KI-Strategie für den Mittelstand: Roadmap 2026
Die Produktivitätsschere geht auf: Unternehmen sollen laut Branchenschätzungen deutlich mehr Aufgaben bewältigen — bei nur moderat wachsenden Personalbudgets. Generative KI verspricht, diese Lücke zu schließen. Doch während Konzerne dedizierte KI-Abteilungen mit zweistelligen Millionenbudgets aufbauen, stehen Mittelständler vor einer anderen Realität: begrenzte Ressourcen, fragmentierte Datenlandschaften und die Frage, wo man überhaupt anfängt. Dieser Guide liefert eine praxiserprobte 5-Phasen-Roadmap — vom ersten Use Case bis zur skalierten KI-Governance.
Warum 2026 das Entscheidungsjahr für KI im Mittelstand ist
Die Produktivitätslücke — mehr Arbeit, weniger Spielraum
Die Gleichung ist simpel und unbequem zugleich: Geschäftsprozesse werden komplexer, regulatorische Anforderungen steigen (Stichwort AI Act und NIS2), und die Kundennachfrage nach digitalen Services wächst. Gleichzeitig stagnieren Personalbudgets oder wachsen nur im niedrigen einstelligen Prozentbereich. Laut Branchenanalysen (u. a. Hackett Group, GBS Study 2026) wächst das Arbeitsvolumen in Shared-Services-Bereichen schneller als die Personalkapazität — ein Trend, den der Mittelstand besonders spürt, weil dort selten Pufferkapazitäten existieren.
Generative KI ist kein Allheilmittel. Aber sie ist die derzeit einzige Technologie, die Produktivitätsgewinne in der Größenordnung von Orientierungswert 20–40 Prozent bei wissensintensiven Aufgaben verspricht — wenn sie richtig eingesetzt wird.
Was Konzerne anders machen (und was der Mittelstand davon lernen kann)
Großunternehmen haben drei strukturelle Vorteile bei der KI-Einführung:
- Dedizierte KI-Teams: Data Scientists, ML Engineers und Prompt Engineers als eigene Organisationseinheit.
- Zentrale Datenplattformen: Data Lakes und Warehouses, die über Jahre aufgebaut wurden.
- Experimentierbudgets: Mittel für Proof-of-Concepts ohne sofortigen ROI-Nachweis.
Der Mittelstand kann und muss das nicht kopieren. Was er lernen kann: die Systematik. Kein erfolgreiches KI-Programm im Konzernumfeld startete mit „Lasst uns mal ChatGPT ausprobieren". Jedes begann mit einer Bestandsaufnahme, klaren Prioritäten und messbaren Zielen. Laut Capgemini Top Tech Trends 2025 priorisieren erfolgreiche Unternehmen KI-Anwendungen entlang konkreter Geschäftsergebnisse — nicht entlang technologischer Möglichkeiten.
Fünf Phasen der KI-Roadmap
Phase 1 — Bestandsaufnahme und Use-Case-Priorisierung (Monat 1–2)
Bevor Sie auch nur ein Tool evaluieren, brauchen Sie Klarheit über drei Fragen:
- Wo entstehen die größten Reibungsverluste? Identifizieren Sie Prozesse mit hohem manuellem Aufwand, häufigen Fehlern oder langen Durchlaufzeiten.
- Wo sind Daten verfügbar? KI ohne Daten ist wie ein Motor ohne Treibstoff. Prüfen Sie, welche Prozesse bereits digital dokumentiert sind.
- Wo ist der Business Impact am größten? Nicht jeder automatisierbare Prozess ist auch der wertvollste.
Praktisches Vorgehen: Führen Sie einen zweitägigen Workshop mit Fachbereichsleitern und IT durch. Sammeln Sie Use Cases in einer einfachen Matrix:
| Use Case | Geschäftswert (1–5) | Datenverfügbarkeit (1–5) | Komplexität (1–5) | Priorität |
|---|---|---|---|---|
| Angebotserstellung automatisieren | 5 | 4 | 3 | ⭐ Hoch |
| Predictive Maintenance | 4 | 2 | 4 | Mittel |
| Chatbot für Kundenservice | 3 | 3 | 2 | Mittel |
| Qualitätskontrolle per Vision AI | 5 | 1 | 5 | Niedrig (Daten fehlen) |
Ergebnis: Eine priorisierte Liste von 3–5 Use Cases, sortiert nach dem Verhältnis von Geschäftswert zu Umsetzungsaufwand.
