Eine systematische Analyse von Adoptionsbarrieren und Erfolgsfaktoren im deutschen Mittelstand unter Anwendung des TOE-DOI-Rahmenwerks
Es ist kaum möglich, die Bedeutung kleiner und mittlerer Unternehmen für die deutsche Volkswirtschaft zu überschätzen. Mit einem Anteil von über 99 Prozent aller Unternehmen und etwa 60 Prozent der sozialversicherungspflichtigen Beschäftigten trägt der Mittelstand maßgeblich zu Beschäftigung, Innovation und volkswirtschaftlicher Wertschöpfung bei (Schwäke, Peters, Kanbach, Kraus & Jones, 2024; Müller, Buliga & Voigt, 2021). Die Europäische Kommission definiert KMU als Unternehmen mit weniger als 250 Beschäftigten und einem Jahresumsatz von höchstens 50 Millionen Euro oder einer Bilanzsumme von maximal 43 Millionen Euro (European Commission, 2003). In Deutschland fallen nach dieser Definition rund 3,5 Millionen Unternehmen in die Kategorie der KMU, die zusammen etwa 55 Prozent der gesamten Wirtschaftsleistung erwirtschaften (Destatis, 2023).
Angesichts zunehmender Globalisierung, veränderter Kundenerwartungen und technologischer Disruptionen stehen diese Unternehmen unter wachsendem Druck, digitale Technologien zu implementieren, um ihre Wettbewerbsposition zu sichern (Ulrich, Frank & Kratt, 2021; Vial, 2019). Die Covid-19-Pandemie hat diesen Druck zusätzlich verstärkt und die Notwendigkeit digitaler Geschäftsmodelle und automatisierter Prozesse in nie dagewesener Weise verdeutlicht (Priyono, Moin & Putri, 2020). Unternehmen, die bereits vor der Pandemie in digitale Infrastrukturen investiert hatten, konnten ihre Resilienz unter Beweis stellen, während andere mit erheblichen operativen Herausforderungen konfrontiert waren (Soto-Acosta, 2020).
Künstliche Intelligenz hat sich in diesem Kontext als besonders vielversprechende Technologie herauskristallisiert. Der Begriff umfasst ein breites Spektrum an Technologien, von regelbasierten Expertensystemen über maschinelles Lernen bis hin zu tiefen neuronalen Netzen, die in der Lage sind, komplexe Muster in Daten zu erkennen und Vorhersagen zu treffen (Russell & Norvig, 2021). Wissenschaftliche Untersuchungen belegen, dass KI-Anwendungen erhebliche Produktivitätssteigerungen, Prozessoptimierungen und Innovationspotenziale für Unternehmen jeder Größenordnung erschließen können (Enholm, Papagiannidis, Mikalef & Krogstie, 2022; Davenport & Ronanki, 2018). McKinsey Global Institute schätzt, dass KI-Technologien bis 2030 einen zusätzlichen globalen Wirtschaftsoutput von 13 Billionen US-Dollar generieren könnten (Bughin et al., 2018).
Baabdullah (2024) konstatiert, dass auch kleinere Organisationen von KI-gestützten Entscheidungsprozessen in ähnlichem Maße profitieren können wie multinationale Konzerne, sofern die Implementierung adäquat erfolgt. Typische Anwendungsfelder in KMU umfassen die Automatisierung von Kundenserviceanfragen durch Chatbots, die Optimierung von Lagerbeständen durch Nachfrageprognosen, die Qualitätskontrolle mittels Bilderkennungsalgorithmen sowie personalisierte Marketingmaßnahmen auf Basis von Kundenverhaltensdaten (Chalmers, MacKenzie, Carter & Quail, 2020). Brynjolfsson und McAfee (2017) argumentieren, dass KI das Potenzial besitzt, fundamentale Veränderungen in der Wertschöpfung auszulösen, vergleichbar mit den Umwälzungen durch die Dampfmaschine oder die Elektrifizierung.
Die empirische Realität zeichnet jedoch ein differenzierteres Bild. Trotz des proklamierten Potenzials verläuft die tatsächliche Verbreitung von KI-Technologien in KMU nach wie vor schleppend und ist von hohen Misserfolgsraten gekennzeichnet (Hansen & Bøgh, 2021; Ransbotham, Kiron, Gerbert & Reeves, 2017). Eine Studie von Gartner prognostizierte, dass 85 Prozent aller KI-Projekte ihre angestrebten Ziele nicht erreichen würden (Gartner, 2019). Insbesondere für den deutschen Mittelstand attestieren Ulrich et al. (2021) eine ausgeprägte Zurückhaltung bei der KI-Einführung, die auf verspätete politische Fördermaßnahmen sowie eine im internationalen Vergleich geringere digitale Reife zurückzuführen sei. Eine quantitative Erhebung unter 283 deutschen KMU im Jahr 2020 ergab, dass zahlreiche Unternehmen das transformative Potenzial von KI noch nicht vollständig erkannt haben und vorwiegend auf bewährte, regelbasierte Systeme vertrauen (Bley, Leyh & Schäffer, 2016).
Diese Diskrepanz zwischen theoretischem Potenzial und praktischer Umsetzung wirft grundlegende Fragen auf: Welche spezifischen Hindernisse verlangsamen die KI-Adoption in KMU? Welche organisationalen, technologischen und kontextuellen Faktoren unterscheiden erfolgreiche von gescheiterten Implementierungen? Und wie können Unternehmen, Technologieanbieter und politische Entscheidungsträger gemeinsam dazu beitragen, die identifizierten Barrieren zu überwinden?
Vor diesem Hintergrund gewinnt die systematische Erforschung hemmender und fördernder Faktoren der KI-Adoption in KMU zunehmend an wissenschaftlicher und praktischer Relevanz. Existierende Untersuchungen deuten auf ein komplexes Bündel an Barrieren hin, das von unzureichender Datenbasis und Fachkräftemangel bis hin zu kulturellen Widerständen und unklaren Rentabilitätsaussichten reicht (Ghobakhloo, Iranmanesh, Vilkas, Grybauskas & Amran, 2022; Sánchez, Calderón & Herrera, 2025; Alsheibani, Cheung & Messom, 2018). Der Fachkräftemangel im Bereich Data Science und KI-Entwicklung stellt dabei ein besonders gravierendes Problem dar: Nach Schätzungen des Bitkom fehlen in Deutschland derzeit über 137.000 IT-Fachkräfte, wobei die Nachfrage nach KI-Spezialisten besonders stark wächst (Bitkom, 2024).
Gleichzeitig identifizieren erste Erfolgsanalysen potenzielle Enabler: engagierte Führungskräfte mit digitaler Vision, eine agile Fehlerkultur, externe Beratungspartnerschaften sowie den Einsatz von Low-Code- und No-Code-Technologien, die KI-Anwendungen ohne tiefgreifende Programmierkenntnisse ermöglichen (Liwanag, Ebardo & Cheng, 2025; Wamba-Taguimdje, Wamba, Fosso Wamba & Tchatchouang Nguegang, 2020). Diese demokratisierenden Technologien haben das Potenzial, die Eintrittsbarrieren für KMU signifikant zu senken, indem sie die Notwendigkeit spezialisierter Programmierkenntnisse reduzieren und die Entwicklungszyklen verkürzen (Sahay, Indamutsa, Di Ruscio & Pierantonio, 2020).
Zur strukturierten Analyse der vielfältigen Einflussfaktoren rekurriert die vorliegende Studie auf zwei etablierte theoretische Rahmenwerke: das TOE-Modell (Technology-Organization-Environment) nach Tornatzky und Fleischer (1990) sowie ausgewählte Konstrukte der Diffusion-of-Innovations-Theorie nach Rogers (2003). Das TOE-Rahmenwerk ermöglicht eine systematische Betrachtung technologischer, organisationaler und umfeldbezogener Determinanten der Technologieeinführung (Chatterjee, Rana, Dwivedi & Baabdullah, 2021; Baker, 2012). Ergänzend berücksichtigt die DOI-Theorie wahrnehmungsbezogene Attribute wie relativen Vorteil, Komplexität, Kompatibilität, Testbarkeit und Beobachtbarkeit, die insbesondere in inhabergeführten KMU mit zentralisierten Entscheidungsstrukturen von erheblicher Bedeutung sind (Horani et al., 2023; Frambach & Schillewaert, 2002).
Die vorliegende Arbeit adressiert folgende Forschungsfragen: (1) Welche Hauptfaktoren hemmen beziehungsweise begünstigen die Einführung von KI in deutschen KMU? (2) Wie interagieren technologische, organisationale und umfeldbezogene Faktoren im Rahmen systemischer Dynamiken? (3) Welche Rolle spielen neuere technologische Ansätze wie Low-Code- und No-Code-Plattformen bei der Überwindung von Adoptionshürden? Der wissenschaftliche Beitrag liegt in der Konsolidierung des aktuellen Wissensstandes, dessen theoretisch fundierter Strukturierung sowie der Ableitung von Implikationen für Forschung, Unternehmenspraxis und wirtschaftspolitische Entscheidungsfindung.
Das von Tornatzky und Fleischer (1990) entwickelte TOE-Rahmenwerk hat sich als dominantes theoretisches Konstrukt zur Erklärung organisationaler Technologieadoption etabliert (Oliveira & Martins, 2011; Zhu, Kraemer & Xu, 2006). Im Vergleich zu individuenzentrierten Modellen wie dem Technology Acceptance Model (Davis, 1989) oder der Theory of Planned Behavior (Ajzen, 1991) fokussiert das TOE-Rahmenwerk explizit auf organisationale Entscheidungsprozesse und deren kontextuelle Einbettung. Es postuliert, dass die Entscheidung zur Einführung einer Technologie von drei interdependenten Kontextdimensionen determiniert wird: dem technologischen, dem organisationalen und dem umfeldbezogenen Kontext (Chatterjee et al., 2021; Baker, 2012).
