- Change, IT Basics
- ChangeManagement, IT
- 13 Min Lesezeit
Dr. Yvonne Avaro
AI ist längst da. Aber nur 0,04% der Weltbevölkerung nutzen sie wirklich. Das sind ungefähr so viele Menschen wie in der Schweiz und Österreich zusammen. Was hält den Rest zurück? Und was bedeutet das für Unternehmen, die gerade versuchen, ihre Belegschaft mitzunehmen? Dr. Yvonne Avaro hat die Forschung durchforstet und sechs Faktoren identifiziert, die entscheiden, ob AI Adoption in Unternehmen gelingt oder scheitert. Von wahrgenommenem Nutzen über Vertrauen bis hin zu Unternehmenskultur: Das AI Adoption-Flywheel zeigt, wo Organisationen ansetzen müssen.
💡Neu hier? Im FAQ-Bereich am Ende des Artikels findest du Antworten auf häufige Fragen, u.a. solche Fragen wie: Was sind die häufigsten Gründe, warum AI Adoption in Unternehmen scheitert? Wie lange dauert sie? Und was können Führungskräfte konkret tun?
Inhaltsverzeichnis
1. AI Adoption weltweit: AI ist da!
Ein Blick auf die Zahlen zeigt, wie weit die Welt wirklich von echter AI Adoption entfernt ist. Doch bevor wir darauf kommen, schaffen wir erst mal ein einheitliches Verständnis von diesem Begriff «AI Adoption».
Wie definiert man AI Adoption ?
AI Adoption ist die tatsächliche, regelmässige Nutzung von AI-Tools. Nicht das gelegentliche Ausprobieren, sondern das echte Einbauen in den Alltag: in Workflows, Entscheidungsprozesse, Lernprozesse oder kreative Tätigkeiten.
Wie sieht die Weltweite AI Adoption aus?
AI ist da und für die meisten direkt verfügbar. Doch trotzdem sind viele noch zögerlich. Wie zögerlich, das zeigt Abbildung 1. Die Abbildung 1 zeigt 2.500 Punkte. Jeder Punkt steht für 3,2 Millionen Menschen. Zusammen sind das 8,1 Milliarden Menschen auf dieser Erde (Stand Februar 2026).
Was bedeuten die einzelnen Farben?
- Grau: 6,8 Milliarden Menschen, die AI noch nie genutzt haben. 84% der Weltbevölkerung.
- Grün: 1,3 Milliarden kostenlose Chatbot-Nutzerinnen und Nutzer. Menschen, die ab und zu ChatGPT öffnen, eine Frage stellen, weitermachen.
- Gelb: 15 bis 25 Millionen Menschen, die monatlich für AI bezahlen. Rund 0,3%.
- Rot: Ein winziger Streifen. 2 bis 5 Millionen Menschen, die AI aktiv in Workflows einbauen, Produkte damit bauen, täglich damit arbeiten. Das sind 0,04% der Weltbevölkerung.
Was sagt mir die Grafik?
Nur 0,04% der Weltbevölkerung benutzt AI effektiv und baut damit etwas. Das klingt jetzt erst mal nach wenig. Aber das sind trotzdem bis zu 17-30 Millionen Menschen weltweit, wenn man die zahlenden Nutzerinnen und Nutzer dazuzählt.
Und gleichzeitig: 6,8 Milliarden haben AI noch nie eingesetzt. Das Potenzial für echte, breite AI Adoption ist riesig. Und genau deshalb lohnt es sich zu verstehen, was Adoption eigentlich antreibt.
2. Wie ich mich mit der Frage was AI Adoption treibt auseinandergesetzt habe
Was treibt AI Adoption wirklich an? Mit dieser Frage bin ich in meine Recherche gestartet.
Also habe ich getan, was ich seit meiner Doktorarbeit nicht mehr gemacht hatte: eine richtige Literaturrecherche. Journals, Studien, Research Papers. Das volle Programm.
