KI-Reifegrad: Warum Ehrlichkeit vor der ersten KI-Investition entscheidend ist

Eine KI-Reifegrad- oder Datenanalyse kann eine Investitionsentscheidung strukturieren. Sie liefert jedoch weder automatisch eine belastbare Prognose des Projekterfolgs noch eine Garantie gegen Fehlinvestitionen. Entscheidend ist, welche konkrete Frage untersucht wird, welche Nachweise dafür erhoben werden und welche Unsicherheiten offenbleiben.

Was eine Reifegradanalyse betrachten kann

„KI-Reifegrad“ ist keine einheitliche, allgemein verbindliche Kennzahl. Bewertungsmodelle unterscheiden sich in Zweck, Dimensionen und Bewertungsmethode. Deshalb sollte eine Analyse zuerst den geplanten Einsatz beschreiben: Welches Problem soll gelöst werden, wer nutzt oder ist betroffen, in welchem Prozess und mit welchen Folgen bei Fehlern?

Als Orientierung kann das freiwillige NIST AI Risk Management Framework dienen. Es ordnet Risikomanagement in die Funktionen Govern, Map, Measure und Manage ein. NIST stellt ausdrücklich klar, dass das Framework kein vorgeschriebenes Reifegradmodell ist; es unterstützt die strukturierte Betrachtung von Zuständigkeiten, Kontext, Messung und laufendem Umgang mit Risiken. Die Playbook-Empfehlungen sind freiwillig und müssen auf den konkreten Einsatz angepasst werden.

Für eine Bestandsaufnahme können daraus Prüffragen abgeleitet werden:

• Zweck und Prozess: Welcher Arbeitsschritt soll unterstützt werden? Welche Alternative löst das Problem möglicherweise ohne KI?
• Verantwortung und Kompetenzen: Wer entscheidet, überwacht Ergebnisse und bearbeitet Fehler? Welche Kenntnisse brauchen die beteiligten Personen?
• Technik und Betrieb: Welche Systeme, Schnittstellen, Zugriffe und Kontrollen wären erforderlich? Wer trägt Verantwortung für Wartung und Änderungen?
• Wirkung und Risiko: Woran wird Nutzen gemessen, welche Nebenwirkungen sind denkbar und wann wird der Einsatz angepasst oder beendet?

Diese Fragen sind kein universeller Bewertungsbogen. Je nach Anwendung können etwa Sicherheit, Datenschutz, Rechte betroffener Personen oder Anforderungen an menschliche Aufsicht zusätzlich zu prüfen sein.

Daten prüfen: Herkunft, Eignung und Zugriff

Eine Datenanalyse sollte nicht bei der Menge vorhandener Dateien stehen bleiben. Relevant sind unter anderem Herkunft und Erhebungszweck, Aktualität, Repräsentativität für den vorgesehenen Einsatz, Struktur, Zugriffsrechte und die Möglichkeit, Qualität im Betrieb zu beobachten. Die OECD beschreibt diese Eigenschaften als Teil der Betrachtung von Daten und Eingaben eines KI-Systems; ihre Due-Diligence-Leitlinien für verantwortungsvolle KI weisen außerdem auf Risiken für Datenqualität, Interoperabilität und Zugang entlang des Lebenszyklus hin.

Die passende Prüfung hängt vom Verfahren ab. Ein System, das Dokumente zur Laufzeit abruft, stellt andere Anforderungen an Quellenpflege und Berechtigungen als ein Modell, das auf Beispieldaten angepasst wird. Auch bei gut gepflegten Daten bleiben Systemgrenzen und mögliche Fehler zu prüfen. Veraltete oder unvollständige Quellen können Antworten beeinflussen; daraus folgt aber nicht pauschal, dass große Datenmengen oder eine bestimmte Datenqualität allein über Eignung entscheiden.

Bei personenbezogenen, vertraulichen oder anderweitig geschützten Daten gehören Zweck, Rechtsgrundlage, Zugriff und Aufbewahrung in die Prüfung. Eine technische Bestandsaufnahme ersetzt dabei keine erforderliche Datenschutz- oder Rechtsprüfung.