Häufiger Fehler in Phase 1: Use Cases werden nach technologischer Faszination ausgewählt, nicht nach Geschäftswert. „Computer Vision für Qualitätskontrolle" klingt beeindruckend — aber wenn die Bilddaten fehlen und der aktuelle Prozess gut funktioniert, ist das Angebotswesen mit seinen 2.000 manuell erstellten Angeboten pro Quartal der bessere Startpunkt. Lassen Sie die Fachbereiche priorisieren, nicht die IT.
Phase 2 — Pilotprojekt mit klaren KPIs (Monat 3–5)
Wählen Sie einen Use Case aus Ihrer Prioritätsliste — den mit dem besten Verhältnis aus erwartetem Impact und Machbarkeit. Widerstehen Sie der Versuchung, mehrere Piloten gleichzeitig zu starten.
Erfolgskriterien definieren — bevor Sie beginnen:
- Quantitative KPIs: Bearbeitungszeit pro Vorgang, Fehlerquote, Kosten pro Transaktion.
- Qualitative KPIs: Nutzerzufriedenheit, Akzeptanz im Team, Qualität der Ergebnisse.
- Leitplanken: Maximales Budget, Zeitrahmen, Abbruchkriterien.
Typischer Pilot im Mittelstand: Ein Unternehmen mit 500 Mitarbeitenden implementiert einen KI-gestützten Assistenten für die Angebotserstellung. Das System greift auf historische Angebote, Produktkataloge und Kundendaten zu und erstellt Entwürfe, die Vertriebsmitarbeiter prüfen und anpassen. Orientierungswert für die Zeitersparnis: laut Branchenerfahrungen oft im Bereich von 30–50 Prozent pro Angebot.
💡 Tipp: Messen Sie nicht nur die Zeitersparnis, sondern auch die Qualität. Ein KI-generiertes Angebot, das in 50 % der Fälle komplett überarbeitet werden muss, spart weniger als die Rohdaten vermuten lassen.
Phase 3 — Dateninfrastruktur nachrüsten (Monat 4–8)
Der Pilot wird eines offenlegen: Ihre Daten sind nicht so sauber, wie Sie dachten. Das ist normal. Phase 3 ist der Moment, in dem Sie die Grundlagen für skalierbare KI schaffen.
Drei Maßnahmen mit dem größten Hebel:
- Datenqualität systematisch verbessern: Definieren Sie Qualitätsstandards für die Kerndatenbestände (Kunden, Produkte, Lieferanten). Mehr dazu in unserem Guide Datenqualität als KI-Fundament.
- Daten-Silos aufbrechen: Verbinden Sie ERP, CRM und Produktionssysteme über standardisierte Schnittstellen. Sie brauchen keinen Data Lake — aber Sie brauchen Zugriff.
- Master Data Management etablieren: Bestimmen Sie für jeden Datenbestand einen verantwortlichen Data Owner. Ohne klare Verantwortlichkeiten bleibt Datenqualität ein Zufallsprodukt.
Phase 4 — Skalierung auf 3–5 Geschäftsbereiche (Monat 6–14)
Wenn der Pilot erfolgreich war und die Dateninfrastruktur steht, skalieren Sie systematisch. Nicht alles gleichzeitig — sondern in Wellen.
Welle 1 (Monat 6–9): Zwei weitere Use Cases aus der Prioritätsliste. Idealerweise in verschiedenen Fachbereichen, um organisatorisches Lernen zu fördern.
Welle 2 (Monat 10–14): Erweiterung auf komplexere Anwendungsfälle, die möglicherweise eigene Modelle oder Fine-Tuning erfordern. In dieser Phase zeigt sich, ob Ihre Dateninfrastruktur trägt. Unternehmen, die Phase 3 ernst genommen haben, skalieren hier deutlich schneller.
Welle 3 (ab Monat 12): Integration von KI in Kernprozesse. Hier geht es nicht mehr um Einzelprojekte, sondern um die Verankerung von KI als Standardwerkzeug im Arbeitsalltag. Beispiel: Jeder Vertriebsmitarbeiter nutzt KI-Unterstützung bei Kundeninteraktionen, nicht nur ein Pilotteam.
