Welche Reifeprofile zeigen die Daten?

Evidenz

Einordnung

Wie die Profile entstanden sind

Die Forschungsarbeit wendet K-means auf die sechs z-standardisierten Dimensionswerte an, mit zehn Zufallsstarts und fixem Seed. Drei Kriterien bestimmten die Zahl der Cluster: Der Elbow-Verlauf zeigt nach k = 3 nur noch kleine Verbesserungen, der Krzanowski-Lai-Index erreicht sein Maximum bei k = 3, die Silhouette bei k = 2. Die Arbeit wählt drei Profile, weil sie mehr Auflösung bieten als eine reine Hoch-tief-Trennung.[Probst 2026, Abbildung 6]

Die Originalbezeichnungen lauten Leaders, Followers und Laggards. Wir nennen sie in dieser Ausgabe fortgeschrittenes Profil, mittleres Feld und frühe Phase. Die Bezeichnungen beschreiben Ausgangslagen, keine Rangliste von Organisationen: Eine Organisation in der frühen Phase hat andere Prioritäten, nicht weniger Wert.

Woran sich die Profile trennen

Alle sechs Dimensionen unterscheiden sich zwischen den Profilen signifikant, was bei K-means konstruktionsbedingt ist. Aufschlussreich ist, wie stark: Bei Dynamic Capabilities beträgt der Abstand zwischen fortgeschrittenem Profil und früher Phase 2,29 Skalenpunkte, bei External Alignment 1,15. Zwei paarweise Vergleiche sind nicht signifikant: mittleres Feld gegen frühe Phase bei External Alignment (p = 0,996) und bei Data Engine (p = 0,069).[Probst 2026, Anhang C]

Das fortgeschrittene Profil hat seinen tiefsten Wert bei External Alignment (3,58), das mittlere Feld ebenfalls (2,44). Die frühe Phase liegt bei Dynamic Capabilities am tiefsten (1,84). Innerhalb der Profile sind die Werte in fünf Dimensionen homogen (SD 0,39 bis 0,67); nur External Alignment streut in allen drei Profilen breit.[Probst 2026, Tabelle 5]

Externe Prüfung und Zusammensetzung

Die Zusammensetzung der Profile ist explorativ: Viele Zellen umfassen weniger als fünf Fälle, weshalb die Arbeit bewusst keine Signifikanztests rechnet. Drei Muster nennt sie dennoch: die Konzentration von Technologie, Medien und Telekommunikation im fortgeschrittenen Profil, die Überrepräsentation grosser Organisationen in der frühen Phase und die Rolle der antwortenden Person.[Probst 2026, Anhang E]

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.

Unterschiedliche Ausgangslagen verlangen unterschiedliche Prioritäten. Unsere Lesart je Profil, ohne eine Organisation aus sechs Antworten einem Profil zuzuordnen.

• Frühe Phase: einen Ablauf, nicht sechs Dimensionen

  Wer überall unter 3 liegt, sollte nicht alle Dimensionen gleichzeitig heben. Ein Arbeitsablauf mit klarem Ziel, benannten Quellen und einer Freigabe bringt mehr als ein Programm.

• Mittleres Feld: Daten und Anpassung

  Das mittlere Feld hat Rückhalt, Menschen und Technik, aber keine bessere Datenbasis als die frühe Phase und wenig Routine im Umbauen. Hier lohnt es sich, Quellen zu pflegen und nach jedem Vorhaben den Ablauf zu ändern.

• Fortgeschritten: den Aussenbezug schliessen

  Fortgeschrittene Organisationen haben intern wenig Lücken, aber Governance, Ökosystem und Regulierung bleiben unter 4. Verantwortung und Betriebsgrenzen sichtbar zu machen, ist hier der nächste Schritt.

Einordnung & Grenzen

• 64 Organisationen erlauben eine explorative Profilbildung, keine belastbaren Untergruppenvergleiche. Die Arbeit nennt die Stichprobengrösse als wichtigste Einschränkung.
• Zwei und drei Cluster waren statistisch vertretbar; die Dreierlösung ist eine begründete Entscheidung, keine eindeutige statistische Vorgabe.
• Die Profile beschreiben diese Stichprobe. Sie sind keine Marktanteile und keine Grundlage, um eine einzelne Organisation aus wenigen Antworten zuzuordnen.

Fragen & Antworten

Quellen

1. 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.
2. Probst 2026, Abbildung 6 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Abbildung 6 – Elbow, Silhouette und KL-Index zur Clusterzahl (Abschnitt 4.4.1). Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Clusterindizes · Grenzen: Zwei und drei Cluster waren statistisch vertretbar; drei wurden aus inhaltlichen Gründen gewählt.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, 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.
5. Probst 2026, Anhang D · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang D – Externe Validierung der Profile über die Tiefe der KI-Nutzung (Q23). Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Summenwert 4–20 über vier Unternehmensfunktionen · Grenzen: Q23 war nicht Teil der Clusterbildung; Zusammenhang, keine Kausalität.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 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.
7. Probst 2026, Abschnitt 4.4 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Abschnitt 4.4 – Clusteranalyse, Kriteriumsvalidität und Zusammensetzung. 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.

Methodik & Quellen