Wie wurde KI-Readiness gemessen?

Evidenz

Einordnung

Population und Erhebung

Die Forschungsarbeit befragte gezielt Personen mit strategischer Nähe zu KI-Vorhaben: C-Level, Heads of AI und Produktverantwortliche. Rund 2'000 Personen in der DACH-Region wurden über LinkedIn und E-Mail angesprochen, gestützt auf das Netzwerk von Teklens, das die Umfrageplattform betrieb und die Ansprache durchführte; Teilnehmende konnten weitere Personen einladen. 118 Personen beantworteten mindestens die ersten drei Fragen.[Probst 2026, Tabelle 2]

Vier Aufnahmekriterien reduzierten die 118 auf 64: vollständige Antworten, vollständige und plausible Kontextangaben (geprüft unter anderem gegen LinkedIn-Profile), Sitz der Organisation in der DACH-Region und eine Bearbeitungszeit von mindestens 4,13 Minuten, der Hälfte des Medians von 8,25 Minuten.[Probst 2026, Abbildung 3]

Instrument und Skala

Der Fragebogen operationalisiert 19 Faktoren: 15 aus dem TOE-Rahmen nach Ali und Khan (2025), vier dynamische Fähigkeiten nach Dey und Ghose (2025). Jede Frage hat fünf Reifestufen. Nach einem Pilottest mit drei Praktikern wurden Ankertexte gekürzt; sieben Fragen tragen nur Stufenbezeichnungen, je Dimension bleiben mindestens zwei Fragen vollständig verankert. Der Fragebogen war auf Deutsch und Englisch verfügbar.[Probst 2026, Anhang A]

Ein Dimensionswert ist der Mittelwert seiner Fragen. Die europäische Umfrage rechnet jede Antwort mit (x − 1) / 4 × 100 auf 0 bis 100 um und mittelt je Dimension. Wo diese Ausgabe DACH-Werte auf 0–100 zeigt, sind sie aus den publizierten Dimensionsmitteln mit drei Dezimalstellen umgerechnet, nicht aus Einzelantworten; das ist bei den betreffenden Abbildungen vermerkt.

Reliabilität

Clusteranalyse

K-means auf den sechs z-standardisierten Dimensionswerten, zehn Zufallsstarts, fixer Seed, berechnet mit jamovi 2.7 und dem Modul snowCluster. Die Clusterzahl wurde mit Elbow-Kriterium, Silhouettenkoeffizient und Krzanowski-Lai-Index bestimmt. Kriteriumsvalidität wurde über die Tiefe der KI-Nutzung (Q23) geprüft, die nicht Teil der Clusterbildung war.[Probst 2026, Abschnitt 4.4]

Die einfaktoriellen ANOVAs über die sechs Dimensionen beschreiben die Trennschärfe der Cluster auf den Clustervariablen selbst; sie sind kein Hypothesentest. Levenes Test war in allen Dimensionen nicht signifikant, weshalb Fishers ANOVA mit Tukey-HSD angewandt wurde. Für die Zusammensetzung der Cluster nach Branche, Grösse und Ebene wurden bewusst keine Signifikanztests gerechnet.[Probst 2026, Anhang C]

Zwei Datensätze, eine Umfrage

Die DACH-Analyse (n = 64) und die europäische Umfrage (n = 165, davon 106 mit demografischen Angaben) stammen von derselben Umfrageplattform und derselben Ansprache. Die Forschungsarbeit wandte ihre eigenen vier Filter an. Ob jede der 64 Antworten unter den 165 liegt, lässt sich aus dem Export nicht prüfen, weil er kein Länderfeld enthält. Wir behandeln die beiden deshalb als zwei unterschiedlich gefilterte Auswertungen derselben Umfrage: nicht disjunkt, nicht voneinander abziehbar, und nie als «Europa ohne DACH» gerechnet.[AI Monitor 2026, Europa]

Die europäischen Dimensionswerte und Hierarchieebenen wurden am 19. August 2026 aus dem Rohexport nachgerechnet. Branchen- und Grössensegmente stammen aus einer Anreicherung, die der Export nicht enthält; sie sind nicht geprüft und werden in dieser Ausgabe nicht gezeigt.[AI Monitor 2026, Europa]

Darstellungsregeln dieser Ausgabe

• Kleine Segmente: Interaktive Vergleiche zeigen keine Segmente unter fünf Fällen und markieren Segmente unter zehn. Publizierte Tabellen der Forschungsarbeit werden wie berichtet wiedergegeben; Zellen unter fünf sind markiert und werden nicht interpretiert.
• Rundung: Publizierte Werte werden wie in der Quelle gezeigt (zwei Dezimalstellen). Umrechnungen auf 0–100 nutzen die Werte mit drei Dezimalstellen aus den Abbildungsskripten der Arbeit. Ein Beispiel für eine Rundungsdifferenz: 25 von 64 ergibt rechnerisch 39,1 %; die Arbeit publiziert 39,0 %, und wir zeigen den publizierten Wert.
• Sprache: Befunde der Studie, Teklens-Einordnungen und Teklens-Empfehlungen sind in jedem Kapitel getrennt gekennzeichnet. Zusammenhänge sind keine Ursachen; die Studie misst weder Wirkung, Zeitersparnis, Rendite noch Rechtskonformität.
• Profilbezeichnungen: Leaders, Followers und Laggards der Forschungsarbeit heissen hier fortgeschrittenes Profil, mittleres Feld und frühe Phase.