Skalierungsmuster im Mittelstand:
| Bereich | Typische KI-Anwendung | Komplexität |
|---|---|---|
| Vertrieb | Angebotserstellung, Lead-Scoring | Niedrig–Mittel |
| Kundenservice | Chatbot, Ticket-Klassifikation | Niedrig |
| Produktion | Predictive Maintenance, Qualitätskontrolle | Mittel–Hoch |
| Finanzen | Rechnungsprüfung, Forecast-Unterstützung | Mittel |
| HR | Bewerbungsvorauswahl, Onboarding-Assistent | Niedrig–Mittel |
Wichtig: Jede Welle braucht einen Business Owner aus dem Fachbereich — nicht nur einen IT-Projektleiter. KI-Projekte scheitern selten an der Technik. Sie scheitern an fehlender Adoption.
Phase 5 — Governance und kontinuierliche Optimierung (ab Monat 10, dauerhaft)
Spätestens wenn KI in mehreren Geschäftsbereichen im Einsatz ist, brauchen Sie verbindliche Spielregeln. Governance ist kein bürokratisches Hindernis — sie ist die Voraussetzung dafür, dass KI skalierbar und compliant bleibt.
Kernelemente der KI-Governance:
- KI-Policy: Welche Daten dürfen in welche Systeme fließen? Welche Anwendungen sind erlaubt, welche nicht?
- Risikobewertung: Klassifizierung jedes KI-Use-Cases nach Risikoniveau (orientiert am EU AI Act).
- Monitoring: Regelmäßige Überprüfung der Modell-Performance, Bias-Checks, Qualitätsaudits. KI-Modelle degradieren über die Zeit — wenn sich die Eingabedaten ändern, muss das Modell nachgezogen werden (Model Drift Monitoring).
- Rollen: Wer ist verantwortlich für KI-Entscheidungen? Wer gibt neue Anwendungen frei? Definieren Sie einen klaren Freigabeprozess: Jede neue KI-Anwendung durchläuft eine Risikobewertung, einen technischen Review und eine Business-Freigabe, bevor sie in die Produktion geht.
- Audit-Trail: Dokumentieren Sie alle KI-Entscheidungen nachvollziehbar. Das ist nicht nur regulatorisch geboten — es ist auch operativ unverzichtbar, um Fehler zu diagnostizieren und die Systeme zu verbessern.
Budget realistisch planen — was KI-Projekte im Mittelstand kosten
Kostenblöcke: Lizenzen, Infrastruktur, Personal, externe Beratung
Die häufigste Frage von Mittelstands-CIOs: „Was kostet das?" Die ehrliche Antwort: Es kommt darauf an. Aber die folgenden Orientierungswerte helfen bei der Budgetplanung.
Die vier Kostenblöcke:
- Software und Lizenzen: Cloud-KI-Dienste (Azure OpenAI, AWS Bedrock, Google Vertex AI) rechnen typischerweise nach Verbrauch ab. Für erste Piloten liegen die Kosten oft im niedrigen fünfstelligen Bereich pro Jahr.
- Infrastruktur: GPU-Kapazitäten für eigenes Training sind teuer. Für die meisten Mittelständler ist die Cloud-Variante (Pay-per-Use) wirtschaftlicher als eigene Hardware.
- Personal: Der größte Kostenfaktor. Mindestens eine Person mit KI-Kompetenz intern — idealerweise ergänzt durch externe Spezialisten in der Aufbauphase.
- Externe Beratung: Implementierungspartner für den Pilot und die erste Skalierungswelle. Tagessätze für KI-Berater bewegen sich laut Branchenschätzungen im Bereich von 1.500–2.500 Euro.
Beispiel-Budget für ein Unternehmen mit 500 Mitarbeitenden (Orientierungswerte)
| Kostenblock | Jahr 1 (Pilot + Phase 2–3) | Jahr 2 (Skalierung) |
|---|---|---|
| Cloud-KI-Lizenzen | 30.000–60.000 € | 80.000–150.000 € |
| Infrastruktur (Cloud) | 15.000–30.000 € | 30.000–60.000 € |
| Personal (1–2 FTE) | 80.000–160.000 € | 160.000–250.000 € |
| Externe Beratung | 60.000–120.000 € | 30.000–60.000 € |
| Schulungen | 10.000–20.000 € | 15.000–25.000 € |
| Gesamt | 195.000–390.000 € | 315.000–545.000 € |
⚠️ Achtung: Diese Zahlen sind Orientierungswerte auf Basis von Branchenerfahrungen und Benchmarks. Das tatsächliche Budget hängt stark vom gewählten Use Case, der vorhandenen Infrastruktur und dem Reifegrad der Datenlandschaft ab. Planen Sie einen Puffer von 20–30 % ein.