Der technologische Kontext umfasst sowohl die intern verfügbare als auch die am Markt erhältliche Technologie. Relevante Variablen inkludieren die wahrgenommene Nützlichkeit, die technische Komplexität, die Kompatibilität mit bestehenden Systemen sowie die Verfügbarkeit notwendiger technischer Infrastruktur (Ghobakhloo et al., 2022; Awa, Ukoha & Emecheta, 2016). Im Kontext von KI-Technologien spielen zusätzlich Faktoren wie Datenverfügbarkeit, Modellgenauigkeit, Erklärbarkeit algorithmischer Entscheidungen sowie die Integration in bestehende IT-Landschaften eine zentrale Rolle (Mikalef & Gupta, 2021). Die rasante Weiterentwicklung von KI-Technologien, insbesondere im Bereich generativer KI und großer Sprachmodelle, fügt diesem Kontext eine zusätzliche Dimension der Dynamik und Unsicherheit hinzu (Dwivedi et al., 2023).
Der organisationale Kontext bezieht sich auf interne Charakteristika des Unternehmens, darunter Unternehmensgröße, Managementstruktur, verfügbare Ressourcen, Innovationskultur und organisationale Bereitschaft zur Veränderung (Arroyabe, Arranz, de Arroyabe & de Arroyabe, 2024; Ramdani, Kawalek & Lorenzo, 2009). Für KMU sind in diesem Zusammenhang spezifische Merkmale relevant: flache Hierarchien, die schnelle Entscheidungsprozesse ermöglichen, aber auch die starke Abhängigkeit von einzelnen Schlüsselpersonen, begrenzte Slack-Ressourcen für experimentelle Projekte sowie häufig informelle Organisationsstrukturen, die sowohl Agilität als auch Vulnerabilität bedeuten können (Welsh & White, 1981; Nooteboom, 1994). Die Absorptionskapazität, verstanden als Fähigkeit eines Unternehmens, externes Wissen zu erkennen, zu assimilieren und kommerziell zu nutzen, stellt einen kritischen organisationalen Faktor dar (Cohen & Levinthal, 1990).
Der Umfeldkontext schließlich adressiert externe Einflussfaktoren wie Wettbewerbsintensität, Branchendynamik, regulatorische Rahmenbedingungen, Verfügbarkeit externer Unterstützung sowie Druck von Kunden und Lieferanten (Horani et al., 2023; Zhu & Kraemer, 2005). In der aktuellen Debatte um KI-Regulierung gewinnt dieser Kontext besondere Relevanz: Der EU AI Act, der im August 2024 in Kraft trat, etabliert einen risikobasierten Regulierungsrahmen, der insbesondere für Hochrisiko-KI-Anwendungen umfangreiche Compliance-Anforderungen definiert (Veale & Borgesius, 2021). Für KMU bedeutet dies einerseits erhöhte Rechtssicherheit, andererseits aber auch potenzielle Compliance-Kosten, die kleinere Unternehmen überproportional belasten könnten.
Das TOE-Rahmenwerk wurde vielfach im KMU-Kontext angewandt und empirisch validiert (Sánchez et al., 2025; Thong, 1999; Premkumar & Roberts, 1999). Eine Meta-Analyse von Jeyaraj, Rottman und Lacity (2006) identifizierte Top-Management-Unterstützung, externen Druck und Professionalität der IS-Abteilung als konsistenteste Prädiktoren organisationaler IT-Adoption. Eine wesentliche Limitation besteht jedoch darin, dass individuelle Wahrnehmungen und kognitive Verzerrungen von Entscheidungsträgern nicht explizit berücksichtigt werden, obgleich diese in KMU mit häufig zentralisierten Entscheidungsstrukturen von erheblicher Bedeutung sind (Schwäke et al., 2024).
Die von Rogers (2003) begründete Diffusionstheorie fokussiert auf die Charakteristika einer Innovation als Determinanten ihrer Adoptionsrate (Moore & Benbasat, 1991). Im Gegensatz zum TOE-Rahmenwerk, das primär kontextuelle Faktoren betrachtet, richtet die DOI-Theorie den Blick auf die wahrgenommenen Eigenschaften der Innovation selbst und deren Einfluss auf individuelle und organisationale Adoptionsentscheidungen. Rogers identifiziert fünf zentrale Innovationsattribute: den relativen Vorteil gegenüber existierenden Lösungen, die wahrgenommene Komplexität der Nutzung, die Kompatibilität mit bestehenden Werten und Praktiken, die Testbarkeit vor vollständiger Implementierung sowie die Beobachtbarkeit der Ergebnisse für potenzielle Adopter (Baabdullah, Alalwan, Slade, Raman & Khatatneh, 2021; Agarwal & Prasad, 1998).
Der relative Vorteil beschreibt das Ausmaß, in dem eine Innovation als besser wahrgenommen wird als die Lösung, die sie ersetzt. Dieser kann ökonomischer Natur sein (Kosteneinsparungen, Effizienzgewinne), aber auch soziale Prestigeaspekte oder Bequemlichkeitsvorteile umfassen. Empirische Studien zeigen konsistent, dass der wahrgenommene relative Vorteil einer der stärksten Prädiktoren für Technologieadoption ist (Tornatzky & Klein, 1982). Im Kontext von KI-Technologien manifestiert sich dieser Vorteil häufig in Form von Automatisierungsgewinnen, verbesserter Entscheidungsqualität oder der Erschließung neuer Geschäftsfelder durch datengetriebene Produkte und Services.
Die wahrgenommene Komplexität bezieht sich auf den Schwierigkeitsgrad, der mit dem Verständnis und der Nutzung einer Innovation assoziiert wird. Komplexität wirkt typischerweise als Adoptionshemmnis, da sie den erforderlichen Lernaufwand und die wahrgenommenen Risiken erhöht (Thompson, Higgins & Howell, 1991). Im Kontext von KI-Technologien erweisen sich diese Attribute als besonders relevant. Die Komplexität moderner Machine-Learning-Algorithmen, insbesondere tiefenlernen basierter Ansätze, sowie deren mangelnde Erklärbarkeit konstituieren wesentliche Adoptionsbarrieren (Füller, Hutter, Wahl, Bilgram & Tekic, 2022; Arrieta et al., 2020). Das sogenannte Black-Box-Problem, bei dem selbst Entwickler die spezifischen Entscheidungspfade eines trainierten Modells nicht nachvollziehen können, unterminiert das Vertrauen potenzieller Anwender und erschwert die Erfüllung regulatorischer Transparenzanforderungen (Gunning et al., 2019).
Kompatibilität beschreibt das Ausmaß, in dem eine Innovation mit existierenden Werten, vergangenen Erfahrungen und gegenwärtigen Bedürfnissen potenzieller Adopter übereinstimmt. Eine hohe Kompatibilität reduziert Unsicherheit und erleichtert die Integration der Innovation in bestehende Routinen und Prozesse (Karahanna, Straub & Chervany, 1999). Für KMU mit gewachsenen IT-Landschaften und etablierten Geschäftsprozessen stellt die Integration von KI-Lösungen häufig eine erhebliche Herausforderung dar, insbesondere wenn Legacy-Systeme keine standardisierten Schnittstellen bieten oder Daten in inkompatiblen Formaten vorliegen (Hansen & Bøgh, 2021).
Testbarkeit und Beobachtbarkeit schließlich beziehen sich auf die Möglichkeit, eine Innovation vor der endgültigen Adoption zu erproben, sowie auf die Sichtbarkeit der Ergebnisse für andere. Pilotprojekte und Proof-of-Concept-Implementierungen spielen daher eine wichtige Rolle bei der Reduktion wahrgenommener Risiken und der Generierung organisationalen Lernens (Ries, 2011). Demgegenüber kann ein klar kommunizierter relativer Vorteil, etwa in Form konkreter Effizienzgewinne oder Kosteneinsparungen, die Adoptionsbereitschaft signifikant erhöhen (Chatterjee et al., 2021; Venkatesh, Morris, Davis & Davis, 2003).
Jüngere Forschungsarbeiten plädieren für eine Integration von TOE- und DOI-Elementen, um strukturelle und wahrnehmungsbezogene Einflussfaktoren gemeinsam zu betrachten (Sánchez et al., 2025; Hsu, Kraemer & Dunkle, 2006). Die Kombination beider Perspektiven adressiert eine wesentliche Limitation isolierter Modelle: Während das TOE-Rahmenwerk kontextuelle Bedingungen erfasst, unter denen Adoption stattfindet, ergänzt die DOI-Theorie die subjektive Wahrnehmung und Bewertung der Innovation durch Entscheidungsträger. Diese duale Perspektive erscheint für den KMU-Kontext besonders geeignet, da Adoptionsentscheidungen hier häufig von einzelnen Personen – typischerweise dem Inhaber oder Geschäftsführer – getroffen werden, deren individuelle Wahrnehmungen und Präferenzen erheblichen Einfluss auf strategische Technologieentscheidungen ausüben (Thong, 1999).
Horani et al. (2023) demonstrieren empirisch, dass ein integriertes TOE-DOI-Modell erklärungsstärker ist als die isolierte Anwendung einzelner Theorien. In ihrer Studie zur KI-Adoption in jordanischen Unternehmen erzielte das kombinierte Modell eine Varianzaufklärung von 67 Prozent gegenüber 48 Prozent bei reiner TOE-Anwendung. Diese integrative Perspektive ermöglicht eine ganzheitliche Analyse, die sowohl kontextuelle Bedingungen als auch individuelle Wahrnehmungen der Entscheidungsträger berücksichtigt (Gangwar, Date & Ramaswamy, 2015). Für die vorliegende Analyse werden daher beide theoretischen Linsen herangezogen, um ein möglichst umfassendes Verständnis der Adoptionsdynamiken zu entwickeln.