Studienanlage, Autorschaft und Partner

Der AI Monitor 2026 folgt einem zweistufigen Design. In der ersten Stufe erhoben Teklens und readyai.one die organisationale KI-Readiness im europäischen Raum (n = 165); diese Erhebung diente als Vorstudie für den Swiss AI Monitor (ai-monitor.ch). In der zweiten Stufe untersuchte eine Masterarbeit die DACH-Region vertieft (n = 64). Diese Ausgabe erläutert die DACH-Analyse und zieht die europäischen Werte als Referenz heran.[AI Monitor 2026, Europa]

Die DACH-Analyse ist die Masterarbeit von Felix Probst am Institut für Wirtschaftsinformatik der Universität St.Gallen (2026), betreut von Prof. Dr. Ingrid Bauer-Hänsel und Prof. Dr. Benjamin van Giffen und in Zusammenarbeit mit Studyond (studyond.com) und in Kooperation mit Teklens entstanden. Die Forschungsautorschaft liegt beim Autor der Arbeit. Die redaktionelle Aufbereitung dieser Ausgabe, das Vorwort, die Einordnungen und die Empfehlungen stammen von Teklens. Die Arbeit ist nicht öffentlich verfügbar; sie wird bibliografisch zitiert.[Probst 2026]

ETH Zürich und die Universität St.Gallen sind Forschungspartner des AI Monitor. Sie sind keine Referenzkunden von Teklens, und keine Aussage dieser Ausgabe bedeutet eine Empfehlung von Teklens durch eine der beiden Hochschulen.

Team

Das Team hinter dem AI Monitor

Teklens gibt den AI Monitor heraus. Forschung und Produktarbeit verbinden wissenschaftliche Tiefe mit praktischer Anwendung.

Kathrin Wolff

Forschungspartnerin

Prof. Dr. David Finken

Professor of Marketing × Technology (TUM) and Senior Research Affiliate (ETH Zurich)

Marc Gasser

Teklens

Simon Scheurer

Teklens

Zur Standortbestimmung: AI Readiness Check

Einordnung & Grenzen

• Die Stichprobe von 64 ist die wichtigste Einschränkung: ausreichend für eine explorative Bestandesaufnahme, zu klein für belastbare Untergruppenvergleiche.
• Die DACH-Bezeichnung stammt aus dem Titel der Arbeit; geografisch umfasst die Stichprobe nur Deutschland und die Schweiz.
• Selbsteinschätzungen unterliegen sozialer Erwünschtheit und Selbstüberschätzung; die Konzentration oberster Führungskräfte im fortgeschrittenen Profil (10 von 12) unterstreicht das.
• Der Fragebogen ist bewusst allgemein formuliert; branchenspezifische Nuancen und leichte Bedeutungsunterschiede zwischen der deutschen und englischen Version sind nicht auszuschliessen.

Fragen & Antworten

Quellen

Die DACH-Analyse stammt aus der Masterarbeit von Felix Probst (Universität St.Gallen, 2026), die sich auf Deutschland und die Schweiz konzentriert und in Zusammenarbeit mit Studyond und Teklens entstand. Die europäische Erhebung führten Teklens und readyai.one als Vorstudie für den Swiss AI Monitor durch; Teklens ordnet die Befunde als Herausgeber ein. Vollständige Zitate und Stellenverzeichnis: Methodik & Quellen.

1. Probst 2026 · 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. AI Monitor 2026, Europa · Teklens & readyai.one (2026). AI Monitor 2026 – European survey on organisational AI readiness (pre-study for the Swiss AI Monitor), raw export of 19 August 2026. Research partners: ETH Zürich and University of St.Gallen. Internal aggregate, published on teklens.ai/ai-monitor.n = 165 auswertbare Antworten, davon 106 mit demografischen Angaben; einzelne Fragen n = 163 · 1–5 je Frage, je Antwort auf 0–100 normalisiert · Selbsteinschätzung; kein Länderfeld im Export; Branche und Grösse nicht geprüft. Rollenvergleiche vergleichen verschiedene Personen, nicht dieselbe Organisation.
3. Ali & Khan 2025 · Ali, W., & Khan, A. Z. (2025). Factors influencing readiness for artificial intelligence: A systematic literature review. Data Science and Management, 8(2), 224–236. doi.org/10.1016/j.dsm.2024.09.00552 Studien · – · Literaturübersicht; liefert die 15 TOE-Faktoren des Rahmens.
4. Dey & Ghose 2025 · Dey, D., & Ghose, D. (2025). Integrating AI adoption frameworks with digital maturity models: Strategic pathways in a rapidly evolving technological landscape. Journal of Contemporary Business Research, 1(2), 156–170. doi.org/10.1177/3049513X251387463Konzeptionell · – · Liefert die vier Faktoren der Dimension Dynamic Capabilities.