Was ein KI-Reifegrad-Assessment Ihnen in zwei Wochen liefern sollte
Ein KI-Readiness-Assessment sollte mit einer priorisierten Liste von Anwendungsfällen, den Daten- und Systemlücken dahinter, den zu kontrollierenden Risiken und einem durchkalkulierten Plan für den ersten enden.
7 Min. Lesezeit

Inhalt
Ein KI-Readiness-Assessment sollte Ihnen innerhalb von etwa zwei Wochen eine priorisierte Shortlist von KI-Anwendungsfällen liefern, jeweils mit Verantwortlichem und Ausgangsbasis, die Daten-, System- und Zugriffslücken, die ihnen im Weg stehen, die Risiken, die Sie kontrollieren müssten, und einen durchkalkulierten Plan für den ersten Anwendungsfall. Endet es nur mit einem Reifegradwert, hat es seine Aufgabe nicht erfüllt.
Stellen Sie sich einen Geschäftsführer bei einem Handelsunternehmen mit 200 Mitarbeitenden vor. Der Aufsichtsrat hat gefragt: „Was ist unser KI-Plan?“ Drei Teams haben bereits auf eigene Faust Tools ausprobiert: Der Vertrieb nutzt einen Assistenten für E-Mails, die Finanzabteilung hat die Rechnungsextraktion getestet, und der Support hat eine Chatbot-Demo, die niemand eingeschaltet hat. Jedes Team hat eine Geschichte, keines hat eine Zahl, und niemand weiß, ob die Kundendaten für irgendetwas davon in gutem genug Zustand sind. Was der Geschäftsführer braucht, ist nicht noch ein Workshop. Es sind zwei Wochen, in denen man sich die tatsächliche Arbeit, die tatsächlichen Daten und die tatsächlichen Systeme ansieht, und am Ende eine Entscheidung.
Was ist ein KI-Readiness-Assessment?
Ein KI-Readiness-Assessment ist eine kurze, strukturierte Überprüfung, wo KI in einem Unternehmen nützliche Arbeit leisten könnte und ob Daten, Systeme, Menschen und Kontrollen vorhanden sind, um diese Arbeit verlässlich zu machen. Sein Ergebnis ist eine Entscheidung darüber, was zuerst gebaut wird und was vorher behoben werden muss.
Es unterscheidet sich von zwei Dingen, mit denen es oft verwechselt wird:
Eine KI-Strategie: Eine Strategie legt die Richtung für mehrere Jahre fest. Ein Assessment betrachtet das nächste oder die nächsten beiden Projekte und wovon sie abhängen.
Ein Reifegradwert: Ein Wert bewertet das Unternehmen auf einer Skala. Ein Assessment benennt konkrete Anwendungsfälle, konkrete Lücken und konkrete Verantwortliche. Ein Wert kann Teil davon sein, aber nicht das Ergebnis.
Zwei Wochen sind eine sinnvolle Dauer, weil sie lang genug sind, um mit den Menschen zu sprechen, die die Arbeit erledigen, und echte Daten anzusehen, und kurz genug, dass die Antwort eintrifft, solange die Frage noch zählt.
Was sollte ein KI-Readiness-Assessment umfassen?
Es sollte sieben Bereiche abdecken, jeweils an die betrachteten Anwendungsfälle gebunden statt abstrakt geprüft. Ein Assessment, das „die Daten“ im Allgemeinen prüft, dauert lang und kommt zu wenig; eines, das fragt „Was braucht dieser Anwendungsfall von den Daten?“, wird fertig.

