AI Monitor 2026
Was bedeutet KI-Readiness?
3 Min. LesezeitVeröffentlicht am Herausgegeben von Teklens
Organisationale KI-Readiness ist der Grad, in dem eine Organisation die strukturellen Voraussetzungen für KI besitzt und sie laufend anpassen kann. Der AI Monitor 2026 misst sie in sechs Dimensionen mit 19 Faktoren: fünf Grundlagen aus Technologie, Organisation und Umwelt sowie die Anpassungsfähigkeit aus der Theorie dynamischer Fähigkeiten. Jede Frage wird auf einer Reifeskala von 1 bis 5 beantwortet.
Inhalt · Kurzantwort
Drei Befunde
- 01
Zwei von sechs Dimensionen über der Skalenmitte
In der DACH-Analyse liegen nur Internal Assets (3,38) und Leadership (3,26) über 3. Tech Foundation (2,86), Data Engine (2,80), External Alignment (2,65) und Dynamic Capabilities (2,61) bleiben darunter.[Probst 2026, Tabelle 4]
- 02
Die Grundlagen sind breiter entwickelt als die Bewegung
Die beiden organisationalen Dimensionen führen, die Dimension der dynamischen Fähigkeiten bildet das Schlusslicht. Ein Rahmen nur aus TOE-Faktoren hätte diese Lücke nicht sichtbar gemacht.[Probst 2026, Abschnitt 5.1]
- 03
Alle sechs Dimensionen messen konsistent
McDonalds ω liegt zwischen 0,70 und 0,87. Die schwächsten Werte haben Internal Assets und External Alignment, deren Fragen inhaltlich am breitesten streuen.[Probst 2026, Tabelle 3]
Evidenz
- Menschen & KompetenzenInternal Assets3,38
- FührungLeadership3,26
- Technische GrundlagenTech Foundation2,86
- DatenData Engine2,80
- Governance & ÖkosystemExternal Alignment2,65
- AnpassungsfähigkeitDynamic Capabilities2,61
Lesart: Nur Internal Assets und Leadership liegen über der Skalenmitte von 3. Dynamic Capabilities und External Alignment bilden das Schlusslicht.
- 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, Tabelle 4 · Tabelle 4 und Abbildung 4 – Mittelwerte und Standardabweichungen der sechs Dimensionen (Abschnitt 4.3)
Daten als Tabelle
| Dimension | Research label | M | SD | α | ω | n |
|---|---|---|---|---|---|---|
| Menschen & Kompetenzen | Internal Assets | 3,38 | 0,79 | 0,677 | 0,702 | 64 |
| Führung | Leadership | 3,26 | 0,98 | 0,863 | 0,869 | 64 |
| Technische Grundlagen | Tech Foundation | 2,86 | 0,98 | 0,863 | 0,869 | 64 |
| Daten | Data Engine | 2,80 | 0,87 | 0,757 | 0,767 | 64 |
| Governance & Ökosystem | External Alignment | 2,65 | 0,89 | 0,663 | 0,719 | 64 |
| Anpassungsfähigkeit | Dynamic Capabilities | 2,61 | 0,96 | 0,861 | 0,862 | 64 |
Einordnung
Woher das Modell kommt
Der AI Monitor 2026 verbindet zwei Perspektiven. Der TOE-Rahmen von Tornatzky und Fleischer beschreibt seit 1990, welche technologischen, organisationalen und umweltbezogenen Bedingungen die Einführung einer Technologie prägen. Die Theorie dynamischer Fähigkeiten nach Teece erklärt, wie Organisationen Chancen erkennen, ergreifen und ihre Strukturen umbauen.[Tornatzky & Fleischer 1990]
Die 15 strukturellen Faktoren stammen aus der systematischen Literaturübersicht von Ali und Khan (2025), die vier dynamischen Faktoren aus Dey und Ghose (2025). Die Zuordnung der Faktoren zu sechs Dimensionen hat der Autor der Forschungsarbeit vorgenommen. Firmengrösse ist bewusst kein Faktor, sondern eine Kontextvariable.[Ali & Khan 2025]
Die sechs Dimensionen und ihre 19 Faktoren
Die Tabelle nennt die Bezeichnungen der Forschung und die Definition jedes Faktors. Die Kapitel dieser Ausgabe tragen für die Lesbarkeit eigene Titel; der Untertitel jedes Kapitels nennt die Forschungsdimension.[Probst 2026, Tabelle 1]
| Dimension | Faktor | Definition |
|---|---|---|
| FührungLeadership · Organisation (TOE) | Q1 Top Management Support | Bereitschaft der obersten Führung, KI-Projekte anzustossen, kritische Entscheidungen zu treffen und ein innovationsfreundliches Umfeld zu schaffen. |
