Warum ein KI-Fragebogen noch keine KI-Diagnose ist

Eine Bestandsaufnahme ist wichtig – aber sie ist erst der Anfang

Wie weit ist unser Unternehmen bei künstlicher Intelligenz? Diese Frage stellen sich derzeit viele Geschäftsführer. Bevor Geld in neue KI-Systeme, Schulungen oder Pilotprojekte fließt, ist es sinnvoll zu wissen, wo das Unternehmen steht. Allgemeine KI-Fragebögen und Reifegradmodelle können dabei helfen. Sie fragen zum Beispiel nach Strategie, vorhandenen Anwendungen, Daten, Regeln, Verantwortlichkeiten oder der Qualifizierung der Mitarbeiter. Damit bringen sie Struktur in ein Thema, das schnell unübersichtlich werden kann.

Das Problem ist also nicht der Fragebogen. Problematisch wird es erst, wenn aus einer solchen Bestandsaufnahme mehr abgeleitet wird, als sie tatsächlich zeigen kann. Die Information, dass ein Unternehmen seine Mitarbeiter zu KI schult, sagt beispielsweise noch wenig darüber aus, ob die richtigen Menschen die richtigen Kenntnisse für ihre Arbeit bekommen. Die Information, dass KI bereits eingesetzt wird, zeigt noch nicht, ob dadurch ein Prozess wirklich besser funktioniert. Und eine vorhandene KI-Richtlinie bedeutet noch nicht automatisch, dass Beschäftigte in einer konkreten Situation wissen, welches System sie verwenden dürfen, welche Daten problematisch sind oder wann ein Ergebnis überprüft werden muss.

Innerhalb desselben Unternehmens können deshalb sehr unterschiedliche Ausgangslagen bestehen. Im Marketing arbeiten vielleicht Beschäftigte täglich mit generativer KI. Im Vertrieb gibt es einzelne Mitarbeiter, die auf eigene Initiative experimentieren. In anderen Bereichen spielt das Thema bisher kaum eine Rolle. Die Geschäftsführung beschäftigt sich mit Strategie und Investitionen, die IT mit Zugriffsrechten, Sicherheit und technischen Schnittstellen. Die Personalabteilung wiederum arbeitet mit anderen Daten und Risiken als das Marketing. Hinzu kommen erhebliche Unterschiede zwischen einzelnen Mitarbeitern: Der eine beschäftigt sich seit zwei Jahren intensiv mit KI, während die Kollegin am Nachbartisch gerade erst beginnt, sich damit auseinanderzusetzen. Eine allgemeine Bestandsaufnahme kann solche Unterschiede sichtbar machen. Sie kann aber nicht automatisch erklären, was sie für die weitere KI-Einführung bedeuten.

Gute Reifegradmodelle haben durchaus ihren Wert

Es wäre deshalb falsch, KI-Reifegradmodelle grundsätzlich abzuwerten. Gute Modelle sind wesentlich differenzierter als ein kurzer Online-Fragebogen mit einigen Ja-Nein-Fragen. MITRE beispielsweise betrachtet in seinem AI Maturity Model sechs Bereiche mit insgesamt zwanzig Dimensionen. Das zugehörige Assessment nutzt Fragen und Reifegrade, um die Fähigkeiten einer Organisation systematisch zu erfassen. Interessant ist dabei, dass MITRE selbst keinen universellen Idealzustand vorgibt. Welcher Zielzustand angemessen ist, soll sich unter anderem nach Auftrag, Ressourcen und Geschäftspraxis der jeweiligen Organisation richten. Nicht jedes Unternehmen muss in jeder Dimension die höchste Reifestufe erreichen.

Auch das Software Engineering Institute der Carnegie Mellon University hat 2026 gemeinsam mit Accenture ein umfassendes Modell für die Einführung von KI veröffentlicht. Es betrachtet unter anderem Strategie, Mitarbeiter und Unternehmenskultur, Governance, Daten, die Veränderung von Arbeitsabläufen sowie technische Fähigkeiten. KI-Reife wird dort ausdrücklich nicht danach beurteilt, wie viel KI ein Unternehmen einsetzt. Entscheidend sind vielmehr belastbare organisatorische und technische Fähigkeiten und ihre Verbindung zu den gewünschten Geschäftsergebnissen.

