Die Ausgangslage: Viele Piloten, wenig Beweis
Der McKinsey Global Survey on AI (November 2025) zeigt: Die Mehrheit der Unternehmen steckt auf Unternehmensebene weiterhin in der Experimentier- oder Pilotphase. Nur rund ein Drittel hat mit dem Skalieren begonnen.
Die im März 2026 veröffentlichte Studie «Economic Maturity for Artificial Intelligence» des Return on AI Institute (Davenport/Srinivasan, 1'006 C-Level-Führungskräfte aus 11 Ländern und 32 Branchen) präzisiert das Bild: 90% der Organisationen berichten von Wert aus AI — aber nur eine Minderheit hat die Fähigkeiten aufgebaut, diesen Wert konsistent zu erfassen. Auf der untersten Reifestufe — Experimente ohne jede Bewertung — erzielen nur 4% der Unternehmen hohen Wert aus AI.
Das Muster ist bekannt: Viele Initiativen, wenig Nachweis. Und ohne Nachweis ist das AI-Budget in der nächsten Sparrunde das erste, das zur Diskussion steht.
Warum «überall gleichzeitig» scheitert
Der naheliegende Reflex auf ein neues Operating Model ist ein grosses Programm: alle ARTs, alle Rollen, alle Prozesse auf einmal. Genau das empfehlen wir nicht — aus drei Gründen:
- Die Validierung wächst nicht mit. Wenn AI die Produktion beschleunigt, aber niemand prüft, ob das Gebaute sicher und wertvoll ist, entsteht Rückstau statt Nutzen. Ein Programm über zehn ARTs verzehnfacht dieses Problem.
- AI-Native SAFe® ist Early Access. Details ändern sich bis zum SAFe® Summit im September noch. Wer jetzt breit ausrollt, rollt Zwischenstände aus.
- Ohne lokalen Beweis fehlt die Zugkraft. Ein Transformationsprogramm ohne eigenen, messbaren Erfolgsfall stützt sich auf fremde Studien. Ein ART mit belegtem Outcome überzeugt die restliche Organisation schneller als jede Folienpräsentation.
Die RoAI-Studie bringt es auf den Punkt: Die Lücke zwischen AI-Investition und AI-Ertrag ist kein Technologieproblem, sondern ein Mess-, Governance- und Verantwortungsproblem. Diese Disziplin baut man im Kleinen auf — und skaliert sie dann.
Ein ART
Wählen Sie einen einzigen Agile Release Train als Startpunkt. Drei Kriterien haben sich bewährt:
- Echter Geschäftsschmerz. Ein Bereich, in dem ein besseres Ergebnis für alle sichtbar zählt — Durchlaufzeit, Qualität, Kundenzufriedenheit, Kosten.
- Verfügbare Daten. AI ohne brauchbare Daten produziert Aktivität, keine Wirkung. Der Start-ART sollte auf Daten zugreifen können, die heute schon existieren.
- Führung, die mitzieht. Nicht der Vorzeige-ART, nicht das Sorgenkind. Ein Train mit einer Führung, die bereit ist, Outcomes zu definieren und sich daran messen zu lassen.
Ein Outcome
Hier liegt der eigentliche Unterschied zu klassischen Piloten. Bevor irgendetwas gebaut wird, definiert der ART ein messbares Outcome — nicht einen Output.
- Output: «Wir führen einen AI-Assistenten im Kundenservice ein.»
- Outcome: «Wir reduzieren die durchschnittliche Bearbeitungszeit pro Anfrage um 20% bei gleichbleibender Kundenzufriedenheit.»
Zwei Regeln dazu:
- Baseline ab Tag 1. Messen Sie den Ist-Zustand, bevor die AI produktiv geht. Eine Vorher-Nachher-Messung lässt sich später kaum rekonstruieren — und genau sie macht den Unterschied. Die RoAI-Daten zeigen: Organisationen, die realisierten Wert nach Einführung messen, erreichen mit 44% mehr als doppelt so häufig hohen AI-Wert wie solche, die produktiv laufen, aber nicht bewerten (18%).
- CFO-tauglich formulieren. Ein Outcome, das Finance nachvollziehen und validieren kann, überlebt Budgetrunden. Ein Outcome, das nur das AI-Team versteht, nicht.