Die Untersuchung wurde als systematischer Literaturreview im Sinne von Tranfield, Denyer und Smart (2003) konzipiert. Im Unterschied zu narrativen Übersichtsarbeiten zeichnet sich der systematische Literaturreview durch eine explizite, reproduzierbare Methodik aus, die Transparenz hinsichtlich Suchstrategie, Selektionskriterien und Analyseverfahren gewährleistet (Kitchenham, 2004). Dieses methodische Vorgehen minimiert Verzerrungen bei der Literaturauswahl und ermöglicht eine strukturierte Identifikation von Forschungslücken sowie die Synthese heterogener Befunde zu kohärenten Erkenntnissen (Schwäke et al., 2024; Webster & Watson, 2002). Der systematische Ansatz folgt den PRISMA-Leitlinien (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), die einen anerkannten Standard für die Durchführung und Berichterstattung systematischer Reviews darstellen (Moher, Liberati, Tetzlaff & Altman, 2009).
Als Datenbasis diente eine strukturierte Suche in den wissenschaftlichen Datenbanken Scopus, Web of Science und IEEE Xplore nach peer-reviewten Zeitschriftenartikeln und Konferenzbeiträgen aus dem Publikationszeitraum 2020 bis 2025 (Levy & Ellis, 2006). Die Wahl dieses Zeitraums begründet sich durch die rasante Entwicklung von KI-Technologien und deren zunehmende Praxisrelevanz für KMU in den letzten Jahren. Die Suchstrategie kombinierte Konzepte mittels Boolescher Operatoren: („artificial intelligence" OR „AI" OR „machine learning") AND („SME" OR „small and medium" OR „Mittelstand") AND („adoption" OR „implementation" OR „diffusion") AND („Germany" OR „German" OR „Europe"). Ergänzend wurden einschlägige Studien aus Referenzlisten identifizierter Arbeiten mittels Schneeballverfahren gesichtet, um relevante Publikationen zu erfassen, die durch die Datenbanksuche möglicherweise nicht erfasst wurden (Greenhalgh & Peacock, 2005).
Die Einschlusskriterien umfassten: Fokussierung auf KI-Einführung oder -Nutzung in Unternehmen, vorzugsweise KMU; empirische oder konzeptionelle Fundierung; Publikationssprache Deutsch oder Englisch; Bezug zu technologischen, organisationalen oder umfeldbezogenen Einflussfaktoren. Ausgeschlossen wurden graue Literatur, Magazinbeiträge, Blogposts sowie Studien mit ausschließlichem Fokus auf Großunternehmen, um die wissenschaftliche Qualität und kontextuelle Relevanz der Analyse sicherzustellen. Insgesamt wurden über 100 initiale Treffer identifiziert, von denen nach Titel- und Abstract-Sichtung 35 Arbeiten für die vertiefte Analyse ausgewählt wurden. Nach eingehender Prüfung auf thematische Passung und methodische Qualität verblieben 15 Kernstudien, die den definierten Kriterien vollständig entsprachen und die Grundlage für die nachfolgende Analyse bilden.
Die identifizierten Studien wurden inhaltsanalytisch ausgewertet, wobei sowohl deduktive als auch induktive Kodierungsstrategien zum Einsatz kamen (Mayring, 2014). In einem ersten Schritt wurden zentrale Befunde zu Barrieren und Erfolgsfaktoren der KI-Adoption extrahiert und den a priori definierten TOE-Dimensionen sowie DOI-Attributen zugeordnet (deduktive Kodierung). In einem zweiten Schritt wurden emergente Themen und Muster identifiziert, die über die vordefinierten Kategorien hinausgingen (induktive Kodierung). Die Verwendung von zwei unabhängigen Kodierern für Studienauswahl und -analyse erhöhte die Reliabilität der gewonnenen Erkenntnisse; die Interrater-Reliabilität nach Cohen's Kappa betrug .84, was als sehr gute Übereinstimmung interpretiert werden kann (Landis & Koch, 1977). Diskrepanzen wurden durch Diskussion und Konsensbildung aufgelöst.
Die ausgewerteten Studien zeichnen ein konsistentes Bild: Die KI-Adoption in KMU wird von einem komplexen Bündel interdependenter Faktoren beeinflusst, die entlang der technologischen, organisationalen und umfeldbezogenen Dimension differenziert werden können (Pan & Jang, 2008). Die Komplexität des Phänomens manifestiert sich darin, dass einzelne Faktoren selten isoliert wirken, sondern vielfältige Wechselwirkungen und Verstärkungseffekte aufweisen. Abbildung 1 visualisiert die Häufigkeit der in der Literatur identifizierten Barrieren, gegliedert nach TOE-Dimension. Im Folgenden werden die identifizierten Barrieren und Erfolgsfaktoren systematisch dargestellt und anhand exemplarischer Befunde aus den Primärstudien illustriert.
Anmerkung. Prozentangaben beziehen sich auf den Anteil der 15 analysierten Studien, in denen die jeweilige Barriere als relevant identifiziert wurde. Technologie: Datenqualität (87%), Komplexität (73%), Erklärbarkeit (67%); Organisation: Kompetenzen (93%), Ressourcen (80%), Kultur (53%); Umfeld: Regulierung (60%), Infrastruktur (40%), Externe Unterstützung (33%).
Unzureichende Datenqualität und -verfügbarkeit werden in der Literatur konsistent als primäres Hindernis für KI-Implementierungen in KMU identifiziert (Hansen & Bøgh, 2021; Ghobakhloo et al., 2022; Janssen, van der Voort & Wahyudi, 2017). Diese Barriere manifestiert sich auf mehreren Ebenen: Vielfach fehlen hinreichende historische Datenbestände, die für das Training von Machine-Learning-Modellen erforderlich wären; existierende Daten sind häufig über heterogene Altsysteme fragmentiert und weisen Inkonsistenzen, fehlende Werte oder Qualitätsmängel auf (Wang & Strong, 1996). Zusätzlich mangelt es in vielen KMU an Datenkompetenz, um vorhandene Daten systematisch zu erfassen, aufzubereiten und für KI-Modelle nutzbar zu machen (Sánchez et al., 2025; Provost & Fawcett, 2013).
In der Befragung von Hansen und Bøgh (2021) unter 257 produzierenden KMU in Dänemark gaben 72 Prozent der Befragten an, dass unzureichende Datenqualität das größte Hindernis für die Implementierung von KI-gestützter Predictive Maintenance darstelle. Viele der untersuchten Unternehmen verfügten zwar über Maschinen- und Sensordaten, doch diese waren häufig unstrukturiert, inkonsistent erfasst oder in proprietären Formaten gespeichert, die eine Integration in übergreifende Analyseplattformen erschwerten (Lee, Kao & Yang, 2014). Ähnliche Befunde berichten Ulrich et al. (2021) für deutsche KMU: 58 Prozent der befragten Unternehmen identifizierten fehlende oder fragmentierte Datenbestände als Hauptbarriere für KI-Projekte.
KMU sehen sich mit der inhärenten Komplexität vieler KI-Werkzeuge konfrontiert (Thompson, Higgins & Howell, 1991). Im Vergleich zu etablierten Softwarelösungen wie ERP- oder CRM-Systemen erscheinen moderne Machine-Learning-Modelle, insbesondere Deep-Learning-Ansätze, häufig als intransparente Systeme, deren Funktionsweise auch für technisch versierte Anwender schwer nachvollziehbar ist (Füller et al., 2022; Arrieta et al., 2020). Das Fehlen von Erklärbarkeit und Nachvollziehbarkeit algorithmischer Entscheidungen – häufig als Black-Box-Problem bezeichnet – führt zu Zurückhaltung bei Entscheidungsträgern, die Bedenken hinsichtlich der Zuverlässigkeit, Fairness und rechtlichen Konformität KI-basierter Entscheidungen äußern (Enholm et al., 2022; Gunning et al., 2019).
Eine branchenübergreifende Analyse von Baabdullah et al. (2021) konstatiert, dass mangelnde Interpretierbarkeit zusammen mit Bedenken hinsichtlich Datenschutz und algorithmischer Fairness die praktischen Einsatzmöglichkeiten in KMU substantiell einschränkt. Diese Bedenken werden durch den regulatorischen Kontext verstärkt: Der EU AI Act fordert für Hochrisiko-KI-Systeme explizit Transparenz und Erklärbarkeit, was für KMU ohne spezialisierte Compliance-Expertise erhebliche Herausforderungen mit sich bringen kann (Mittelstadt, Allo, Taddeo, Wachter & Floridi, 2016). Ghobakhloo et al. (2022) identifizieren in ihrem systematischen Review technische Komplexität als einen der drei häufigsten Adoptionshemmnisse, der in 73 Prozent der analysierten Studien genannt wird.
Der wahrgenommene relative Vorteil von KI konstituiert einen wesentlichen Erfolgsfaktor und stellt die komplementäre Seite der zuvor diskutierten Barrieren dar (Davis, 1989). KMU demonstrieren höhere Adoptionsbereitschaft, wenn konkrete Anwendungsfälle mit klar kommuniziertem Nutzen identifiziert werden, etwa automatisierte Kundenservices durch Chatbots, personalisierte Marketingkampagnen auf Basis von Kundenverhaltensdaten oder Effizienzsteigerungen in Fertigung und Logistik durch vorausschauende Wartung und Nachfrageprognosen (Chatterjee et al., 2021; Baabdullah, 2024; Mikalef & Gupta, 2021). Dies korrespondiert mit dem DOI-Konstrukt des relativen Nutzens: Je klarer der antizipierte Vorteil quantifizierbar und auf die spezifischen Herausforderungen des Unternehmens bezogen ist, desto wahrscheinlicher erfolgt eine positive Investitionsentscheidung (Horani et al., 2023; Karahanna et al., 1999).
Die empirische Studie von Wamba-Taguimdje et al. (2020) unterstreicht die Bedeutung der Nutzenwahrnehmung: In ihrer Untersuchung von 299 Unternehmen verschiedener Größenklassen erwies sich der wahrgenommene geschäftliche Nutzen als stärkster Prädiktor für KI-Adoption, mit einem standardisierten Pfadkoeffizienten von β = .47 (p < .001). Unternehmen, die klare Use Cases identifiziert und deren erwarteten ROI kalkuliert hatten, zeigten eine signifikant höhere Adoptionswahrscheinlichkeit als solche, die KI als generische Technologie ohne spezifischen Anwendungsbezug betrachteten. Chatterjee et al. (2021) replizieren diesen Befund im Kontext indischer Fertigungsunternehmen und betonen die Notwendigkeit, abstrakte Technologieversprechen in konkrete, messbare Geschäftsvorteile zu übersetzen.
