Das ki·spezial KI-Reifegradmodell — Fünf Stufen erklärt
Ein Reifegradmodell ersetzt keine Strategie — aber es beantwortet die eine Frage, bei der Unternehmen am häufigsten scheitern: Welche Fähigkeit braucht meine Organisation heute, bevor ich die nächste KI-Initiative starte?
Aus Hunderten Gesprächen mit mittelständischen Unternehmen lässt sich ein Muster ablesen: Fast jede gescheiterte KI-Initiative scheitert nicht am Modell, sondern an der Organisation. Datenqualität reicht nicht, Zuständigkeiten sind unklar, Change-Management fehlt, Governance ist ein leeres Wort. Ein Reifegradmodell ist das Werkzeug, mit dem wir diese Lücken sichtbar machen, bevor Budget verbrannt wird.
Dieser Artikel erklärt das ki·spezial-Reifegradmodell mit seinen sechs Stufen (0–5), beschreibt die Kriterien pro Stufe entlang von sechs Dimensionen und zeigt, welche Hindernisse realistisch zwischen den Stufen liegen. Er ist bewusst konzeptionell — Code, Tools und Hardware behandeln die übrigen Cluster-Artikel.
Wo steht Ihr Unternehmen auf der KI-Reifegradskala?
Beantworten Sie in 7 Minuten 18 Fragen zu Daten, Prozessen, Organisation, Governance und Infrastruktur — und erhalten Sie ein individuelles PDF mit Ihrem Reifegrad, konkreten Handlungsempfehlungen und Quick Wins für die nächste Stufe. Ohne Registrierung, ohne Verkaufsgespräch.
Warum Reifegradmodelle funktionieren
Reifegradmodelle kommen aus der Qualitäts- und Prozess-Welt — CMMI, ISO 33000, NIST AI RMF. Ihr Wert liegt nicht in der Zahl am Ende, sondern in drei Effekten:
- Gemeinsame Sprache: Vorstand, IT, Fachbereich und Datenschutz beschreiben die Lage mit denselben Begriffen.
- Realistische Zielsetzung: Statt „wir wollen KI" entsteht „wir wollen von Stufe 2 auf 3 in 24 Monaten".
- Priorisierung: Die schwächste Dimension bestimmt die Stufe — und damit, wo Investitionen den größten Hebel haben.
Das ki·spezial-Modell orientiert sich an den etablierten Frameworks, wurde aber für den Mittelstand auf sechs Dimensionen verdichtet: Daten, Prozesse, Organisation, Governance, Infrastruktur und Change-Management.
Die sechs Stufen im Überblick
KI passiert, aber niemand weiß, wo
Einzelne Mitarbeitende nutzen ChatGPT oder Gemini im Browser. Kein Verzeichnis, keine Richtlinie, keine technische Kontrolle. Datenabflüsse geschehen täglich, werden aber nicht erkannt. Die meisten Mittelständler befinden sich 2026 noch hier — ob sie es wissen oder nicht.
Erste Piloten, oft in der IT
Ein kleines Team probiert lokale Modelle oder abgeschottete Cloud-Accounts. Erste Use-Cases entstehen (Code-Assistenz, Dokumenten-Zusammenfassung), ohne organisatorische Verankerung. Ergebnisse bleiben im Team, Übertragbarkeit gering.
KI-Richtlinie und zentrale Governance
Eine interne KI-Richtlinie definiert zulässige Tools, Datenklassen und Freigabeprozesse. Eine benannte Stelle (KI-Verantwortliche, oft in IT/Compliance angesiedelt) koordiniert Vorhaben. Erste On-Premise-Modelle laufen produktiv in einem oder zwei Anwendungen.
KI als Teil mehrerer Kernprozesse
KI-Funktionen sind in zentrale Workflows eingebettet (CRM, ERP, Ticketing, Dokumenten-Management). Monitoring, Audit-Logs und Evaluationsprozesse sind etabliert. Fachabteilungen formulieren Anforderungen selbst und können Ergebnisse bewerten.
Entscheidungen stützen sich messbar auf KI
Daten werden systematisch erhoben, versioniert und für Fine-Tuning, Evaluation und Reporting genutzt. Eigene Embeddings, eigene Bewertungsdatensätze, klare KPIs pro Use-Case. Die Organisation verfügt über einen AI-Engineering-Kern, oft als Competence-Center.
