AI Organisation Model

AI becomes effective when organisation is designed with it.

The AI Organisation Model connects strategy, delivery, decision architecture, governance, capabilities and impact into a workable model for AI transformation.

Fields and sub-fields are clickable. The model graphic itself remains unchanged.

AI Organisation Model (AI-OM)

Clickable overall model with workshop, offering and explanatory modules.

CS AI consulting
strategic AI solutions

Strategisch ausrichtende Managementleistung

Gestaltende Managementleistung

Steuernde Managementleistung

Absichernde und tragende Managementleistung

AI Strategy & Alignment

AI Strategy
Map

AI Value
Portfolio

AI Focus
Navigator

AI Development & Delivery

AI Intake
Funnel

AI Delivery
Pipeline

AI Factory
Model

AI System & Change Orchestration

AI IMPACT & STEERING FRAME

Detection

Prediction

Reasoning

Steering

Automation

Orchestration

EMBEDDING & INTEGRATION

Change Readiness

Value Realisation

Skills Enablement

Executive Leadership

Transition Model

Rollout Blueprint

AI ADOPTION & TRANSFORMATION FRAME

Governance (GRC) & Ethics

AI Governance
Frame

AI Policy
Architecture

AI Responsibility
& Ethics

Organisational Structure & Talents

AI Responsibility
Matrix

AI Capability
Map

AI Capability
Path

Conceptual framework and typology developed by Senghaas

AI Strategy & Alignment: Dieses Arbeitsfeld klärt, wie KI aus Organisationsstrategie, Wertlogik und Managementprioritäten abgeleitet wird. Es ist der Gegenentwurf zum reinen Sammeln einzelner Use Cases: Zunächst wird bestimmt, wo Wirkung entstehen soll; anschließend werden Initiativen, Fähigkeiten und Governance darauf ausgerichtet.
AI Strategy Map: Die AI Strategy Map verdichtet Geschäftsziele, Werthebel und AI-Potenziale zu einem strategischen Orientierungsbild. Sie schafft Managementklarheit darüber, warum KI eingesetzt wird und welche Wirkung nicht nur technisch, sondern organisational entstehen soll.
AI Value Portfolio: Das AI Value Portfolio ordnet AI-Initiativen nach Wertlogik, Wirkungstyp, Risiko und organisationaler Anschlussfähigkeit. Es verhindert, dass Use Cases isoliert nebeneinanderstehen, ohne erkennbaren Beitrag zur Gesamtstrategie.
AI Focus Navigator: Der AI Focus Navigator hilft, die knappe Management- und Umsetzungskapazität zu fokussieren. Er klärt, welche AI-Themen jetzt reif sind, welche Voraussetzungen fehlen und welche Initiativen bewusst nicht verfolgt werden.
AI Development & Delivery: Dieses Arbeitsfeld übersetzt strategische Prioritäten in eine belastbare Umsetzungslogik. Es geht um Intake, Bewertung, Delivery, Industrialisierung und die Frage, wie aus einzelnen AI-Initiativen eine wiederholbare Delivery-Fähigkeit entsteht.
AI Intake Funnel: Der AI Intake Funnel beschreibt, wie Ideen, Probleme und Bedarfe in eine qualifizierte AI-Pipeline gelangen. Wichtig ist die Trennung zwischen interessanter Idee, strategischem Vorhaben, technischer Machbarkeit und organisationaler Umsetzungsreife.
AI Delivery Pipeline: Die AI Delivery Pipeline strukturiert den Weg von Exploration über Prototyp, MVP, Industrialisierung und Betrieb. Sie macht sichtbar, an welchen Gates technische, fachliche, rechtliche und organisatorische Voraussetzungen geprüft werden.
AI Factory Model: Das AI Factory Model beschreibt die wiederholbare Produktionslogik für AI-Lösungen. Es geht nicht nur um Technologieplattformen, sondern um Standards, Rollen, Qualitätssicherung, Wiederverwendbarkeit und Übergang in Betrieb.
Decision Architecture & Steering: Dieses Arbeitsfeld macht sichtbar, welche Entscheidungen durch KI unterstützt, vorbereitet, automatisiert oder orchestriert werden dürfen. Im Zentrum steht nicht nur Effizienz, sondern die Frage, wie Entscheidungsräume, Kriterien und Verantwortung unter KI-Bedingungen stabil bleiben.
Decision Space Design: Decision Space Design klärt, welche Entscheidungsräume für KI geeignet sind. Manche Entscheidungen sind regelgebunden und automatisierbar, andere erfordern Kontext, Abwägung, menschliche Verantwortung oder bewusste Eskalation.
Decision Criteria Model: Das Decision Criteria Model definiert, nach welchen Kriterien AI-Einsatz bewertet wird: Nutzen, Risiko, Datenqualität, Prozessstabilität, Verantwortung, regulatorische Anforderungen und menschliche Eingriffsmöglichkeiten.
Responsibility Flow: Responsibility Flow betrachtet Verantwortung nicht statisch, sondern als laufenden Fluss über Rollen, Lebenszyklen und organisatorische Veränderungen hinweg. Relevant ist zum Beispiel, was mit einer AI-Lösung passiert, wenn Verantwortliche das Unternehmen verlassen, Bereiche wechseln oder Rollen umgebaut werden.
Impact Evaluation & Adaptive Change: Dieses Arbeitsfeld beschreibt, wie Wirkung beobachtet, bewertet und nachjustiert wird. Es geht nicht nur um KPIs, sondern um Nebenfolgen, Drift, Stabilität und Lernschleifen, die eine Organisation braucht, wenn KI dauerhaft in Prozessen wirkt.
Impact & Spillovers: Impact & Spillovers erweitert die Wirkungsbetrachtung über direkte Effekte hinaus. AI kann Prozesse beschleunigen, aber auch Verantwortungen verschieben, Qualitätsannahmen verändern oder neue Abhängigkeiten zwischen Fachbereichen, IT und Datenorganisation erzeugen.
System Stability & Drift: System Stability & Drift fragt, wann AI-gestützte Prozesse ihre Passung verlieren. Drift kann aus Daten, Marktveränderungen, Prozessänderungen, Nutzerverhalten oder organisatorischen Umbauten entstehen.
Learning & Recalibration: Learning & Recalibration beschreibt, wie eine Organisation aus Abweichungen, Feedback und Wirkungsmessung lernt. Entscheidend ist, dass Erkenntnisse nicht nur dokumentiert, sondern in Kriterien, Prozesse, Modelle und Verantwortung zurückgeführt werden.
Governance (GRC) & Ethics: Dieses Arbeitsfeld übersetzt Governance, Risiko, Compliance und Ethik in handhabbare Management- und Betriebslogik. Governance wird dabei nicht als externe Kontrolle verstanden, sondern als integrierte Entscheidungs- und Verantwortungsarchitektur.