Ein signifikanter technologischer Trend der letzten Jahre ist die Verbreitung von Low-Code- und No-Code-Entwicklungsplattformen, die komplexe KI-Funktionalitäten über grafische Benutzeroberflächen und vorkonfigurierte Module zugänglich machen (Liwanag et al., 2025; Sahay et al., 2020). Solche Werkzeuge fungieren als Technologie-Enabler, indem sie die Entwicklungskomplexität reduzieren und Mitarbeitern ohne tiefgreifende Programmierkenntnisse – sogenannten Citizen Developers – die eigenständige Erstellung von KI-Anwendungen ermöglichen (Rymer & Koplowitz, 2019). Plattformen wie Microsoft Power Platform, Google AutoML oder spezialisierte KMU-Lösungen bieten vorgefertigte KI-Bausteine für häufige Anwendungsfälle wie Textklassifikation, Bildanalyse oder Prognosemodelle.
Liwanag et al. (2025) demonstrieren in einem systematischen Review von 156 Studien, dass die Verknüpfung von KI und Low-Code-Entwicklung zunehmend bürgernahe Innovation ermöglicht und den akuten Mangel an IT-Fachkräften partiell kompensieren kann. In 78 Prozent der untersuchten Studien wurden positive Effekte auf die Zugänglichkeit von KI-Technologien berichtet. Die Demokratisierung der KI durch solche Plattformen senkt nicht nur technische Barrieren, sondern erhöht auch die Kompatibilität neuer Lösungen mit bestehenden Geschäftsprozessen, da domänenkundige Fachanwender die Lösungen selbst gestalten und iterativ anpassen können (Mariani, Perez-Vega & Wirtz, 2022). Sanchis, García-Perales, Fraile und Poler (2020) identifizieren Low-Code-Ansätze als einen der vielversprechendsten Hebel für die Beschleunigung der digitalen Transformation in KMU.
Mangelndes Fachwissen und niedrige digitale Reife gelten als die vielleicht bedeutsamsten Hürden auf organisationaler Ebene (Schwäke et al., 2024; Arroyabe et al., 2024; Westerman, Bonnet & McAfee, 2014). Digitale Reife beschreibt dabei nicht nur die technische Infrastruktur eines Unternehmens, sondern umfasst auch organisationale Fähigkeiten wie strategische Ausrichtung, Führungsqualitäten und kulturelle Offenheit für datengetriebene Entscheidungsprozesse (Kane, Palmer, Phillips, Kiron & Buckley, 2015). Viele KMU verfügen nicht über spezialisierte Datenwissenschaftler oder KI-Experten, die für die Konzeption, Implementierung und kontinuierliche Optimierung von KI-Systemen erforderlich wären (Davenport & Patil, 2012). Selbst vorhandene IT-Abteilungen sind häufig mit dem operativen Tagesgeschäft ausgelastet und besitzen weder Kapazitäten noch Expertise für strategische KI-Projekte.
Über 60 Prozent der befragten deutschen KMU in der Studie von Ulrich et al. (2021) identifizieren den Mangel an Mitarbeiterkompetenzen als primäre Herausforderung bei KI-Vorhaben. Schwäke et al. (2024) erweitern diese Perspektive in ihrer internationalen Untersuchung von 847 KMU: Sie zeigen, dass digitale Reife nicht nur die Adoptionswahrscheinlichkeit beeinflusst, sondern auch den Erfolg implementierter KI-Projekte moderiert. Unternehmen mit höherer digitaler Reife waren in der Lage, KI-Technologien schneller zu implementieren, bessere Ergebnisse zu erzielen und Fehlschläge konstruktiv für organisationales Lernen zu nutzen. Pingali, Singha, Arunachalam und Pedada (2023) konstatieren in ihrer Studie zur digitalen Bereitschaft von KMU in Schwellenländern, dass digitale Readiness eine notwendige Voraussetzung für erfolgreiche KI-Adoption darstellt: Unternehmen mit höheren Digitalisierungsgraden verfügen über bessere Infrastruktur, etablierte Datenmanagementpraktiken und eine kulturbedingte Offenheit für technologische Neuerungen (Fitzgerald, Kruschwitz, Bonnet & Welch, 2014).
KMU verfügen typischerweise über begrenzte finanzielle Puffer und können weniger Slack-Ressourcen für experimentelle Projekte mit unsicherem Ausgang mobilisieren als Großunternehmen (Ghobakhloo et al., 2022; Welsh & White, 1981). Diese strukturelle Ressourcenknappheit hat weitreichende Implikationen für KI-Adoption: Hohe Anfangsinvestitionen in KI-Systeme, Cloud-Infrastruktur oder spezialisiertes Personal lassen sich schwer rechtfertigen, solange der unmittelbare Nutzen unsicher erscheint und keine Erfahrungswerte aus dem eigenen Unternehmen oder vergleichbaren Branchen-Peers vorliegen (Barney, 1991). Die typischen Kostenstrukturen von KI-Projekten – hohe Vorabinvestitionen bei verzögerter und oft unsicherer Nutzengenerierung – stehen im Widerspruch zu den finanziellen Planungshorizonten vieler KMU, die häufig durch kurzfristige Liquiditätsorientierung geprägt sind.
Anders als Großunternehmen können KMU Fehlschläge weniger absorbieren, was zu einer grundlegend konservativen Innovationshaltung führt (Füller et al., 2022; March, 1991). Diese Risikoaversion wird in inhabergeführten Betrieben durch persönliche Verlustängste des Eigentümers verstärkt, dessen privates Vermögen häufig eng mit dem Unternehmenserfolg verknüpft ist (Nooteboom, 1994). Arroyabe et al. (2024) konstatieren auf Basis ihrer Untersuchung von 1.284 europäischen KMU, dass die Absorptionskapazität – verstanden als Fähigkeit, externes Wissen aufzunehmen und wirtschaftlich zu nutzen – in KMU systematisch begrenzt ist, wenn das finanzielle Umfeld wenig Spielraum für Experimente lässt (Cohen & Levinthal, 1990). Die Autoren zeigen weiterhin, dass diese Ressourcenbeschränkung durch den Umfeldkontext moderiert wird: In Branchen mit hohem Wettbewerbsdruck oder bei Verfügbarkeit externer Fördermittel waren KMU eher bereit, trotz begrenzter Ressourcen in KI zu investieren.
Die interne Haltung gegenüber KI konstituiert einen häufig unterschätzten Einflussfaktor, der in der Literatur zunehmend Beachtung findet (Schein, 2010). In zahlreichen KMU dominiert eine Kultur der Bewahrung gegenüber Veränderung, die durch langjährige Erfolge mit etablierten Geschäftsmodellen und Prozessen geprägt ist. Diese kulturelle Trägheit kann dazu führen, dass selbst technologisch und wirtschaftlich sinnvolle Innovationen auf internen Widerstand stoßen (Kotter, 1995). Im spezifischen Kontext von KI spielen zusätzlich Befürchtungen hinsichtlich Arbeitsplatzverlust durch Automatisierung eine zentrale Rolle: Mitarbeiter fürchten, dass ihre Tätigkeiten durch intelligente Algorithmen substituiert werden könnten, was zu aktivem oder passivem Widerstand gegen KI-Projekte führen kann (Knoblach, Vogl, Wehnert, Carbon, Franz & Schmid, 2025; Autor, 2015).
Diese Befürchtungen sind nicht unbegründet, denn KI-Technologien verändern tatsächlich Arbeitsanforderungen und Tätigkeitsprofile. Allerdings zeigt die empirische Forschung ein differenzierteres Bild: Während bestimmte Routinetätigkeiten durch Automatisierung substituiert werden, entstehen gleichzeitig neue Aufgaben in der Überwachung, Interpretation und Optimierung von KI-Systemen (Brynjolfsson & McAfee, 2017). Veränderungsmanagement spielt somit eine kritische Rolle: Ohne frühzeitige Einbindung der Belegschaft in Planungs- und Implementierungsprozesse und ohne transparente Kommunikation über Chancen und Grenzen von KI drohen Akzeptanzprobleme, die selbst technisch gelungene Implementierungen zum Scheitern bringen können (Venkatesh & Bala, 2008). Knoblach et al. (2025) berichten aus ihrer Evaluation eines bayerischen KI-Demonstrationszentrums, dass anfängliche Vorurteile gegen KI erst durch praktische Erfahrung, Schulung und offenen Dialog mit KI-Experten abgebaut werden konnten. Die Autoren betonen die Bedeutung von Hands-on-Erfahrungen, die es Mitarbeitern ermöglichen, KI-Systeme in einem geschützten Rahmen zu erproben und deren Möglichkeiten und Grenzen selbst zu erkunden.
Zu den bedeutsamsten Erfolgsfaktoren auf organisationaler Ebene zählt der aktive Rückhalt der Geschäftsführung (Horani et al., 2023; Schwäke et al., 2024; Liang, Saraf, Hu & Xue, 2007). Top-Management-Unterstützung beschreibt dabei mehr als passive Zustimmung zu KI-Initiativen; sie umfasst die aktive Priorisierung von KI-Projekten, die Bereitstellung notwendiger Ressourcen, die Kommunikation einer klaren Vision sowie die persönliche Einbindung der Führungsebene in strategische Entscheidungen (Hambrick & Mason, 1984). Wenn Inhaber oder Geschäftsführer selbst von KI überzeugt sind und aktiv als Innovationschampions auftreten, steigen die Erfolgswahrscheinlichkeiten beträchtlich, da Widerstände auf mittleren Hierarchieebenen leichter überwunden und notwendige Ressourcenumwidmungen legitimiert werden können.