Das Ergebnis ist ein Modell mit sechs Faktoren, die entscheiden, ob Menschen AI in ihrem Arbeitsalltag wirklich annehmen oder eben nicht. Visualisiert als Rad, mit AI Adoption im Zentrum und den sechs Faktoren als Segmente drum herum.
3. Das AI Adoption Flywheel: Die sechs Faktoren für erfolgreiche AI Adoption
Eine extensive Literaturrecherche meinerseits zeigt: Es gibt nicht den einen Grund, warum Menschen AI annehmen oder ablehnen. Es sind sechs Faktoren, die zusammenwirken. Manche liegen beim Individuum, manche bei der Organisation. Alle sechs sind beeinflussbar.
Das Flywheel zeigt sie im Überblick (siehe Abbildung 2). Im Zentrum steht AI Adoption. Drum herum die sechs Segmente, die darüber entscheiden, ob Adoption gelingt oder ausbleibt. Kein Faktor steht für sich allein. Und kein Unternehmen kann es sich leisten, einen davon zu ignorieren. Nachfolgend werden die sechs Faktoren näher beschrieben.
3.1. Perceived Value (Wahrgenommener Nutzen)
Der wahrgenommene Nutzen gilt in der Adoptionsforschung als stärkster einzelner Prädiktor für die tatsächliche Nutzung neuer Technologien. Das Technology Acceptance Model (TAM) von Davis (1989) identifiziert «Perceived Usefulness» als zentrale Determinante der Nutzungsabsicht: Individuen adoptieren eine Technologie dann, wenn sie überzeugt sind, dass diese ihre Arbeitsleistung messbar verbessert (Davis, 1989, https://doi.org/10.2307/249008).
Diese Grundannahme hat sich in der KI-spezifischen Forschung bestätigt. Dwivedi et al. (2023) zeigen in ihrer umfassenden Literaturanalyse zu generativer KI, dass wahrgenommener Nutzen — insbesondere in Form von Produktivitätssteigerung, Zeitersparnis und verbesserter Arbeitsqualität — konsistent als dominanter Einflussfaktor auf Adoptionsentscheidungen identifiziert wird. Fehlt dieser subjektive Nutzenbezug, bleibt selbst technisch ausgereifte Software ungenutzt (Dwivedi et al., 2023, https://doi.org/10.1016/j.ijinfomgt.2023.102642).
Auf europäischer Ebene bestätigt Eurofound (2025) diesen Befund: Beschäftigte, die einen konkreten Vorteil für ihre eigene Tätigkeit wahrnehmen, weisen signifikant höhere Adoptionsraten auf als jene, die AI primär als abstrakte Technologieinnovation begreifen. Der Bericht hebt hervor, dass die individuelle Wahrnehmung des Nutzens stärker von der konkreten Aufgabennähe eines Tools abhängt als von allgemeinen Einstellungen gegenüber digitalen Technologien (Eurofound, 2025, https://www.eurofound.europa.eu/en/publications/2025/impact-artificial-intelligence-work).
Zusammenfassend lässt sich festhalten: Ohne wahrgenommenen persönlichen Mehrwert findet keine nachhaltige Verhaltensänderung statt. Kein Tool — unabhängig von seiner objektiven Leistungsfähigkeit — kann diesen Schritt ersetzen. Die praktische Implikation für Organisationen ist damit klar: AI-Einführungen müssen von Beginn an auf konkrete, tätigkeitsbezogene Nutzversprechen ausgerichtet sein.
3.2 Digital Skills & AI-Literacy
Die OECD (2024) definiert AI-Literacy in diesem Sinne als die Fähigkeit, KI-Systeme zu verstehen, kritisch zu bewerten und sinnvoll in den eigenen Arbeitskontext zu integrieren. Der Bericht belegt, dass Beschäftigte mit höherer AI-Literacy nicht nur eine grössere Adoptionsbereitschaft aufweisen, sondern KI-Tools auch effektiver einsetzen und einen messbar höheren Nutzen aus ihnen ziehen (OECD, 2024, https://www.oecd.org/en/publications/2024/ai-skills-and-labour-market.html).