Solche Modelle haben einen klaren Nutzen. Sie schaffen eine gemeinsame Sprache, verhindern, dass wichtige Themen übersehen werden, und können der Geschäftsführung eine erste Orientierung geben. Bei größeren Unternehmen wäre es ohnehin unrealistisch, vor jeder strategischen Entscheidung zunächst jeden Mitarbeiter und jeden einzelnen Prozess detailliert zu untersuchen. Die entscheidende Frage ist deshalb nicht, ob Unternehmen standardisierte Assessments verwenden sollten. Entscheidend ist, wo die Aussagekraft eines solchen Assessments endet. Für eine erste Orientierung kann ein allgemeiner Rahmen sehr hilfreich sein. Sobald daraus jedoch konkrete Entscheidungen über Prozesse, KI-Anwendungen oder die Qualifizierung von Mitarbeitern entstehen sollen, muss genauer hingeschaut werden.

Bei den Mitarbeitern werden die Unterschiede besonders deutlich

Nehmen wir eine einfache Frage aus einer möglichen Bestandsaufnahme: Werden Ihre Mitarbeiter im Umgang mit KI geschult?

Ein Unternehmen kann diese Frage guten Gewissens mit Ja beantworten. Trotzdem wissen wir damit noch wenig darüber, was tatsächlich passiert. Vielleicht hat die gesamte Belegschaft ein zweistündiges Grundlagenwebinar besucht. Vielleicht wurden nur Führungskräfte geschult. Vielleicht gibt es freiwillige Kurse. Und selbst wenn alle Mitarbeiter dieselbe Schulung erhalten haben, bleibt die Frage, ob alle auch dieselbe Schulung benötigen.

Ein Vertriebsmitarbeiter, der seit zwei Jahren intensiv mit generativer KI arbeitet, braucht wahrscheinlich keine weitere Einführung in die grundlegende Bedienung eines Sprachmodells. Für ihn könnten vielmehr klare Regeln wichtig sein: Welche Anwendungen sind im Unternehmen erlaubt? Welche Daten darf er verwenden? Wann müssen Ergebnisse überprüft werden? Eine Kollegin ohne Vorerfahrung braucht dagegen möglicherweise zunächst ein grundlegendes Verständnis dafür, was solche Systeme leisten können und wo ihre Grenzen liegen.

Eine Führungskraft benötigt wiederum andere Kenntnisse. Sie muss nicht zwingend besser prompten können als ihre Mitarbeiter. Sie sollte aber beurteilen können, wo KI sinnvoll eingesetzt werden kann, welche Verantwortung beim Menschen bleibt und welche Kontrollen notwendig sind. Eine Beschäftigte in der Personalabteilung hat aufgrund ihrer Aufgaben und Daten möglicherweise andere Anforderungen als ein Mitarbeiter im Marketing.

Diese Unterschiede sind nicht nur eine Frage guter Personalentwicklung. Sie finden sich inzwischen auch in der europäischen Regulierung wieder. In den Erläuterungen zu Artikel 4 des AI Act weist die Europäische Kommission ausdrücklich darauf hin, dass bei Maßnahmen zur KI-Kompetenz unter anderem das technische Wissen, die Erfahrung, die Ausbildung und Weiterbildung der betroffenen Personen sowie der konkrete Nutzungskontext berücksichtigt werden sollen. Die Kommission erläutert außerdem, dass unterschiedliche Schulungsniveaus und Lernansätze angemessen sein können. Sie verlangt gerade nicht, dass jeder Beschäftigte einen einheitlichen, standardisierten KI-Kenntnisstand erreichen muss.

Daraus folgt allerdings nicht, dass ein Unternehmen für jeden Mitarbeiter ein eigenes Schulungsprogramm entwickeln muss. Das wäre eine Überinterpretation. Sinnvoller ist eine Kombination aus gemeinsamen Grundlagen und einer Vertiefung nach Aufgaben, Rollen, vorhandenen Kenntnissen und Risiken. Manche Inhalte können für alle gelten, etwa welche KI-Systeme freigegeben sind, warum Ergebnisse überprüft werden müssen oder wie mit vertraulichen Unternehmensinformationen umzugehen ist. Andere Inhalte müssen näher an der tatsächlichen Arbeit liegen.

KI-Erfahrung und Fachwissen sind nicht dasselbe

Dabei sollte ein Unternehmen noch einen weiteren Unterschied beachten. Wer viel Erfahrung mit KI hat, kennt nicht automatisch einen Geschäftsprozess besonders gut. Und wer bisher wenig mit KI gearbeitet hat, ist deshalb nicht weniger wichtig für eine KI-Transformation.