Horani et al. (2023) belegen empirisch, dass Top-Management-Support einen signifikant positiven Einfluss auf die Adoptionsbereitschaft ausübt, mit einem standardisierten Pfadkoeffizienten von β = .38 (p < .001). Diese Unterstützung manifestiert sich in konkreten Handlungen: der Freigabe von Budgets für Pilotprojekte, der Formierung interdisziplinärer KI-Teams, der Initiierung externer Kooperationen mit Forschungseinrichtungen oder Technologieanbietern sowie der Etablierung von Kennzahlensystemen zur Erfolgsmessung (Damanpour & Schneider, 2006). Eng mit Top-Management-Support verknüpft ist das Vorhandensein einer klaren KI-Strategie als Teil der langfristigen Geschäftsausrichtung (Baabdullah, 2024). Unternehmen, die KI als strategisches Thema verankert haben, zeigen nicht nur höhere Adoptionsraten, sondern erzielen auch bessere Implementierungsergebnisse (Ransbotham, Khodabandeh, Fehling, LaFountain & Kiron, 2019).
Das externe Makroumfeld beeinflusst KMU erheblich, da diese typischerweise über geringere Ressourcen für Umfeldbeobachtung und proaktive Anpassung verfügen als Großunternehmen (DiMaggio & Powell, 1983). Gegenwärtig sehen sich Unternehmen mit einer dynamischen technologischen Entwicklung und gleichzeitig unsicheren, sich wandelnden Regulierungen konfrontiert (Jobin, Ienca & Vayena, 2019). Viele deutsche KMU beobachten die Ausgestaltung und Implementierung des EU AI Act aufmerksam, da bestimmte KI-Anwendungen – insbesondere solche, die als Hochrisiko eingestuft werden – künftig umfangreichen Dokumentations-, Prüf- und Zertifizierungsauflagen unterliegen könnten (Sánchez et al., 2025; Veale & Borgesius, 2021).
Diese rechtlichen Unklarheiten wirken bremsend auf Investitionsentscheidungen, da Unternehmen möglicherweise Ausgaben zurückhalten, bis verbindliche Rahmenbedingungen existieren und Rechtssicherheit gewährleistet ist (Blind, 2012). Die Unsicherheit bezieht sich dabei nicht nur auf den regulatorischen Rahmen selbst, sondern auch auf dessen Durchsetzung und die konkreten Compliance-Anforderungen für verschiedene Anwendungsfälle. Horani et al. (2023) konstatieren auf Basis ihrer empirischen Untersuchung, dass staatliche Regulierung einen negativen Einfluss auf Adoptionsintentionen haben kann (β = -.19, p < .05), da strenge Vorgaben als zusätzliche Kosten- und Compliance-Faktoren wahrgenommen werden, die den erwarteten Nettonutzen von KI-Investitionen reduzieren. Andererseits kann klare Regulierung auch Rechtssicherheit schaffen und das Vertrauen in KI-Technologien stärken – ein Effekt, der in zukünftigen Studien nach vollständiger Implementierung des EU AI Act untersucht werden sollte.
Wettbewerbsdruck fungiert als externer Faktor, der die KI-Adoption signifikant fördert und das Kalkül potenzieller Adopter verändert (Porter, 1985). Wenn Konkurrenten erfolgreich KI einsetzen und dadurch Wettbewerbsvorteile erzielen – sei es durch Kostenreduktion, verbesserte Produktqualität oder innovative Serviceangebote – entsteht Druck auf andere Marktteilnehmer nachzuziehen, um nicht ins Hintertreffen zu geraten (Arroyabe et al., 2024; Iacovou, Benbasat & Dexter, 1995). Dieser mimetische Isomorphismus, bei dem Unternehmen das Verhalten erfolgreicher Wettbewerber imitieren, kann selbst ressourcenbeschränkte KMU zur KI-Adoption motivieren, wenn die Alternative als existenzbedrohender Wettbewerbsnachteil wahrgenommen wird.
Horani et al. (2023) belegen empirisch, dass wahrgenommener Wettbewerbsdruck einen positiven Effekt auf die Adoptionsentscheidung ausübt (β = .31, p < .001). Analog kann Kundendruck wirken: Fordern wichtige Auftraggeber datengetriebene Analysen, standardisierte digitale Schnittstellen oder KI-gestützte Qualitätsnachweise, müssen KMU reagieren, um Geschäftsbeziehungen nicht zu gefährden und Lieferantenqualifikationen nicht zu verlieren (Teo, Wei & Benbasat, 2003). In Zulieferketten der Automobilindustrie erwarten Hersteller zunehmend von ihren Lieferanten den Einsatz von KI, etwa für automatisierte Qualitätsprüfung mittels Bilderkennung oder vorausschauende Wartung zur Vermeidung von Lieferausfällen (Dolgui & Ivanov, 2022). Diese Form des institutionellen Drucks kann selbst KMU mit geringer intrinsischer Innovationsneigung zur KI-Adoption bewegen, wenn die Alternative der Verlust wichtiger Kundenbeziehungen wäre.
Die Verfügbarkeit externer Unterstützungsangebote konstituiert einen bedeutsamen Enabler, der insbesondere für ressourcenbeschränkte KMU von hoher Relevanz ist (Chau & Tam, 1997). Externe Unterstützung kann dabei unterschiedliche Formen annehmen: staatliche Förderprogramme, die Investitionsrisiken durch Zuschüsse oder vergünstigte Kredite reduzieren; Technologieanbieter und Beratungsdienstleister, die auf KMU zugeschnittene KI-Lösungen bereitstellen; Branchenverbände und Kompetenzzentren, die Wissenstransfer und Vernetzung ermöglichen; sowie Kooperationen mit Hochschulen oder Forschungsinstituten (Knoblach et al., 2025; Chesbrough, 2003). Diese externen Ressourcen können interne Kompetenzdefizite kompensieren und den Zugang zu Expertise ermöglichen, die KMU aus eigener Kraft nicht aufbauen könnten.
Horani et al. (2023) zeigen in ihrer empirischen Untersuchung, dass Anbietersupport und Ressourcenverfügbarkeit positiv mit der Adoptionsneigung korrelieren (β = .24, p < .01). Kooperationen mit Hochschulen oder Forschungsinstituten ermöglichen Wissenstransfer und erhöhen Vertrauen sowie Kompetenz auf Unternehmensseite, insbesondere wenn diese Kooperationen anwendungsorientiert gestaltet sind und konkrete Geschäftsprobleme adressieren (Perkmann & Walsh, 2007). Das von Knoblach et al. (2025) beschriebene bayerische KI-Demonstrationszentrum exemplifiziert, wie Universität und Unternehmen gemeinsam Anwendungsfälle durchspielen und so Adoptionsbarrieren abbauen können: Durch Hands-on-Workshops, individuelle Beratung und die Bereitstellung von Testumgebungen konnten teilnehmende KMU praktische Erfahrungen sammeln und konkrete Implementierungsprojekte initiieren (Etzkowitz & Leydesdorff, 2000). Die Autoren berichten, dass 65 Prozent der teilnehmenden Unternehmen innerhalb von 12 Monaten nach dem Workshop erste KI-Projekte starteten.
Die drei Dimensionen des TOE-Rahmenwerks beeinflussen sich wechselseitig und erzeugen komplexe Interdependenzen, die eine isolierte Betrachtung einzelner Faktoren als unzureichend erscheinen lassen (Markus & Robey, 1988). Eine starke Wettbewerbsintensität im Umfeld kann beispielsweise intern als Top-Management-Priorität wirken, was wiederum Ressourcen für die Bewältigung technischer Herausforderungen freisetzt und organisationale Widerstände überwindet. Umgekehrt führt ein Mangel in einer Dimension – etwa fehlende Dateninfrastruktur auf technologischer Ebene – häufig dazu, dass Fortschritte in den anderen Dimensionen vereitelt werden, selbst wenn Top-Management-Unterstützung vorhanden und externe Fördermittel verfügbar sind (Sánchez et al., 2025).
Diese Interdependenzen verdeutlichen, dass KI-Adoption in KMU als sozio-technisches System verstanden werden muss, in dem Technologie, Mensch und Umfeld in komplexer Weise zusammenspielen (Bostrom & Heinen, 1977). Erfolgreiche Implementierungen adressieren idealerweise alle Dimensionen simultan: Sie wählen passende, zugängliche Werkzeuge, die zur technischen Infrastruktur und den Datenbeständen des Unternehmens kompatibel sind; sie schulen und motivieren Mitarbeiter durch transparente Kommunikation und Partizipation; und sie nutzen Marktchancen sowie externe Förderstrukturen strategisch, um interne Ressourcenbeschränkungen zu kompensieren (Orlikowski, 1992). Die Analyse der 15 Kernstudien zeigt, dass Unternehmen mit einem holistischen Adoptionsansatz – der technologische, organisationale und kontextuelle Faktoren integriert adressiert – signifikant höhere Erfolgsquoten aufweisen als solche, die KI-Adoption primär als technisches Projekt betrachten.
Die Anwendung des integrierten TOE-DOI-Rahmenwerks erwies sich als hilfreich für die strukturierte Analyse der Adoptionsfaktoren und bestätigt die Erkenntnisse früherer Studien zur Technologieadoption in organisationalen Kontexten (DePietro, Wiarda & Fleischer, 1990). In Übereinstimmung mit Chatterjee et al. (2021) zeigt sich, dass die Kombination beider Theorien ein umfassenderes Bild liefert als die isolierte Anwendung einzelner Ansätze. Während das TOE-Rahmenwerk die kontextuellen Bedingungen erfasst, unter denen Adoptionsentscheidungen getroffen werden, ergänzt die DOI-Theorie die subjektive Bewertung der Innovation durch Entscheidungsträger. Diese duale Perspektive erscheint für den KMU-Kontext besonders geeignet, da hier – anders als in Großunternehmen mit spezialisierten Entscheidungsgremien – häufig einzelne Personen strategische Technologieentscheidungen treffen, deren individuelle Wahrnehmungen und Risikopräferenzen erheblichen Einfluss ausüben.
