Wissenswertes für IT-Entscheider

Die fünf Stufen der KI-Reife

Ein KI-Reifegradmodell zeigt, wo ein Unternehmen beim Einsatz von KI steht und was für den nächsten Schritt fehlt. Hier die fünf Stufen nach Gartner, jeweils mit der Technik, die typischerweise dahinter steht, und mit ihren Vor- und Nachteilen.

Ob KI im Unternehmen trägt, entscheidet nicht die Technik allein.

Das Wichtigste in 30 Sekunden

  • Gartner beschreibt KI-Reife in fünf Stufen: von vereinzelten Versuchen bis zu KI, die Entscheidungen und Betriebsmodell prägt.
  • Gemessen wird in sieben Bereichen. Die Technik ist einer davon, Strategie, Daten, Governance, Betriebsmodell, Kultur und Nutzen zählen genauso.
  • Jede Stufe hat ihre typische Architektur, vom Browser-Chat bis zum Multi-Agenten-System, und jede hat eigene Vor- und Nachteile.
  • Reife zahlt sich in Dauer aus: In reifen Organisationen bleiben KI-Projekte deutlich häufiger drei Jahre und länger im Betrieb.

Kapitel 1 Das Modell

Was ein Reifegradmodell leistet

Ein KI-Reifegradmodell ist in erster Linie ein Diagnose-Rahmen. Es zeigt, wo ein Unternehmen heute steht, wo die Lücken liegen und welche Schritte als Nächstes sinnvoll sind1. Es lässt sich auf das ganze Unternehmen anwenden oder auf einzelne Bereiche wie Finanzen oder Marketing1. Verschiedene Abteilungen können also auf verschiedenen Stufen stehen.

  • Strategie
  • Daten
  • Governance
  • Engineeringdie Technik
  • Betriebs­modell
  • Kultur
  • KI-Produkt und Nutzen
Die sieben Bereiche, in denen Gartner KI-Reife bewertet1. Die Technik ist einer von sieben.

Warum Reife zählt

Gartner-Umfrage 2024 mit 432 Befragten2, Gartner 20253, Bitkom 20264.

45 % der Befragten in Organisationen mit hoher KI-Reife sagen, ihre KI-Projekte laufen drei Jahre oder länger. Bei niedriger Reife sind es 20 %.
  • Hohe Reife
  • Niedrige Reife
63 % der Organisationen haben nicht die richtige Datenpraxis für KI oder wissen es nicht. Gartner erwartet, dass bis 2026 60 % der KI-Projekte ohne KI-taugliche Daten abgebrochen werden.
0 % der KI-Anwender in Deutschland sagen, sie nutzen das Potenzial von KI vollständig.
  • Eher stark: 3 %
  • Wenig: 28 %
  • Gar nicht: 59 %

Was reife Organisationen anders machen: Sie wählen KI-Projekte nach Geschäftswert und technischer Machbarkeit und stützen sie mit Governance und sauberer Engineering-Praxis2.

Kapitel 2 Von der Einzelnutzung zum autonomen System

Die fünf Stufen im Detail

Die Stufen und ihre Kurzbeschreibung folgen Gartners Modell1. Die Architektur zu jeder Stufe ist das typische technische Bild, keine Vorgabe von Gartner.

  1. Einzelnutzung

    Gartner: Foundational, Experimente ohne Abstimmung

    Einzelne Mitarbeiter nutzen KI-Werkzeuge auf eigene Initiative, meist im Browser und mit privaten Konten. Es gibt keine Anbindung an Unternehmenssysteme und keine gemeinsamen Regeln.

    Beispiel: Eine Mitarbeiterin im Marketing entwirft Newsletter-Texte in der Browser-Version eines KI-Chats.

    Unternehmen Externe KI-Dienste Browser Browser Browser Browser KI-Chat A KI-Chat B KI-Chat C ! ! ! !
    Jeder für sich: private Konten, eigene Wege nach draußen, niemand behält den Überblick.

    Vorteile

    • Sofortiger Nutzen ohne IT-Projekt: In einem Experiment brauchten Schreibaufgaben mit ChatGPT 40 % weniger Zeit5.
    • Kein Aufbau und keine Investition nötig, um die Möglichkeiten kennenzulernen.

