AI-Readiness — welche Entscheidung ein Modell bei euch vorbereiten darf, und was dafür erst stimmen muss.
Irgendjemand hat gesagt, ihr braucht AI. Aber auf die Frage, welche Entscheidung ein Modell vorbereiten soll, welche Daten es dafür sehen darf und wer das Ergebnis freigibt, gibt es im Haus noch keine gemeinsame Antwort. Ein AI-Readiness Audit sortiert das — bevor ein Budget fließt.
Vier Fragen vor dem ersten Modell — und keine davon handelt vom Modell.
Die meisten AI-Vorhaben scheitern nicht am Modell. Ein MIT-Report von 2025 — ein Preprint, methodisch umstritten — fand 95 % der Enterprise-GenAI-Piloten ohne messbaren ROI und nannte als Grund, dass die Systeme kein Feedback behalten, sich nicht anpassen und nicht besser werden. Das deckt sich mit dem, was wir sehen: Sie scheitern daran, dass niemand sagen kann, welche Entscheidung es vorbereiten soll, dass die Daten dafür in drei Systemen mit drei Wahrheiten liegen, dass die Freigabe nirgends definiert ist und eine Korrektur nirgendwohin zurückfließt. Ein Chatfenster über diesen Ablauf zu legen, ändert daran nichts; das ist Anstrich.
Wir prüfen deshalb nicht, ob ihr „bereit für AI“ seid — was andere Reifegrad nennen, hat bei uns keine Skala. Wir prüfen je Anwendungsfall vier Dinge:
Vier Fragen je Anwendungsfall
- Entscheidungwelche Entscheidung das Modell vorbereiten soll — Kategorie, Zuordnung, Vorschlag, Priorität — und wer sie heute trifft, mit welchem Aufwand
- Datenwelche Daten der Fall braucht, wo sie liegen, wer sie führt, wie vollständig und aktuell sie sind — und welche davon ein Modell sehen darf, intern wie bei einem Provider
- Freigabewer das Ergebnis prüft, bevor es wirkt; wo die Grenze zwischen Vorschlag und Ausführung liegt; was passiert, wenn das Modell unsicher ist
- Rückflusswie eine Korrektur zurück ins System kommt — als Regel, als Beispiel, als Protokoll —, damit derselbe Fehler nicht jede Woche neu entsteht
Dazu kommt, was quer liegt: Rechte und Verantwortung. Ein Modell liest, was der Fall verlangt, und sonst nichts — und jemand muss für das Ergebnis geradestehen; das Modell kann es nicht.
Wir fangen bei den Vorgängen an, die heute Menschen erledigen.
Eingehende Mails sortieren, Dokumente zuordnen, Rechnungen gegen Bestellungen halten, Anfragen klassifizieren, bevor sie beim Richtigen landen. Für jeden Kandidaten schauen wir in die Daten (Quelle, Qualität, Zugriff), in den Prozess (wer entscheidet, wo es hängt, was ein Fehler kostet), in die Rechte (wer sieht was, was darf das Haus verlassen) und in die Betriebsreife (wie das Ergebnis protokolliert, gemessen und korrigiert würde).
Wir wissen das, weil wir es selbst betreiben: Unser eigener Beleg-Workflow liest Rechnungen per OCR, extrahiert strukturiert, prüft Regeln und legt das Ergebnis einem Menschen zur Freigabe vor. Der Bank-Abgleich schlägt Zuordnungen vor und lässt den Rest manuell. Nicht, weil wir dem Modell misstrauen — weil die Freigabe der Teil ist, der das Ganze tragfähig macht.
Das Ergebnis ist eine Liste tragfähiger Fälle — und eine Liste der Nicht-Fälle, mit Begründung.
Der Befund sortiert die Kandidaten: Fälle, die heute tragen, mit den Voraussetzungen, die noch fehlen (eine Datenquelle bereinigen, eine Freigaberolle benennen, einen Rückkanal bauen); Fälle, die erst tragen, wenn sich ein Prozess oder eine Datenlage ändert; und Nicht-Fälle — mit dem Grund, warum nicht: weil die Entscheidung keine ist, weil die Daten es nicht hergeben, weil niemand freigeben kann oder weil ein Regelwerk dasselbe billiger löst. Der letzte Grund kommt häufiger vor, als AI-Budgets vermuten lassen.
Dazu je tragfähigem Fall: welche Form von Intelligenz er braucht — Klassifikation, Extraktion, Suche mit Quelle, Vorschlag mit Freigabe —, wo sie im System sitzen muss (im Datenmodell und in der Entscheidungslogik, nicht daneben) und was dafür zuerst gebaut werden müsste. Wird daraus ein Vorhaben, ist AI-Automatisierung die Tür. Sind mehrere Systeme und Abteilungen beteiligt und fehlt erst die Zielarchitektur, der Blueprint.
Der Ablauf: Vorgänge sammeln, vier Fragen stellen, sortieren.
Mit den Leuten, die sie heute erledigen. Nicht die Wunschliste aus dem Management-Workshop, sondern die Mails, Dokumente und Entscheidungen, die jede Woche von Hand laufen.