Die Europäische Kommission kommt in ihren regelmässig erscheinenden Berichten zum Digital Economy and Society Index (DESI) zu einem ähnlichen Befund: In Ländern mit höherer digitaler Grundkompetenz in der Bevölkerung liegt die KI-Adoptionsrate sowohl im privaten als auch im beruflichen Kontext signifikant über dem EU-Durchschnitt. Gleichzeitig identifizieren die Berichte ein strukturelles Kompetenzgefälle zwischen Berufsgruppen, Altersklassen und Bildungsniveaus als wesentliches Hemmnis für eine breite gesellschaftliche AI-Adoption (European Commission, DESI 2024, https://digital-strategy.ec.europa.eu/en/policies/desi).
Besonders relevant ist der psychologische Mechanismus hinter diesem Zusammenhang: Fehlendes Verständnis erzeugt Kontrollverlustgefühle und — wie im folgenden Abschnitt vertieft — Angst vor negativen Konsequenzen. AI-Literacy wirkt diesem Mechanismus direkt entgegen: Sie senkt die wahrgenommene Einstiegshürde, stärkt das Selbstwirksamkeitserleben und schafft die kognitive Grundlage, um den wahrgenommenen Nutzen (vgl. Abschnitt 3.1) überhaupt bewerten zu können.
Für Organisationen ergibt sich daraus eine klare Handlungslogik: AI-Einführungen ohne begleitende Kompetenzentwicklung bleiben strukturell unterhalb ihres Potenzials, unabhängig davon, wie leistungsfähig die eingesetzte Technologie ist.
3.3. Openness to Innovation (Offenheit für Neues)
Individuelle Offenheit gegenüber neuen Technologien — in der Adoptionsforschung als «Innovativeness» bezeichnet — ist einer der robustesten Verhaltensprädikatoren für eine frühe und nachhaltige AI-Nutzung. Everett Rogers beschreibt in seiner einflussreichen Diffusion of Innovations Theory (1962, überarb. 2003) fünf Adopterkategorien, von «Innovators» bis zu «Laggards», und zeigt, dass die Bereitschaft, Neues auszuprobieren, massgeblich davon abhängt, wie Individuen Unsicherheit, Komplexität und den wahrgenommenen Wandel durch eine Innovation bewerten (Rogers, 2003, https://doi.org/10.4324/9780203031650). «Innovators» und «Early Adopters» zeichnen sich dabei nicht primär durch überlegenes Fachwissen aus, sondern durch eine grundlegende Neugier und eine höhere Risikobereitschaft im Umgang mit Unbekanntem.
Aktuelle Forschungsbefunde bestätigen, dass dieser Mechanismus auch für AI-Adoption im Arbeitskontext zentral ist. Shao et al. (2025) untersuchen in einer empirischen Studie das Zusammenspiel von Persönlichkeitsmerkmalen und AI-Adoptionsverhalten und zeigen, dass Offenheit für Erfahrungen («Openness to Experience») — ein etabliertes Persönlichkeitskonstrukt aus dem Fünf-Faktoren-Modell — signifikant mit der Bereitschaft korreliert, AI-Tools aktiv in den Arbeitsalltag zu integrieren. Bemerkenswert ist dabei der Befund, dass formale Schulungen allein diese Bereitschaft kaum erhöhen: Der entscheidende Lernimpuls entsteht häufig durch selbstinitiiertes Ausprobieren, nicht durch top-down verordnete Trainings (Shao et al., 2025, https://www.mdpi.com/2076-328X/15/4/491).
