Artificial Intelligence (AI) Maturity in Small and Medium-Sized Enterprises: A Framework of Internalized and Ecosystem-Embedded Capabilities

Diese Studie entwickelt ein kontextspezifisches Reifegradmodell für den Einsatz künstlicher Intelligenz in kleinen und mittleren Unternehmen (KMU), das die linearen, unternehmenszentrierten Ansätze durch ein multidimensionales, nicht-lineares und ökosystemvernetztes Rahmenwerk mit acht Fähigkeitsdimensionen, fünf Reifegradstufen und vier Entwicklungspfaden ersetzt, um den spezifischen Realitäten von KMU wie Ressourcenbeschränkungen und externer Abhängigkeit gerecht zu werden.

Das Wesentliche

KI-Reife in kleinen Firmen: Ein neuer Fahrplan für den echten Alltag

Stellen Sie sich vor, Künstliche Intelligenz (KI) ist wie ein riesiges, hochmodernes Schiff, das auf dem Ozean der Wirtschaft segelt. Die meisten aktuellen „Reife-Modelle" (also Anleitungen, wie man KI nutzt) wurden für riesige Kreuzfahrtschiffe (große Konzerne) gebaut. Sie gehen davon aus, dass Sie einen eigenen Maschinenraum, 500 Ingenieure und unendliches Budget haben.

Aber die meisten Unternehmen sind keine Kreuzfahrer. Sie sind kleine Fischerboote (Kleine und mittlere Unternehmen, KMUs). Wenn Sie versuchen, die Anweisungen für ein Kreuzfahrtschiff auf Ihrem kleinen Boot anzuwenden, werden Sie scheitern – nicht weil Sie schlecht fahren, sondern weil die Anleitung für Ihr Boot völlig falsch ist.

Diese Studie sagt: „Hört auf, die Kreuzfahrer-Anleitung zu kopieren! Hier ist ein neuer Kompass, der speziell für kleine Boote gemacht ist."

Hier ist, was das Papier im Detail bedeutet, übersetzt in einfache Bilder:

1. Das Problem: Der falsche Maßstab

Bisherige Modelle sagen: „Um KI-reif zu sein, brauchst du eine eigene KI-Abteilung, riesige Datenzentren und formelle Regeln."

• Die Realität für KMUs: Kleine Firmen haben oft nur einen Chef, der alles entscheidet, wenig Geld und keine Spezialisten. Sie nutzen KI oft nur für ein kleines Problem (z. B. „Wir wollen E-Mails schneller sortieren").
• Der Vergleich: Es ist, als würde man von einem Fahrradfahrer verlangen, einen Formel-1-Wagen zu warten, nur um zu beweisen, dass er ein „guter Fahrer" ist. Das ist Unsinn. Ein guter Fahrradfahrer beherrscht sein Rad perfekt, auch ohne Motor.

2. Die neue Lösung: Ein „Baukasten" statt einer Leiter

Die Autoren schlagen vor, KI-Reife nicht als Leiter zu sehen, auf der man Schritt für Schritt nach oben klettern muss (Stufe 1, 2, 3... bis Stufe 10).

• Stattdessen: Stellen Sie sich KI-Reife wie einen Baukasten vor.
• Ein kleines Unternehmen muss nicht alles perfekt haben. Es muss nur die richtigen Teile zusammenfügen, die zu seiner Situation passen.
• Wichtig: Man kann Teile von außen mieten (wie einen externen Dienstleister oder eine Cloud-Software), statt alles selbst zu bauen. Das ist für kleine Firmen völlig normal und sogar klug.

3. Die 8 Bausteine (Die Dimensionen)

Das Modell definiert 8 Bereiche, die wichtig sind. Aber im kleinen Unternehmen sehen diese anders aus als im großen Konzern:

1. Strategie & Chef: Beim großen Konzern gibt es ein 100-seitiges Dokument. Beim kleinen Boot ist es die Idee des Chefs: „Wir wollen KI nutzen, um Zeit zu sparen." Das reicht!
2. Menschen & Skills: Man braucht keine KI-PhD-Studierenden. Man braucht Leute, die neugierig sind und lernen wollen („Learning by doing").
3. Daten & Technik: Man braucht keine riesige Datenbank. Man braucht nur saubere Daten, die man gerade hat.
4. Anwendung: Nicht „KI für alles", sondern KI für das eine große Problem, das gerade wehtut.
5. Prozesse: Wie fließt die KI in den Alltag? Sie muss sich nahtlos in den Arbeitsablauf einfügen, wie ein neues Werkzeug in eine Werkzeugkiste.
6. Komplexität: Die Lösung muss nicht das „Neueste und Teuerste" sein. Sie muss passgenau sein. Ein einfaches Werkzeug ist besser als ein überdimensionierter Bagger.
7. Lernen: Man muss schauen: „Hat das funktioniert?" und dann anpassen. Kein langer Bericht, sondern schnelles Feedback.
8. Risiken & Ethik: Man muss wissen, wo die Gefahren liegen (z. B. Datenschutz), auch ohne eine eigene Ethik-Kommission.