AI Governance Frame: Der AI Governance Frame verbindet strategische Leitplanken mit operativer Entscheidbarkeit. Governance wird nicht nachgelagert aufgesetzt, sondern in Intake, Delivery, Betrieb, Monitoring und Verantwortungslogik integriert.
AI Policy Architecture: AI Policy Architecture übersetzt Leitplanken in konkrete Regeln, Nachweise und Gates. Sie verhindert, dass Governance abstrakt bleibt, und schafft Anschluss an Compliance, Risiko, IT-Sicherheit, Datenschutz und Betriebsführung.
AI Responsibility & Ethics: AI Responsibility & Ethics verbindet Verantwortung, menschliche Aufsicht und normative Leitplanken. Es geht nicht um allgemeine Ethikfolien, sondern um konkrete Entscheidungen, Eingriffe, Grenzen und Verantwortungsrollen.
Organisational Structure & Talents: Dieses Arbeitsfeld ordnet Rollen, Fähigkeiten, Lernpfade und Verantwortungsprofile. Entscheidend ist nicht nur Training, sondern die Frage, welche Fähigkeiten dauerhaft in Management, Fachbereichen, IT, Datenrollen und Betrieb verankert werden müssen.
AI Responsibility Matrix: Die AI Responsibility Matrix ordnet Rollen, Zuständigkeiten und Entscheidungsrechte entlang des AI-Lebenszyklus. Sie ist besonders wichtig, wenn Fachbereich, IT, Data Science, Betrieb, Compliance und Management gemeinsam Verantwortung tragen.
AI Capability Map: Die AI Capability Map zeigt, welche Fähigkeiten die Organisation braucht, um AI nicht nur einzuführen, sondern dauerhaft wirksam zu betreiben. Dazu gehören Management-, Fach-, Daten-, Technologie-, Change- und Governance-Fähigkeiten.
AI Capability Path: Der AI Capability Path übersetzt Fähigkeitslücken in Entwicklungspfade. Ziel ist nicht nur Schulung, sondern Aufbau von Routinen, Rollenverständnis, Entscheidungsfähigkeit und praktischer Anwendungskompetenz.
AI System & Change Orchestration: AI System & Change Orchestration ist die Kopplungsschicht zwischen technischer AI-Fähigkeit und organisationaler Veränderung. Dieses Feld ist kein isolierter Workshop, sondern erklärt, warum Technologie, Entscheidung, Integration und Adoption zusammen betrachtet werden müssen.
Detection: Detection beschreibt die Fähigkeit, Signale, Muster, Abweichungen oder Risiken zu erkennen. Es ist ein technologischer Baustein, kein einzelnes Workshopangebot. Die praktische Diskussion findet meist im Zusammenspiel mit Entscheidungsarchitektur, Integration, Governance und Betriebsmodell statt.
Prediction: Prediction beschreibt die Abschätzung zukünftiger Entwicklungen, Wahrscheinlichkeiten oder Szenarien. Es ist ein technologischer Baustein, kein isolierter Workshop. Die praktische Diskussion findet meist im Zusammenspiel mit Entscheidungsarchitektur, Integration, Governance und Betriebsmodell statt.
Reasoning: Reasoning beschreibt die strukturierte Ableitung von Optionen, Begründungen und Entscheidungspfaden. Es ist ein technologischer Baustein innerhalb der Steuerungslogik. Die praktische Diskussion findet meist im Zusammenspiel mit Entscheidungsarchitektur, Integration, Governance und Betriebsmodell statt.
Steering: Steering beschreibt die aktive Beeinflussung von Prozessen, Entscheidungen oder Systemzuständen entlang definierter Kriterien. Es ist ein Architekturbaustein, kein Einzelworkshop. Die praktische Diskussion findet meist im Zusammenspiel mit Entscheidungsarchitektur, Integration, Governance und Betriebsmodell statt.
Automation: Automation beschreibt den Vollzug innerhalb vorstrukturierter Entscheidungsräume. Sie ist ein technologischer Umsetzungsbaustein und muss über Verantwortung und Kriterien begrenzt werden. Die praktische Diskussion findet meist im Zusammenspiel mit Entscheidungsarchitektur, Integration, Governance und Betriebsmodell statt.
Orchestration: Orchestration beschreibt die Koordination mehrschrittiger Handlungsketten, Systeme oder Agenten. Es ist ein technologischer Architekturbaustein für komplexere AI-Systeme. Die praktische Diskussion findet meist im Zusammenspiel mit Entscheidungsarchitektur, Integration, Governance und Betriebsmodell statt.
Embedding & Integration: Embedding & Integration beschreibt die eigentliche Übersetzung von AI-Fähigkeiten in Prozesse, Datenflüsse, Systeme, Rollen und Betriebslogik. Es ist selten ein isolierter Workshop, sondern die Architekturfrage hinter wirksamer Umsetzung.
Change Readiness: Change Readiness prüft, ob die Organisation für AI-Veränderung tatsächlich anschlussfähig ist. Blockaden liegen oft nicht in der Technologie, sondern in Rollenunklarheit, Machtstrukturen, fehlender Projektkultur, überlasteten Fachbereichen oder mangelnder Übersetzung zwischen Management, IT und operativer Realität.
Value Realisation: Value Realisation schließt die Lücke zwischen AI-Potenzial und messbarer Wirkung. Es geht darum, Nutzenverantwortung, Messpunkte und Umsetzungsdisziplin so zu definieren, dass AI nicht im Prototypenstatus verharrt.
Skills Enablement: Skills Enablement definiert, welche Fähigkeiten Management, Fachbereiche, IT, Data Science und Betrieb benötigen. Es geht nicht um generische AI-Schulung, sondern um rollenbezogene Handlungsfähigkeit.
Executive Leadership: Executive Leadership beschreibt die Führungsleistung im AI-Kontext: Prioritäten setzen, Entscheidungsräume gestalten, Verantwortung klären und Organisationen aus Pilotlogik in dauerhafte Wirkung führen.
Transition Model: Das Transition Model beschreibt den Übergang von einzelnen AI-Initiativen zu einem tragfähigen Operating Model. Es adressiert Reifephasen, Rollen, Routinen, Governance und die Integration in bestehende Managementsysteme.
Rollout Blueprint: Der Rollout Blueprint beschreibt, wie AI-Lösungen, Rollen, Prozesse und Enablement-Elemente eingeführt werden, ohne Akzeptanz, Verantwortung oder Wirkung dem Zufall zu überlassen.