    Nachteile

    • Schatten-KI: In über 90 % der befragten Unternehmen nutzen Beschäftigte private KI-Werkzeuge, ein offizielles Abo haben nur 40 %6.
    • Datenrisiko: In privaten Tarifen dürfen Anbieter Eingaben zum Training ihrer Modelle nutzen, solange niemand widerspricht7.
    • Was entsteht, bleibt beim Einzelnen. Nichts davon skaliert auf das Unternehmen.

  2. Einzelprojekte

    Gartner: Emerging, erste Pilotprojekte

    Erste gezielte Anwendungen entstehen als eigenständige Programme: Ein Skript ruft ein Sprachmodell über dessen Schnittstelle auf und schreibt das Ergebnis direkt in ein Fachsystem. Jede Verbindung ist eine eigene Punkt-zu-Punkt-Strecke.

    Beispiel: Ein Python-Skript liest eingehende Ausschreibungen, lässt sie über die API eines Sprachmodells strukturieren und legt sie als Entwurf im ERP ab, etwa in Odoo8.

    Skript 2 Skript 3 Dokumentz. B. Ausschreibung Python-Skripteigenständig LLM-API ERP
    Ein Skript, eine Strecke. Jedes weitere Skript bringt eigene Verbindungen, Zugangsdaten und Wartung mit.

    Vorteile

    • Schnell gebaut und eng auf einen Prozess zugeschnitten.
    • Der Nutzen lässt sich an diesem einen Prozess direkt messen.

    Nachteile

    • Piloten bleiben oft Piloten: Nur 5 % der spezialisierten und maßgeschneiderten KI-Lösungen erreichen den produktiven Einsatz6.
    • Ohne KI-taugliche Daten scheitern viele Projekte. Gartner erwartet, dass bis 2026 60 % solcher Projekte abgebrochen werden3.
    • Wildwuchs: Ändern sich Modell oder Schnittstelle, muss jedes Skript einzeln angepasst werden8, 9.

  3. Integrierter Betrieb

    Gartner: Operational, KI in ausgewählten Prozessen mit klarer Verantwortung

    Anwendungen sprechen Sprachmodelle nicht mehr direkt an, sondern über ein zentrales KI-Gateway. Es regelt Zugriffe, Token-Kontingente und Protokollierung10. Unternehmenswissen kommt über eine RAG-Pipeline aus freigegebenen Quellen11. Folgenreiche Schritte gehen vor der Ausführung an einen Menschen zur Freigabe12.

    Beispiel: Der Kundenservice beantwortet Anfragen mit KI-Entwürfen aus der eigenen Wissensdatenbank. Gutschriften über einem festgelegten Betrag gibt ein Mitarbeiter frei.

    Service Einkauf Vertrieb KI-Gateway Zugriff, Kosten, Protokolle Sprachmodell RAGeigenes Wissen Freigabe ERP
    Ein Eingang für alle Anwendungen, eigenes Wissen über RAG, und ein Mensch vor jedem folgenreichen Schritt.

    Vorteile

    • Zentrale Kontrolle: Zugriffe, Kosten und Protokolle für Abrechnung und Prüfung an einer Stelle10.
    • Antworten stützen sich auf eigene Dokumente statt allein auf das Wissen des Modells11.
    • Menschen entscheiden dort, wo Fehler teuer sind12.

    Nachteile

    • Datenqualität wird zur Voraussetzung. Sie gehört auf jeder Reifestufe zu den größten Hürden: 34 % der Befragten in wenig reifen und 29 % in reifen Organisationen nennen sie2.
    • Gateway, Datenpipeline und Freigaben brauchen Aufbau, Pflege und feste Verantwortliche. In reifen Organisationen haben 91 % bereits eigene KI-Verantwortliche benannt2.

  4. Agentenplattform

    Gartner: Scaled, KI über Bereiche hinweg mit messbarem Nutzen

    Eine zentrale Plattform stellt Infrastruktur, Gedächtnis und Leitplanken für viele Anwendungen bereit. Ein Orchestrator zerlegt Aufgaben, verteilt sie an spezialisierte Sub-Agenten und führt die Ergebnisse zusammen13. Ein gemeinsames Gedächtnis, oft eine Vektordatenbank, hält Kontext über Aufgaben hinweg3. Rollenbasierte Rechte (RBAC) legen fest, welcher Agent welche Daten und Werkzeuge nutzen darf, und zwar nur so viel wie nötig12.