Ein Experiment
Das Experiment ist der kleinste produktive Einsatz, der das Outcome bewegen kann — kein Proof of Concept im Labor, sondern ein Use Case im echten Betrieb, zeitlich begrenzt:
- Timebox: ein Program Increment, typischerweise 8–12 Wochen.
- Messung eingebaut: Baseline vorher, Wirkung nachher, durch jemanden geprüft, der nicht selbst gebaut hat.
- Kriterien vorab: Was passiert bei Erfolg (skalieren), was bei Misserfolg (stoppen)? Beides vor dem Start festlegen — nicht danach verhandeln.
Wichtig: Ein gestopptes Experiment mit sauberer Messung ist kein Scheitern. Es ist eine belegte Entscheidung — und damit mehr, als die meisten AI-Piloten je liefern.
Was Sie für den Start nicht brauchen
Ehrlicherweise gehört auch das dazu:
- Kein unternehmensweites AI-Programm. Das kommt später — mit eigenem Beweismaterial.
- Keine finale Tool-Entscheidung. Für ein Experiment genügen die Werkzeuge, die der ART heute erreichen kann.
- Kein fertiges Governance-Handbuch. Für den Start reichen Leitplanken: Welche Daten dürfen verwendet werden, wer prüft die Ergebnisse, welche Entscheidungen bleiben beim Menschen. Das ist an einem Workshop-Tag definierbar.
Vom Experiment zum Muster
Nach der Timebox liegen drei Dinge auf dem Tisch: eine Baseline, ein gemessenes Ergebnis und eine dokumentierte Vorgehensweise. Damit verändert sich das Gespräch in der Organisation.
Aus «Sollten wir etwas mit AI machen?» wird «Der ART X hat Outcome Y in 12 Wochen messbar bewegt — wo wiederholen wir das?»
Das ist der Übergangspfad, den AI-Native SAFe® meint: bestehende Strukturen nutzen, einen Zug nach dem anderen, mit Messdisziplin von Anfang an. Kein Neustart — eine Erweiterung, die sich selbst beweist.
Ausblick und Empfehlung
Der Wettlauf geht nicht darum, wer zuerst am meisten AI einsetzt. Er geht darum, wer zuerst belegen kann, dass AI Wert schafft — gegenüber Kunden, Mitarbeitenden und dem Verwaltungsrat.
Ein ART, ein Outcome, ein Experiment: Das ist der kleinste Schritt, der diesen Beleg liefert. Und er ist diese Woche startbar.
Nächste Schritte
Wissen, wo Sie stehen: Unser AI Value Maturity Quickcheck zeigt Ihnen in wenigen Minuten, auf welcher Messreife-Stufe Ihre Organisation steht — und was der nächste Schritt ist. → Quickcheck starten
Für Führungskräfte und Portfolio-Verantwortliche: Was AI-Native SAFe® als Operating Model bedeutet, lesen Sie hier. → AI-Native SAFe®: Das Operating Model für die AI-Native Organisation
Für Scrum Master, Product Owner, RTEs und Product Manager: Was sich für Ihre Rolle ändert — und wer im Experiment die Messverantwortung trägt: → Was AI-Native SAFe® für Ihre Rolle bedeutet → AI Value Architect: Die neue Rolle im AI-Native SAFe®
Bleiben Sie auf dem Laufenden: Wir begleiten jede Early-Access-Session auf Deutsch und berichten im September direkt vom SAFe® Summit in San Diego. → LinkedIn folgen
Mehr zu den AI-Native Kursen und Inhouse-Formaten von Taleon finden Sie auf unserer AI-Native Seite.
Quellen
- Scaled Agile — «New Release: AI-Native SAFe is the Operating Model for the AI-Native Organization», Andrew Sales, 23. Juni 2026 https://framework.scaledagile.com/blog/ai-native-safe-is-the-operating-model-for-the-ai-native-organization
- Return on AI Institute — «Economic Maturity for Artificial Intelligence: How Organizations Measure and Maximize Value from Artificial Intelligence», Thomas H. Davenport & Laks Srinivasan, März 2026 https://roaiinstitute.com/white-paper/economic-maturity-for-artificial-intelligence
- McKinsey & Company — «The state of AI in 2025: Agents, innovation, and transformation», QuantumBlack, 5. November 2025 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- PwC — «2026 AI Business Predictions», Dezember 2025 https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-predictions.html
- SAFe® Summit San Diego, 14.–18. September 2026 https://safesummit.com/2026sandiego/