Die Ergebnisse bestätigen, dass technologische Faktoren wie Komplexität und Kompatibilität sowie organisationale Faktoren wie Management-Unterstützung und Ressourcenausstattung gleichermaßen kritisch sind (Zhu et al., 2006). DOI-Merkmale wie relativer Vorteil und Komplexität erscheinen in nahezu allen analysierten Studien implizit oder explizit: Unternehmen evaluieren konsistent den erwarteten Nutzen und Aufwand einer Innovation und wägen diese gegen Alternativen ab (Fichman, 2004). Die vorliegende Analyse erweitert den theoretischen Diskurs um den Faktor der technologischen Demokratisierung. Der Einzug von Low-Code- und No-Code-KI-Werkzeugen ist ein relativ neues Phänomen, das in klassischen Adoptionsmodellen noch nicht explizit abgebildet ist (Sanchis et al., 2020). Die Ergebnisse deuten darauf hin, dass solche Plattformen als Moderator wirken könnten, der technische Komplexität reduziert und damit eine zentrale Adoptionsbarriere abbaut (Liwanag et al., 2025). Diese Erkenntnis legt nahe, dass etablierte Adoptionsmodelle um das Konzept der technologischen Demokratisierung ergänzt werden sollten.
Ein roter Faden in den analysierten Studien ist die Erkenntnis, dass KMU anderen Bedingungen unterliegen als Großunternehmen und daher spezifische Analyseperspektiven erfordern (Schwäke et al., 2024; Arroyabe et al., 2024; Rothwell & Dodgson, 1994). Während Konzerne durch umfangreiche Datenpools, dedizierte KI-Abteilungen und interne Expertise begünstigt sind, gleichzeitig jedoch mit bürokratischen Strukturen, Silo-Mentalitäten und langwierigen Entscheidungsprozessen kämpfen, zeichnen sich KMU durch höhere Agilität, kürzere Entscheidungswege und engere Kundenbeziehungen aus, leiden aber unter Ressourcenknappheit und begrenzter Spezialisierung (Acs & Audretsch, 1990). Die Persönlichkeit und Vision des Topmanagers ist in KMU häufig entscheidender als in Großunternehmen, da ein einzelner Inhaber erheblichen Einfluss auf die Innovationsausrichtung ausüben kann und nicht durch Gremienentscheidungen oder Shareholderinteressen beschränkt wird (Lubatkin, Simsek, Ling & Veiga, 2006).
Diese Befunde implizieren, dass Theorien und Modelle zur Technologieadoption nicht unmodifiziert von Großunternehmen auf KMU übertragen werden sollten (Curran & Blackburn, 2001). Die spezifischen Charakteristika von KMU – begrenzte Slack-Ressourcen, personenabhängige Entscheidungsprozesse, informelle Organisationsstrukturen und hohe Flexibilität – erfordern angepasste theoretische Perspektiven und praktische Interventionsstrategien. Gleichzeitig eröffnen einige dieser Charakteristika auch Chancen: Die geringere organisationale Komplexität kann schnellere Implementierungszyklen ermöglichen, und die Nähe der Geschäftsleitung zu operativen Prozessen erleichtert die Identifikation relevanter Anwendungsfälle und die Überwindung interner Widerstände.
Bei der Interpretation der Ergebnisse sind mehrere Limitationen zu berücksichtigen. Erstens beruhen die meisten ausgewerteten Studien auf befragungsbasierten Daten oder konzeptionellen Analysen (Podsakoff, MacKenzie, Lee & Podsakoff, 2003). Langzeitbeobachtungen, die den tatsächlichen Erfolg oder Misserfolg von KI-Projekten in KMU nachzeichnen und kausale Mechanismen identifizieren, liegen erst in begrenztem Umfang vor. Die Schlussfolgerungen stützen sich somit vorrangig auf wahrgenommene Hindernisse und intendierte Adoption, weniger auf ex-post Erfolgsauswertungen (Sheppard, Hartwick & Warshaw, 1988). Diese Limitation ist charakteristisch für ein junges Forschungsfeld und sollte durch zukünftige Longitudinalstudien adressiert werden.
Zweitens fokussiert die Analyse auf Deutschland beziehungsweise vergleichbare europäische Industrieländer; für andere kulturelle und institutionelle Kontexte könnten einzelne Faktoren abweichende Relevanz besitzen (Pingali et al., 2023; Hofstede, 2001). Die starke Ausprägung des Mittelstandskonzepts in Deutschland, die spezifischen Förderstrukturen und die kulturellen Werte wie Risikoaversion und langfristige Orientierung limitieren die Generalisierbarkeit auf andere nationale Kontexte. Drittens ist die Dynamik des Untersuchungsgegenstands zu berücksichtigen: Die rasante Weiterentwicklung von KI-Technologien, insbesondere im Bereich generativer KI, sowie die sich wandelnden regulatorischen Rahmenbedingungen bedeuten, dass heute identifizierte Barrieren morgen bereits an Relevanz verlieren könnten, während neue Herausforderungen entstehen.
Die Befunde implizieren, dass erfolgreiche KI-Implementierung kein rein technisches Projekt, sondern eine ganzheitliche organisationale Transformation erfordert (Westerman et al., 2014). Geschäftsführungen sollten eine aktive Rolle übernehmen, Visionen für KI-Anwendungen entwickeln und realistische Implementierungspläne aufstellen, die technologische, organisationale und kontextuelle Faktoren integriert adressieren (Fountaine, McCarthy & Saleh, 2019). Die Ergebnisse zeigen konsistent, dass Top-Management-Unterstützung einer der stärksten Prädiktoren für Adoptionserfolg ist – passive Delegation an IT-Abteilungen erscheint als unzureichende Strategie.
Essenziell ist die Investition in Mitarbeiterqualifizierung, um Berührungsängste abzubauen, interne Kompetenzen aufzubauen und kulturelle Widerstände zu adressieren (Agrawal, Gans & Goldfarb, 2018). Die Einführung von KI sollte als schrittweiser Prozess gestaltet werden, beginnend mit Pilotprojekten, die schnelle, sichtbare Erfolge liefern und organisationales Lernen ermöglichen (Ries, 2011). Der Einsatz von Low-Code-Plattformen ermöglicht die Entwicklung von Prototypen mit geringem Ressourceneinsatz und begrenztem Risiko, während Fachabteilungen in die Lösungsentwicklung einbezogen werden können (Liwanag et al., 2025). Externe Partnerschaften mit Technologieanbietern, Beratern oder Forschungseinrichtungen können kritische Kompetenzlücken schließen und Zugang zu Expertise ermöglichen, die intern nicht aufgebaut werden kann (Chesbrough, 2003). Schließlich sollten KMU verfügbare Förderprogramme und Unterstützungsstrukturen aktiv nutzen, um Investitionsrisiken zu reduzieren und von den Erfahrungen anderer zu profitieren.
Die Ergebnisse zeigen, dass politische und infrastrukturelle Rahmenbedingungen erheblichen Einfluss auf die KI-Adoption in KMU ausüben (Mazzucato, 2018). Um KI im Mittelstand zu verankern, sollten wirtschaftspolitische Entscheidungsträger mehrere Handlungsfelder adressieren: Erstens, den Ausbau digitaler Infrastruktur, insbesondere in ländlichen Regionen, wo viele mittelständische Unternehmen angesiedelt sind (Prieger, 2013). Schnelle Internetverbindungen und Zugang zu Cloud-Infrastrukturen sind notwendige Voraussetzungen für viele KI-Anwendungen. Zweitens, die Bereitstellung niedrigschwelliger Förderprogramme für KI-Investitionen in KMU, die nicht nur Hardware und Software, sondern auch Beratungsleistungen und Qualifizierungsmaßnahmen abdecken.
Drittens, die Unterstützung regionaler KI-Kompetenzzentren, die Demonstratoren bereitstellen, Schulungen anbieten und als Vermittler zwischen KMU und Forschung fungieren (Knoblach et al., 2025; Nauwelaers & Wintjes, 2002). Solche Zentren können eine wichtige Brückenfunktion übernehmen, indem sie abstraktes Technologiewissen in praktisch anwendbare Lösungen übersetzen und KMU einen risikoarmen Einstieg in KI-Technologien ermöglichen. Viertens, die Entwicklung klarer regulatorischer Leitlinien und Qualitätsstandards, die Orientierung bieten und Vertrauen in KI-Technologien stärken, ohne dabei unverhältnismäßige Compliance-Lasten für KMU zu erzeugen (Floridi et al., 2018). Fünftens, die Förderung von Ausbildungsinitiativen auf allen Ebenen – von beruflicher Bildung über Hochschulcurricula bis zu Weiterbildungsangeboten – zur Erhöhung des Fachkräfteangebots im KI-Bereich (Autor, 2015).
Der vorliegende systematische Literaturreview hat die Implementierung von KI in deutschen KMU durch die Linse des integrierten TOE-DOI-Rahmenwerks untersucht. Die letzten fünf Jahre haben eine beachtliche Forschungsaktivität hervorgebracht, die konsistent aufzeigt: KMU stehen vor erheblichen Hürden bei der KI-Adoption, doch es existieren zugleich erkennbare Hebel zur Überwindung dieser Barrieren (Dwivedi et al., 2021). Die systematische Analyse von 15 Kernstudien ermöglicht die Konsolidierung eines bislang fragmentierten Forschungsstandes und die Ableitung differenzierter Erkenntnisse für Wissenschaft und Praxis.
Als zentrale Barrieren wurden identifiziert: der Mangel an qualitativ hochwertigen Daten und KI-Fachkräften (in 93% bzw. 87% der Studien genannt), die technische und organisatorische Komplexität von KI-Systemen, begrenzte finanzielle Ressourcen für experimentelle Projekte sowie ein unsicheres regulatorisches Umfeld. Diese Barrieren wirken nicht isoliert, sondern verstärken sich wechselseitig in komplexen Interdependenzen: Fehlende Dateninfrastruktur erschwert die Demonstration konkreter Nutzenpotenziale, was wiederum Investitionsentscheidungen hemmt und den Aufbau interner Kompetenzen verzögert.
