KI-Dunkelziffer
Methodik & Forschung

Wie wir Schatten-KI messen

KI-Dunkelziffer ist ein standardisiertes Erhebungsinstrument zur Verbreitung nicht freigegebener KI-Nutzung („Schatten-KI“, „Shadow AI“, „BYOAI“) in Organisationen. Dieses Dokument beschreibt Definition, Herleitung, Fragebogen, Antwortformate, Anonymisierung, Grenzen und die wissenschaftliche Begleitung – mit den zugrunde liegenden Quellen.

1. Definition

Als freigegeben gelten KI-Tools, die das Unternehmen bereitstellt oder ausdrücklich erlaubt hat. Alle anderen KI-Anwendungen (insbesondere generative KI wie Sprach-, Code- und Bildmodelle), die für berufliche Aufgaben genutzt werden – über private Zugänge, mit Firmen-E-Mail ohne Freigabe oder als KI-Funktion in Software, deren Nutzung nicht ausdrücklich erlaubt wurde –, gelten als nicht freigegeben, unabhängig vom Gerät. Die Definition folgt der Shadow-IT-Forschung (Haag & Eckhardt 2017; Klotz et al. 2019) und wird den Teilnehmenden zu Beginn des Fragebogens erläutert. Wer nicht weiß, ob die genutzten Tools freigegeben sind, kann das angeben; diese Antworten zählen zur Schatten-KI-Quote und werden zusätzlich als „Freigabestatus unklar“ ausgewiesen (Governance-Indikator, vgl. Gallup 2025: rund ein Viertel der Beschäftigten kennt den KI-Status der eigenen Organisation nicht).

Die Literatur verwendet vier unterschiedliche Konzepte (Tool-Herkunft, Wissen des Arbeitgebers, Regelverstoß, Prüfung durch die IT) mit Spannweiten von 10 % bis 78 %. KI-Dunkelziffer misst die Tool-Herkunft („nicht freigegeben“, wie Microsoft Work Trend Index und ESCRIBA); über die Frage zur Führungskraft ist zusätzlich „ohne Wissen des Arbeitgebers“ (Bitkom) näherungsweise ableitbar.

2. Herleitung der Erhebungsdimensionen

Die Dimensionen und Antwortformate der Version 1.2 wurden aus vier Quellengruppen abgeleitet (vollständige Liste in Abschnitt 8):

3. Fragebogenstruktur (Version 1.2)

BlockInhalteFormat
Schritt 1 – KI im ArbeitsalltagBereitstellung durch das Unternehmen, Nutzungsstatus (nur freigegeben / kombiniert / nur eigene / unklar / keine), Grund der Nichtnutzung, nicht freigegebene Tools, Häufigkeit (alle KI-Nutzenden), Anteil nicht freigegebener ToolsEinfach-/Mehrfachauswahl
Schritt 2 – Wofür und womitAufgaben, eingegebene Datenarten in den letzten 3 Monaten (je Datenart ja / nein / unsicher), Zugangsart, Geräte (nur bei Schatten-KI-Nutzung)Mehrfachauswahl, Forced-Choice, Einfachauswahl
Schritt 3 – Warum eigene Tools?Motive, wahrgenommene Zeitersparnis, Kenntnis der Führungskraft, Bedingungen für den Umstieg auf ein offizielles Tool (nur bei Schatten-KI-Nutzung)Mehrfach-/Einfachauswahl
Schritt 4 – Regeln & WünscheRegeln vorhanden (Regeln / Verbot / keine / weiß nicht), technische Sperre, Klarheit der Regeln, Schulung, Kenntnis der Risiken, Prüfung von KI-Ergebnissen, Wichtigkeit offizieller Tools, von Schulungen und klaren Regeln, erwartete Entwicklung, gewünschte LösungenEinfach-/Mehrfachauswahl, itemspezifische Skalen 1–5
Schritt 5 – Über SieAnteil Bildschirmarbeit, Altersgruppe, Position, Funktionsbereich, Arbeitsmodell, Betriebszugehörigkeit (optional), Geschlecht (nur Forschung)Nominal/ordinal, grob gestuft

Kernfragen zur Nutzung zuerst, Strukturmerkmale zuletzt; die Schritte zu eigenen Tools werden nur Personen mit Schatten-KI-Nutzung angezeigt. Bearbeitungsdauer drei bis sechs Minuten, ohne Schatten-KI-Nutzung etwa vier. Es gibt keine Freitextfelder. Die vollständige Fragebogendokumentation mit allen Codes wird aus dem Quellcode generiert und Forschungspartnern auf Anfrage bereitgestellt.

