Kapitel 02
Forschungsdimension: Internal Assets
Welche Kompetenzen braucht euer Team für KI?
3 Min. LesezeitVeröffentlicht am Herausgegeben von Teklens
Ein Team braucht drei Dinge: Menschen, die KI-Produkte bauen und betreiben können, eine Zusammenarbeit zwischen Product, IT, Data Science und Fachbereichen, und die Bereitschaft, den Status quo zu verändern. Die DACH-Analyse zeigt, dass die Bereitschaft da ist: Offenheit erreicht 3,94 von 5, der höchste Wert aller 19 Fragen. KI-Talent (3,11) und Zusammenarbeit (3,08) liegen deutlich darunter.
Inhalt · Kurzantwort
Drei Befunde
- 01
Offenheit ist der stärkste Wert der Studie
Q6 erreicht 3,94 mit Median 4 und der kleinsten Streuung aller Fragen (SD 0,73). Es ist die einzige Frage, bei der niemand Stufe 1 wählte.[Probst 2026, Anhang B]
- 02
Talent und Zusammenarbeit hinken hinterher
Q4 KI-Talent liegt bei 3,11, Q5 Zusammenarbeit bei 3,08, beide mit Median 3. Stufe 3 heisst «erste Spezialistenrollen» und «Schnittstellenmodell mit formalem Informationsfluss».[Probst 2026, Anhang A]
- 03
Die stärkste Dimension, auch in der frühen Phase
Internal Assets ist mit 3,38 die höchste Dimension. Die frühe Phase erreicht hier 2,73, ihren besten Wert; das fortgeschrittene Profil 4,53.[Probst 2026, Tabelle 5]
Evidenz
- Q4 AI Talent3,11
- Q5 Collaborative Culture3,08
- Q6 Innovativeness3,94
Wähle eine Frage, um Wortlaut, Stufen und Kennzahlen zu sehen.
Lesart: Offenheit (Q6, 3,94) ist der höchste Wert aller 19 Fragen. KI-Talent (Q4, 3,11) und Zusammenarbeit (Q5, 3,08) liegen deutlich darunter.
- 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) |
|---|---|---|---|---|---|---|---|
| Q4 AI Talent | Menschen & Kompetenzen | 3,11 | 1,10 | 3,00 | 1 | 5 | 0,59 |
| Q5 Collaborative Culture | Menschen & Kompetenzen | 3,08 | 1,15 | 3,00 | 1 | 5 | 0,62 |
| Q6 Innovativeness | Menschen & Kompetenzen | 3,94 | 0,73 | 4,00 | 2 | 5 | 0,32 |
Einordnung
Wille ist nicht Fähigkeit
Die Dimension Internal Assets fasst AI Talent, Collaborative Culture und Innovativeness zusammen. Der hohe Mittelwert von 3,38 entsteht vor allem durch die Offenheit. Ohne Q6 lägen die beiden anderen Faktoren auf dem Niveau der Führungs- und Datenfragen.[Probst 2026, Tabelle 4]
Die Forschungsarbeit weist auf eine Besonderheit hin: Q6 hat mit 0,32 die zweittiefste Item-Rest-Korrelation aller Fragen. Die Offenheit hängt nur schwach mit Talent und Zusammenarbeit zusammen. Organisationen können also offen sein, ohne die Fähigkeiten zu haben, und umgekehrt. Das erklärt auch die vergleichsweise niedrige Reliabilität der Dimension (α = 0,677, ω = 0,702).[Probst 2026, Anhang B]
Die europäische Umfrage bestätigt die Offenheit mit 4,01 von 5 (n = 165).[AI Monitor 2026, Europa]
Wie die Stufen aussehen
Bei Q4 beschreibt Stufe 4 «interdisziplinäre Produktteams (PM, UX, KI), die komplexe KI-Produkte weitgehend intern bauen». Bei Q5 heisst Stufe 4 «integrierte Produktteams: Product Management führt cross-funktionale Teams, strukturierter Austausch von der Idee bis zum Go-live». Beide Stufen erreicht im Median nur die Hälfte der Organisationen nicht.[Probst 2026, Anhang A]
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, wenn die Offenheit da ist und die Fähigkeiten fehlen.
Kompetenz an einer echten Aufgabe aufbauen
Statt eines allgemeinen Schulungsprogramms: eine konkrete Activity, von der Aufgabe bis zur Freigabe, mit den Menschen, die sie später verantworten.
Gemeinsames Gedächtnis statt Übergaben
Ein Schnittstellenmodell (Stufe 3 bei Q5) übergibt Anforderungen sequenziell. Ein gemeinsamer Kontext, in dem Entscheide, Tickets und Code verbunden bleiben, macht viele Übergaben überflüssig. Genau dafür bauen wir das Product Brain, ein gemeinsames Gedächtnis für Menschen und Agents.
Offenheit nicht überschätzen
Ein offenes Team ist eine gute Ausgangslage, aber kein Beleg für Readiness. Prüft Talent und Zusammenarbeit an Ergebnissen, nicht an der Stimmung.
Einordnung & Grenzen
- Die Offenheit wird von Führungskräften über ihre Mitarbeitenden eingeschätzt, nicht von den Mitarbeitenden selbst.
- Q6 misst Einstellung, nicht Verhalten. Ein hoher Wert sagt nichts darüber, ob KI im Alltag tatsächlich genutzt wird.
- Die Dimension hat die zweittiefste Reliabilität; ihre drei Faktoren messen nicht dasselbe.
Fragen & Antworten
Reicht Offenheit, um mit KI anzufangen?
Zum Anfangen ja, zum Durchhalten nein. Die Daten zeigen offene Organisationen mit wenig Talent und formaler Zusammenarbeit. Ohne Fähigkeiten bleibt es bei Piloten.
Müssen wir Data Scientists einstellen?
Die Skala bei Q4 führt von externer Abhängigkeit über einzelne Spezialistenrollen zu interdisziplinären Produktteams. Entscheidend ist, dass Wissen im Team bleibt, nicht welche Jobtitel es trägt.
Was misst «Collaborative Culture» genau?
Wie die Zusammenarbeit zwischen Product Management, IT, Data Science und Fachbereichen für KI-Anwendungsfälle organisiert ist, von isolierter Domänenarbeit bis zu einer gelebten Austauschkultur.
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, 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.
- 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.