KI-Readiness beurteilen: der Selbstcheck für Schweizer KMU

Was heisst KI-Readiness – und warum ein Selbstcheck?

KI-Readiness beschreibt den Reifegrad, mit dem ein Unternehmen künstliche Intelligenz wertschöpfend einführen und betreiben kann. Sie beantwortet nicht die Frage «Welches Tool kaufen wir?», sondern «Sind unsere Daten, Prozesse, Menschen und Regeln so weit, dass KI überhaupt einen Nutzen stiftet?». Wer diese Grundlage überspringt, bezahlt sie später mit gescheiterten Pilotprojekten.

Ein Selbstcheck macht die Beurteilung strukturiert und wiederholbar. Statt Bauchgefühl liefert er eine ehrliche Standortbestimmung entlang klar definierter Dimensionen – als Basis für Priorisierung, Budget und einen realistischen Fahrplan. Für Schweizer KMU ist das besonders wertvoll, weil Ressourcen knapp sind und jede Fehlinvestition spürbar wiegt.

Die vier Dimensionen der KI-Readiness

KI-Readiness lässt sich auf vier Dimensionen herunterbrechen. Jede ist notwendig, keine allein genügt. Schwächelt eine Dimension, bremst sie die anderen: Schlechte Daten machen selbst das beste Modell wertlos, fehlende Kompetenz lässt gute Tools ungenutzt.

• Daten: Verfügbarkeit, Qualität, Struktur und rechtssichere Nutzbarkeit Ihrer Datenbestände – der Rohstoff jeder KI-Anwendung.
• Prozesse: Wie klar, dokumentiert und standardisiert Ihre Abläufe sind. KI unterstützt und automatisiert Prozesse – chaotische Abläufe werden dadurch nicht besser, sondern schneller chaotisch.
• Kompetenzen: Wissen, Erfahrung und Offenheit der Mitarbeitenden sowie Zugang zu technischem Know-how, intern oder über Partner.
• Governance: Verantwortlichkeiten, Datenschutz, Sicherheit und Regeln für den verantwortungsvollen Einsatz – vom revDSG bis zur internen KI-Richtlinie.

Der KMU-Selbstcheck: Checkliste in vier Blöcken

Beantworten Sie jede Frage mit Ja, teilweise oder Nein. Häufen sich «Nein» in einem Block, liegt dort Ihr Engpass. Nutzen Sie die Liste als Gesprächsleitfaden im Team, nicht als Prüfung zum Abhaken.

• Daten: Wissen wir, welche Daten wir besitzen, wo sie liegen und wem sie gehören?
• Daten: Sind zentrale Daten digital, aktuell und in ausreichender Qualität (wenige Dubletten, Lücken, Fehler) verfügbar?
• Daten: Dürfen wir diese Daten für den geplanten Zweck rechtlich nutzen (revDSG, Verträge, Einwilligungen)?
• Prozesse: Sind die Prozesse, die wir mit KI verbessern wollen, dokumentiert und einigermassen standardisiert?
• Prozesse: Haben wir einen konkreten, messbaren Anwendungsfall mit klarem Nutzen statt «irgendwas mit KI»?
• Kompetenzen: Gibt es eine verantwortliche Person und ein Zeitbudget für das Thema?
• Kompetenzen: Sind die Mitarbeitenden grundsätzlich offen, und haben wir Zugang zum nötigen Know-how (intern oder über Partner)?
• Governance: Existiert eine einfache KI-Richtlinie (was ist erlaubt, welche Tools, welche Daten dürfen hinein)?
• Governance: Sind Datenschutz und Informationssicherheit geklärt, inklusive Umgang mit Cloud-Diensten und Anbietern ausserhalb der Schweiz/EU?
• Governance: Ist geregelt, wer KI-Ergebnisse prüft, bevor sie Kundinnen und Kunden oder Behörden erreichen?