4. Die vier „Schiffstypen" (Archetypen)

Das ist der kreativste Teil der Studie. Die Autoren sagen: Es gibt nicht den einen Weg, KI-reif zu werden. Es gibt vier verschiedene Arten, wie kleine Firmen erfolgreich sein können:

• Der Entdecker (Emerging Explorer):
  • Bild: Ein Fischer, der zufällig ein neues Netz probiert.
  • Situation: Der Chef ist neugierig, probiert etwas aus, aber es ist noch chaotisch. Es gibt keine feste Strategie, aber viel Experimentierfreude.
• Der Breitnutzer (Broad Implementer):
  • Bild: Ein Boot, das viele kleine Helfer (Drohnen, Sensoren) von außen gemietet hat.
  • Situation: Die Firma nutzt viele fertige KI-Tools von Anbietern. Es funktioniert gut in vielen Bereichen, aber die Firma versteht die Technik nicht tiefgründig selbst. Sie ist abhängig von den Lieferanten.
• Der Spezialist (Focused Specialist):
  • Bild: Ein Boot, das sich auf ein Ziel konzentriert (z. B. nur Fischfang in einer bestimmten Tiefe) und dafür den besten Motor hat.
  • Situation: Die Firma nutzt KI nur in einem sehr wichtigen Bereich (z. B. nur für die Lagerhaltung), aber dort ist sie extrem gut und tief integriert.
• Der Fortgeschrittene (Advanced Leader):
  • Bild: Ein Boot, das zwar klein ist, aber wie ein Kreuzfahrer organisiert ist: Alles passt perfekt zusammen, und die Crew beherrscht die Technik.
  • Situation: Die Firma hat interne Fähigkeiten aufgebaut und nutzt externe Partner klug. KI ist fest im Alltag und in der Strategie verankert.

5. Warum ist das wichtig?

Früher haben kleine Firmen gedacht: „Wir sind noch nicht reif genug für KI, weil wir keine eigene KI-Abteilung haben."
Diese Studie sagt: „Falsch! Ihr seid schon reif, wenn ihr die richtigen Teile (intern und extern) clever kombiniert."

Es geht nicht darum, so groß wie ein Konzern zu werden. Es geht darum, so schlau wie möglich mit dem zu arbeiten, was man hat.

Zusammenfassung in einem Satz:
KI-Reife für kleine Firmen ist kein Marathon, bei dem man alle Streckenabschnitte ablaufen muss, sondern ein Puzzle, bei dem man die passenden Teile (eigene Ideen, Mitarbeiter, externe Tools) so zusammenfügt, dass das Bild für das eigene Unternehmen funktioniert.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Technische Zusammenfassung: KI-Reife in KMU – Ein Rahmenwerk internalisierter und ökosystem-verankerter Fähigkeiten

1. Problemstellung
Der vorliegende Beitrag adressiert eine signifikante Lücke in der aktuellen Forschung und Praxis zur Künstlichen Intelligenz (KI). Obwohl KI-Reifemodelle (AI Maturity Models) zunehmend verbreitet sind, basieren diese überwiegend auf unternehmenszentrierten (enterprise-centric), linearen Annahmen, die für kleine und mittlere Unternehmen (KMU) ungeeignet sind.

• Fehlende Passung: Bestehende Modelle gehen von formalisierten Governance-Strukturen, spezialisierten KI-Teams und einer kontinuierlichen Ressourcenverfügbarkeit aus. Diese Voraussetzungen treffen auf KMU nicht zu, die durch Ressourcenknappheit, informelle Governance, die Dominanz des Inhabers/Managers und eine starke Abhängigkeit von externen Ökosystemen gekennzeichnet sind.
• Lineare vs. nicht-lineare Realität: Die Annahme einer linearen, stufenweisen Entwicklung (von Pilot zu Skalierung) ignoriert die Realität von KMU, deren KI-Adoption oft experimentell, ungleichmäßig und stark von externen Anbietern abhängig ist.
• Folge: KMU werden durch bestehende Modelle oft als „reife" Unternehmen bewertet, was zu unrealistischen Benchmarks und falschen strategischen Entscheidungen führt.

2. Methodik und theoretische Fundierung
Die Studie entwickelt ein konzeptionelles Rahmenwerk (Conceptual Framework) durch eine systematische Synthese bestehender Literatur und Praxismodelle. Die theoretische Basis stützt sich auf drei Säulen:

• Organizational Capability Theory: Insbesondere die Resource-Based View (RBV) und die Dynamic Capabilities Theory. KI wird nicht als isoliertes technologisches Artefakt, sondern als gebündelte Organisationsfähigkeit verstanden, die aus der Kombination von Technologie, Daten, menschlichem Kapital und Prozessen entsteht.
• Maturity Model Research: Nutzung von Reifegradmodellen als theoretische Linse, jedoch mit einer Abkehr von starren Stufen hin zu konfigurationsbasierten Ansätzen.
• SME Digital Transformation Literature: Integration spezifischer Merkmale von KMU (Informalität, Owner-Manager-Dominanz, externe Abhängigkeit).

