Kapitel 05
Forschungsdimension: External Alignment
Wie gut ist eure Organisation nach aussen abgestimmt?
3 Min. LesezeitVeröffentlicht am Herausgegeben von Teklens
Nach aussen abgestimmt ist eine Organisation, wenn sie Regeln für den verantwortungsvollen Einsatz von KI hat, ihr Partnernetzwerk aktiv nutzt und die Anforderungen des EU AI Act einordnen kann. In der DACH-Analyse liegen alle drei Faktoren unter 2,7 von 5. Der Aussenbezug ist die Dimension, in der sich die Reifeprofile am wenigsten unterscheiden: Selbst fortgeschrittene Organisationen erreichen nur 3,58. Die Lücke ist systemisch.
Inhalt · Kurzantwort
Drei Befunde
- 01
Alle drei Faktoren unter 2,7
AI Policy (Q13) 2,67, Ecosystem Integration (Q14) 2,66, EU AI Act (Q15) 2,63. Bei Q13 und Q14 liegt der Median bei 2,5, beim EU AI Act bei 2.[Probst 2026, Anhang B]
- 02
Die Profile trennen sich hier kaum
Mittleres Feld (2,44) und frühe Phase (2,43) sind statistisch nicht unterscheidbar (Tukey p = 0,996). External Alignment hat mit F = 10,5 die schwächste Trennung aller Dimensionen; das fortgeschrittene Profil erreicht 3,58, seinen einzigen Wert unter 4.[Probst 2026, Anhang C]
- 03
Der EU AI Act streut am stärksten
Q15 hat mit SD 1,28 die grösste Streuung aller 19 Fragen: von «grosser Klärungsbedarf» bis «vollständig unter Kontrolle». Innerhalb jedes Profils streut die Dimension breiter als jede andere (SD 0,73 bis 0,82).[Probst 2026, Tabelle 5]
Evidenz
- Q13 AI Policy2,67
- Q14 Ecosystem Integration2,66
- Q15 EU AI Act2,63
Wähle eine Frage, um Wortlaut, Stufen und Kennzahlen zu sehen.
Lesart: Alle drei Fragen liegen unter 2,7. Der EU AI Act (Q15, 2,63) hat mit SD 1,28 die grösste Streuung aller 19 Fragen.
- Einheit
- Mittelwert auf der Reifeskala 1 (am wenigsten entwickelt) bis 5 (am weitesten entwickelt)
- Population
- DACH-Analyse: 64 bereinigte Selbsteinschätzungen aus Deutschland und der Schweiz, mehrheitlich Senior-Entscheidende
- Basis
- n = 64 Organisationen
- Quelle
- Probst 2026, Anhang B · Anhang B – Mittelwert, Standardabweichung, Median, Minimum, Maximum und Item-Rest-Korrelation aller 19 Fragen
Daten als Tabelle
| Frage | Dimension | M | SD | Median | Min | Max | r (Item-Rest) |
|---|---|---|---|---|---|---|---|
| Q13 AI Policy | Governance & Ökosystem | 2,67 | 1,14 | 2,50 | 1 | 5 | 0,68 |
| Q14 Ecosystem Integration | Governance & Ökosystem | 2,66 | 1,03 | 2,50 | 1 | 5 | 0,31 |
| Q15 EU AI Act | Governance & Ökosystem | 2,63 | 1,28 | 2,00 | 1 | 5 | 0,48 |
Einordnung
Eine systemische Schwäche
Die Dimension External Alignment fasst AI Policy, Ecosystem Integration und Government Regulatory Issues zusammen und bildet den Umweltkontext des TOE-Rahmens ab. Mit 2,65 ist sie die zweittiefste Dimension. Die Forschungsarbeit liest die geringen Unterschiede zwischen den Profilen als Hinweis auf ein systemisches statt ein firmenspezifisches Defizit: Organisationen über alle Profile hinweg tun sich schwer, hier hohe Werte zu erreichen.[Probst 2026, Abschnitt 5.1]
Ecosystem Integration ist bewusst aktiv formuliert. Statt «Wettbewerbsdruck» als passiver Einfluss fragt Q14, wie aktiv eine Organisation ihr Partnernetzwerk nutzt und mitgestaltet. Stufe 2, der Median, heisst «informelle Beobachtung: Trends und Veranstaltungen werden ad hoc verfolgt». Stufe 4 verlangt aktive Arbeit in Gremien und Verbänden.[Probst 2026, Anhang A]
Die europäische Umfrage zeigt für das Ökosystem denselben Wert (2,64) und für den EU AI Act einen etwas höheren (2,95, n = 165).[AI Monitor 2026, Europa]
Was die Streuung bedeutet
Die Forschungsarbeit deutet die tiefen und breit streuenden Werte beim EU AI Act als verbreitete Unsicherheit und fehlende Orientierung. Sie richtet daraus eine Empfehlung an die Politik: klarere, zugänglichere Leitlinien, damit Regulierung als Orientierung und nicht als Hindernis wahrgenommen wird. Für Organisationen empfiehlt sie eine aktive Haltung gegenüber dem Umfeld, etwa über Partnerschaften und Mitarbeit in Standardisierungsprozessen.[Probst 2026, Abschnitt 5.1]
Teklens-Einordnung
Für euer Produktteam
Die Studie beschreibt Organisationen über Branchen hinweg. Die Übertragung auf Software-Produktteams ist unsere Interpretation, kein empirischer Befund für Produktteams.