Stellen wir uns eine erfahrene Sachbearbeiterin vor, die einen bestimmten Prozess seit zwanzig Jahren kennt. Mit generativer KI hat sie bisher kaum gearbeitet. Ein Kollege dagegen experimentiert seit zwei Jahren intensiv mit verschiedenen KI-Systemen. Bei einer Befragung zur bisherigen KI-Nutzung würde der Kollege vermutlich deutlich weiter vorne liegen. Soll der gemeinsame Arbeitsprozess verändert werden, kann das Wissen der Sachbearbeiterin jedoch mindestens genauso wichtig sein. Sie kennt vielleicht Sonderfälle, die in keiner Prozessbeschreibung stehen. Sie weiß, bei welchen Kunden besondere Regeln gelten, welche Informationen häufig fehlen und an welchen Stellen eine scheinbar einfache Entscheidung Erfahrung verlangt. Der KI-erfahrene Kollege weiß dagegen möglicherweise besser, welche Aufgaben sich mit einem Sprachmodell unterstützen lassen und wo technische Grenzen liegen. Für eine sinnvolle Lösung wird beides gebraucht. Das Beispiel ist bewusst illustrativ. Es soll nicht behaupten, erfahrene Mitarbeiter hätten automatisch das bessere Prozesswissen oder technikaffine Beschäftigte würden Risiken übersehen. Es zeigt vielmehr, warum KI-Erfahrung nur eine von mehreren relevanten Kompetenzen ist. Genau deshalb ist die häufig verwendete Formulierung, Mitarbeiter müssten bei einer KI-Transformation „mitgenommen“ werden, etwas zu kurz gedacht.

Beschäftigte sind nicht nur die Menschen, die am Ende eine neue Lösung akzeptieren und bedienen sollen. Ihr Wissen kann bereits bei der Entscheidung wichtig sein, ob und wie eine Aufgabe überhaupt mit KI unterstützt werden sollte.

Wer Arbeit verändern will, muss sie zuerst verstehen

Dieser Gedanke findet sich auch im AI Risk Management Framework des US-amerikanischen National Institute of Standards and Technology. NIST fordert bei der Betrachtung eines KI-Einsatzes ausdrücklich, den konkreten Anwendungskontext zu verstehen. Dazu gehören unter anderem die vorgesehenen Nutzer, die Aufgaben, die durch das System unterstützt werden sollen, relevante Fähigkeiten und Kompetenzen sowie die Form der menschlichen Aufsicht. NIST sieht außerdem unterschiedliche fachliche und Nutzerperspektiven als wichtigen Bestandteil dieser Kontextanalyse.

Das bedeutet nicht, dass NIST eine individuelle Befragung jedes Mitarbeiters fordert. Das Framework belegt auch nicht, dass ein bestimmtes Analyseverfahren zwangsläufig zu wirtschaftlich erfolgreicheren KI-Projekten führt. Es stützt aber einen wichtigen Teil der Argumentation: Ein konkreter KI-Einsatz sollte nicht losgelöst von den Menschen, Aufgaben und Bedingungen beurteilt werden, unter denen er tatsächlich stattfinden soll.

Ähnlich differenziert fällt der Blick auf die Veränderung von Arbeit aus. Die Internationale Arbeitsorganisation hat für ihre 2025 aktualisierte Untersuchung zur generativen KI nahezu 30.000 Tätigkeiten betrachtet. Die Analyse zeigt, dass die mögliche Wirkung generativer KI nicht einfach für einen gesamten Beruf bestimmt werden kann, weil sich die einzelnen Tätigkeiten innerhalb eines Berufs unterscheiden. Weltweit arbeitet nach dieser Untersuchung etwa jeder vierte Beschäftigte in einem Beruf mit einem gewissen Grad an GenAI-Exposition. Gleichzeitig hält die ILO aufgrund des weiterhin notwendigen menschlichen Beitrags bei den meisten betroffenen Arbeitsplätzen eine Veränderung der Arbeit für wahrscheinlicher als einen vollständigen Ersatz.

Für Unternehmen ist diese Unterscheidung entscheidend. Es reicht beispielsweise nicht festzustellen, dass der Vertrieb oder die Buchhaltung künftig „mehr KI“ einsetzen soll. Interessanter ist, welche konkrete Tätigkeit verändert werden soll. Geht es um Recherche, Zusammenfassungen, Textentwürfe, Datenanalyse, Prüfung oder Entscheidungsunterstützung? Welche Informationen werden dafür benötigt? Welche Fehler wären leicht zu korrigieren und welche könnten erhebliche Folgen haben? Und wer kann beurteilen, ob ein Ergebnis fachlich richtig ist? Je konkreter diese Fragen werden, desto deutlicher wird auch, warum eine allgemeine Bestandsaufnahme irgendwann an ihre Grenze kommt.