Structured module overview

The same fields in list form.

This overview complements the original model as an accessible reading. The overall representation above remains authoritative.

AI Strategy & Alignment

AI Strategy Map · AI Value Portfolio · AI Focus Navigator

AI Development & Delivery

AI Intake Funnel · AI Delivery Pipeline · AI Factory Model

Decision Architecture & Steering

Decision Space Design · Decision Criteria Model · Responsibility Flow

AI System & Change Orchestration

AI Impact & Steering Frame · Embedding & Integration · AI Adoption & Transformation Frame

Impact Evaluation & Adaptive Change

Impact & Spillovers · System Stability & Drift · Learning & Recalibration

Governance (GRC) & Ethics

AI Governance Frame · AI Policy Architecture · AI Responsibility & Ethics

Organisational Structure & Talents

AI Responsibility Matrix · AI Capability Map · AI Capability Path

From model to working situation

The model becomes a set of working formats.

2-Day AI-OM Diagnostic

A condensed entry: strategy, decision spaces, governance, capabilities and implementation are structured together.

Focused Module Workshops

Fields such as Responsibility Flow, AI Intake Funnel, Value Realisation or Capability Map are addressed in focus.

Operating Model Build-out

Based on the diagnostic, a robust AI Operating Model is developed with roles, gates, routines and implementation paths.

When a strategic corridor, value field or AI idea is to become a concrete initiative, the AI Venture Architecture Kit structures the next architecture and investment decision.

View AI Venture Architecture