Je Kandidat: Quelle, Qualität, Zugriff. Was ein Modell davon sehen darf, intern oder bei einem Provider, und wer das entscheidet.
Wer heute entscheidet, wer künftig freigibt, wo der Vorschlag endet und die Ausführung beginnt, wie eine Korrektur zurückkommt.
Schriftlich: tragfähige Fälle mit Voraussetzungen, Nicht-Fälle mit Begründung, eine Reihenfolge — und was ihr an Daten, Rollen und Rückkanälen zuerst bauen müsstet.
Es beginnt mit einem Problem — „Wir brauchen AI“ ist noch keins.
Die AI-Strategie darf fehlen, die Modellwahl auch. Es reicht ein Vorgang, der jede Woche jemanden Zeit kostet und bei dem ihr das Gefühl habt, dass eine Maschine ihn vorbereiten könnte. „Wir brauchen AI“ ohne so einen Vorgang ist kein Auftrag — es ist ein Erstgespräch, und auch das führen wir gern.
Welcher Vorgang soll bei euch als Erstes ein Modell vorbereiten dürfen?
Für wen das passt — und wann ihr erst woanders anfangen solltet.
Passt, wenn AI geplant ist oder gefordert wird, Budget oder Erwartung im Raum stehen und niemand belastbar sagen kann, welche Fälle tragen. Wenn eure Daten in mehreren Systemen liegen und ihr vermutet, dass das Problem eher dort sitzt als beim Modell. Oder wenn ein erstes Experiment lief und niemand weiß, warum es nichts verändert hat.
Passt nicht, wenn ihr ein Werkzeug sucht, das ihr morgen einschaltet; das Audit bewertet eure Lage, es liefert keine Software. Passt auch nicht, wenn das Ziel ein Chatfenster ist, das einen bestehenden Workflow unangetastet lässt — dafür braucht es kein Audit. Und wenn die Daten noch gar nicht zusammenlaufen, ist Datenintegration der erste Schritt, nicht das Modell.
Acht Fragen, die vor einem AI-Readiness Audit kommen.
Müssen wir schon wissen, welches Modell wir wollen?
Nein. Die Modellwahl kommt zum Schluss, wenn überhaupt. Die vier Fragen gelten für jedes Modell, auch für ein kleines, das nur klassifiziert. Welche Klasse zu welchem Fall passt, steht im Befund; wie klein das sein kann, probieren wir im LAB selbst aus.
Dürfen unsere Daten in ein öffentliches Modell?
Das entscheidet ihr, je Fall und je Datenklasse — und der Befund macht die Entscheidung sichtbar: welche Daten der Fall braucht, welche davon das Haus verlassen müssten, welche nicht. Unser Grundsatz gilt auch hier: Was der Fall nicht braucht, bekommt das System nicht zu sehen. Ein Sprachmodell ändert daran nichts.
Ersetzt das Audit einen Piloten?
Nein, es verhindert den falschen. Ein Pilot auf einem Fall, dessen Daten nicht tragen oder den niemand freigeben darf, zeigt am Ende nur das. Der Befund sagt, welcher Fall einen Piloten verdient und was vorher stehen muss.
Was, wenn am Ende kein Fall trägt?
Dann steht das drin, mit Gründen und mit dem, was sich ändern müsste. Meistens ist das kein Nein zu AI, sondern ein Ja zu einer Vorarbeit: Daten zusammenführen, eine Freigaberolle schaffen. Auch das ist ein Ergebnis — und ein billigeres als ein gescheiterter Pilot.
Prüft ihr auch Datenschutz, Haftung — und den EU AI Act?
Wir machen sichtbar, welche Daten wohin fließen würden und wer für das Ergebnis verantwortlich wäre. Ob und wie der EU AI Act einen Fall berührt, ordnen wir je Fall ein — als Vorarbeit, nicht als Rechtsauskunft. Das ist die Grundlage, die eure Datenschutz- und Rechtsstellen brauchen; die Bewertung bleibt bei ihnen.
Wie lange dauert ein AI-Readiness Audit?
Das hängt daran, wie viele Vorgänge auf dem Tisch liegen und wie viele Leute sie heute erledigen — die Gespräche mit ihnen sind der größte Posten, nicht die Datenanalyse. Den Rahmen legen wir vor dem Start fest; drei konkrete Kandidaten sind schneller sortiert als eine Wunschliste aus dem Workshop.
Was kostet das — und wovon hängt es ab?
An der Zahl der Vorgänge, die wir prüfen, an der Zahl der Systeme, in denen ihre Daten liegen, und daran, wie viele Rollen an Entscheidung und Freigabe beteiligt sind. Was wächst, ist die Liste für danach, nicht die Zahl: Taucht unterwegs ein fünfter Kandidat auf, kommt er dorthin — die Zahl steht vor dem Start. Mit dem ersten Vorgang im Erstgespräch wird aus der Frage eine Zahl.
Was unterscheidet das vom Architecture Audit?
Das Architecture Audit bewertet ein System gegen eine technische Änderung. AI-Readiness bewertet eure Vorgänge, Daten und Rollen gegen die Frage, was ein Modell davon vorbereiten darf. Trägt der Fall, aber das System trägt ihn nicht, braucht es beide.