KI-Reifegradmodelle im Vergleich: Wo die Diagnose endet

Gartner, McKinsey, Deloitte, Microsoft und das Carnegie Mellon Software Engineering Institute haben 2026 alle ein eigenes KI-Reifegradmodell im Einsatz, mit unterschiedlichen Stufennamen und derselben Diagnose: Der Einstieg in KI gelingt inzwischen fast überall, der Sprung vom Pilotprojekt zum produktiven Einsatz ist der Punkt, an dem die meisten Organisationen scheitern. Ein KI-Reifegradmodell macht genau diesen Punkt sichtbar. Es ordnet ein Unternehmen anhand von Kriterien wie Strategie, Daten, Governance und Technologie einer Entwicklungsstufe zu, meist zwischen drei und fünf Stufen von "kein KI-Einsatz" bis "KI als Kernbestandteil des Geschäftsmodells". Für ein Schweizer KMU ist dieser Befund richtig und trotzdem zu wenig konkret: welcher einzelne Prozess als nächstes laufen soll, bleibt in allen fünf Modellen offen.

---

Was ein KI-Reifegradmodell misst

Ein Reifegradmodell ist ein Analyserahmen. Es bewertet ein Unternehmen entlang festgelegter Dimensionen, meist Strategie, Daten, Technologie, Governance und Personal, und ordnet das Ergebnis einer Stufe zu. Der eigentliche Nutzen ist diagnostisch: sichtbar machen, welche Dimension eine Organisation gerade zurückhält.

Fast jedes grosse Beratungshaus hat inzwischen ein eigenes Modell, aus gutem Grund. Reifegradmodelle sind seit Jahrzehnten ein Standardinstrument im IT-Management, aus dem Capability Maturity Model für Softwareentwicklung übernommen und auf KI übertragen. Microsofts aktuelles Modell baut explizit darauf auf, und das Institut, das dieses Capability Maturity Model ursprünglich entwickelt hat, hat 2026 gleich sein eigenes KI-spezifisches Nachfolgemodell veröffentlicht.

Daneben kursieren im Netz zahlreiche kostenlose KI-Reifegrad-Checks, kurze Fragebogen mit Sofortauswertung. Sie bewerten meist dieselben Grunddimensionen wie die grossen Modelle, nur knapper und ohne den Anspruch, eine Brücke zur nächsten Stufe zu liefern.

Fünf Modelle, ein Muster

Gartner unterscheidet fünf Stufen: Foundational, Emerging, Operational, Scaled, Transformational, bewertet über sieben Dimensionen: Strategie, Daten, Governance, Engineering, Operating Model, Kultur und KI-Produktwert [1]. McKinsey verfolgt einen ähnlichen Fünf-Stufen-Ansatz und hat daraus zwölf konkrete Skalierungspraktiken über sechs Dimensionen abgeleitet. Unternehmen, die sechs oder mehr dieser Praktiken anwenden, erzielen nachweislich einen höheren Umsatzeffekt aus ihren KI-Initiativen [2].

Deloitte arbeitet mit vier Stufen: Basisautomatisierung, agentenbasierte Prozesse, Prozess-Neugestaltung, organisatorische Neuausrichtung. In der aktuellen Tech Value Survey (rund 550 Führungskräfte aus fünf Branchen) unterteilt Deloitte die Teilnehmenden zusätzlich in zwei Gruppen: "Automators", die auf den unteren beiden Stufen mit einzelnen Agenten automatisieren, und "Transformers", die mehrere Agenten über Abteilungsgrenzen hinweg orchestrieren. 67 Prozent der Transformers berichten von grossem oder sehr grossem ROI, gegenüber 61 Prozent bei den Automators [3].

Microsoft hat ein eigenes Modell speziell für Agentic AI veröffentlicht: fünf Stufen von 100 bis 500, bewertet über fünf Fähigkeitsbereiche von Strategie bis Unternehmenskultur [4]. Anders als die älteren generischen Modelle ist es gezielt auf autonome Agenten zugeschnitten, ein engerer Fokus als generative KI im Allgemeinen.