Die häufigsten Fehler bei der KI-Einführung
Fehler 1: Technologie vor Geschäftsproblem. „Wir brauchen KI" ist kein Geschäftsziel. „Wir wollen die Angebotserstellung um 40 % beschleunigen" schon.
Fehler 2: Zu viele Piloten gleichzeitig. Drei parallele Proof-of-Concepts mit je einem halben FTE führen zu drei halbfertigen Projekten. Konzentrieren Sie Ressourcen.
Fehler 3: Datenqualität ignorieren. Laut DAMA DMBOK (Data Management Body of Knowledge) scheitern Daten-Projekte am häufigsten nicht an der Technologie, sondern an mangelhafter Datenqualität. Das gilt für KI-Projekte in besonderem Maße.
Fehler 4: Keine Change-Management-Strategie. KI verändert Arbeitsabläufe. Mitarbeitende, die nicht eingebunden werden, sabotieren — bewusst oder unbewusst — die Einführung.
Fehler 5: Governance als Nachgedanken behandeln. Wenn der AI Act greift (die Hochrisiko-Regeln gelten ab August 2026), müssen Dokumentation, Risikobewertung und Transparenzpflichten stehen. Wer Governance erst im laufenden Betrieb einführt, baut unter Zeitdruck.
Fehler 6: ROI zu früh erwarten. KI-Projekte amortisieren sich selten in sechs Monaten. Planen Sie mit einem 18–24-Monats-Horizont für den ersten messbaren ROI auf Unternehmensebene.
Fehler 7: KI als IT-Projekt behandeln. Die IT-Abteilung implementiert die Technik — aber den Business Case muss der Fachbereich treiben. KI-Projekte ohne Fachbereichs-Sponsor enden als technisch beeindruckende Lösungen, die niemand nutzt.
Fehler 8: Vendor-Lock-in bei KI-Plattformen ignorieren. Wer sich früh auf einen einzigen KI-Anbieter festlegt, verliert Verhandlungsmacht und Flexibilität. Setzen Sie auf Abstraktionsschichten und standardisierte APIs, die einen Anbieterwechsel ermöglichen.
KI-Governance von Anfang an mitdenken
AI Act Kurzüberblick — was jetzt schon gelten muss
Der EU AI Act (Verordnung (EU) 2024/1689) ist seit dem 1. August 2024 in Kraft. Er folgt einem risikobasierten Ansatz mit vier Stufen:
- Verbotene Praktiken (z. B. Social Scoring, manipulative KI-Systeme): Seit 2. Februar 2025 verboten.
- Hochrisiko-KI-Systeme (z. B. KI in der Personalauswahl, Kreditscoring): Pflichten gelten ab 2. August 2026.
- Transparenzpflichten (z. B. Kennzeichnung von KI-generierten Inhalten): Ab 2. August 2026.
- GPAI-Modelle (General Purpose AI): Regeln seit 2. August 2025 anwendbar.
Für den Mittelstand besonders relevant: Wenn Sie KI-Systeme in Bereichen wie HR, Kreditvergabe oder Sicherheit einsetzen, fallen diese wahrscheinlich unter die Hochrisiko-Kategorie. Details finden Sie in unserem AI Act Compliance Guide.
Interne Richtlinien: Wer darf was mit KI?
Auch ohne regulatorische Pflicht braucht jedes Unternehmen eine KI-Policy. Mindestinhalte:
- Erlaubte Nutzung: Welche KI-Tools dürfen Mitarbeitende nutzen? Welche Daten dürfen eingegeben werden?
- Verbotene Nutzung: Keine vertraulichen Kundendaten in öffentliche KI-Dienste. Keine automatisierten Entscheidungen über Mitarbeitende ohne menschliche Kontrolle.
- Freigabeprozess: Neue KI-Anwendungen durchlaufen eine Risikobewertung vor dem produktiven Einsatz.
- Verantwortlichkeiten: Für jede KI-Anwendung gibt es einen benannten Verantwortlichen.