KI als Bestandteil des Geschäftsmodells
KI-Fähigkeit ist strategischer Wettbewerbsvorteil. Plattformen, Modelle und Daten sind produktreif, wiederverwendbar und skalieren über Business-Units hinweg. Organisation, Governance und Infrastruktur sind auf kontinuierliche Weiterentwicklung ausgelegt.
Kriterien je Stufe und Dimension
Die folgende Tabelle fasst die charakteristischen Merkmale zusammen. Sie ist ein Diagnose-Werkzeug, kein Prüfschema — ein Unternehmen kann in Dimensionen unterschiedlich weit sein, und genau diese Asymmetrien zu erkennen ist der wesentliche Nutzen.
| Dimension | Stufe 1 | Stufe 2 | Stufe 3 | Stufe 4 | Stufe 5 |
|---|---|---|---|---|---|
| Daten | Einzel-Exporte, kein Katalog | Dokumenten-Inventar, Datenklassen definiert | Zentraler Datenkatalog, Lineage, RAG-fähig | Versionierte Datensätze, Labels, Eval-Sets | Datenprodukte, Contracts, SLAs |
| Prozesse | Ad-hoc, keine Freigabe | Freigabeprozess, Tool-Allowlist | KI in mehreren Kernprozessen verankert | Messbare KPIs pro Use-Case | Prozesse sind KI-nativ konzipiert |
| Organisation | Einzelne Champions | Benannte KI-Verantwortliche | KI-Board mit Fach und IT | AI-Engineering-Team, klare Rollen | Plattform-Org, Produkt-Teams |
| Governance | Keine Richtlinie | KI-Richtlinie, Datenschutzfreigabe | DSFA-Template, AI-Act-Inventar | Audit-Logs, Evaluation, Red-Team | Kontinuierliche Risiko-Steuerung |
| Infrastruktur | Consumer-Tools, teils privat | Erste GPU on-prem oder EU-Cloud | Stabiler Inferenz-Stack, RAG, APIs | Modell-Registry, CI/CD, Observability | Multi-Modell-Plattform, Self-Service |
| Change-Management | Kein strukturiertes Onboarding | Schulungen für Pilotgruppen | Rollen-spezifische Enablement-Pfade | Change-Roadmap, Kultur-KPIs | Kontinuierliche Weiterbildung, Karrierepfade |
Lese-Hinweis: Die Reifestufe eines Unternehmens entspricht der schwächsten Dimension, die eine Produktionsfreigabe blockiert. Wer in Daten und Infrastruktur auf 3 ist, aber in Governance auf 1, ist insgesamt auf 1 — weil das nächste Audit die weiteren Schichten wertlos macht.
Typische Sprung-Hindernisse
Von 1 nach 2: Eigner fehlen
Der häufigste Stillstand. Solange niemand formell für KI zuständig ist, bleiben Vorhaben im Experimentierstadium. Der Sprung gelingt mit einer klaren Rollendefinition (KI-Verantwortliche in IT oder Business-Development), einem knappen Richtlinien-Dokument (zwei bis drei Seiten) und einem kleinen Lenkungskreis.
Von 2 nach 3: Integration statt Insel-Lösung
Stufe-2-Unternehmen haben meist einen funktionierenden Assistenten — aber isoliert. Der Sprung verlangt Integration in Kernsysteme (CRM, ERP, DMS), OpenAI-kompatible APIs und ein erstes Observability-Setup. Technische Schuld aus Prototypen muss abgebaut werden; das kostet 3–6 Monate reine Refaktorierung.
Von 3 nach 4: Datenqualität wird zum Engpass
Für datengetriebene Stufen reicht „irgendwie in SharePoint" nicht. Daten brauchen Kataloge, Lineage, Versionierung. Die meisten Mittelständler entdecken hier, dass ihre Stammdaten nicht die Qualität haben, die sie dachten. Data-Governance-Projekte laufen 12–24 Monate parallel zur KI-Skalierung.
