KI in KMU systematisch einführen: Das TOE-DOI-Framework

Die Forschung zu KI-Adoption in KMU ist fragmentiert: Eine Studie nennt fehlende Daten als Hauptproblem, die nächste die Unternehmenskultur, eine dritte die Finanzierung. Das TOE-DOI-Framework (Technology-Organization-Environment + Diffusion of Innovation) ordnet diese Einzelbefunde in ein System. Wir zeigen, was die aktuelle Forschung empfiehlt – und wie der Mittelstand davon profitiert.

1. Der Kontext: Was die Forschung sagt

Zwei komplementäre Studien aus dem Jahr 2025 liefern den theoretischen Rahmen: Die MDPI-Studie "AI Adoption in SMEs: Survey Based on TOE-DOI Framework" und die IJSRA-Arbeit "AI in SMEs: A Holistic Approach for Successful Implementation". Beide kombinieren das klassische TOE-Modell (Technology, Organization, Environment) mit Elementen der Diffusion-of-Innovation-Theorie.

Das Ergebnis ist ein konsistentes Bild: KI-Adoption in KMU scheitert nicht an einer einzelnen Barriere, sondern an deren Wechselwirkung. Ein Unternehmen mit exzellenten Daten aber ohne Führungsunterstützung scheitert. Eines mit engagiertem Management aber ohne IT-Infrastruktur ebenfalls. Die Regression der MDPI-Studie zeigt: Technologische Barrieren (β = -0,38), organisatorische Barrieren (β = -0,34) und Umweltbarrieren (β = -0,42) erklären zusammen 56 Prozent der Varianz in der Adoption-Bereitschaft (R² = 0,56).

Die IJSRA-Studie ergänzt dies um ein sieben-säuliges Framework: strategische, organisatorische, datenbezogene, technologische, humane, finanzielle und ethische Dimensionen. Ihr zentraler Befund: Es gibt keine "AI Readiness" als Einzelgröße. Ein Unternehmen kann in der Technologie reif sein, in der Datenkultur aber noch am Anfang stehen.

2. Die Kernergebnisse

Zehn Barrieren blockieren den KI-Einstieg: Die systematische Auswertung identifiziert zehn wiederkehrende Barrieren, die in nahezu allen untersuchten Studien auftauchen:

• Wissens- und Kompetenzlücken: Fehlendes internes technisches Know-how für KI-Projekte.
• Skalierbarkeitsprobleme: Hohes Risiko und Komplexität beim Skalieren von KI-Lösungen.
• Finanzielle Limitationen: Hohe initiale und laufende Kosten für KI-Systeme.
• Datendefizite: Unzureichende, unstrukturierte oder qualitativ mangelhafte Daten.
• Infrastruktur- und Integrationsprobleme: Inkompatible Legacy-Systeme und fehlende KI-fähige Infrastruktur.
• Kultureller Widerstand: Organisatorische Ängste, Trägheit und fehlender Innovationsmindset.
• Human-AI-Produktivitätsfehlanpassung: Sorge vor Automatisierung und Arbeitsplatzverlust.
• Schwache Public-Private-Kollaboration: Begrenzter Zugang zu geteiltem Wissen, Fördermitteln oder Plattformen.
• Begrenzter Zugang zu Gen-AI: Barrieren bei der Nutzung modernster KI-Technologien.
• Fehlende Responsible-AI-Governance: Mangelnde ethische Standards und Transparenz.

Environmental Barriers wiegen am schwersten: Die Regressionsanalyse zeigt, dass Umweltfaktoren (regulatorische Unsicherheit, fehlende staatliche Unterstützung, schwache Ökosysteme) den stärksten negativen Einfluss auf die Adoption-Bereitschaft haben (β = -0,42). Das bedeutet: Selbst ein technisch gut gerüstetes Unternehmen mit engagiertem Management kann scheitern, wenn das regulatorische Umfeld unsicher oder die lokale KI-Infrastruktur unterentwickelt ist.

Eine 6-Phasen-Roadmap funktioniert: Die MDPI-Studie schlägt eine strukturierte Implementierungsmethodik vor, die in sechs Phasen KI-Adoption systematisch angeht: Readiness Assessment, Zieldefinition und Use-Case-Auswahl, Auswahl der KI-Lösung, pilotgetriebene Implementierung, Training und Change Management, sowie Messung, Anpassung und Skalierung. Diese Phasen sind nicht theoretisch, sondern aus der Analyse erfolgreicher und gescheiterter KMU-Projekte abgeleitet.