Standardisieren, wo es hilft – differenzieren, wo es notwendig wird

Die Gegenposition darf dabei nicht unterschlagen werden. Unternehmen können nicht jede Entscheidung bis auf die Ebene des einzelnen Mitarbeiters zerlegen. Das wäre teuer, langsam und in vielen Fällen unnötig. Standardisierte Assessments, gemeinsame Grundlagenschulungen und unternehmensweite Regeln haben deshalb einen wichtigen Platz in einer KI-Transformation.

Auch die OECD unterscheidet bei KI-Kompetenzen zwischen spezialisiertem Fachwissen und einer breiteren AI Literacy, die für wesentlich mehr Beschäftigte relevant wird. Sie weist zugleich darauf hin, dass der Bedarf an entsprechenden Fähigkeiten wächst und das bestehende Trainingsangebot diesen Bedarf möglicherweise noch nicht ausreichend abdeckt. Daraus lässt sich kein wissenschaftlicher Beweis ableiten, dass individuell zugeschnittene Schulungen automatisch erfolgreicher sind. Die OECD stützt aber die Annahme, dass in einer Belegschaft unterschiedliche Kompetenzanforderungen bestehen und Qualifizierung entsprechend ausgerichtet werden muss. Für Unternehmen ergibt sich daraus eine pragmatische Linie.

Standardisierung ist sinnvoll, wenn Orientierung und gemeinsame Grundlagen benötigt werden. Differenzierung wird wichtig, sobald konkrete Entscheidungen getroffen werden. Eine individuelle Betrachtung ist dort sinnvoll, wo Rolle, Aufgabe, vorhandene Kenntnisse oder Risiken tatsächlich einen Unterschied machen.

Das schützt gleichzeitig vor dem gegenteiligen Fehler. Der Satz „Jedes Unternehmen ist anders“ darf nicht zum Freibrief für endlose Analysen werden. Nicht jeder Mitarbeiter braucht sein persönliches KI-Konzept, nicht jeder Prozess eine monatelange Untersuchung und nicht jede Abteilung eine eigene KI-Strategie. Die Kunst liegt vielmehr darin, Unterschiede nur dort genauer zu betrachten, wo sie für eine Entscheidung relevant sind. Das gilt auch für Skepsis gegenüber KI. Ein Mitarbeiter, der einen geplanten Einsatz kritisch sieht, muss nicht automatisch ein Wissensdefizit haben oder Veränderungen grundsätzlich ablehnen. Vielleicht fehlen tatsächlich Kenntnisse. Vielleicht erkennt er aber auch ein Problem im Prozess, eine schlechte Datenbasis oder einen Kontrollaufwand, den andere bislang unterschätzt haben. Bevor daraus ein „Akzeptanzproblem“ gemacht wird, lohnt es sich deshalb zu verstehen, worauf der Einwand beruht.

Eine KI-Transformation kann nicht an den Mitarbeitern vorbeigeplant werden

Damit verändert sich die Ausgangsfrage. Statt nur wissen zu wollen, wie weit ein Unternehmen bei KI ist, wird interessant, wo es in welcher Hinsicht steht. Ein Unternehmen kann viele erfahrene KI-Nutzer haben und gleichzeitig kaum klare Regeln. Ein anderer Betrieb kann technologisch zurückhaltender sein, dafür aber sehr gute Prozesse, klare Verantwortlichkeiten und eine solide Datenbasis besitzen. In einer Abteilung kann ein sinnvoller Anwendungsfall unmittelbar erkennbar sein, während KI in einem anderen Bereich derzeit mehr Aufwand als Nutzen erzeugen würde.

Ein gutes Reifegradmodell kann helfen, solche Unterschiede systematisch zu suchen. Es kann Orientierung geben und zeigen, an welchen Stellen genauer hingeschaut werden sollte. Die neueren Ansätze von MITRE und Carnegie Mellon sind gerade deshalb eine wichtige Gegenposition zu einfachen Fragebögen: Sie zeigen, dass standardisierte Assessments wesentlich differenzierter aufgebaut sein können, als der Begriff zunächst vermuten lässt.

Trotzdem bleibt ein Unterschied zwischen der Beschreibung einer Organisation und der Entscheidung über eine konkrete Veränderung. Je näher ein Unternehmen an einen realen Anwendungsfall kommt, desto wichtiger werden die tatsächlichen Aufgaben, die vorhandenen Kenntnisse, die Daten, die Risiken und die Menschen, die mit dem Ergebnis arbeiten sollen. Deshalb wäre auch die Aussage zu pauschal, eine KI-Einführung müsse grundsätzlich „bei den Mitarbeitern beginnen“. Manchmal beginnt sie mit einem Geschäftsproblem, manchmal mit einem Prozess, einer strategischen Entscheidung oder einer technischen Möglichkeit. Was sich dagegen wesentlich besser begründen lässt, ist etwas anderes:

Eine KI-Transformation, die Arbeit verändern soll, kann nicht an den Menschen vorbeigeplant werden, die diese Arbeit heute erledigen.