| Q2 Resource Availability | Vorhandensein und Zugänglichkeit interner und externer Werkzeuge, Materialien sowie technischer und finanzieller Mittel für die KI-Einführung. | |
| Q3 Vision & Strategy | Erreichbare KI-Ziele, die die Erwartungen der Organisation umreissen, verbunden mit einem strategischen Plan für die Einführung. | |
| Menschen & KompetenzenInternal Assets · Organisation (TOE) | Q4 AI Talent | Die KI-spezifische Expertise, über die eine Organisation verfügt, um KI-Lösungen wirksam einzusetzen. |
| Q5 Collaborative Culture | Ausmass an Vertrauen, Informationsaustausch und bewusstem Wissenstransfer zwischen Abteilungen, um gemeinsame Ziele zu erreichen. | |
| Q6 Innovativeness | Aktuelles Engagement und positive Haltung der Mitarbeitenden gegenüber Veränderung, um die KI-Einführung voranzutreiben. | |
| Technische GrundlagenTech Foundation · Technologie (TOE) | Q7 IT Infrastructure | Hardware, Software, Netzwerk und Rechenressourcen, die KI-Lasten, Datenspeicherung und Verarbeitung technisch tragen. |
| Q8 Compatibility | Wie gut KI-Systeme und -Technologien in bestehende Systeme, Prozesse und Ziele der Organisation passen. | |
| Q9 IT Architecture | Struktureller Aufbau und Segmentierung der IT-Infrastruktur, die eine modulare und effiziente Integration neuer KI-Anwendungen ermöglichen. | |
| DatenData Engine · Technologie (TOE) | Q10 Data Accessibility | Fähigkeit, zahlreiche Datenquellen schnell und mühelos zu erschliessen, damit Fachpersonen Prototypen und KI-Lösungen entwickeln können. |
| Q11 Data Quality | Vollständigkeit und Genauigkeit der Daten, sichtbar in der Fähigkeit zur Datenaufbereitung, -verarbeitung und Qualitätssicherung. | |
| Q12 Data Governance | Rahmen und Kontrollen für das Datenmanagement, die eine Organisation für die KI-Einführung braucht. | |
| Governance & ÖkosystemExternal Alignment · Umwelt (TOE) | Q13 AI Policy | Organisationale Regeln und Richtlinien für den ethischen und verantwortungsvollen Einsatz von KI unter Beachtung rechtlicher Grenzen. |
| Q14 Ecosystem Integration | Grad der Einbindung in externe Netzwerke und Partnerschaften, die die KI-Einführung antreiben und stützen. | |
| Q15 EU AI Act | Staatliche Vorgaben, Grenzen und Gesetze, die eine Organisation bei der KI-Einführung beobachten und einhalten muss, etwa der EU AI Act. | |
| AnpassungsfähigkeitDynamic Capabilities · Dynamic Capabilities (DCT) | Q16 Sensing | Systematisches Beobachten des Umfelds nach KI-Trends, algorithmischen Fortschritten, regulatorischen Änderungen und neuen Kundenbedürfnissen. |
| Q17 Seizing | Ressourcen mobilisieren und finanzierte KI-Pilotprojekte starten, um erkannte Chancen zu nutzen. | |
| Q18 Reconfiguring (Structures) | Bestehende Ressourcen, Strukturen und Prozesse neu bewerten, um KI in operative und strategische Entscheidungen zu integrieren, einschliesslich des Abbaus von Altlasten. | |
| Q19 Reconfiguring (Learning) | Systeme und Praktiken verankern, mit denen Mitarbeitende die für eine nachhaltige KI-Einführung nötigen Fähigkeiten laufend entwickeln. |
Wie gemessen wird
Jeder Faktor ist eine Frage mit fünf Reifestufen. Die meisten Stufen beschreiben ein konkretes Verhalten, etwa «KI-Pilote sind offiziell freigegeben, aber kein zentraler Teil der Strategie» für Stufe 3 beim Rückhalt der Führung. Das reduziert den Spielraum, den abstrakte Zustimmungsskalen lassen. Sieben der 19 Fragen tragen nach dem Pilottest nur noch Stufenbezeichnungen.[Probst 2026, Anhang A]
Ein Dimensionswert ist der Mittelwert seiner Fragen. Die europäische Umfrage rechnet dieselben Antworten mit (x − 1) / 4 × 100 auf 0 bis 100 um. Ein Wert von 50 heisst «Stufe 3 im Mittel», nicht «die Hälfte der Organisationen».