- Schulungspflicht: Mitarbeitende, die KI-Systeme nutzen, erhalten eine Einführung in verantwortungsvolle Nutzung.
📌 Zusammenfassung: Eine KI-Policy muss nicht 50 Seiten lang sein. Zwei bis drei Seiten mit klaren Regeln, die jeder versteht, sind besser als ein umfassendes Dokument, das niemand liest.
KI-Kompetenzen aufbauen — intern und extern
Der Fachkräftemangel trifft den KI-Bereich besonders hart. Mittelständler können nicht mit den Gehältern von Google oder SAP konkurrieren. Aber sie können smarter rekrutieren und qualifizieren.
Vier pragmatische Ansätze:
Upskilling bestehender Mitarbeitender: Data Analysts zu Prompt Engineers weiterbilden. Business Analysts zu KI-Projektleitern qualifizieren. Die Investition in Schulungen (Orientierungswert: 5.000–15.000 Euro pro Person) ist fast immer günstiger als eine Neueinstellung. Zertifizierungsprogramme von Cloud-Anbietern (AWS ML Specialty, Azure AI Engineer) bieten strukturierte Lernpfade.
Hybride Teams bilden: Ein interner „KI-Champion" pro Fachbereich, ergänzt durch einen externen KI-Architekten in Teilzeit. Dieses Modell skaliert besser als ein zentrales KI-Team, das zum Bottleneck wird. Der KI-Champion braucht keine Programmierkenntnisse — er braucht Verständnis für die Fachprozesse und die Fähigkeit, KI-Ergebnisse kritisch zu bewerten.
KI-Kompetenz als Chefsache definieren: Der AI Act fordert in Artikel 4 explizit „KI-Kompetenz" (AI Literacy) für alle Personen, die mit KI-Systemen arbeiten. Das ist nicht nur regulatorische Pflicht — es ist betriebswirtschaftliche Notwendigkeit. Beginnen Sie mit der Geschäftsführung: Ein halbtägiger Workshop zum Thema „KI-Möglichkeiten und Grenzen" verändert die strategische Diskussion grundlegend.
Community of Practice etablieren: Richten Sie einen regelmäßigen (zweiwöchentlichen) internen Austausch ein, in dem KI-Champions aus verschiedenen Fachbereichen Erfahrungen teilen. Diese Communities sind der effektivste Multiplikator für KI-Wissen — und kosten praktisch nichts.
Welche KI-Rollen der Mittelstand wirklich braucht
Nicht jedes Unternehmen braucht einen Chief AI Officer. Aber jedes Unternehmen braucht eine klare Zuordnung von KI-Verantwortlichkeiten:
| Rolle | Verantwortung | Wo angesiedelt? | Vollzeit nötig? |
|---|---|---|---|
| KI-Strategie-Verantwortlicher | Gesamtstrategie, Priorisierung, Budget | Geschäftsführung/CIO | Teilzeit (20 %) |
| KI-Projektleiter | Steuerung einzelner KI-Projekte | IT oder Fachbereich | Ja, pro Projekt |
| KI-Engineer / Data Scientist | Technische Umsetzung, Modellentwicklung | IT | Ja, ab Skalierungsphase |
| KI-Champion (pro Fachbereich) | Use-Case-Identifikation, Qualitätssicherung, Adoption | Fachbereich | Teilzeit (10–20 %) |
| Datenschutz- und Compliance-Beauftragter | AI-Act-Compliance, Risikobewertung | Legal/Compliance | Teilzeit |
💡 Tipp: In der Pilotphase können viele dieser Rollen von bestehenden Mitarbeitenden übernommen werden. Ab der Skalierungsphase brauchen Sie mindestens eine dedizierte Vollzeit-Rolle im KI-Bereich.
Technologieauswahl: Build vs. Buy vs. Configure
Die Technologiefrage stellt sich im Mittelstand anders als im Konzern. Drei Optionen stehen zur Wahl — und jede hat ihren Platz:
Buy (SaaS-KI-Lösungen): Fertige KI-Funktionen in bestehender Software aktivieren. Beispiel: KI-Features in Salesforce, SAP oder Microsoft 365 Copilot. Geringster Aufwand, aber auch geringste Differenzierung. Für viele Standard-Use-Cases die richtige Wahl.
