebnis ist eine erste Einschätzung, kein Assessment.
• 360° AI Readiness Assessment: rund 150 Fragen an neun Rollen, von der Unternehmensleitung über IT & Plattform und die Prozessverantwortlichen bis zur Arbeitnehmervertretung. Jede Rolle beantwortet nur, was sie fachlich beurteilen kann. Der Ablauf hat fünf Schritte: Kick-off und Scoping, Befragung der Rollen, Auswertung, Zielbild-Workshop und priorisierte Road.MAP.
• Verhaltensverankerte Antworten: Jede Kernfrage hat fünf beobachtbare Zustandsbeschreibungen statt einer Zahlenskala. Die gewählte Option ist die Stufe.
• Evidenzpflicht: Ab Stufe 3 gilt eine Bewertung nur, wenn ein benennbares Artefakt existiert – Richtlinie, Dashboard, Protokoll, Rollenbeschreibung. Ohne Nachweis wird auf Stufe 2 gedeckelt. Gespräche sind kein Nachweis.
• Wahrnehmungsunterschiede: Weichen Antworten derselben Frage um zwei oder mehr Stufen voneinander ab, ist das ein eigener Befund, ab drei Stufen ein Risiko. Gemittelt wird erst danach.

Ein Beispiel für so einen Unterschied: Die Unternehmensleitung sieht Kultur & Change auf Stufe 4, die Lizenzen sind ausgerollt. IT & Plattform sieht ebenfalls Stufe 4, das eigene Team nutzt KI täglich. Die Prozessverantwortlichen sehen Stufe 1, denn mit ihrem Team hat niemand besprochen, was KI für die eigene Arbeit bedeutet. Keine der drei Einschätzungen ist falsch. Genau dort setzt die Road.MAP an.

Warum die Organisation dabei der größere Teil der Arbeit ist, beschreibt der Artikel Menschen und Agenten als ein Team: Warum KI-Einführung vor allem Change-Management ist.

Worauf das Modell methodisch steht

Das Modell ist keine freie Erfindung. Die zentralen Bauentscheidungen stützen sich auf etablierte Rahmenwerke:

• Dimensionen entlang des Technology–Organization–Environment-Rahmens¹.
• Stufenlogik nach CMMI⁴ und ISO/IEC 15504⁵ (SPICE, heute ISO/IEC 330xx): Eine Stufe gilt erst, wenn ihre Merkmale erfüllt sind.
• Antwortskalen als Behaviourally Anchored Rating Scales⁶.
• Akzeptanz und Kultur über UTAUT/TAM (Venkatesh et al., 2003⁷; Davis, 1989⁸) und psychologische Sicherheit⁹.
• Bausteine für Kultur & Change in der Reihenfolge von ADKAR¹⁰, Kotters Modell¹¹ dient zur Diagnose fehlender Elemente.
• Priorisierung von Ist und Ziel als Importance-Performance-Analyse¹².
• Evidenzpflicht ab Stufe 3 als Schutz gegen geschönte Selbsteinschätzungen.
• Wahrnehmungsunterschiede als Befund, methodisch verwandt mit der Übereinstimmung zwischen Beurteilenden (Cohen, 1960¹³; Shrout & Fleiss, 1979¹⁴).
• Governance und Sicherheit geschnitten gegen EU AI Act¹⁵, ISO/IEC 42001¹⁶ und NIST AI RMF¹⁷ – damit sollen die Stufen 3 bis 5 auditanschlussfähig sein.

Die Grenzen gehören dazu: Die Fragebatterien sind an validierte Skalen angelehnt, in dieser Zusammenstellung aber nicht selbst validiert. Selbsteinschätzung bleibt Selbsteinschätzung; die Evidenzpflicht mildert das, ersetzt aber keine externe Prüfung. Und Stufe 5 ist in der Praxis kaum belegbar, weil es zu wenige Organisationen gibt, die dort stehen. Ihre Anker sind konstruiert, nicht beobachtet.

Und die Softwareentwicklung?