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.
Wir lesen das Modell als Checkliste für ein einzelnes Vorhaben, nicht als Reifegrad-Zertifikat.
Einen Ablauf wählen
Nehmt einen konkreten Arbeitsablauf, etwa vom Kundenfeedback zur freigegebenen Spec, und prüft ihn entlang der sechs Dimensionen.
Grundlage von Bewegung trennen
Fehlt Budget, Zugriff oder Wissen? Oder fehlt die Routine, den Ablauf nach jedem Durchlauf anzupassen? Beides braucht andere Massnahmen.
Selbsteinschätzung als Gesprächsanlass
Lasst Product, Engineering und Führung dieselben Fragen beantworten. Der Unterschied in den Antworten ist oft aufschlussreicher als der Mittelwert.
Einordnung & Grenzen
- Das Modell ist theoriegeleitet, aber die Faktorzuordnung ist eine Entscheidung des Autors der Forschungsarbeit, keine empirisch geprüfte Struktur.
- Die Fragen sind bewusst allgemein gehalten, damit sie über Branchen hinweg funktionieren. Branchenspezifische Nuancen bilden sie nicht ab.
- Reifestufen sind Selbsteinschätzungen. Sie messen wahrgenommene, nicht geprüfte Readiness.
Fragen & Antworten
Ist KI-Readiness dasselbe wie KI-Reife?
Nicht ganz. Reifemodelle beschreiben Stufen, die eine Organisation durchläuft. Readiness fragt, ob die Voraussetzungen für den nächsten Schritt vorhanden sind. Der AI Monitor nutzt Reifestufen als Messinstrument für Readiness.
Warum sechs Dimensionen und nicht drei?
Der TOE-Rahmen kennt drei Kontexte. Die Forschungsarbeit teilt Technologie und Organisation in je zwei Dimensionen, behält den Umweltkontext als eine und ergänzt die dynamischen Fähigkeiten als sechste. So bleibt jede Dimension mit mindestens drei Faktoren messbar.
Kann ich mein Team mit diesem Modell selbst einschätzen?
Ja, zur Orientierung. Der AI Readiness Check auf teklens.ai stellt zwölf der 19 Fragen und vergleicht jede Antwort mit dem Studienwert. Eine statistisch validierte Profilzuordnung ist das nicht.
Quellen
- Probst 2026, Tabelle 1 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 1 – Dimensionen und Faktoren des Readiness-Frameworks (Abschnitt 2.5). Stichprobe: Konzeptionell, keine Stichprobe · Skala: – · Grenzen: Faktorzuordnung durch den Autor auf Basis von Ali & Khan (2025) und Dey & Ghose (2025).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 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, 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.
- Ali & Khan 2025 · Factors influencing readiness for artificial intelligence: A systematic literature review (2025). Data Science and Management, 8(2). Stichprobe: 52 Studien · Skala: – · Grenzen: Literaturübersicht; liefert die 15 TOE-Faktoren des Rahmens.Ali, W., & Khan, A. Z. (2025). Factors influencing readiness for artificial intelligence: A systematic literature review. Data Science and Management, 8(2), 224–236. https://doi.org/10.1016/j.dsm.2024.09.005
- Dey & Ghose 2025 · Integrating AI adoption frameworks with digital maturity models (2025). Journal of Contemporary Business Research, 1(2). Stichprobe: Konzeptionell · Skala: – · Grenzen: Liefert die vier Faktoren der Dimension Dynamic Capabilities.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. https://doi.org/10.1177/3049513X251387463
- Jöhnk et al. 2021 · Ready or not, AI comes – An interview study of organizational AI readiness factors (2021). Business & Information Systems Engineering, 63(1). Stichprobe: Interviewstudie · Skala: – · Grenzen: Ausgangspunkt der Readiness-Konzeption der Arbeit.Jöhnk, J., Weißert, M., & Wyrtki, K. (2021). Ready or not, AI comes – An interview study of organizational AI readiness factors. Business & Information Systems Engineering, 63(1), 5–20. https://doi.org/10.1007/s12599-020-00676-7
- 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
- Tornatzky & Fleischer 1990 · The processes of technological innovation (1990). Lexington Books. Stichprobe: Theorie · Skala: – · Grenzen: Ursprung des TOE-Rahmens (Technologie, Organisation, Umwelt).Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.