    Beispiel: Ein Orchestrator nimmt eine Kundenanfrage an und verteilt sie an Agenten für Vertragsprüfung, Verfügbarkeit und Angebotsentwurf. Jeder Agent sieht nur die Daten seiner Rolle.

    Leitplanken: Rollen und Rechte (RBAC) Orchestrator Gedächtnis Vektordatenbank Verträge Bestand Angebot CRM ERP Archiv
    Ein Orchestrator verteilt, spezialisierte Agenten arbeiten zu. Gedächtnis und Rechte sind zentral geregelt, jeder Zugriff läuft durch die Leitplanken.

    Vorteile

    • Neue Anwendungsfälle nutzen vorhandene Bausteine, statt jedes Mal neu anzufangen.
    • Einheitliche Regeln für alle Agenten statt Einzelentscheidungen. In reifen Organisationen haben fast 60 % der Befragten Strategie, Governance, Daten und Infrastruktur zentral gebündelt2.

    Nachteile

    • Hohe Komplexität und Kosten: Gartner erwartet, dass über 40 % der Agenten-Projekte bis Ende 2027 eingestellt werden, wegen Kosten, unklarem Nutzen oder fehlender Risikokontrolle14.
    • Agenten handeln freier als feste Abläufe. Das bringt höhere Kosten und Fehler, die sich aufsummieren können13.
    • Neue Angriffsfläche: Wird das gemeinsame Gedächtnis mit falschen Daten vergiftet, verfälscht das spätere Entscheidungen15.

  5. Autonome Systeme

    Gartner: Transformational, KI prägt Entscheidungen, Betriebsmodell und Wettbewerbsposition

    Mehrere Agenten arbeiten weitgehend selbstständig zusammen, tauschen Ergebnisse in beide Richtungen aus und werten laufende Daten aus. Rückkopplungsschleifen passen Abläufe an, ohne dass ein Mensch jeden Schritt freigibt. Menschen setzen Ziele und Grenzen.

    Beispiel: In der Lieferkette erkennt ein Agent einen drohenden Engpass, ein zweiter holt Angebote ein, ein dritter bestellt innerhalb hinterlegter Risikogrenzen.

    Live- Daten Bedarf Einkauf Logistik Finanzen Ziele und Grenzen
    Agenten stimmen sich laufend ab und passen Abläufe an. Menschen greifen nicht mehr in jeden Schritt ein, sie setzen Ziele und Grenzen.

    Vorteile

    • Abläufe passen sich laufend an neue Daten an, ohne auf Freigaben zu warten.
    • Entscheidungen fallen dort, wo die Daten entstehen, und zu jeder Uhrzeit.

    Nachteile

    • Fehler pflanzen sich fort: Ein einzelner Fehler kann sich über die Agenten ausbreiten, menschliche Prüfschritte umgehen und systemweit Schaden anrichten15.
    • Rechtliche Grenzen: Ausschließlich automatisierte Entscheidungen mit rechtlicher Wirkung für Personen sind nach DSGVO nur eingeschränkt zulässig16.
    • Governance, Überwachung und Tests in abgeschotteten Umgebungen müssen ausgereift sein, bevor die Autonomie wächst13.

Kapitel 3 Die Übersicht

Alle Stufen auf einen Blick

StufeTypische TechnikVorteileNachteile
1 EinzelnutzungFoundational Browser-Chat, private Konten Sofort nutzbar, ohne Projekt Schatten-KI, Datenabfluss, kein gemeinsames Wissen
2 EinzelprojekteEmerging Skript ruft LLM-API und schreibt ins ERP Schnell gebaut, eng zugeschnitten, Nutzen messbar Bleibt oft Pilot, Wildwuchs, Wartung je Skript
3 Integrierter BetriebOperational KI-Gateway, RAG, menschliche Freigabe Zentrale Kontrolle, Protokolle, eigenes Wissen Datenqualität, Aufbau, feste Verantwortliche nötig
4 AgentenplattformScaled Orchestrator, Sub-Agenten, Gedächtnis, RBAC Wiederverwendbare Bausteine, einheitliche Regeln Komplex und teuer, neue Angriffsflächen
5 Autonome SystemeTransformational Multi-Agenten, Rückkopplung, Live-Daten Laufende Anpassung, schnelle Reaktion Fehler pflanzen sich fort, rechtliche Grenzen

Kapitel 4 Reife ist kein Technikprojekt

Was den Aufstieg bestimmt

  • Nicht alles muss gleich weit sein

    Das Modell lässt sich auf einzelne Bereiche anwenden1. Ein Bereich kann auf Stufe 3 arbeiten, während ein anderer mit Stufe 1 gut bedient ist.