4. Antwortformate und Bedienung

Die Antwortelemente folgen der experimentellen Methodenliteratur zu Web- und Mobilbefragungen: große, vollständig beschriftete Tastflächen; 5-stufige Skalen als Tastenreihe, auf dem Smartphone gestapelt statt in fünf schmalen Spalten (Toepoel & Funke 2018); die Datenarten-Frage als einzelne Zeilen mit drei Tasten statt einer Matrix (Mavletova, Couper & Lebedev 2018). Bewusst verzichtet wird auf Schieberegler (höhere Abbruch- und Fehlraten, besonders auf Mobilgeräten und bei geringerer Bildung: Funke, Reips & Thomas 2011; Maineri, Bison & Luijkx 2021) und auf automatisches Weiterblättern nach der Antwort (kein Qualitätsgewinn in einmaligen Smartphone-Befragungen, Selkälä & Couper 2018). Nach jedem Schritt wird gespeichert.

5. Unternehmensmerkmale

Bei der Registrierung werden Branche (19 Klassen, angelehnt an WZ 2008), Region (Bundesland bzw. Land), Größenklasse (5 Stufen nach EU-Definition), Stand der KI-Einführung, Vorhandensein einer KI-Richtlinie und offizieller Tools (inklusive der Grauzone „nur KI-Funktionen in bestehender Software“) erfasst. Der Abgleich dieser Angaben mit der Wahrnehmung der Beschäftigten (Fragen zu Bereitstellung und Regeln) zeigt Kommunikationslücken.

6. Anonymisierung und Datenschutz

7. Grenzen und Aussagekraft

Die Erhebung beruht auf Selbstauskünften und ist nicht zufallsbasiert: Unternehmen und Beschäftigte nehmen freiwillig teil. Sozial erwünschtes Antwortverhalten wird durch die technisch erzwungene Anonymität, die neutrale Aufwärmfrage und die normalisierende Einleitung reduziert, aber nicht ausgeschlossen; gemessene Quoten sind Untergrenzen. Bei kleinen Antwortzahlen sind Kennzahlen Richtwerte: Bei 25 Antworten liegt das 95-%-Konfidenzintervall einer Quote um 50 % bei etwa ± 20 Prozentpunkten, bei 100 Antworten bei ± 10; das Dashboard weist diese Spanne aus. Die Gesamtauswertung berichtet Quoten sowohl antwortgewichtet als auch unternehmensgewichtet (jedes Unternehmen zählt gleich), damit große Befragungen nicht dominieren. Wellen sind unabhängige Querschnitte, keine Panels. Zusammenhänge sind Assoziationen, keine Kausalaussagen.

8. Wissenschaftliche Begleitung und Quellen

Die anonymisierten Gesamtdaten werden für wissenschaftliche Veröffentlichungen (Working Paper, Konferenzbeiträge, Fachartikel) aufbereitet. Publiziert werden ausschließlich Aggregate; Unternehmen werden nicht genannt und sind nicht identifizierbar. Teilnehmende Unternehmen können der Einbeziehung ihrer Aggregate jederzeit widersprechen.

Der Fragebogen wurde gegen die im Folgenden aufgeführten 108 Quellen entwickelt und geprüft (Stand der Recherche: September 2026). Zum Ausklappen:

Shadow-IT- und Shadow-AI-Forschung (peer-reviewed) 23

Definition, Konstrukte und Prädiktoren nicht freigegebener IT- und KI-Nutzung auf Mitarbeitendenebene. Hieraus stammen die Motive (C1), die Unterscheidung verdeckt / geduldet / befürwortet (C3), die Rolle von Regel-Klarheit (D3) und die Adäquanz offizieller Tools.