Unsere Empfehlung für Produktteams, die Governance nicht selbst bestimmen, aber jeden Tag mit ihr arbeiten.
Verantwortung sichtbar machen
Menschen steuern und geben frei. Haltet in jedem KI-gestützten Ablauf fest, wer das Ergebnis verantwortet und was vor der Freigabe geprüft wird. Das ist der operative Kern von Stufe 4 bei Q13: «verbindliche Anforderungen an Sicherheit, Fairness und Konformität, klare Rollen».
Betriebsgrenzen benennen
Welche Daten dürfen an welches Modell? Wo läuft es? Wer darf was automatisieren? Klare Antworten auf diese drei Fragen ersparen dem Team, Unsicherheit in jeder Entscheidung neu zu verhandeln.
Das Ökosystem als Wissensquelle
Stufe 3 bei Q14 heisst «feste Partnerschaften, um etablierte Standards zu übernehmen». Für ein Produktteam kann das ein regelmässiger Austausch mit zwei Teams sein, die dasselbe Problem lösen.
Einordnung & Grenzen
- Werte zum EU AI Act sind Selbsteinschätzungen der Umsetzung, keine Prüfung der Konformität. Sie belegen keinen Rechtsstatus.
- Die Dimension hat mit α = 0,663 die tiefste Reliabilität; Q14 hängt nur schwach mit den beiden anderen Fragen zusammen (r = 0,31).
- Die Anforderungen des EU AI Act unterscheiden sich stark nach Anwendungsfall und Risikoklasse; eine Frage kann das nicht abbilden.
Fragen & Antworten
Warum unterscheiden sich fortgeschrittene Organisationen hier so wenig?
Die Forschungsarbeit vermutet, dass die Bedingungen ausserhalb der Organisation liegen: unklare Regulierung und wenig gelebte Netzwerke. Interne Stärke gleicht das nur teilweise aus.
Sind Organisationen mit hohen Werten konform mit dem EU AI Act?
Das kann die Studie nicht sagen. Sie misst, wie Antwortende den Stand der Umsetzung einschätzen, nicht, ob eine Prüfung diese Einschätzung bestätigen würde.
Was zählt zum Ökosystem?
Externe Partner wie Technologieanbieter, Hochschulen, Verbände und Gremien, mit denen eine Organisation Risiken reduziert und Standards mitgestaltet.
Quellen
- Probst 2026, Tabelle 3 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 3 – Reliabilität der sechs Dimensionen (Abschnitt 4.2). Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Cronbachs α und McDonalds ω · Grenzen: Drei bis vier Fragen je Dimension; α ≥ 0,6 gilt in explorativer Forschung als akzeptabel.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Tabelle 4 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 4 und Abbildung 4 – Mittelwerte und Standardabweichungen der sechs Dimensionen (Abschnitt 4.3). Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Selbsteinschätzung, explorativ, nicht repräsentativ.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Tabelle 5 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 5 und Abbildung 7 – Dimensionswerte je Profil (Abschnitt 4.4.2). Stichprobe: n = 64; Profile mit n = 12, 27 und 25 · Skala: Reifeskala 1–5 · Grenzen: Profile aus K-means auf denselben sechs Dimensionen; Unterschiede zwischen Profilen sind konstruktionsbedingt gross.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Abschnitt 5.1 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Abschnitt 5.1 – Interpretation der Befunde. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Interpretation der Forschungsarbeit; keine Kausalaussage.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Anhang A · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang A – Vollständiger Fragebogen (19 Fragen, fünf Stufen). Stichprobe: Instrument, keine Stichprobe · Skala: Reifeskala 1–5 · Grenzen: Sieben der 19 Fragen tragen nur Stufenbezeichnungen ohne ausformulierten Verhaltensanker.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Anhang B · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang B – Mittelwert, Standardabweichung, Median, Minimum, Maximum und Item-Rest-Korrelation aller 19 Fragen. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Selbsteinschätzung, explorativ, nicht repräsentativ.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Anhang C · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang C – Einfaktorielle ANOVA und Tukey-HSD je Dimension. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: F-Werte, df (2, 61), p · Grenzen: Beschreibt die Trennschärfe der Cluster auf den Clustervariablen selbst; kein Hypothesentest.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- AI Monitor 2026, Europa · AI Monitor 2026 – europäische Umfrage, Rohexport (2026). Nachrechnung aus dem Rohexport vom 2026-08-19; dokumentiert im internen Redaktionsbrief vom 2026-08-18 (Nachträge). Stichprobe: n = 165 auswertbare Antworten, davon 106 mit demografischen Angaben; einzelne Fragen n = 163 · Skala: 1–5 je Frage, je Antwort auf 0–100 normalisiert · Grenzen: Selbsteinschätzung; kein Länderfeld im Export; Branche und Grösse nicht geprüft. Rollenvergleiche vergleichen verschiedene Personen, nicht dieselbe Organisation.Teklens (2026). AI Monitor 2026 – European survey on organisational AI readiness, raw export of 19 August 2026. Research partners: ETH Zürich and University of St.Gallen. Internal aggregate, published on teklens.ai/ai-monitor.