AI Readiness Wissen.
15 Begriffe. Klar definiert.

Der schriftlich verankerte Plan, der festlegt, wo, wie und warum ein Unternehmen KI einsetzt – konsistent mit der übergeordneten Geschäftsstrategie. Zeithorizont: typischerweise 24 bis 36 Monate.

Ein strukturiertes Bewertungsraster, das den AI-Reifegrad eines Unternehmens auf einer fünfstufigen Skala einordnet – von "Ad-hoc" bis "Optimiert". Macht AI Readiness messbar und steuerbar.

Der systematische Prozess, AI-Anwendungsfälle zu identifizieren, zu bewerten und zu priorisieren. Verhindert unkoordinierte Experimente und macht Reallokation möglich.

Die strukturierte Quantifizierung des erwarteten wirtschaftlichen Nutzens eines AI-Anwendungsfalls: Nutzenhebel, Implementierungskosten, Betriebskosten, dokumentierte Annahmen.

Der Grad, zu dem Unternehmensdaten für AI-Anwendungsfälle verfügbar, zugänglich, vollständig, korrekt und rechtlich nutzbar sind. Die häufigste Ursache für scheiternde AI-Projekte im Mittelstand.

Das strukturelle Modell, das festlegt, wie Daten erfasst, gespeichert, integriert und bereitgestellt werden. Zentrale Komponenten: Data Warehouse, Data Lake, CDP, Feature Stores.

Legt fest, wie AI-Aktivitäten im Unternehmen organisatorisch verankert sind – von zentraler AI-Unit über föderale bis dezentrale Modelle. Entscheidet über Umsetzungsgeschwindigkeit.

Die nachweisbare Fähigkeit von Mitarbeitenden, AI-Systeme zu verstehen, einzusetzen und kritisch zu bewerten. Seit 2. Februar 2025 regulatorische Pflicht nach Artikel 4 EU AI Act.

Die organisatorische und kulturelle Fähigkeit, AI-getriebene Veränderungen aufzunehmen. Umfasst Führungsbereitschaft, psychologische Sicherheit und etablierte Change-Methoden.

Der Rahmen aus Richtlinien, Prozessen, Rollen und Kontrollen für den verantwortungsvollen AI-Einsatz. Umfasst Datenschutz, Bias-Prüfung, Modelltransparenz und Freigabeprozesse.

Die Einhaltung der EU-Verordnung 2024/1689. Klassifiziert AI-Systeme nach Risikoklassen; zentrale Pflichten für Hochrisiko-Systeme gelten ab 2. August 2026.

Der strukturierte Umgang mit Risiken aus AI-Systemen: Modellfehler, Bias, Datenschutzverletzungen, Halluzinationen, Automatisierungsfallen und Anbieterabhängigkeit.

Die zeitlich begrenzte Erprobung eines AI-Anwendungsfalls unter kontrollierten Bedingungen. Typischerweise 6 bis 12 Wochen, endet mit einer klaren Go/No-Go-Entscheidung.

Der Übergang eines erfolgreich prototypisierten AI-Anwendungsfalls in den stabilen, produktiven Regelbetrieb. Scheitert laut Studien bei 70–85 % der Fälle – die sogenannte "AI Scale Gap".