Wie müssen sich Arbeitsabläufe für KI verändern?

Evidenz

Einordnung

Vier Fähigkeiten, ein Muster

Die Dimension Dynamic Capabilities umfasst vier Faktoren nach Teece: Sensing (Q16, 2,63), Seizing (Q17, 2,72), Reconfiguring von Strukturen (Q18, 2,47) und Reconfiguring als Lernen (Q19, 2,64). Drei der vier Fragen haben einen Median von 2. Die Verteilungen sind rechtsschief: Die meisten Organisationen liegen unten, wenige hohe Werte ziehen die Mittelwerte nach oben.[Probst 2026, Anhang B]

Die Forschungsarbeit sieht in dieser Dimension den eigentlichen Unterschied zwischen mehr und weniger KI-bereiten Organisationen. Strukturelle Faktoren wie Ressourcen, Talent und Rückhalt der Führung besitzen auch Organisationen der frühen Phase in gewissem Mass. Was ihnen fehlt, ist die Fähigkeit, in einem sich schnell verändernden Umfeld zu erkennen, zu entscheiden und umzubauen. Das Anpassen von Strukturen ist dabei nicht eine Schwäche unter vielen, sondern die akuteste Lücke der Stichprobe.[Probst 2026, Abschnitt 5.1]

Die Verteilung zeigt, wie stabil die Trennung ist. Das fortgeschrittene Profil liegt mit Median 4,00 (Interquartilsbereich 3,75 bis 4,31) vollständig oberhalb des mittleren Feldes (Median 2,50, 2,25 bis 3,13), das wiederum oberhalb der frühen Phase (Median 2,00, 1,50 bis 2,00). Jedes Profil bewegt sich in seinem eigenen Band.[Probst 2026, Abbildung 8]

Grösse ersetzt Beweglichkeit nicht

In der Literatur gilt Firmengrösse als förderlicher Faktor, weil Ressourcen vorhanden sind. In der DACH-Analyse sind grosse Organisationen dennoch in der frühen Phase überrepräsentiert. Die Arbeit folgert nicht, dass Grösse hinderlich ist, denn grosse Organisationen finden sich auch im fortgeschrittenen Profil. Sie vermutet, dass Ressourcenvorteile auf Kosten anderer Voraussetzungen gehen können, etwa Flexibilität und Anpassungsfähigkeit, und verweist auf Pumplun et al. (2019), die bürokratische Strukturen als Gegengewicht zu Ressourcenvorteilen beschreiben.[Pumplun et al. 2019]

Die europäische Umfrage bestätigt das Muster beim Anpassen von Prozessen: 2,59 von 5, und 59 % der 163 Antworten liegen auf Stufe 1 oder 2. Nach dem Rollout ändert sich in der Mehrheit der Organisationen wenig.[AI Monitor 2026, Europa]

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: die vier Fähigkeiten als vier Gewohnheiten eines Produktteams.

• Sensing: Signale an einem Ort sammeln

  Kundenfeedback, Supportfälle, Modellneuerungen und Regulierung landen heute in verschiedenen Werkzeugen. Ein gemeinsamer Ort, an dem sie mit Entscheiden verbunden sind, macht Erkennen zur Routine statt zur Ausnahme.

• Seizing: mit Evidenz skalieren

  Q17 fragt, ob Budgets dort wachsen, wo Piloten messbare Belege liefern. Für ein Team heisst das: eine Activity, ein messbares Ergebnis, dann die Entscheidung über mehr.

• Reconfiguring: nach jedem Durchlauf umbauen

  Stufe 3 bei Q18 heisst «definierte Playbooks: klare Rollen ermöglichen planbare Anpassungen». Haltet nach jedem Vorhaben fest, welcher Schritt entfällt, welcher vereinfacht wird und wer neu freigibt. Das ist der Kern unseres AI Product Playbook.

• Lernen: Wissen im Team halten

  Q19 misst, wie schnell neue Modellklassen produktiv werden. Ein Team lernt schneller, wenn Erfahrungen aus einer Activity als Kontext für die nächste verfügbar bleiben, statt in Chats zu verschwinden.

Einordnung & Grenzen

• Die Studie misst Anpassungsfähigkeit als Selbsteinschätzung, nicht anhand beobachteter Prozessänderungen.
• Dass die Anpassungsfähigkeit die Profile am schärfsten trennt, ist eine Beschreibung der Clusterlösung, kein Beleg, dass sie die Ursache für Reife ist.
• Der Grösseneffekt beruht auf Kreuztabellen mit kleinen Zellen; die Arbeit verzichtet bewusst auf Signifikanztests.
• Die Übertragung auf Playbooks und Activities ist unsere Interpretation. Die Studie misst nicht, ob Teklens oder ein anderes Werkzeug die Anpassungsfähigkeit erhöht.

Fragen & Antworten

Quellen

1. 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.
2. 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.
3. Probst 2026, Abbildung 8 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Abbildung 8 – Verteilung der Dynamic-Capabilities-Werte je Profil (Abschnitt 4.4.2). Stichprobe: n = 64 Einzelwerte; Profile mit n = 12, 27 und 25 · 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.
4. 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.
5. 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.
6. 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.
7. Probst 2026, Anhang E · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang E – Zusammensetzung der Profile nach Branche, Firmengrösse und Hierarchieebene. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Häufigkeiten · Grenzen: Viele Zellen mit weniger als fünf Fällen; die Arbeit verzichtet bewusst auf Signifikanztests und liest die Muster als explorative Tendenzen.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.
8. Teece 2007 · Explicating dynamic capabilities (2007). Strategic Management Journal, 28(13). Stichprobe: Theorie · Skala: – · Grenzen: Sensing, Seizing und Reconfiguring als Grundbegriffe.Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
9. Pumplun et al. 2019 · A new organizational chassis for artificial intelligence (2019). ECIS 2019. Stichprobe: Qualitative Studie · Skala: – · Grenzen: Von der Arbeit zur Deutung des Grösseneffekts herangezogen.Pumplun, L., Tauchert, C., & Heidt, M. (2019). A new organizational chassis for artificial intelligence – Exploring organizational readiness factors. Proceedings of the 27th European Conference on Information Systems (ECIS), 106. https://aisel.aisnet.org/ecis2019_rp/106
10. 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.

Methodik & Quellen