Die Checkliste
Anwendungsfälle und Ausgangsbasis: die Aufgaben, die KI übernehmen könnte, gesammelt bei den Teams, die sie erledigen, mit heutiger Zeit, Kosten, Volumen und Fehlerquote je Aufgabe.
Daten: wo die Daten liegen, die jeder Anwendungsfall braucht, wem sie gehören, ob zentrale Begriffe überall gleich definiert sind und wie viele Dubletten und Lücken sie enthalten.
Systeme und Integrationen: aus welchen Systemen eine KI lesen oder in welche sie schreiben müsste und ob diese nutzbare APIs und Testumgebungen haben.
Sicherheit und Zugriff: wer welche Daten sehen darf, wie ein KI-System seinen Zugriff erhielte und was es nie selbstständig tun können darf.
Governance und Risiko: wer den KI-Einsatz genehmigt, wie Fehler abgefangen werden und was passiert, wenn das Ergebnis falsch ist. Öffentliche Rahmenwerke helfen hier: Das NIST AI Risk Management Framework (AI RMF), veröffentlicht am 26. Januar 2023, gliedert die Arbeit in vier Funktionen (Govern, Map, Measure und Manage), und ISO/IEC 42001:2023 legt Anforderungen an ein KI-Managementsystem fest.
Menschen und Kompetenzen: wer jeden Anwendungsfall verantworten wird, wer sein Ergebnis prüft und welche Schulung nötig ist.
Kosten: Lizenzen, Modellnutzung bei echtem Volumen, Entwicklungsaufwand und die Zeit, die Menschen mit der Prüfung der Ergebnisse verbringen.
Im Datenbereich liegen meist die Überraschungen. Unser Beitrag dazu, CRM-Daten zu bereinigen, bevor Sie KI hinzufügen, zeigt, wie diese Prüfung bei Kundendaten aussieht.
Was sollten Sie nach zwei Wochen in der Hand haben?
Sie sollten einen kleinen Satz Dokumente haben, auf den Sie am folgenden Montag reagieren können: eine priorisierte Anwendungsfall-Liste, eine Lückenliste für die Top-Kandidaten, ein Risikoregister und einen Plan für den ersten Bau. Alles, womit Sie nicht handeln können, ist Hintergrundlektüre.
Eine priorisierte Anwendungsfall-Liste. Jeder Kandidat, bewertet nach Nutzen, Datenreife, Integrationsaufwand und Risiko bei falschem Ergebnis, mit schriftlich festgehaltener Begründung für jede Bewertung.
Eine Seite pro Top-Anwendungsfall. Der Verantwortliche, die Ausgangsbasis, das Erfolgsmaß, die benötigten Daten und Systeme und was fehlt.
Eine Lückenliste. Gemeinsame Lücken einmal gruppiert, sodass eine Kundendatenbereinigung, die drei Anwendungsfälle bedient, als ein Posten auftaucht, nicht als drei.
Ein Risikoregister. Für jeden Top-Anwendungsfall: was schiefgehen könnte, wie wahrscheinlich das ist, wie Sie es erkennen würden und welcher Schritt die Freigabe durch einen Menschen braucht.
Ein durchkalkulierter Plan für den ersten Anwendungsfall. Umfang, Aufwand, laufende Kosten bei Produktionsvolumen und ein Prüftermin mit dem Ergebnis, das er zeigen muss, um fortgesetzt zu werden.
Eine „Nicht jetzt“-Liste. Ideen, die betrachtet und zurückgestellt wurden, mit Begründung, damit sie nächstes Quartal nicht wieder wie neu auftauchen.
Der Schritt der Kalkulation fließt direkt in die Planung fürs nächste Jahr. Das KI-Budget für 2027 dimensionieren erklärt, wie Sie diese Dokumente in Budgetpositionen übersetzen.
Wie läuft ein zweiwöchiges KI-Readiness-Assessment ab?
Es läuft als eine Woche Hinsehen und eine Woche Entscheiden. In der ersten Woche werden Belege von Menschen, Daten und Systemen gesammelt; in der zweiten werden sie in eine priorisierte Auswahl und einen Plan überführt.