3. Was die Forschung kritisch sieht

Auch diese Studien haben methodische Grenzen:

• Begrenzte empirische Validierung: Das 6-Phasen-Modell ist theoretisch fundiert, aber noch nicht breitflächig in verschiedenen Branchen und Ländern getestet. Die Autoren selbst weisen darauf hin, dass "zukünftige Forschung die Operationalisierung durch Fallstudien, Umfragen und Langsschnittstudien validieren sollte".
• Selektive Stichproben: Die meisten TOE-DOI-Studien basieren auf KMU, die bereits mit Digitalisierung beschäftigt sind. Unternehmen, die KI noch nicht auf dem Radar haben, fehlen in den Datensätzen systematisch.
• Kontextabhängigkeit: Das TOE-Framework stammt ursprünglich aus der Innovationsforschung für Großunternehmen. Ob alle Dimensionen für KMU gleich gewichtet sind, bleibt unklar. Ein KMU mit 15 Mitarbeitern hat andere organisatorische Strukturen als ein Konzern – das Framework berücksichtigt diese Skalierung nur unzureichend.

4. Was das für KMUs bedeutet

Aus dem TOE-DOI-Framework lassen sich drei konkrete Handlungsempfehlungen ableiten:

1. Führen Sie ein Readiness Assessment durch, bevor Sie Budget freigeben. Die erste Phase der Roadmap ist kein formelles Ritual, sondern die wichtigste. Bewerten Sie ehrlich: Welche Daten haben wir? Wie sieht unsere IT-Infrastruktur aus? Haben wir interne Kompetenz? Welche regulatorischen Anforderungen (EU AI Act) treffen auf uns zu? Ein ehrliches Assessment verhindert, dass Sie in eine Lösung investieren, für die Ihre Organisation noch nicht bereit ist.

2. Definieren Sie den Use-Case vor der Technologie. Die erfolgreichsten KMU in den Studien wählten nicht zuerst ein Tool, sondern ein messbares Problem: Reduzierung der DSO um 10 Tage, Senkung der Churn Rate um 2 Prozentpunkte, Erhöhung der OEE um 5 Prozent. Erst dann wurde die passende KI-Lösung ausgewählt. Diese Reihenfolge – Problem vor Technologie – reduziert das Scheiterrisiko signifikant.

3. Skalieren Sie in Phasen, nicht in Sprints. Die Roadmap empfiehlt: 30 Tage Pilot, 90 Tage Evaluation, 6 Monate bis zum zweiten Modul. Diese Zeiträume sind nicht willkürlich, sondern aus der Analyse erfolgreicher Projekte abgeleitet. KMU, die versuchen, alles gleichzeitig einzuführen, zeigen Abbruchraten von über 60 Prozent. Diejenigen, die phasenweise vorgehen, erreichen stabile Nutzung nach 12 Monaten.

5. Quellen

MDPI Applied Sciences (2025). AI Adoption in SMEs: Survey Based on TOE-DOI Framework, Primary Methodology and Challenges. DOI: 10.3390/app15126465 – Empirische Umfrage mit 6-Phasen-Implementierungsmethodik und Regressionsanalyse (R² = 0,56).

IJSRA (2025). AI in SMEs: A Holistic Approach for Successful Implementation. PDF Download – Sieben-Säulen-Framework für KI-Readiness in KMU.

Journal of Innovation & Knowledge (2025). Artificial Intelligence Adoption Dynamics and Knowledge in SMEs and Large Firms: A Systematic Review and Bibliometric Analysis. DOI: 10.1016/j.jik.2025.100620 – Bibliometrische Analyse von 78 Papers mit 10-Dimensionen-Modell.

Hinweis: Diese Zusammenfassung ist eine redaktionelle Aufbereitung. Für wissenschaftliche Zwecke zitieren Sie bitte die Originalquellen.

Verwandte Inhalte

• KI-Adoption in KMU: Was der OECD-G7-Report 2025 lehrt
• KI im deutschen Mittelstand: Die Bitkom-Studie 2024
• Predictive Analytics in KMU: Von der Theorie zur Praxis
• KI-Strategie für den Mittelstand: Ein 90-Tage-Plan
• Middleware – Systemintegration für den Mittelstand