Auch der aktuelle SHRM-Bericht «Navigating AI in the Workplace 2026» stützt diesen Befund auf Organisationsebene: Beschäftigte, die AI-Tools eigeninitiativ und explorativ testen durften, wiesen nach sechs Monaten eine signifikant höhere Nutzungsfrequenz und breitere Anwendungsvielfalt auf als jene, die ausschliesslich über strukturierte Schulungsprogramme eingeführt wurden. Der Bericht empfiehlt explizit, organisationale Experimentierräume zu schaffen, in denen Neugier ohne Leistungsdruck ausgelebt werden kann (SHRM, 2026, https://www.shrm.org/topics-tools/research/navigating-ai-in-the-workplace/full-report).
Offenheit für Innovation ist damit keine rein dispositionale Eigenschaft, die Organisationen bei der Personalauswahl berücksichtigen müssten; sie ist auch kulturell formbar. Wer eine Lernkultur etabliert, die Neugier belohnt und Fehler beim Ausprobieren toleriert, schafft die strukturellen Voraussetzungen dafür, dass aus zögerlichen Beobachtenden aktive Nutzende werden.
3.4 Job Relevance (Relevanz für die eigene Arbeit)
Eurofound (2025) zeigt in seiner umfassenden Analyse zu den Auswirkungen von KI auf die europäische Arbeitswelt, dass Adoptionsraten stark nach Berufsgruppe und Tätigkeitsprofil variieren. Wissensarbeiterinnen und Wissensarbeiter in Bereichen wie Kommunikation, Marketing, Beratung, Datenanalyse und Softwareentwicklung berichten konsistent höhere Nutzungsfrequenzen als Beschäftigte in operativen oder manuellen Tätigkeitsfeldern. Der entscheidende Faktor ist dabei die strukturelle Kompatibilität zwischen den Fähigkeiten generativer KI-Systeme — Textgenerierung, Mustererkennung, Informationssynthese — und den dominanten Aufgabentypen einer Berufsrolle (Eurofound, 2025, https://www.eurofound.europa.eu/en/publications/2025/impact-artificial-intelligence-work).
Die OECD (2024) differenziert diesen Befund weiter: Nicht allein die Berufsgruppe, sondern die konkrete Aufgabenkomposition innerhalb einer Rolle bestimmt die Adoptionswahrscheinlichkeit. Beschäftigte, deren Tagesarbeit einen hohen Anteil an kognitiven, sprachbasierten oder analytischen Teilaufgaben enthält, erkennen schneller und häufiger Ansatzpunkte für den produktiven KI-Einsatz. Umgekehrt bleibt die Adoptionsbereitschaft gering, wenn die wahrgenommene Passung zwischen Tool-Fähigkeiten und Arbeitsrealität fehlt, selbst dann, wenn grundsätzliche Offenheit und digitale Kompetenz vorhanden sind (OECD, 2024, https://www.oecd.org/en/publications/2024/ai-skills-and-labour-market.html).
Dieser Befund hat unmittelbare praktische Konsequenzen für die Gestaltung von AI-Einführungen in Organisationen. Eine undifferenzierte Rollout-Strategie, die alle Mitarbeitenden mit denselben Tools und denselben Nutzungsversprechen anspricht, verfehlt die Realität heterogener Tätigkeitsprofile. Wirkungsvoller sind rollenspezifische Einstiegsszenarien, die aufzeigen, an welcher konkreten Stelle im eigenen Arbeitsalltag KI unmittelbar einen Unterschied macht, nicht als abstraktes Zukunftsversprechen, sondern als Antwort auf eine bekannte, alltägliche Aufgabe.
Die entscheidende Frage in der Adoption ist damit nicht «Ist KI gut?», das ist eine gesellschaftliche Debatte. Die relevante Frage auf individueller Ebene lautet: «Hilft mir dieses Tool bei dem, was ich morgen früh tun muss?»
3.5. Risk Perception & Trust (Vertrauen und Risikowahrnehmung)
Vertrauen in KI-Systeme und die Wahrnehmung damit verbundener Risiken wirken als aktive Adoptionsbarriere, selbst dann, wenn Nutzungsbereitschaft, Kompetenz und Aufgabenrelevanz grundsätzlich vorhanden sind.