Woche eins: Belege
Kick-off mit dem Sponsor. Klären Sie die Geschäftsziele, die Teams im Scope, wer entscheidet und was tabu ist.
Interviews mit den Teams, die die Arbeit erledigen. Kurze Gespräche mit den Menschen, die jeden Prozess betreiben, nicht nur mit ihren Führungskräften, um Kandidaten für Anwendungsfälle und die heutige Arbeitsweise zu erfassen.
Ausgangsbasen. Erfassen Sie Zeit, Volumen, Kosten und Fehlerquote je Kandidat, nach Möglichkeit mit echten Zahlen aus den Systemen.
Daten- und Systemdurchgänge. Sehen Sie sich Beispieldatensätze, Felddefinitionen, Integrationen und Zugriffsrechte der Systeme an, von denen jeder Kandidat abhängt.
Woche zwei: Entscheidungen
Bewerten und priorisieren. Wenden Sie dieselben Kriterien auf jeden Kandidaten an und teilen Sie die Entwurfsrangfolge mit den Teams zur Korrektur.
Lücken und Risiken abbilden. Listen Sie für die Top-Kandidaten auf, was fehlt und was schiefgehen könnte, und gruppieren Sie die gemeinsamen Lücken.
Den ersten Anwendungsfall kalkulieren. Schätzen Sie den Bau, die laufenden Kosten und den Prüfaufwand.
Readout und Entscheidung. Präsentieren Sie dem Sponsor die Rangfolge, den Plan und die „Nicht jetzt“-Liste und gehen Sie mit einer Entscheidung über den ersten Bau heraus.
Wie unterscheiden Sie ein nützliches Assessment von einer Verkaufsübung?
Ein nützliches Assessment kann mit „Bauen Sie das noch nicht“ enden und sagt, warum. Eine Verkaufsübung endet immer mit einem Projekt für die, die sie durchgeführt haben, meist dem größten auf der Liste.
Achten Sie auf diese Anzeichen:
Keine Ausgangsbasis. Nutzen werden beschrieben, ohne zu messen, wie die Arbeit heute erledigt wird, sodass sich später nichts überprüfen lässt.
Generische Ergebnisse. Der Bericht könnte von jedem Unternehmen Ihrer Branche handeln; er nennt weder Ihre Systeme noch Felder oder Teams.
Tool zuerst. Die Empfehlung ist ein Produkt oder eine Plattform, bevor die Anwendungsfälle klar sind.
Nur die Führung befragt. Die Menschen, die die Arbeit täglich erledigen, wurden nicht gefragt.
Keine Abbruchkriterien. Der Plan sagt, wie Erfolg aussieht, aber nicht, welches Ergebnis einen Stopp bedeuten würde.
Risiko als Anhang. Zugriff, Prüfung und Fehlerbehandlung werden beiläufig erwähnt, statt pro Anwendungsfall gestaltet zu werden. Unsere Checkliste zum Testen eines KI-Agenten vor dem Livegang zeigt, wie viel dieser Arbeit in den Plan gehört.
So gehen wir bei Vizio AI vor
Wir behandeln ein KI-Readiness-Assessment als den Schritt Diagnose in unserer Arbeit im DX Studio, die von Diagnose über Design, Build und Launch bis Optimize reicht. Wir beginnen bei der Arbeit: Wir sprechen mit den Menschen, die jeden Prozess betreiben, messen, wie er heute erledigt wird, und schauen erst dann, welche Teile KI übernehmen könnte.
Für jeden Kandidaten öffnen wir die Systeme und sehen uns echte Datensätze an, denn Daten, die in einer Besprechung gut aussehen, tun das in einer Stichprobe oft nicht. Wir priorisieren Anwendungsfälle nach Nutzen, Datenreife, Integrationsaufwand und Risiko, fassen gemeinsame Lücken in einem Grundlagenprojekt zusammen und gestalten die Zugriffs- und Prüfschritte, bevor irgendein Bau geplant wird. Der Readout endet mit einer Entscheidung über den ersten Anwendungsfall, seinen Verantwortlichen, sein Erfolgsmaß und das Datum, an dem wir ihn prüfen, plus der Liste der Ideen, die wir zurückzustellen empfehlen, und warum.
Quellen
NIST, AI Risk Management Framework (abgerufen am 25. Okt. 2026): https://www.nist.gov/itl/ai-risk-management-framework
NIST AI Resource Center, AI RMF Core (abgerufen am 25. Okt. 2026): https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
IEC Webstore, ISO/IEC 42001:2023 Information technology – Artificial intelligence – Management system (18. Dez. 2023): https://webstore.iec.ch/publication/90574
Vizio AI, DX Studio (abgerufen am 25. Okt. 2026): https://www.vizio.ai/studios/dx-studio
FAQs.
Weiterlesen

Attribution That Survives Your Tool Stack: Keeping UTMs From Ad to Booking to CRM

Clean Your CRM Data Before You Add AI: Dedupe, Grain and Ownership

Semantic Layer First: Getting Your BI Ready for AI Agents

How F&B CMOs Use Generative AI In Business For Location Decisions

How Real Estate Firms Use Business Analytics For City Parks To Drive Value

Data Storytelling and Visualization

When Does a Business Actually Need Digital Transformation?

Analytics for Product Recommendations

Data Analyst vs. Data Quality Analyst

The Best NoSQL Analytics Tools 2024