Das akademisch fundierteste der fünf Modelle kommt vom Carnegie Mellon Software Engineering Institute (SEI), demselben Institut, das in den 1980er-Jahren das ursprüngliche Capability Maturity Model entwickelt hat, in Partnerschaft mit Accenture. Auch hier fünf Stufen, von Exploratory AI bis Future Ready AI, bewertet über acht Fähigkeitsbereiche in zwei Gruppen: organisatorischer Wandel und technisches Lifecycle-Engineering. Das Modell stützt sich auf eine Analyse von 56 bestehenden Reifegradmodellen, Interviews mit über zwei Dutzend Führungskräften und eine Umfrage unter 600 Fachleuten aus dem Januar 2026. Deren Ergebnis deckt sich mit dem, was BDO für die Schweiz findet, nur global gemessen: fehlende Datenqualität (35 Prozent), zu wenig qualifiziertes Personal (34 Prozent) und die Integration mit Legacy-Systemen (32 Prozent) benennen die Befragten als die drei grössten Bremsen für die KI-Einführung [5].

Fünf Modelle, fünf Namensschemata, im Kern dieselbe Beobachtung: Reife korreliert mit Wert. Wer weiter oben steht, holt mehr aus KI heraus. Das ist die eine Hälfte der Geschichte.

Der Punkt, an dem fast alle stecken bleiben

Die andere Hälfte ist unbequemer. In Gartners Stufenmodell liegt der Übergang von Stufe zwei zu Stufe drei genau an der Stelle, an der die meisten Organisationen stecken bleiben: Sie fahren Pilotprojekte unbegrenzt weiter, ohne sie je in ein produktives System zu überführen [1]. Deloittes Zahlen zeigen dasselbe Muster von der anderen Seite. Automators bleiben bei einzelnen Agenten und isolierten Anwendungsfällen. Transformers haben den Sprung geschafft und ziehen davon.

Der Grund, warum dieser Übergang so schwer ist, wird selten präzise benannt. Zwei Organisationen können beide auf Stufe zwei feststecken und trotzdem an völlig unterschiedlichen Dingen scheitern: die eine an schlechter Datenqualität, die andere daran, dass niemand in der Geschäftsleitung das Projekt priorisiert. Ein Reifegradmodell zeigt, dass beide feststecken. Woran genau, bleibt offen.

Was das für Schweizer KMU bedeutet

Für Schweizer KMU kommt eine zweite Kluft dazu, die keines der fünf Modelle abbildet, weil sie zwischen Unternehmensgrössen verläuft statt zwischen Reifestufen. BDO hat 2026 nationale und internationale Studien zu einem "AI-Toolkit: Switzerland Snapshot" verdichtet. Der Befund: Grossunternehmen integrieren KI bereits in die Wertschöpfung, während KMU oft in der Pilotphase bleiben. Adecco steigert die Produktivität im Recruiting um 63 Prozent, ABB senkt Kosten in einzelnen Bereichen um bis zu 35 Prozent. BDO-CEO Thomas Studhalter benennt den Grund direkt: KMU fehlen die personellen und finanziellen Ressourcen, um KI-Kompetenz im grossen Stil aufzubauen, oft fehlt eine saubere Datenbasis oder schlicht die Zeit, neue Lösungen systematisch zu testen [6].

Eine Umfrage der UBS unter rund 2'500 Schweizer Unternehmen bestätigt das Bild aus einem anderen Winkel: 60 Prozent setzen bereits KI ein, aber selektiv statt systematisch, mit starker Abhängigkeit vom Digitalisierungsgrad. Grosse, gut digitalisierte Firmen in IKT, Finanzdienstleistung und Pharma liegen vorne. Bau, Handel, Gesundheit und traditionelle Industrie hinken hinterher [7]. Eine parallele Erhebung von Dun & Bradstreet unter 10'000 Unternehmen in 32 Ländern liefert die vielleicht schärfste Einzelzahl: 97 Prozent der Organisationen haben laufende KI-Initiativen, aber nur 5 Prozent sagen, ihre Datenbasis sei tatsächlich bereit für den produktiven KI-Einsatz [7].