  1. Haag & Eckhardt (2017): Shadow IT. Business & Information Systems Engineering 59(6). Quelle
  2. Haag & Eckhardt (2015): Justifying Shadow IT Usage. PACIS. Quelle
  3. Haag, Eckhardt & Bozoyan (2015): Are Shadow System Users the Better IS Users? ICIS. Quelle
  4. Silic & Back (2014): Shadow IT – A View from Behind the Curtain. Computers & Security 45. Quelle
  5. Silic, Barlow & Back (2017): A New Perspective on Neutralization and Deterrence: Predicting Shadow IT Usage. Information & Management 54(8). Quelle
  6. Klotz, Kopper, Westner & Strahringer (2019): Causing the Shadow IT Phenomenon – A Systematic Literature Review. IJISPM 7(1). Quelle
  7. Kopper, Klotz, Westner & Strahringer (2019): Shadow IT and Business-Managed IT. Journal of Information Technology Management. Quelle
  8. Mallmann, Maçada & Oliveira (2018): The Influence of Shadow IT Usage on Knowledge Sharing. Business Information Review 35(1). Quelle
  9. Mallmann & Maçada (2021): The Mediating Role of Social Presence in the Relationship between Shadow IT Usage and Individual Performance. Behaviour & Information Technology 40(4). Quelle
  10. Pinto, Beerepoot & Maçada (2023): Encourager or Inhibitor? Contributions of Job Characteristics to Workarounds and Shadow IT. Information Technology & Management 24. Quelle
  11. Siponen & Vance (2010): Neutralization: New Insights into the Problem of Employee Information Systems Security Policy Violations. MIS Quarterly 34(3). Quelle
  12. Bulgurcu, Cavusoglu & Benbasat (2010): Information Security Policy Compliance. MIS Quarterly 34(3). Quelle
  13. Cram, D’Arcy & Proudfoot (2019): Seeing the Forest and the Trees: A Meta-Analysis of Information Security Policy Compliance. MIS Quarterly 43(2). Quelle
  14. Dang-Pham, Thompson, Ahmad & Maynard (2025): Shadow Security Practices: Overload, Empowerment and Transparency. Computers & Security. Quelle
  15. Silic, Silic & Kind-Trüller (2025): From Shadow IT to Shadow AI. Strategic Change. Quelle
  16. Chin, Li, Mirone & Papa (2024): Shadow AI and Knowledge Leakage: A Yin-Yang Perspective. Technology in Society 81. Quelle
  17. Waters-Lynch, Allen, Potts & Berg (2025): Shadow User Innovation: Generative AI at Work. Innovation. Quelle
  18. Yoo (2025): Employee Resistance to AI Policies: Injustice, Social Influence and Policy Trust. Behaviour & Information Technology 45(11). Quelle
  19. Mızrak & Karakaya (2026): AI Disclosure Silence: Why Employees Hide Their Generative AI Use. Behavioral Sciences 16(6). Quelle
  20. Mızrak, Mert, Erkasap, Ozcan & Mert (2026): Hidden GenAI Use, Competence Penalty and Official Tool Adequacy. Journal of Intelligence 14(9). Quelle
  21. Xhigoli & Schaarschmidt (2026): Concealing Generative AI Use at Work: Dark Triad, AI Identity and Moral Disengagement. Electronic Markets. Quelle
  22. Reif, Larrick & Soll (2025): Evidence of a Social Evaluation Penalty for Using AI. PNAS 122(19). Quelle
  23. Lee et al. (2025): The Impact of Generative AI on Critical Thinking: Confidence and Verification among Knowledge Workers. CHI 2025. Quelle
Adoption generativer KI: Beschäftigte, Berufe, Geschlecht 10

Wer nutzt generative KI am Arbeitsplatz? Alter, Tätigkeitsart (Bildschirmarbeit) und Geschlecht sind die robustesten Prädiktoren; Bildung wirkt nur über den Beruf. Daraus folgen die Fragen E1 (Bildschirmarbeit) und E7 (Geschlecht, nur Forschung) sowie der Verzicht auf den Bildungsabschluss.