  • Projekte nach Wert und Machbarkeit wählen

    Reife Organisationen wählen KI-Projekte nach Geschäftswert und technischer Machbarkeit und messen den Nutzen regelmäßig2.

  • Daten vor Modellen

    KI-taugliche Daten sind keine einmalige Aufgabe, sondern eine laufende Praxis aus Metadaten, Datenbeobachtung und Governance3.

  • Autonomie erst mit Kontrolle

    Je freier Agenten handeln, desto wichtiger werden Tests in abgeschotteten Umgebungen, Leitplanken und knapp bemessene Rechte12, 13.

Die Stufe zeigt, wo ein Unternehmen steht. Wie weit es gehen sollte, hängt am Problem, nicht an der Technik.

Höher ist nicht automatisch besser. Jede Stufe hat ihre Vor- und Nachteile, und ein Aufstieg trägt nur, wenn Daten, Verantwortung und Regeln mitwachsen.

Quellen

Alle Quellen geöffnet und gelesen zwischen dem 22. Oktober und dem 2. November 2026. Unter jeder Quelle steht, was sie belegt.

  1. Gartner: „Gartner AI Maturity Model and AI Roadmap Toolkit“, Gartner für CIOs. gartner.com/…/ai-maturity-model-toolkitDas Reifegradmodell als Diagnose- und Planungswerkzeug; sieben Bereiche (Strategie, Daten, Governance, Engineering, Betriebsmodell, Kultur, KI-Produkt und Nutzen); fünf Stufen Foundational, Emerging, Operational, Scaled, Transformational; anwendbar auf das ganze Unternehmen oder einzelne Bereiche.
  2. Gartner: „Gartner Survey Finds 45% of Organizations With High AI Maturity Keep AI Projects Operational for at Least Three Years“, Pressemitteilung, 30. Juni 2025. gartner.com/…/2025-06-30-gartner-survey-finds-forty-five-percent-…Umfrage Q4 2024, 432 Befragte in sechs Ländern: 45 % (hohe Reife) gegenüber 20 % (niedrige Reife) mit KI-Projekten über drei Jahre im Betrieb; Projektauswahl nach Geschäftswert und Machbarkeit; Datenqualität als Hürde für 34 % bzw. 29 %; 91 % mit eigenen KI-Verantwortlichen; fast 60 % mit zentral gebündelter Strategie, Governance, Daten und Infrastruktur.
  3. Gartner: „Lack of AI-Ready Data Puts AI Projects at Risk“, Q&A mit Roxane Edjlali, 26. Februar 2025. gartner.com/…/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk63 % ohne passende oder mit unklarer Datenpraxis für KI (1.203 Befragte, Juli 2024); Prognose: bis 2026 werden 60 % der KI-Projekte ohne KI-taugliche Daten abgebrochen; Vektorspeicher und RAG als Bausteine; KI-taugliche Daten als laufende Praxis.
  4. Bitkom: „Erstmals nutzt die Mehrheit der Unternehmen KI“, Presseinformation, 14. September 2026. bitkom.org/…/Erstmals-nutzt-Mehrheit-Unternehmen-KIRepräsentative Befragung von 603 Unternehmen ab 20 Beschäftigten: Kein KI-Anwender nutzt das Potenzial nach eigener Einschätzung vollständig, 3 % eher stark, 28 % wenig, 59 % gar nicht.
  5. Noy, S.; Zhang, W.: „Experimental evidence on the productivity effects of generative artificial intelligence“. Science 381 (6654), 2023, S. 187–192. doi.org/10.1126/science.adh2586Experiment mit 453 Fachkräften und Schreibaufgaben: mit ChatGPT 40 % weniger Zeit, Qualität 18 % höher.