Die Deloitte European Trust in AI Studies (2024/2025) identifizieren ein konsistentes Cluster an Bedenken: Datenschutz, Datensicherheit, Verlässlichkeit von KI-Outputs, algorithmische Verzerrungen sowie die individuelle Sorge vor negativen Konsequenzen für die eigene Beschäftigung. Bemerkenswert ist, dass diese Bedenken nicht linear mit technischem Wissen abnehmen — auch gut informierte Fachkräfte äussern substanzielle Vorbehalte, wenn organisationale Rahmenbedingungen unklar sind (Deloitte, 2024/2025, https://www.deloitte.com/de/de/pages/risk/articles/european-ai-trust-study.html).
Die OECD zeigt, dass Vertrauen massgeblich von zwei Faktoren abhängt: der Transparenz des KI-Systems selbst und dem institutionellen Vertrauen in den Governance-Rahmen der Organisation. Unternehmen mit klar kommunizierten und nachweisbar eingehaltenen KI-Richtlinien verzeichnen signifikant höhere Adoptionsraten (OECD AI Policy Observatory, https://oecd.ai/en/policy-areas/trust-in-ai).
Der entscheidende Befund: Vertrauen entsteht nicht durch Kommunikation allein. Konkrete Massnahmen wie transparente Nutzungsregeln, definierte Verantwortlichkeiten und sichtbar gelebte Praxis auf Führungsebene wirken stärker als jedes Bekenntnis zur «sicheren KI». Governance ist damit keine bürokratische Begleiterscheinung der AI-Einführung, sondern eine direkte Adoptionsmassnahme.
3.6. Organizational Support & Culture (Organisationale Unterstützung)
Individuelle Bereitschaft allein reicht nicht aus. Selbst motivierte, kompetente Mitarbeitende nutzen AI seltener und oberflächlicher, wenn das organisationale Umfeld keine klare Haltung dazu einnimmt.
McKinsey & Company zeigen in ihren State of AI Reports (2024/2025), dass Unternehmen mit aktiver Führungsunterstützung, strukturierten Trainingsangeboten und expliziten AI Guidelines deutlich höhere Adoptionsraten erzielen als jene, die AI informell und ohne Rahmen einführen. Besonders relevant ist dabei die Signalwirkung von Führung: Wenn Vorgesetzte AI Tools sichtbar und reflektiert einsetzen, steigt die Nutzungsbereitschaft im Team nachweislich (McKinsey, 2024/2025, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai).
Die OECD ergänzt diesen Befund auf kultureller Ebene: Psychologische Sicherheit, also das geteilte Vertrauen, dass Ausprobieren und Fehler keine negativen Konsequenzen haben, ist ein eigenständiger Prädiktor für AI Adoption im Arbeitskontext. Mitarbeitende, die wissen, dass Experimentieren ausdrücklich erwünscht ist, erreichen schneller eine produktive Nutzungsroutine und erschliessen breitere Anwendungsfelder (OECD Workplace AI Studies, https://oecd.ai/en/policy-areas/work).
Organisationale Unterstützung wirkt damit auf zwei Ebenen gleichzeitig: Sie senkt die wahrgenommene Einstiegshürde und erhöht die Bereitschaft, AI nicht nur punktuell auszuprobieren, sondern dauerhaft in Workflows zu integrieren.
Lesen Sie in diesem Wiki mehr über das Thema IT Change Management und wie es gelingt.
4. Warum sollte ich mir das AI Adoption Flywheel anschauen, um AI Adoption bei mir im Unternehmen zu fördern?
Ein Unternehmen kann noch so viel in AI-Tools investieren, wenn die Kultur Fehler bestraft, hat das einen direkte Einfluss auf die Adoption. Genauso nützt die offenste Unternehmenskultur wenig, wenn Mitarbeitende keinen persönlichen Nutzen in den Tools sehen.