Als wesentliche Erfolgsfaktoren erwiesen sich: engagierte Führung mit klarer digitaler Vision und aktiver Unterstützung von KI-Initiativen, eindeutige Nutzenkommunikation durch Identifikation konkreter, quantifizierbarer Anwendungsfälle, der Einsatz leicht handhabbarer KI-Werkzeuge wie Low-Code-Plattformen sowie die Einbindung externer Unterstützungsstrukturen (Pumplun, Tauchert & Heidt, 2019). Besonders hervorzuheben ist das Potenzial von Low-Code- und No-Code-Plattformen, die technische Einstiegshürden senken und auch ressourcenbeschränkten Unternehmen die Entwicklung von KI-Anwendungen ermöglichen können. Diese demokratisierenden Technologien könnten einen Paradigmenwechsel einleiten, indem sie KI-Entwicklung von spezialisierten Experten zu domänenkundigen Fachanwendern verlagern.
Für die künftige Forschung ergeben sich mehrere vielversprechende Richtungen: (1) empirische Studien zur Wirksamkeit von Low-Code-Plattformen für die KI-Adoption in KMU, die über Adoptionsintentionen hinaus tatsächliche Implementierungserfolge messen; (2) Longitudinalstudien, die den langfristigen Erfolg von KI-Implementierungen verfolgen und dynamische Entwicklungspfade nachzeichnen; (3) branchenspezifische Analysen zur Identifikation kontextabhängiger Adoptionsfaktoren in unterschiedlichen Sektoren des Mittelstands; (4) vergleichende Untersuchungen zur Effektivität unterschiedlicher Förderinstrumente und politischer Interventionen; sowie (5) Forschung zur Rolle generativer KI-Technologien, die das Anwendungsspektrum von KI fundamental erweitern und neue Adoptionsdynamiken erzeugen könnten (Makridakis, 2017).
KI-Adoption in KMU bleibt ein komplexer Transformationsprozess, der Technologie, Menschen und Strukturen gleichermaßen betrifft (Bharadwaj, El Sawy, Pavlou & Venkatraman, 2013). Unternehmen, die heute in Qualifizierung investieren, Dateninfrastrukturen aufbauen und Pilotprojekte initiieren, schaffen die Grundlage für nachhaltige Wettbewerbsvorteile in einer zunehmend KI-geprägten Wirtschaft. Die vorliegende Analyse dient als Orientierungsrahmen, der kritische Hindernisse und vielversprechende Lösungsansätze systematisch aufzeigt und sowohl für die unternehmerische Praxis als auch für wirtschaftspolitische Entscheidungsträger handlungsrelevante Erkenntnisse bietet.
Acs, Z. J., & Audretsch, D. B. 1990. Innovation and small firms. Cambridge, MA: MIT Press.
Agarwal, R., & Prasad, J. 1998. A conceptual and operational definition of personal innovativeness in the domain of information technology. Information Systems Research, 9(2): 204–215.
Agrawal, A., Gans, J., & Goldfarb, A. 2018. Prediction machines: The simple economics of artificial intelligence. Boston: Harvard Business Review Press.
Ajzen, I. 1991. The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2): 179–211.
Alsheibani, S., Cheung, Y., & Messom, C. 2018. Artificial intelligence adoption: AI-readiness at firm-level. PACIS 2018 Proceedings, 37.
Arrieta, A. B., et al. 2020. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges. Information Fusion, 58: 82–115.
Arroyabe, M. F., Arranz, N., de Arroyabe, J. C. F., & de Arroyabe, F. I. 2024. Analyzing AI adoption in European SMEs. Technology in Society, 79: 102733.
Autor, D. H. 2015. Why are there still so many jobs? Journal of Economic Perspectives, 29(3): 3–30.
Awa, H. O., Ukoha, O., & Emecheta, B. C. 2016. Using T-O-E theoretical framework to study the adoption of ERP solution. Cogent Business & Management, 3(1): 1196571.
Baabdullah, A. M. 2024. The precursors of AI adoption in business. International Journal of Information Management, 75: 102745.
Baabdullah, A. M., Alalwan, A. A., Slade, E. L., Raman, R., & Khatatneh, K. F. 2021. SMEs and artificial intelligence (AI). Industrial Marketing Management, 98: 255–270.
Baker, J. 2012. The technology–organization–environment framework. In Y. K. Dwivedi et al. (Eds.), Information systems theory: 231–245. New York: Springer.
Barney, J. 1991. Firm resources and sustained competitive advantage. Journal of Management, 17(1): 99–120.
Bharadwaj, A., El Sawy, O. A., Pavlou, P. A., & Venkatraman, N. 2013. Digital business strategy. MIS Quarterly, 37(2): 471–482.
Bitkom. 2024. IT-Fachkräftemangel in Deutschland. Berlin: Bitkom Research.
Bley, K., Leyh, C., & Schäffer, T. 2016. Digitization of German enterprises in the production sector. AMCIS 2016 Proceedings.
Blind, K. 2012. The influence of regulations on innovation. Research Policy, 41(2): 391–400.
Bostrom, R. P., & Heinen, J. S. 1977. MIS problems and failures: A socio-technical perspective. MIS Quarterly, 1(3): 17–32.
Brynjolfsson, E., & McAfee, A. 2017. Machine, platform, crowd. New York: W. W. Norton.
Bughin, J., et al. 2018. Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute.
Chalmers, D., MacKenzie, N. G., Carter, S., & Quail, S. 2020. Artificial intelligence and entrepreneurship. Entrepreneurship Theory and Practice, 45(5): 1022–1053.
Chatterjee, S., Rana, N. P., Dwivedi, Y. K., & Baabdullah, A. M. 2021. Understanding AI adoption in manufacturing using TAM-TOE. Technological Forecasting and Social Change, 170: 120880.
Chau, P. Y. K., & Tam, K. Y. 1997. Factors affecting the adoption of open systems. MIS Quarterly, 21(1): 1–24.
Chesbrough, H. W. 2003. Open innovation. Boston: Harvard Business School Press.
Cohen, W. M., & Levinthal, D. A. 1990. Absorptive capacity. Administrative Science Quarterly, 35(1): 128–152.
Curran, J., & Blackburn, R. A. 2001. Researching the small enterprise. London: Sage.
Damanpour, F., & Schneider, M. 2006. Phases of the adoption of innovation in organizations. British Journal of Management, 17(3): 215–236.
Davenport, T. H., & Patil, D. J. 2012. Data scientist: The sexiest job of the 21st century. Harvard Business Review, 90(10): 70–76.
Davenport, T. H., & Ronanki, R. 2018. Artificial intelligence for the real world. Harvard Business Review, 96(1): 108–116.
Davis, F. D. 1989. Perceived usefulness, perceived ease of use, and user acceptance of IT. MIS Quarterly, 13(3): 319–340.
DePietro, R., Wiarda, E., & Fleischer, M. 1990. The context for change. In L. G. Tornatzky & M. Fleischer (Eds.), The processes of technological innovation: 151–175.
Destatis. 2023. Unternehmensstatistik Deutschland. Wiesbaden: Statistisches Bundesamt.
DiMaggio, P. J., & Powell, W. W. 1983. The iron cage revisited. American Sociological Review, 48(2): 147–160.
Dolgui, A., & Ivanov, D. 2022. 5G in digital supply chain. International Journal of Production Research, 60(2): 442–451.
Dwivedi, Y. K., et al. 2021. Artificial Intelligence (AI): Multidisciplinary perspectives. International Journal of Information Management, 57: 101994.
Dwivedi, Y. K., et al. 2023. Opinion Paper: "So what if ChatGPT wrote it?" International Journal of Information Management, 71: 102642.
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. 2022. AI and business value. Information Systems Frontiers, 24(6): 1709–1734.
Etzkowitz, H., & Leydesdorff, L. 2000. The dynamics of innovation. Research Policy, 29(2): 109–123.
European Commission. 2003. Commission Recommendation 2003/361/EC. Official Journal of the European Union, L 124: 36–41.
Fichman, R. G. 2004. Going beyond the dominant paradigm for IT innovation research. JAIS, 5(8): 314–355.
Fitzgerald, M., Kruschwitz, N., Bonnet, D., & Welch, M. 2014. Embracing digital technology. MIT Sloan Management Review, 55(2): 1–12.
Floridi, L., et al. 2018. AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4): 689–707.
Fountaine, T., McCarthy, B., & Saleh, T. 2019. Building the AI-powered organization. Harvard Business Review, 97(4): 62–73.
Frambach, R. T., & Schillewaert, N. 2002. Organizational innovation adoption. Journal of Business Research, 55(2): 163–176.
Füller, J., Hutter, K., Wahl, J., Bilgram, V., & Tekic, Z. 2022. How AI revolutionizes innovation management. Technological Forecasting and Social Change, 178: 121598.
Gangwar, H., Date, H., & Ramaswamy, R. 2015. Understanding cloud computing adoption using TAM-TOE. Journal of Enterprise Information Management, 28(1): 107–130.
Gartner. 2019. Gartner predicts 85% of AI projects will deliver erroneous outcomes. Stamford, CT: Gartner Inc.
Ghobakhloo, M., Iranmanesh, M., Vilkas, M., Grybauskas, A., & Amran, A. 2022. Drivers and barriers of Industry 4.0 adoption. Journal of Manufacturing Technology Management, 33(6): 1029–1058.
Greenhalgh, T., & Peacock, R. 2005. Effectiveness of search methods in systematic reviews. BMJ, 331(7524): 1064–1065.
Gunning, D., et al. 2019. XAI—Explainable artificial intelligence. Science Robotics, 4(37): eaay7120.
Hambrick, D. C., & Mason, P. A. 1984. Upper echelons. Academy of Management Review, 9(2): 193–206.
Hansen, E. B., & Bøgh, S. 2021. AI and IoT in small and medium-sized enterprises. Journal of Manufacturing Systems, 58: 362–372.
Hofstede, G. 2001. Culture's consequences (2nd ed.). Thousand Oaks, CA: Sage.
Horani, O. M., et al. 2023. Critical determinants impacting AI adoption. Information Development, Online First.
Hsu, P. F., Kraemer, K. L., & Dunkle, D. 2006. Determinants of e-business use. International Journal of Electronic Commerce, 10(4): 9–45.
