Die sechs Dimensionen
1. Strategie. Gibt es eine Antwort auf die Frage, wozu? Nicht „wir müssen was mit KI machen", sondern: Welcher Engpass, welcher Prozess, welches Ziel. Ohne diese Antwort wird jedes Werkzeug zur Lösung auf der Suche nach einem Problem — das Muster, das ich in Erst das Doing, dann das Tool beschreibe.
2. Daten. Nicht „Big Data", sondern erreichbare, saubere, rechtlich geklärte Daten. Wo liegen sie, in welchem Format, wer darf sie wofür nutzen, welche Klasse haben sie? Die Datenklassifizierung entscheidet später über die Betriebsform — Cloud, hybrid oder On-Premise — und ist deshalb keine IT-Fußnote, sondern Strategiearbeit.
3. Technik. Die unaufgeregteste Dimension — und selten der Engpass. Modelle, Plattformen und Compute sind heute verfügbar, in jeder Betriebsform. Die technische Frage ist fast nie „geht das?", sondern „unter welchen Bedingungen, mit welchen Abhängigkeiten, mit welcher Exit-Option?"
4. Menschen. Die häufigste Bruchstelle. Können die Mitarbeitenden mit KI arbeiten — delegieren, prüfen, korrigieren? Haben sie Zeit dafür bekommen oder nur eine Pflichtschulung? Meine Erfahrung aus Trainings ist eindeutig: Der Engpass ist nicht Budget, sondern Zeit und Übung — nachzulesen im hochintelligenten Praktikanten. Nebenbei ist KI-Kompetenz seit Februar 2025 auch Rechtspflicht.
5. Governance. Wer entscheidet, wer haftet, wer prüft? Gibt es Regeln für den KI-Einsatz, ein Systeminventar, definierte Freigabe-Grenzen? Diese Dimension wirkt bürokratisch und ist das Gegenteil: Sie ist die Voraussetzung dafür, dass irgendjemand im Haus einem System vertrauen darf. Der AI Act verlangt vieles davon ohnehin — wer Governance als Bauplan liest, erledigt Pflicht und Kür in einem Zug.
6. Use-Case-Pipeline. Nicht ein Leuchtturmprojekt, sondern eine priorisierte Liste: Welche Anwendungsfälle existieren, was bringen sie, was setzen sie voraus, in welcher Reihenfolge. Eine Organisation mit Pipeline lernt mit jedem Fall. Eine Organisation mit Leuchtturm hat nach dem Leuchtturm nichts.
Warum die ehrliche Bestandsaufnahme unbequem ist — und billig
Ein Readiness-Check tut zwei Dinge, die niemand gern hört: Er zeigt, dass die Organisation weiter hinten steht als gedacht. Und er verschiebt das erste sichtbare Projekt nach hinten.
Beides ist unangenehm. Beides ist um Größenordnungen billiger als die Alternative: ein Projekt, das auf ungeklärten Daten, ungeschulten Teams und ungeregelter Verantwortung aufsetzt — und nach zwölf Monaten leise beerdigt wird, zusammen mit dem Vertrauen für den zweiten Versuch.
Die Bestandsaufnahme selbst ist dagegen schnell: Die sechs Dimensionen lassen sich in einem strukturierten Workshop-Format in Tagen erheben, nicht in Monaten. Das Ergebnis ist keine Studie, sondern eine Landkarte: Hier stehen wir, das ist der Engpass, dort beginnen wir.
Der Zusammenhang mit allem anderen
Wer diese Serie von Anfang gelesen hat, erkennt das Muster: Jeder Beitrag beschreibt eine Prüfung vor der Technik — Souveränitätsebenen, Datenklassifizierung, Tool-Due-Diligence, Entscheidungsarchitektur nach dem Ausbildungsprinzip. Der Readiness-Check ist das Dach darüber: eine Struktur, die all diese Fragen einmal systematisch stellt, bevor Geld in Systeme fließt.
Denn die teuerste Zeile eines KI-Projekts ist nicht die erste, die gebaut wird. Es ist die, die auf falschen Voraussetzungen gebaut wird.
Die ehrliche Frage vor jedem Projekt lautet nicht „Welches Modell?". Sie lautet: „Sind wir bereit — und woran machen wir das fest?"
Quellen und weiterführende Links
- EU AI Act, Verordnung (EU) 2024/1689 (EUR-Lex, offizieller Text)
- DSGVO, Verordnung (EU) 2016/679 (EUR-Lex, offizieller Text)
Alle Links geprüft am 4. August 2026. Externe Inhalte können sich ändern.