Das macht den allgemeinen Fragebogen nicht überflüssig. Es ordnet lediglich seine Rolle ein. Er kann ein guter Ausgangspunkt sein, um Orientierung zu gewinnen und relevante Handlungsfelder zu erkennen. Danach muss nicht überall gleich tief analysiert werden. Aber dort, wo konkrete Entscheidungen über KI-Anwendungen, Arbeitsprozesse und Qualifizierung getroffen werden, reicht der Blick auf das große Ganze allein nicht mehr aus. Vielleicht liegt genau darin die vernünftigste Form der KI-Bestandsaufnahme: so viel Standardisierung wie nötig, um nicht den Überblick zu verlieren, und so viel Differenzierung wie erforderlich, um nicht an der Wirklichkeit vorbeizuplanen.

Quellen und Beleggrenzen

MITRE, AI Maturity Model and Organizational Assessment Tool Guide. Primärquelle zum Aufbau eines strukturierten KI-Reifegradmodells. Die Quelle belegt, dass standardisierte Assessments differenziert aufgebaut sein und unterschiedliche Zielreifegrade je nach Organisation sinnvoll sein können. Sie dient damit ausdrücklich als Gegenposition zu einer pauschalen Kritik an Fragebögen. https://www.mitre.org/news-insights/publication/mitre-ai-maturity-model-and-organizational-assessment-tool-guide

Software Engineering Institute, Carnegie Mellon University, AI Adoption Maturity Model, 2026. Primärquelle für einen aktuellen mehrdimensionalen Reifegradansatz. Sie stützt die Aussage, dass KI-Reife nicht einfach an der Menge eingesetzter KI gemessen werden sollte. https://www.sei.cmu.edu/library/ai-adoption-maturity-model/

Europäische Kommission, Questions & Answers zu AI Literacy und Artikel 4 AI Act. Primärquelle für die kontextbezogene Betrachtung von KI-Kompetenz. Die Kommission nennt Wissen, Erfahrung, Ausbildung und Nutzungskontext und lässt unterschiedliche Qualifizierungsansätze zu. Daraus folgt jedoch keine Pflicht zur individuellen Kompetenzdiagnostik jedes Beschäftigten. https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers

NIST, AI Risk Management Framework. Primärquelle für die Bedeutung des konkreten Anwendungskontexts, der Nutzer, Aufgaben, Fähigkeiten und menschlichen Aufsicht. NIST belegt nicht, dass eine bestimmte Form individueller Mitarbeiteranalyse wirtschaftlich erfolgreicher ist. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/

International Labour Organization, Generative AI and Jobs: A 2025 Update. Primärquelle für die tätigkeitsbezogene Betrachtung der Auswirkungen generativer KI. Die Untersuchung zeigt unterschiedliche Exposition auf Aufgabenebene und stützt damit eine differenzierte Betrachtung von Arbeit. Sie sagt nicht voraus, welche Tätigkeiten in einem konkreten Unternehmen automatisiert werden sollten. https://www.ilo.org/publications/generative-ai-and-jobs-2025-update

OECD, Bridging the AI Skills Gap, 2025. Primärnahe internationale Analyse zur Unterscheidung verschiedener KI-Kompetenzbedarfe. Die Quelle unterstützt differenzierte Qualifizierung, liefert aber keinen kausalen Nachweis dafür, dass individualisierte Schulungen automatisch bessere Unternehmensergebnisse erzeugen. https://www.oecd.org/en/publications/bridging-the-ai-skills-gap_66d0702e-en.html

Die Off Sence Methode V2.0 in der Fassung vom 20.08.2026 dient ergänzend als interne fachliche Arbeitsgrundlage für eine kontext- und risikobezogene Betrachtung. Sie ist kein externer Wirksamkeitsnachweis.

Die zentrale Aussage des Artikels ist damit bewusst enger gefasst: Nicht belegt ist, dass individuelle Analyse automatisch zu erfolgreicherer KI-Transformation führt. Belegt ist, dass Aufgaben, Nutzungskontext, vorhandene Kompetenzen, Rollen und menschliche Aufsicht für konkrete KI-Einsätze relevant sind. Daraus leitet der Artikel die Empfehlung ab, allgemeine Assessments zur Orientierung zu nutzen und dort gezielt zu vertiefen, wo konkrete Entscheidungen getroffen werden.

Fachartikel von Mike Winter | Gründer von Off Sence AI