  6. Challapally, A.; Pease, C.; Raskar, R.; Chari, P.: „The GenAI Divide: State of AI in Business 2025“, MIT NANDA, Juli 2025 (Vorabbericht). mlq.ai/…/v0.1_State_of_AI_in_Business_2025_Report.pdfBeschäftigte aus über 90 % der befragten Unternehmen nutzen private KI-Werkzeuge, 40 % haben ein offizielles Abo; nur 5 % der spezialisierten und maßgeschneiderten Lösungen erreichen den Produktivbetrieb. Grundlage: 52 Interviews, 153 Befragte, über 300 öffentliche Projekte; die Autoren nennen die Werte richtungsweisend.
  7. OpenAI: „How your data is used to improve model performance“, OpenAI Help Center. help.openai.com/…/5722486In den Tarifen für Einzelpersonen (Free, Plus, Pro) können Inhalte zum Training genutzt werden, außer man widerspricht; Business- und Enterprise-Tarife standardmäßig nicht.
  8. Odoo: „External JSON-2 API“, Odoo 19.0 Dokumentation. odoo.com/documentation/19.0/…/external_apiOdoo-Daten sind über Schnittstellen von außen erreichbar; die älteren XML-RPC- und JSON-RPC-Schnittstellen sind abgekündigt und sollen mit Odoo 22 (Herbst 2028) bzw. Odoo Online 21.1 (Winter 2027) entfallen.
  9. Anthropic: „Model deprecations“, Claude-Plattform-Dokumentation. platform.claude.com/…/model-deprecationsÄltere Modelle werden regelmäßig eingestellt, Anfragen an sie schlagen danach fehl; Anwendungen müssen umgestellt und getestet werden.
  10. Microsoft: „AI gateway capabilities in Azure API Management“, Microsoft Learn, Stand 29. Mai 2026. learn.microsoft.com/…/genai-gateway-capabilitiesEin KI-Gateway regelt Authentifizierung und Zugriff, verteilt Last, begrenzt Token pro Anwendung und protokolliert Eingaben, Antworten und Verbrauch für Abrechnung und Prüfung.
  11. Lewis, P. u. a.: „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“. NeurIPS 2020. arxiv.org/abs/2005.11401Grundlagenarbeit zu RAG: Ein Sprachmodell wird mit einer Suche in externen Wissensquellen verbunden.
  12. OWASP: „LLM06:2025 Excessive Agency“. genai.owasp.org/llmrisk/llm062025-excessive-agencyRechte von KI-Anwendungen auf das Nötigste begrenzen; folgenreiche Aktionen erst nach Freigabe durch einen Menschen ausführen.
  13. Anthropic: „Building effective agents“, 19. Dezember 2024. anthropic.com/engineering/building-effective-agentsOrchestrator-Worker-Muster: Ein zentrales Modell zerlegt Aufgaben, verteilt sie und führt die Ergebnisse zusammen; Agenten bedeuten höhere Kosten und sich aufsummierende Fehler; Empfehlung: ausgiebige Tests in abgeschotteten Umgebungen und passende Leitplanken.
  14. Gartner: „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027“, Pressemitteilung, 25. Juni 2025. gartner.com/…/2025-06-25-gartner-predicts-over-40-percent-…Gründe: steigende Kosten, unklarer Geschäftsnutzen, unzureichende Risikokontrollen.
  15. OWASP: „OWASP Top 10 for Agentic Applications for 2026“, 9. Dezember 2025. genai.owasp.org/…/owasp-top-10-for-agentic-applications-for-2026ASI06: vergiftetes Gedächtnis und vergifteter Kontext verfälschen spätere Entscheidungen; ASI08: Ein einzelner Fehler breitet sich über autonome Agenten aus, kann menschliche Prüfschritte umgehen und systemweit Schaden anrichten.
  16. Art. 22 DSGVO, Verordnung (EU) 2016/679, „Automatisierte Entscheidungen im Einzelfall einschließlich Profiling“. eur-lex.europa.eu/eli/reg/2016/679/ojNiemand muss sich einer ausschließlich automatisierten Entscheidung unterwerfen, die ihm gegenüber rechtliche Wirkung hat oder ihn ähnlich erheblich beeinträchtigt.