  1. Bick, Blandin & Deming (2024): The Rapid Adoption of Generative AI. NBER Working Paper 32966. Quelle
  2. Humlum & Vestergaard (2025): The Unequal Adoption of ChatGPT Exacerbates Existing Inequalities among Workers. PNAS 122(1). Quelle
  3. Humlum & Vestergaard (2025): Large Language Models, Small Labor Market Effects. NBER Working Paper 33777. Quelle
  4. Cranney, Delecourt & Koning (2025): The Global Gender Gap in Generative AI Use. Harvard Business School Working Paper 25-023. Quelle
  5. Zahs, Schmodde & Wehner (2026): Gender Differences in Generative AI Adoption at Work. HICSS. Quelle
  6. Noy & Zhang (2023): Experimental Evidence on the Productivity Effects of Generative AI. Science 381. Quelle
  7. Dell’Acqua et al. (2023): Navigating the Jagged Technological Frontier. Harvard Business School Working Paper. Quelle
  8. Manvelidze (2026): Unregulated AI Use in Public Administration: Productivity Expectations and Missing Policies. Quelle
  9. Early Impacts of M365 Copilot (2025): Randomisierte Feldstudie in 56 Unternehmen. arXiv 2504.11443. Quelle
  10. From Exposure to Adoption (2026): Generative AI in European Workplaces. arXiv 2604.18849. Quelle
Beschäftigten- und Unternehmensbefragungen (Benchmarks) 21

Repräsentative Erhebungen, an deren Fragetexte und Antwortkategorien sich der Fragebogen anlehnt (Häufigkeitsskala, Regeln / Verbot / weder noch, Schulung / Angebot nicht genutzt / kein Angebot), und die als externe Referenzwerte dienen.

  1. Bitkom Research (2025): Beschäftigte nutzen vermehrt Schatten-KI (Unternehmen ab 20 Beschäftigte). Quelle
  2. Bitkom Research (2025): KI-Nutzung im Job mit und ohne Wissen des Arbeitgebers (Bevölkerung). Quelle
  3. Bitkom Research (2026): Ein Drittel nutzt KI mindestens einmal pro Woche (Erwerbstätige). Quelle
  4. Bitkom Research (2025): Ein Fünftel wurde im Job zu KI geschult. Quelle
  5. TÜV-Verband / Forsa (2025): Fast jeder zweite Erwerbstätige nutzt Künstliche Intelligenz im Job. Quelle
  6. KPMG & University of Melbourne (2025): Trust, Attitudes and Use of AI: A Global Study (47 Länder). Quelle
  7. Gallup (2025/2026): AI Use at Work (US Workforce Panel, quartalsweise). Quelle
  8. Pew Research Center (2025): Workers’ Experience with AI Chatbots in Their Jobs. Quelle
  9. Microsoft / LinkedIn (2024): Work Trend Index: AI at Work Is Here (BYOAI). Quelle
  10. Slack (2025): Workforce Index: The New AI Advantage. Quelle
  11. BCG (2025): AI at Work: Momentum Builds, but Gaps Remain. Quelle
  12. PagerDuty (2026): Shadow AI Workplace Survey. Quelle
  13. ISACA (2025): AI Pulse Poll: AI Use Is Outpacing Policy and Governance. Quelle
  14. Microsoft / Civey (2025): Schatten-KI in deutschen Behörden. Quelle
  15. IAB (2025): Betriebspanel: Jeder vierte Betrieb nutzt generative KI. Quelle
  16. Statistisches Bundesamt (2025): IKT in Unternehmen: Nutzung Künstlicher Intelligenz. Quelle
  17. Eurostat (2025): Use of Artificial Intelligence in Enterprises. Quelle
  18. Eurofound (2024): European Working Conditions Survey (KI-Item). Quelle
  19. UpGuard (2025): The State of Shadow AI. Quelle
  20. Software AG (2024): Half of Workers Use Unauthorized AI at Work. Quelle
  21. Salesforce (2023): AI at Work Research. Quelle
Telemetrie zu Datenabfluss in KI-Tools (Sicherheitsanbieter) 9