Von 4 nach 5: Kultur und Vertrauen
Der abstrakteste Sprung. Skalierung verlangt, dass Systeme Entscheidungen treffen, die früher Menschen getroffen haben — in klaren Leitplanken. Organisationen, die über Kontrolle im Detail gewachsen sind, müssen lernen, Kontrolle über Regeln und Auditierbarkeit zu definieren. Das ist kein Technologie-Projekt.
Realistische Zeitachse: 18–36 Monate pro Sprung
Aus mehr als 60 Engagements der letzten drei Jahre ergibt sich eine belastbare Bandbreite.
| Sprung | Typische Dauer | Kritischer Pfad |
|---|---|---|
| 0 → 1 | 3–6 Monate | Erste Pilotinfrastruktur, Datenschutzfreigabe |
| 1 → 2 | 6–12 Monate | Richtlinie, Rollen, Lenkungskreis |
| 2 → 3 | 12–24 Monate | Integration in Kernsysteme, Observability |
| 3 → 4 | 18–36 Monate | Data-Governance, Eval-Sets, Engineering-Team |
| 4 → 5 | 24–48 Monate | Plattform-Org, Kultur, Produkt-Orientierung |
Wer diese Zeitachsen halbiert, nimmt Kompromisse in einer Dimension in Kauf — meistens Governance oder Change-Management. Das rächt sich spätestens beim ersten Audit oder bei der ersten operationellen Störung.
Einordnung und nächster Schritt
Das Reifegradmodell ist kein Wettkampf. Für die meisten Mittelständler ist Stufe 3 oder 4 das realistische Ziel — höher lohnt sich nur, wenn KI strategisch im Geschäftsmodell verankert ist. Entscheidend ist, die eigene Ausgangslage ehrlich zu erheben und die nächste Stufe mit einem 12–24-Monats-Plan zu adressieren.
Der schnellste Weg zu einer ersten belastbaren Einschätzung ist unser kostenloser Selbsttest: 18 Fragen, sieben Minuten, PDF mit Reifegrad und priorisierten Empfehlungen. Keine Registrierung nötig.
Häufige Fragen
Warum brauche ich ein Reifegradmodell und nicht nur eine Use-Case-Liste?
Use-Case-Listen zeigen Wünsche, Reifegradmodelle zeigen Fähigkeit. Ein Unternehmen auf Stufe 1 scheitert regelmäßig an Use-Cases, die erst ab Stufe 3 realistisch sind — weil Datenqualität, Rollenmodell und Infrastruktur fehlen. Das Reifegradmodell verhindert teure Fehlallokationen und priorisiert Fähigkeitsaufbau vor Feature-Sammeln.
Wie lange dauert der Sprung von einer Stufe zur nächsten?
Realistisch 18 bis 36 Monate pro Sprung im Mittelstand, abhängig von Budget, Ausgangslage und Change-Reife. Schneller wird es nur mit massivem externem Impuls — neuer CDO, Fusion, Regulatorik-Zwang. Wer Stufe 0 bis 3 in zwölf Monaten verspricht, verkauft Folien, keine Ergebnisse.
Was ist das häufigste Sprung-Hindernis?
Zwischen Stufe 1 und 2 ist es organisatorisch: fehlende Eigner für Daten, Prozesse und Governance. Zwischen Stufe 3 und 4 ist es datenseitig: vorhandene Daten sind zu unstrukturiert für datengetriebene Entscheidungen. Zwischen Stufe 4 und 5 ist es kulturell: Skalierung verlangt Vertrauen in Systeme, das gewachsene Organisationen erst erlernen müssen.
Ist Stufe 5 das Ziel für jedes Unternehmen?
Nein. Die meisten Mittelständler profitieren maximal auf Stufe 3 oder 4. Stufe 5 rechtfertigt sich nur bei datennativen Geschäftsmodellen oder wenn Skalierung zentral für den Wettbewerbsvorteil ist. Ziel sollte nicht die höchste Stufe sein, sondern diejenige, die zur Strategie passt.
Reifegrad bestimmen, nächste Stufe planen
Wir begleiten Mittelständler von Stufe 1 bis Stufe 4 — mit einer klaren Roadmap, realistischen Zeitachsen und einem technologischen Stack, der zur Organisation passt.