Von der Bestandsaufnahme zur Entscheidung

Eine nachvollziehbare Analyse kann in vier Schritten erfolgen:

1. Fragestellung festlegen: Anwendungsfall, Zielgruppe, Prozessgrenzen und erwünschtes Ergebnis beschreiben.
2. Ausgangslage erheben: Relevante Systeme, Datenquellen, Rollen, Kompetenzen, Abhängigkeiten und bestehende Kontrollen erfassen.
3. Annahmen prüfen: Daten stichprobenartig und rechtmäßig untersuchen; Kriterien für Qualität und Systemleistung aus dem Einsatzzweck ableiten. Was nicht geprüft werden konnte, ausdrücklich dokumentieren.
4. Optionen vergleichen: KI-Lösung, Standardprodukt, Prozessänderung und Beibehaltung des Status quo anhand von Nutzen, Kosten, Risiken und Betriebsaufwand vergleichen. Falls Unsicherheit verbleibt, kann ein begrenzter Pilot mit vorab festgelegten Kriterien weitere Evidenz liefern.

Das Ergebnis sollte Beobachtungen von Annahmen trennen und offene Fragen benennen. Ein Reifegradwert allein erklärt weder, ob eine Lösung wirtschaftlich ist, noch ob sie rechtlich oder organisatorisch eingesetzt werden darf. Die NIST-Funktion „Measure“ betont ebenfalls, dass geeignete Messmethoden vom zuvor beschriebenen Kontext und Risiko abhängen und dass nicht messbare Aspekte dokumentiert werden sollten.

Wann eine individuelle Lösung geprüft werden sollte

Eine individuelle Lösung ist eine von mehreren Optionen. Ein Vergleich ist erst sinnvoll, wenn der Anwendungsfall konkret genug beschrieben ist, um Alternativen und Erfolgskriterien gegenüberzustellen. Dazu gehören mindestens erwarteter Nutzen, Entwicklungs- und Betriebskosten, Datenzugang, Integrationsaufwand, Risiken sowie die Zuständigkeit für Überwachung und Fehlerbehandlung.

Wenn diese Punkte noch offen sind, können zunächst die Prozessfrage, Datenzugänge oder organisatorischen Zuständigkeiten geklärt werden. Wenn eine Standardlösung den Bedarf ausreichend abdeckt, kann sie eine passende Alternative sein. Der Vergleich sollte die tatsächlichen Bedingungen des Unternehmens berücksichtigen; eine allgemeine Reifegradbewertung kann diese Entscheidung nicht vorwegnehmen.

Für die Bewertung von Pilot-Ergebnissen hilft außerdem die Unterscheidung zwischen Nutzung und nachweisbarer Wirkung. Dazu passt der Beitrag KI-Nutzung und Wirkung in Geschäftsprozessen einordnen.

Fragen für den Auftrag an eine Analyse

Vor Beginn sollten Auftraggeber klären:

• Auf welche konkrete Entscheidung soll die Analyse vorbereiten?
• Welche Personen, Prozesse, Systeme und Daten werden betrachtet?
• Welche Prüfungen sind enthalten, und welche ausdrücklich nicht?
• Wie werden Datenzugriff, Vertraulichkeit und betriebliche Freigaben geregelt?
• Wie werden Annahmen, Einschränkungen und nicht untersuchte Bereiche dokumentiert?
• Welche Ergebnisse und nächsten Optionen werden geliefert, ohne einen Projekterfolg vorwegzunehmen?

Die KI-Reifegrad- und Datenanalyse beschreibt die dazu angebotenen Beratungs-, Coaching- und Workshopformate. Klären Sie vor einer Beauftragung den konkreten Umfang und die erwarteten Ergebnisse.

Quellen und Einordnung

• NIST AI Risk Management Framework – freiwilliges Rahmenwerk; NIST weist auf die laufende Überarbeitung hin (abgerufen am 2. Oktober 2026).
• NIST AI RMF Playbook – freiwillige, kontextbezogen auszuwählende Handlungsvorschläge (abgerufen am 2. Oktober 2026).
• OECD Due Diligence Guidance for Responsible AI, Abschnitt zu Datenqualität, Interoperabilität und Zugang (2026).