Vom Score zur Entscheidung: Reifegrade einordnen

Zählen Sie Ihre «Ja»-Antworten grob zusammen und ordnen Sie sich einem Reifegrad zu. Wichtig ist nicht die exakte Punktzahl, sondern das ehrliche Muster – und wo der grösste Hebel liegt.

• Einsteigend: viele «Nein», Daten und Prozesse unklar. Empfehlung: Grundlagen schaffen – Daten aufräumen, einen einfachen Use Case definieren, statt gleich zu automatisieren.
• Aufbauend: Grundlagen stehen, erste Experimente laufen. Empfehlung: einen fokussierten Piloten mit klarem KPI umsetzen und daraus lernen.
• Fortgeschritten: Daten, Prozesse und Governance greifen ineinander. Empfehlung: skalieren, standardisieren und KI in bestehende Abläufe integrieren.
• Wiederholen Sie den Selbstcheck halbjährlich: KI-Readiness ist kein einmaliger Status, sondern verändert sich mit Daten, Team und Regulierung.

Häufige Fehler bei der Beurteilung

• Mit der Technologie statt mit dem Problem beginnen: Tools kaufen, bevor der Nutzen klar ist.
• Datenqualität überschätzen: «Wir haben viele Daten» ist nicht dasselbe wie nutzbare, saubere, erlaubte Daten.
• Den Menschen vergessen: ohne Akzeptanz, Schulung und klare Verantwortung bleibt jede Lösung liegen.
• Governance als Bremse missverstehen statt als Ermöglicher – klare Regeln beschleunigen Entscheidungen.
• Einmalig beurteilen und nie wieder: Readiness veraltet, sobald sich Daten, Team oder Regulierung ändern.
• Zu gross starten: ein überambitioniertes Erstprojekt bindet Budget und tötet die Motivation bei Rückschlägen.

Schweizer Perspektive: revDSG, EDÖB und Kostenstruktur

Für Schweizer KMU ist Datenschutz Teil der Readiness, nicht ein Anhang. Massgeblich ist das revidierte Datenschutzgesetz (revDSG), überwacht durch den EDÖB – nicht die europäische Regulierung, auch wenn diese bei EU-Kundschaft zusätzlich greifen kann. Wer Personendaten in KI-Systeme gibt, sollte Bearbeitungszweck, Rechtsgrundlage und bei hohem Risiko eine Datenschutz-Folgenabschätzung prüfen.

Denken Sie bei den Kosten in Strukturen statt in einer einzigen Zahl: einmalige Aufwände (Datenaufbereitung, Einführung, Schulung) und laufende Kosten (Lizenzen, Betrieb, Pflege, interne Zeit). Der ROI entsteht selten aus dem Tool allein, sondern aus eingespartem Aufwand oder besseren Entscheidungen – rechnen Sie ihn pro Use Case in CHF und mit realistischen, nicht euphorischen Annahmen.

• Kennen wir Bearbeitungszweck und Rechtsgrundlage für jede Nutzung von Personendaten?
• Wissen wir, wo unsere KI-Anbieter Daten speichern und verarbeiten (Schweiz, EU, USA)?
• Ist bei risikoreicher Bearbeitung eine Datenschutz-Folgenabschätzung vorgesehen?
• Können wir Betroffenenrechte wie Auskunft und Löschung auch bei KI-gestützten Prozessen erfüllen?

Von der Beurteilung zur Roadmap

Eine Beurteilung ist nur so viel wert wie das, was daraus folgt. Übersetzen Sie Ihre Ergebnisse in wenige, priorisierte Schritte statt in einen langen Wunschzettel.

• Grössten Engpass zuerst schliessen – meist Daten oder ein klar definierter Use Case.
• Einen kleinen, messbaren Piloten wählen (rund 8–12 Wochen) mit definiertem Erfolgskriterium.
• Eine verantwortliche Person und ein realistisches Zeitbudget festlegen.
• Eine einseitige KI-Richtlinie schreiben, bevor Tools breit eingesetzt werden.
• Ergebnisse dokumentieren, den Selbstcheck halbjährlich wiederholen und die Roadmap anpassen.