Die sechs Einflussfaktoren aus den Abschnitten 3.1 bis 3.6 bilden gemeinsam die Dimensionen des AI Adoption Flywheels ab. Sechs Fragen, eine pro Dimension, zeigen, wo Organisationen heute stehen und wo konkreter Handlungsbedarf besteht:
- Perceived Value: Sehen unsere Mitarbeitenden einen echten Nutzen in ihrem Alltag?
- AI Literacy : Haben sie die digitalen Grundkompetenzen, um AI sinnvoll zu nutzen?
- Openness to Innovation : Gibt es Raum zum Ausprobieren, ohne Angst vor Fehlern?
- Job Relevance : Ist AI für die jeweiligen Rollen überhaupt relevant?
- Trust & Risk Perception : Vertrauen die Menschen den Systemen und dem Rahmen, den wir gesetzt haben?
- Organizational Support : Unterstützt die Führung die Einführung aktiv und sichtbar?
AI Adoption ist kein technisches Problem. Es ist menschliches. Und es braucht Antworten auf allen sechs Ebenen gleichzeitig.
Wie sieht das in der Praxis aus? Im folgenden Abschnitt finden Sie einen kompakten Praxis-Leitfaden. Eine Art Knigge für AI Adoption im Unternehmensalltag.
5. AI Adoption Knigge
Was Führungskräfte und Teams konkret tun können, eine Dimension des Flywheels nach der anderen.
1. Perceived Value: Nutzen sichtbar machen
Konkrete Beispiele zeigen, wie AI die Arbeit im Unternehmen bereits vereinfacht. Nicht abstrakt, sondern rollenbezogen und alltagsnah. Ein Beispiel aus dem eigenen Team wirkt mehr als jede Hochglanzpräsentation. Schon vor Beginn des Projektes denken Sie daran, interne Erfolgsgeschichten zu sammeln und diese aktiv zu teilen. Für jede Rolle zwei bis drei konkrete Anwendungsfälle definieren, bevor man Tools einführt. KPIs, KPIs, KPIs: Zeitersparnis und Qualitätsgewinn messen, wo möglich. Zahlen schaffen Überzeugung.
2. AI Literacy: Kompetenz aufbauen, ohne zu überfordern
Niemand muss alles wissen. Es reicht, genug zu verstehen, um anzufangen.Mit kurzen, praxisorientierten Formaten starten anstatt mit mehrtägigen Schulungen. Auf Peer Learning setzen: Wer AI bereits nutzt, erklärt es den Kolleginnen und Kollegen besser als jeder externe Trainer. Zudem einfache Ressourcen bereitstellen, wie ein internes Wiki, kurze Erklärvideos, eine FAQ-Seite.
3. Openness to Innovation: Experimentierraum schaffen
Neugier braucht Sicherheit. Wer Angst hat, Fehler zu machen, probiert nichts aus. Explizit benennen, dass Ausprobieren erwünscht ist, und auch gerne mehr als einmal sagen. Zudem hilft das Einrichten von geschützten Testumgebungen, in denen Mitarbeitende ohne Konsequenzen experimentieren können. Und ja: Siege gerne feiern! Lernmomente sind Erfolge.
4. Job Relevance: Passgenau einführen
6. Organizational Support: Führung als Vorbild
Mitarbeitende beobachten, was Führungskräfte tun, nicht nur, was sie sagen. Wo AI Tools auf Führungsebene sichtbar und reflektiert eingesetzt werden, steigt die Bereitschaft im Team nachweislich. AI Adoption als strategisches Thema in Führungsgesprächen und Zielvereinbarungen zu verankern, sendet ein klares Signal. Genauso wie Zeit und Budget für Weiterbildung: Wer beides nicht bereitstellt, signalisiert, dass es nicht wirklich wichtig ist.
AI Adoption gelingt nicht durch ein einzelnes Projekt. Sie entsteht durch viele kleine, konsistente Entscheidungen auf allen sechs Ebenen, jeden Tag.
5. Fazit & was jetzt wirklich zählt
AI als Technologie-Transformation zieht eine grundlegende Workforce- und Workflow-Transformation hinter sich her.