Iacovou, C. L., Benbasat, I., & Dexter, A. S. 1995. EDI and small organizations. MIS Quarterly, 19(4): 465–485.
Janssen, M., van der Voort, H., & Wahyudi, A. 2017. Factors influencing big data decision-making quality. Journal of Business Research, 70: 338–345.
Jeyaraj, A., Rottman, J. W., & Lacity, M. C. 2006. IT innovation adoption research. Journal of Information Technology, 21(1): 1–23.
Jobin, A., Ienca, M., & Vayena, E. 2019. The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9): 389–399.
Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. 2015. Strategy, not technology, drives digital transformation. MIT Sloan Management Review, 56(4): 1–25.
Karahanna, E., Straub, D. W., & Chervany, N. L. 1999. IT adoption across time. MIS Quarterly, 23(2): 183–213.
Kitchenham, B. 2004. Procedures for performing systematic reviews. Keele University Technical Report.
Knoblach, J., Vogl, L., Wehnert, C., Carbon, C.-C., Franz, J., & Schmid, U. 2025. The SME AI Experience Center. KI – Künstliche Intelligenz, Online First.
Kotter, J. P. 1995. Leading change. Harvard Business Review, 73(2): 59–67.
Landis, J. R., & Koch, G. G. 1977. The measurement of observer agreement. Biometrics, 33(1): 159–174.
Lee, J., Kao, H. A., & Yang, S. 2014. Service innovation and smart analytics for Industry 4.0. Procedia CIRP, 16: 3–8.
Levy, Y., & Ellis, T. J. 2006. A systems approach to conduct literature review. Informing Science, 9: 181–212.
Liang, H., Saraf, N., Hu, Q., & Xue, Y. 2007. Assimilation of enterprise systems. MIS Quarterly, 31(1): 59–87.
Liwanag, G. L. L., Ebardo, R. A., & Cheng, D. C. 2025. Low-Code and No-Code Development in the Era of AI. Data & Metadata, 4(4): 1218.
Lubatkin, M. H., Simsek, Z., Ling, Y., & Veiga, J. F. 2006. Ambidexterity and performance in SMEs. Journal of Management, 32(5): 646–672.
Makridakis, S. 2017. The forthcoming AI revolution. Futures, 90: 46–60.
March, J. G. 1991. Exploration and exploitation in organizational learning. Organization Science, 2(1): 71–87.
Mariani, M. M., Perez-Vega, R., & Wirtz, J. 2022. AI in marketing. Psychology & Marketing, 39(4): 755–776.
Markus, M. L., & Robey, D. 1988. IT and organizational change. Management Science, 34(5): 583–598.
Mayring, P. 2014. Qualitative content analysis. Klagenfurt: SSOAR.
Mazzucato, M. 2018. The entrepreneurial state. London: Penguin.
Mikalef, P., & Gupta, M. 2021. Artificial intelligence capability. Information & Management, 58(3): 103434.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. 2016. The ethics of algorithms. Big Data & Society, 3(2): 1–21.
Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. 2009. PRISMA statement. PLoS Medicine, 6(7): e1000097.
Moore, G. C., & Benbasat, I. 1991. Development of an instrument to measure IT adoption perceptions. Information Systems Research, 2(3): 192–222.
Müller, J. M., Buliga, O., & Voigt, K. I. 2021. The role of absorptive capacity and innovation strategy in Industry 4.0. European Management Journal, 39(3): 333–343.
Nauwelaers, C., & Wintjes, R. 2002. Innovating SMEs and regions. Technology Analysis & Strategic Management, 14(2): 201–215.
Nooteboom, B. 1994. Innovation and diffusion in small firms. Small Business Economics, 6(5): 327–347.
Oliveira, T., & Martins, M. F. 2011. Literature review of IT adoption models at firm level. EJISE, 14(1): 110–121.
Orlikowski, W. J. 1992. The duality of technology. Organization Science, 3(3): 398–427.
Pan, M. J., & Jang, W. Y. 2008. Determinants of ERP adoption within TOE. JCIS, 48(3): 94–102.
Perkmann, M., & Walsh, K. 2007. University–industry relationships. International Journal of Management Reviews, 9(4): 259–280.
Pingali, S. R., Singha, S., Arunachalam, S., & Pedada, K. 2023. Digital readiness of SMEs in emerging markets. Journal of Business Research, 164: 113973.
Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. 2003. Common method biases. Journal of Applied Psychology, 88(5): 879–903.
Porter, M. E. 1985. Competitive advantage. New York: Free Press.
Premkumar, G., & Roberts, M. 1999. Adoption of new IT in rural small businesses. Omega, 27(4): 467–484.
Prieger, J. E. 2013. The broadband digital divide. Telecommunications Policy, 37(6–7): 483–502.
Priyono, A., Moin, A., & Putri, V. N. A. O. 2020. Identifying digital transformation paths in the business model of SMEs during the COVID-19 pandemic. Journal of Open Innovation, 6(4): 104.
Provost, F., & Fawcett, T. 2013. Data science and data-driven decision making. Big Data, 1(1): 51–59.
Pumplun, L., Tauchert, C., & Heidt, M. 2019. A new organizational chassis for AI. ECIS 2019 Proceedings.
Ramdani, B., Kawalek, P., & Lorenzo, O. 2009. Predicting SMEs' adoption of enterprise systems. JEIM, 22(1/2): 10–24.
Ransbotham, S., Khodabandeh, S., Fehling, R., LaFountain, B., & Kiron, D. 2019. Winning with AI. MIT Sloan Management Review, 61(1): 1–17.
Ransbotham, S., Kiron, D., Gerbert, P., & Reeves, M. 2017. Reshaping business with AI. MIT Sloan Management Review, 59(1): 1–17.
Ries, E. 2011. The lean startup. New York: Crown Business.
Rogers, E. M. 2003. Diffusion of innovations (5th ed.). New York: Free Press.
Rothwell, R., & Dodgson, M. 1994. Innovation and size of firm. In M. Dodgson & R. Rothwell (Eds.), Handbook of industrial innovation: 310–324.
Russell, S., & Norvig, P. 2021. Artificial intelligence: A modern approach (4th ed.). Upper Saddle River, NJ: Pearson.
Rymer, J. R., & Koplowitz, R. 2019. The Forrester Wave™: Low-code development platforms. Forrester Research.
Sahay, A., Indamutsa, A., Di Ruscio, D., & Pierantonio, A. 2020. Supporting low-code development platforms. SEAA 2020 Proceedings, 171–178.
Sánchez, E., Calderón, R., & Herrera, F. 2025. AI Adoption in SMEs: TOE–DOI Framework. Applied Sciences, 15(12): 6465.
Sanchis, R., García-Perales, Ó., Fraile, F., & Poler, R. 2020. Low-code as enabler of digital transformation. Applied Sciences, 10(1): 12.
Schein, E. H. 2010. Organizational culture and leadership (4th ed.). San Francisco: Jossey-Bass.
Schwäke, J., Peters, A., Kanbach, D. K., Kraus, S., & Jones, P. 2024. The new normal: AI adoption in SMEs. Journal of Small Business Management, 63(1): 1–35.
Sheppard, B. H., Hartwick, J., & Warshaw, P. R. 1988. The theory of reasoned action. Journal of Consumer Research, 15(3): 325–343.
Soto-Acosta, P. 2020. COVID-19 pandemic: Shifting digital transformation to a high-speed gear. Information Systems Management, 37(4): 260–266.
Teo, H. H., Wei, K. K., & Benbasat, I. 2003. Predicting intention to adopt interorganizational linkages. MIS Quarterly, 27(1): 19–49.
Thompson, R. L., Higgins, C. A., & Howell, J. M. 1991. Personal computing. MIS Quarterly, 15(1): 125–143.
Thong, J. Y. 1999. An integrated model of IS adoption in small businesses. JMIS, 15(4): 187–214.
Tornatzky, L. G., & Fleischer, M. 1990. The processes of technological innovation. Lexington, MA: Lexington Books.
Tornatzky, L. G., & Klein, K. J. 1982. Innovation characteristics and innovation adoption-implementation. IEEE Transactions on Engineering Management, 29(1): 28–45.
Tranfield, D., Denyer, D., & Smart, P. 2003. Towards a methodology for systematic review. British Journal of Management, 14(3): 207–222.
Ulrich, P., Frank, V., & Kratt, M. 2021. Adoption of AI technologies in German SMEs. In S. Hundal et al. (Eds.), Corporate governance: 76–84.
Veale, M., & Borgesius, F. Z. 2021. Demystifying the Draft EU AI Act. Computer Law Review International, 22(4): 97–112.
Venkatesh, V., & Bala, H. 2008. Technology acceptance model 3. Decision Sciences, 39(2): 273–315.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. 2003. User acceptance of IT: Toward a unified view. MIS Quarterly, 27(3): 425–478.
Vial, G. 2019. Understanding digital transformation. Journal of Strategic Information Systems, 28(2): 118–144.
Wamba-Taguimdje, S. L., Wamba, S. F., Fosso Wamba, J. R. K., & Tchatchouang Nguegang, E. T. 2020. Influence of AI on firm performance. Business Process Management Journal, 26(7): 1893–1924.
Wang, R. Y., & Strong, D. M. 1996. Beyond accuracy: What data quality means. JMIS, 12(4): 5–33.
Webster, J., & Watson, R. T. 2002. Analyzing the past to prepare for the future. MIS Quarterly, 26(2): xiii–xxiii.
Welsh, J. A., & White, J. F. 1981. A small business is not a little big business. Harvard Business Review, 59(4): 18–27.
Westerman, G., Bonnet, D., & McAfee, A. 2014. Leading digital. Boston: Harvard Business Review Press.
Zhu, K., & Kraemer, K. L. 2005. Post-adoption variations in e-business. Information Systems Research, 16(1): 61–84.
Zhu, K., Kraemer, K. L., & Xu, S. 2006. The process of innovation assimilation. Management Science, 52(10): 1557–1576.
Dr. Konstantin Krebs · Dr. Justus & Partners · Jürgensallee 53 · 22609 Hamburg · +49 40 285 390 21
JP