Das Framework wurde nicht durch eine quantitative empirische Studie validiert, sondern als theoretisches Modell entwickelt, das die Heterogenität von KMU-Adoptionspfaden abbildet.

3. Das Konzeptuelle Rahmenwerk (Kernergebnisse)
Das vorgeschlagene Framework definiert KI-Reife in KMU als eine multidimensionale, nicht-lineare und ökosystem-verankerte Fähigkeit. Es besteht aus drei Hauptkomponenten:

A. Acht Kern-Dimensionen der KI-Reife
Im Gegensatz zu rein technologischen Modellen umfasst das Framework acht sich gegenseitig verstärkende Dimensionen:

1. Strategische Ausrichtung & Führung: Fokus auf die kognitive Ausrichtung des Inhabers/Managers statt formaler Roadmaps.
2. Humankapital & Kompetenzen: Generalistische Fähigkeiten und „Learning-by-Doing" statt dedizierter KI-Teams.
3. Datenressourcen & Technologische Grundlagen: Pragmatische Nutzung vorhandener Daten statt Enterprise-Architekturen.
4. Anwendungsbereich & Business-Embedding: Fokus auf wenige, hochwirksame Anwendungsfälle statt breiter Portfolio-Strategien.
5. Prozessintegration & operative Ausrichtung: Einbettung in bestehende Routinen.
6. Technische Sophistikation & Angemessenheit: „Right-sized"-Lösungen, die zur Kapazität passen, statt maximaler Komplexität.
7. Leistungsbewertung & Lernmechanismen: Leichte, ergebnisorientierte Feedbackschleifen.
8. Risikogovernance & Responsible AI: Prinzipienbasierte, pragmatische Ansätze statt formaler Überwachungsgremien.

B. Fünf Reifegrade (Levels)
Das Framework definiert fünf analytische Stufen, die jedoch nicht-linear durchlaufen werden müssen:

1. Discovery (Entdeckung)
2. Experimentation (Experimentierung)
3. Implementation (Implementierung)
4. Deployment (Einsatz)
5. Optimization (Optimierung)
   Wichtig: Unternehmen können in verschiedenen Dimensionen unterschiedliche Grade erreichen oder in bestimmten Stufen verharren, ohne dass dies als Scheitern gewertet wird.

C. Vier Archetypische Entwicklungspfade
Um die Heterogenität zu erklären, werden vier Archetypen eingeführt, die zeigen, wie KMU interne und externe Ressourcen kombinieren:

1. Emerging Explorers: Fragmentierte, von der Inhaber-Persönlichkeit getriebene Experimente mit begrenzten internen Fähigkeiten.
2. Broad Implementers: Nutzung standardisierter, vendor-basierter Lösungen über viele Bereiche hinweg, aber mit schwacher interner Kompetenzentwicklung.
3. Focused Specialists: Tiefgehende Integration in strategisch relevante Kernbereiche durch selektive interne Lernprozesse und gezielte Ökosystem-Partnerschaften.
4. Advanced Leaders: Intern kohärente und extern koordinierte Fähigkeiten, die KI nachhaltig in Strategie und Operation integrieren.

4. Hauptbeiträge und Signifikanz

• Theoretischer Beitrag:

  • Rekonzeptualisierung: KI-Reife wird von einer linearen Ansammlung von Technologie zu einer Konfiguration von Fähigkeiten umdefiniert.
  • Ökosystem-Integration: Externe Abhängigkeiten (Vendor, Cloud-Plattformen) werden nicht als Randfaktor, sondern als strukturelle Bedingung der KI-Reife in KMU integriert.
  • Nicht-Linearität: Das Modell erklärt, warum KMU nicht zwangsläufig den Pfad großer Unternehmen verfolgen müssen, um wettbewerbsfähig zu sein (Konzept der Equifinality – verschiedene Wege zum gleichen Ziel).

• Praktische Relevanz:

  • Diagnose-Tool: Bietet KMU-Managern einen realistischen Maßstab, um ihre Fähigkeiten zu bewerten, ohne sich an unrealistischen Großunternehmens-Standards zu messen.
  • Strategische Orientierung: Hilft bei der Identifizierung von Lücken und der Wahl passender Entwicklungspfade (z. B. Fokus auf Spezialisierung statt breiter Skalierung).
  • Politik & Ökosystem: Unterstreicht die Notwendigkeit von öffentlichen Infrastrukturen und Beratungsangeboten, die auf die spezifischen Bedürfnisse von KMU zugeschnitten sind.

5. Fazit
Die Studie liefert das erste konzeptionelle Framework, das KI-Reife explizit im Kontext von KMU definiert. Sie überwindet die Lücke zwischen etablierten, linear geprägten Enterprise-Modellen und der ressourcenbeschränkten, informellen Realität von KMU. Durch die Betonung von ökologischen Einbettungen und konfigurationsbasierten Pfaden bietet das Framework eine fundierte Basis für zukünftige empirische Validierungen und vergleichende Forschung, um die Wettbewerbsfähigkeit und das Entwicklungspotenzial von KMU im KI-Zeitalter besser zu verstehen.