Der Erfolg kommt nicht aus Algorithmen oder Modellen. Er entsteht dort, wo Menschen befähigt werden, das Potenzial von AI in ihrer täglichen Arbeit zu nutzen. Das ist der entscheidende Unterschied zwischen Unternehmen, die AI wirklich einführen, und solchen, die beim Pilotprojekt stecken bleiben.
Training unterschätzen ist der teuerste Fehler, aber Neugier kommt zuerst.
Das ist kein Widerspruch: Viele Menschen kommen über Ausprobieren zur AI und das ist gut so. Neugier ist die Einstiegsdroge. Aber damit aus dem ersten Experiment nachhaltige Adoption wird, braucht es mehr: strukturiertes Upskilling, das Prozessverständnis vermittelt, Change-Kompetenz aufbaut und Menschen darin stärkt, mit Unsicherheit umzugehen. Wer nur in Tools investiert, aber nicht in Menschen, wird keine nachhaltige Adoption sehen.
Einfach anfangen, statt perfekt zu planen.
Nicht jeder Use Case muss einen grossen Business Impact haben. Das ist nicht der Punkt. Use Cases mit niedrigen Einstiegshürden sind ein guter Anfang: Urlaubsplanung, Meeting-Zusammenfassungen, das Strukturieren von Notizen aus einem halben-Tag-Workshop. Was zählt, ist das Erfolgserlebnis. Wer einmal gespürt hat, was AI kann, bleibt dabei.
AI Adoption passiert nicht von allein.
Die gute Nachricht: Die sechs Faktoren im AI Adoption-Flywheel sind beeinflussbar. Perceived Value lässt sich kommunizieren. AI Literacy lässt sich aufbauen. Vertrauen lässt sich verdienen. Kultur lässt sich gestalten.
Wer die Faktoren kennt und auf die eigenen Teams und Bedingungen anpasst, gibt AI Adoption einen echten Schub.
Der Wert kommt nicht aus Algorithmen oder Modellen. Er entsteht dort, wo Menschen befähigt werden, das Potenzial von AI in ihrer täglichen Arbeit zu nutzen. Das ist der entscheidende Unterschied zwischen Unternehmen, die AI wirklich einführen, und solchen, die beim Pilotprojekt stecken bleiben.
Für konkrete Unterstützung bei IT Change Management und Adoption-KPIs:
Vereinbaren Sie hier einen Austausch mit Robert zu diesem Thema. Im Gespräch geht es um IT Change Management von Stakeholder-Alignment und Kommunikation bis zu Adoption-KPIs und nachhaltiger Verankerung im Alltag.
Quellenverzeichnis und weiterführende Literatur
- Davis, F.D. & Granić, A. (2024): The Technology Acceptance Model: 30 Years of TAM, Springer Nature (Grundlagenwerk zum Technology Acceptance Model / TAM)
- Dwivedi et al. (2023): Generative AI Adoption Studies, verfügbar über ResearchGate und Fachzeitschriften
- Eurofound (2025): Collective Bargaining on Artificial Intelligence at Work 🔗 https://www.eurofound.europa.eu
- OECD (2024): AI and the Future of Work https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en.html
- McKinsey & Company (2025): The State of AI: Agents, Innovation, and Transformation 🔗 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- McKinsey & Company (2025): AI in the Workplace 🔗 https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
- Deloitte (2024/2025): European Trust in AI Studies 🔗 https://www.deloitte.com/insights
- Rogers, E.M. (1962/2003): Diffusion of Innovations, 5th ed., Free Press, New York 🔗 https://www.researchgate.net/publication/257624104
- European Commission (2024): State of the Digital Decade 2024 / Digital Economy and Society Index (DESI) 🔗 https://digital-strategy.ec.europa.eu/en/policies/2024-state-digital-decade-package
- Shao et al. (2025): The Impact of AI Usage on Innovation Behavior at Work: The Moderating Role of Openness and Job Complexity, Behavioural Sciences 🔗 https://www.mdpi.com/2076-328X/15/4/491
- SHRM (2026): Navigating AI in the Workplace 2026 🔗 https://www.shrm.org/topics-tools/research/navigating-ai-in-the-workplace/full-report
- PwC / WEF (2025): Global Workforce Hopes and Fears Survey 2025 🔗 https://www.pwc.com/gx/en/issues/workforce/hopes-and-fears.html
_________________________________________________________________
Dieses Wiki basiert auf dem Vortrag von Yvonne Avaro beim Analytics Summer Apéro 2026. LINK: https://s-peers.com/analytics-analytics-summer-apero-2026-aufzeichnungen/
6. FAQs
Die häufigsten Ursachen sind fehlender wahrgenommener Nutzen, mangelndes Vertrauen in AI-Systeme und eine Unternehmenskultur, die Experimentieren nicht zulässt. Viele Einführungsprojekte scheitern nicht an der Technologie, sondern daran, dass Mitarbeitende keinen persönlichen Mehrwert in den Tools sehen oder Angst vor Konsequenzen bei Fehlern haben.