Für die Softwareentwicklung gibt es eine eigene Landkarte: Wie weit dürfen KI-Agenten in jedem Schritt autonom arbeiten, und wie weit trägt die Verifikation? Der Leitsatz dort: Autonomie nur so weit, wie die Verifikation trägt. Mehr dazu auf der Themenseite Agentic Engineering.

Häufige Fragen zum KI-Reifegrad

Quellen

1. Tornatzky, Louis G.; Fleischer, Mitchell: „The Processes of Technological Innovation“, Lexington Books, Lexington (MA), 1990. ISBN 0-669-20348-3. openlibrary.org
2. Storm Reply: „Das Reifegradmodell: neun Dimensionen, fünf Stufen“, Road.MAP for AI, ki-etablieren.de. ki-etablieren.de
3. Storm Reply: „KI-Reifegrad-Check“, AI Readiness Pulse Check zu Road.MAP for AI, ki-reifecheck.de. ki-reifecheck.de
4. CMMI Product Team: „CMMI for Development, Version 1.3“ (CMU/SEI-2010-TR-033), Technical Report, Software Engineering Institute, Carnegie Mellon University, 2010. DOI: 10.1184/R1/6572342.v1. doi.org
5. ISO/IEC: „ISO/IEC 15504-2:2003 Information technology — Process assessment — Part 2: Performing an assessment“, Norm, 2003 (zurückgezogen; ersetzt durch die Normenreihe ISO/IEC 330xx). iso.org
6. Smith, Patricia C.; Kendall, Lorne M.: „Retranslation of expectations: An approach to the construction of unambiguous anchors for rating scales“, Journal of Applied Psychology 47(2), S. 149–155, 1963. DOI: 10.1037/h0047060. doi.org
7. Venkatesh, Viswanath; Morris, Michael G.; Davis, Gordon B.; Davis, Fred D.: „User Acceptance of Information Technology: Toward a Unified View“, MIS Quarterly 27(3), S. 425–478, 2003. DOI: 10.2307/30036540. doi.org
8. Davis, Fred D.: „Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology“, MIS Quarterly 13(3), S. 319–340, 1989. DOI: 10.2307/249008. doi.org
9. Edmondson, Amy: „Psychological Safety and Learning Behavior in Work Teams“, Administrative Science Quarterly 44(2), S. 350–383, 1999. DOI: 10.2307/2666999. doi.org
10. Hiatt, Jeffrey M.: „ADKAR: A Model for Change in Business, Government and Our Community“, Prosci Research, 2006. ISBN 978-1-930885-50-9. openlibrary.org
11. Kotter, John P.: „Leading Change“, Harvard Business School Press, 1996. ISBN 0-87584-747-1. openlibrary.org
12. Martilla, John A.; James, John C.: „Importance-Performance Analysis“, Journal of Marketing 41(1), S. 77–79, 1977. DOI: 10.1177/002224297704100112. doi.org
13. Cohen, Jacob: „A Coefficient of Agreement for Nominal Scales“, Educational and Psychological Measurement 20(1), S. 37–46, 1960. DOI: 10.1177/001316446002000104. doi.org
14. Shrout, Patrick E.; Fleiss, Joseph L.: „Intraclass Correlations: Uses in Assessing Rater Reliability“, Psychological Bulletin 86(2), S. 420–428, 1979. DOI: 10.1037/0033-2909.86.2.420. doi.org
15. Europäisches Parlament und Rat: „Verordnung (EU) 2024/1689 vom 13. Juni 2024 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Verordnung über künstliche Intelligenz)“, ABl. L, 2024/1689, 12. Juli 2024. eur-lex.europa.eu
16. ISO/IEC: „ISO/IEC 42001:2023 Information technology — Artificial intelligence — Management system“, Norm, 2023. iso.org
17. National Institute of Standards and Technology (Tabassi, Elham): „Artificial Intelligence Risk Management Framework (AI RMF 1.0)“, NIST AI 100-1, 26. Januar 2023. DOI: 10.6028/NIST.AI.100-1. doi.org

Vertiefende Beiträge