Auch KPMG hat für die Finanzfunktion ein eigenes Reifegradmodell entwickelt und dabei ähnliche Muster gefunden: 76 Prozent der befragten Unternehmen haben agentenbasierte KI in mindestens einem Finanzbereich implementiert, 42 Prozent nennen Datenqualität als zentrales Hindernis für die weitere Skalierung [8]. Bemerkenswert daran ist weniger die Zahl als die Tatsache, dass selbst ein globaler Prüfungs- und Beratungskonzern es für nötig hält, ein generisches Modell durch ein vertikal-spezifisches zu ergänzen.

Wo generische Modelle bei einem KMU an ihre Grenzen kommen

Gartner, McKinsey, Deloitte, Microsoft und das SEI-Modell haben ihre Modelle für Organisationen mit Dutzenden Abteilungen, eigenen Governance-Prozessen und einem Budget entworfen, das eine einzelne Person nicht bewegt. Das SEI-Modell wurde im Rahmen eines Early-Adopter-Programms direkt mit Fortune-500-Unternehmen entwickelt und getestet, so gross ist die Zielgruppe angelegt. Die Empfehlung an eine Organisation, die zwischen Stufe zwei und drei feststeckt, lautet dort: Exekutiv-Sponsoring sichern, Architektur standardisieren, ein Center of Excellence aufbauen. Für einen Konzern ist das der richtige Rat.

Eine Immobilienverwaltung mit fünf Mitarbeitenden hat eine Governance-Abteilung höchstens auf dem Papier. Sie hat ChatGPT für Korrespondenz, vielleicht Copilot, und jeder Prozess läuft noch über manuelle Eingriffe. Das ist exakt Stufe zwei in jedem der fünf Modelle. Die Diagnose stimmt. Was fehlt, ist die passende Brücke: Was für einen Konzern richtig ist, ist für ein Fünf-Personen-Unternehmen schlicht zu gross.

Für ein KMU ist der Unterschied zwischen Stufe zwei und drei vor allem eine Frage des Scopes. Ein einzelner Prozess, der von Anfang bis Ende automatisch läuft, das ist die Brücke, die tatsächlich funktioniert, ein Transformationsprogramm über alle Abteilungen bleibt Theorie. Bei einer Immobilienverwaltung sieht das konkret so aus: ein Voice Agent nimmt Schadensmeldungen von Mietern entgegen und legt automatisch ein Ticket im bestehenden Verwaltungssystem an. Mehr braucht dieser Sprung nicht: ein Szenario, das tatsächlich läuft.

Seit dem 2. August 2026 kommt eine weitere, sehr konkrete Anforderung dazu. Ab diesem Datum gilt Artikel 50 des EU AI Act: Jedes System, das direkt mit Menschen spricht, ob Chatbot oder Sprachassistent, muss unmissverständlich offenlegen, dass keine menschliche Person antwortet, und zwar spätestens beim ersten Kontakt [9]. Für eine Schweizer Verwaltung mit Mieterinnen und Mietern aus der EU oder mit EU-Bezug hat das ab sofort unmittelbare praktische Konsequenzen. Wer jetzt einen Voice Agent für Mieteranrufe baut, integriert die Offenlegung direkt in die Umsetzung. Das nachträglich zu reparieren kostet danach deutlich mehr.

Die richtige Frage für ein KMU

Alle fünf grossen Modelle messen zuverlässig, wo eine Organisation steht, und sie stimmen in einem zentralen Punkt überein: Der erste Kontakt mit KI ist praktisch überall schon passiert, die eigentliche Hürde ist der Sprung vom Pilotprojekt zum laufenden System. Für ein Schweizer KMU ist die Frage, die aus dieser Diagnose folgt, trotzdem eine andere als für einen Konzern. Die Stufe, auf der ein Unternehmen steht, ist zweitrangig. Entscheidend ist, welcher einzelne Prozess als nächstes ohne Zutun laufen soll.

---