Laut Deloitte brauchen die meisten Organisationen 12 Monate oder mehr, um Governance, Training, Vertrauen und Datenfragen so weit zu klären, dass AI-Nutzung skaliert werden kann. Erste messbare Effekte auf Produktivität und Arbeitsqualität zeigen sich oft schon nach wenigen Wochen bei einzelnen Teams, flächendeckende Adoption ist ein längerer Prozess.
AI Adoption beschreibt, ob, wie häufig und wie wirksam Mitarbeitende AI Tools in ihrem Alltag einsetzen. Es geht nicht nur um die reine Nutzungsfrequenz, sondern auch darum, ob AI das Arbeiten tatsächlich verändert, ob sie in Entscheidungen einfliesst, Prozesse beschleunigt und echten Mehrwert stiftet. AI Integration geht einen Schritt weiter: Sie beschreibt, ob AI systematisch in Prozesse, Workflows und Entscheidungsstrukturen eingebettet ist. Viele Unternehmen haben hohe Adoption auf Individualebene, aber noch keine echte Integration auf Organisationsebene.
Knowledge Workers in Kommunikation, Marketing, Consulting, Analytics und Softwareentwicklung zeigen die höchsten Adoptionsraten. Das liegt daran, dass AI-Tools dort direkt auf Kernaufgaben wie Texterstellung, Datenanalyse und Code-Generierung einzahlen. Je höher die Job Relevance, desto schneller die Adoption.
AI-Literacy bezeichnet das Verständnis dafür, was AI-Systeme können, wo ihre Grenzen liegen und wie man sie sinnvoll einsetzt. Wer AI-Literacy besitzt, experimentiert häufiger, nutzt Tools effektiver und überwindet die anfängliche Unsicherheit schneller. AI-Literacy ist damit eine der wichtigsten Voraussetzungen für nachhaltige Adoption.
Vertrauen wirkt auf zwei Ebenen: Vertrauen in die Technologie selbst (Genauigkeit, Datenschutz, Transparenz) und Vertrauen in die Organisation (klare Regeln, fairer Umgang, keine Jobangst). Fehlt eines von beiden, bleibt die Bereitschaft zur Nutzung gering, selbst wenn die Tools technisch ausgereift sind.
Führungskräfte haben einen direkten Einfluss auf fünf der sechs Faktoren im AI Adoption Flywheel. Konkret helfen: AI selbst sichtbar nutzen und darüber sprechen, klare Guidelines und Governance-Rahmen schaffen, Experimentieren explizit erlauben, Weiterbildung ermöglichen und Quick Wins im Team feiern. Adoption folgt dem Verhalten der Führung.
AI Adoption ist Change-Management. Die Faktoren im Flywheel spiegeln genau das wider, was Veränderungsprozesse gelingen oder scheitern lässt: Nutzen, Vertrauen, Sicherheit, Einbindung.