Configure (Low-Code/No-Code KI-Plattformen): Cloud-KI-Dienste (Azure OpenAI, AWS Bedrock, Google Vertex AI) über APIs und Low-Code-Tools mit eigenen Daten verbinden. Mittlerer Aufwand, gute Anpassbarkeit. Ideal für den Mittelstand: Sie nutzen die Infrastruktur der Hyperscaler, ohne selbst Modelle trainieren zu müssen.
Build (Eigene Modellentwicklung): Eigene Modelle trainieren oder Open-Source-Modelle fine-tunen. Höchster Aufwand, höchste Differenzierung. Nur sinnvoll, wenn Sie über proprietäre Daten verfügen, die einen echten Wettbewerbsvorteil darstellen, und wenn der Use Case geschäftskritisch genug ist, um die Investition zu rechtfertigen.
Empfehlung für den Mittelstand: Starten Sie mit Buy für Standard-Use-Cases. Nutzen Sie Configure für differenzierende Anwendungen. Reservieren Sie Build für maximal ein bis zwei strategische Kern-Use-Cases — und erst ab Phase 4 der Roadmap.
Von der Strategie zur Umsetzung: Der 90-Tage-Schnellstart
Sie haben diesen Guide gelesen. Was tun Sie Montagmorgen? Hier ist ein 90-Tage-Plan:
Woche 1–2: Bestandsaufnahme. Workshop mit Fachbereichsleitern. Use-Case-Sammlung und Priorisierung.
Woche 3–4: Pilot-Use-Case auswählen. KPIs definieren. Budget und Ressourcen klären.
Woche 5–8: Pilot implementieren. Partner auswählen (wenn nötig). Erste Ergebnisse messen.
Woche 9–10: KI-Policy entwerfen. Governance-Grundlagen definieren.
Woche 11–12: Pilot-Ergebnisse bewerten. Go/No-Go für Skalierung. Roadmap für die nächsten 12 Monate erstellen. Präsentieren Sie die Ergebnisse der Geschäftsführung — mit konkreten Zahlen, nicht mit Technologie-Begeisterung. Was hat der Pilot in Euro gespart? Wie viele Arbeitsstunden? Wie bewerten die Nutzer die Qualität? Diese Zahlen sind Ihr stärkstes Argument für die Freigabe des Skalierungsbudgets.
Was das für Ihre IT-Strategie bedeutet
📋 Handlungsempfehlungen
Starten Sie mit einem Use Case, nicht mit einer Plattform. Wählen Sie den Geschäftsprozess mit dem besten Verhältnis aus Geschäftswert und Datenverfügbarkeit. Die Technologie folgt dem Problem — nicht umgekehrt.
Planen Sie Ihr KI-Budget zweigleisig. Kalkulieren Sie Jahr 1 als Lern- und Pilot-Investment (Orientierungswert: 200.000–400.000 Euro für ein Unternehmen mit 500 MA). Ab Jahr 2 verschieben sich die Kosten von externer Beratung zu internem Personal und Skalierung.
Bauen Sie Datenqualität parallel zum ersten Pilot auf. Nicht sequenziell — das dauert zu lang. Nutzen Sie die Erkenntnisse aus dem Pilot, um gezielt die Datenbestände zu verbessern, die den größten KI-Hebel bieten. Unser Datenqualitäts-Guide zeigt, wie.
Implementieren Sie KI-Governance von Tag eins. Der EU AI Act macht es zur Pflicht, aber auch ohne Regulierung brauchen Sie klare Regeln: Wer darf was? Welche Daten fließen wohin? Welche Anwendungen brauchen eine Risikobewertung?
Machen Sie KI-Kompetenz zur Führungsaufgabe. Nicht die IT-Abteilung allein treibt KI — die Geschäftsführung und die Fachbereichsleiter müssen verstehen, was KI kann und was nicht. Investieren Sie in Schulungen auf allen Ebenen.
Quellen und weiterführende Informationen
- Hackett Group: Global Business Services (GBS) Key Issues Study, 2026 — Produktivitäts- und Budget-Trends
- Capgemini: Top Tech Trends 2025 — KI-Priorisierung und Rollout-Strategien
- DAMA International: DMBOK (Data Management Body of Knowledge) — Framework für Datenqualität und -governance
- EU AI Act: Verordnung (EU) 2024/1689 — Volltext auf EUR-Lex
- Bitkom: KI-Monitor — Verbreitung von KI in deutschen Unternehmen