Nicht peer-reviewte, aber breite Messungen, welche Datenarten in KI-Tools gelangen. Sie validieren die Kategorien der Frage B2 (Quellcode, Kunden- und Mitarbeitendendaten, Finanz- und Vertragsdaten, Zugangsdaten, Gesundheitsdaten) und die Tool-Landschaft 2026 (KI-Browser, Agenten, Freemium-Zugänge). Als Prozent-Benchmark ungeeignet, weil die Basis Datenbewegungen statt Personen sind.

  1. Cisco (2025): Data Privacy Benchmark Study. Quelle
  2. Netskope (2026): Cloud & Threat Report. Quelle
  3. Cyberhaven (2025/2026): AI Adoption & Risk Report. Quelle
  4. Harmonic Security (2025): Sensitive Data in GenAI Prompts. Quelle
  5. LayerX (2025): Enterprise AI & SaaS Data Security Report. Quelle
  6. Akamai / LayerX (2026): State of the Internet: Navigating AI Risk. Quelle
  7. Menlo Security (2025): Shadow Generative AI Usage in the Modern Enterprise. Quelle
  8. Zscaler ThreatLabz (2026): AI Security Report. Quelle
  9. Cloud Security Alliance (2026): Research Note: Shadow AI Apps in the Enterprise. Quelle
Survey-Methodik: Fragetypen, Skalen, sensible Fragen 21

Belege für die Formatentscheidungen: itemspezifische statt Zustimmungsskalen, Forced-Choice für den Risikoindikator, Randomisierung langer Listen, Bezugszeiträume, Umgang mit „Weiß nicht“, Einzelitems, sensible Fragen und Anonymitätszusicherungen.

  1. Saris, Revilla, Krosnick & Schaeffer (2010): Comparing Questions with Agree/Disagree Response Options to Questions with Item-Specific Response Options. Survey Research Methods 4(1). Quelle
  2. Dykema, Schaeffer, Garbarski et al. (2022): Towards a Reconsideration of the Use of Agree-Disagree Questions in Measuring Subjective Evaluations. Quelle
  3. Revilla, Saris & Krosnick (2014): Choosing the Number of Categories in Agree–Disagree Scales. Sociological Methods & Research 43(1). Quelle
  4. Krosnick & Presser (2010): Question and Questionnaire Design. Handbook of Survey Research. Quelle
  5. Smyth, Dillman, Christian & Stern (2006): Comparing Check-All and Forced-Choice Question Formats in Web Surveys. Public Opinion Quarterly 70(1). Quelle
  6. Callegaro, Murakami, Tepman & Henderson (2015): Yes–No Answers versus Check-All in Self-Administered Modes: A Systematic Review. International Journal of Market Research 57(2). Quelle
  7. Lau & Kennedy, Pew Research Center (2019): When Online Survey Respondents Only “Select Some That Apply”. Quelle
  8. Galesic, Tourangeau, Couper & Conrad (2008): Eye-Tracking Data: New Insights on Response Order Effects. Public Opinion Quarterly 72(5). Quelle
  9. Schwarz (1999): Self-Reports: How the Questions Shape the Answers. American Psychologist 54(2). Quelle
  10. Tourangeau, Rips & Rasinski (2000): The Psychology of Survey Response. Cambridge University Press. Quelle
  11. Burton & Blair (1991): Task Conditions, Response Formulation Processes, and Response Accuracy for Behavioral Frequency Questions. Public Opinion Quarterly 55(1). Quelle
  12. Tourangeau & Yan (2007): Sensitive Questions in Surveys. Psychological Bulletin 133(5). Quelle
  13. Singer, Von Thurn & Miller (1995): Confidentiality Assurances and Response: A Quantitative Review. Public Opinion Quarterly 59(1). Quelle
  14. Näher & Krumpal (2012): Asking Sensitive Questions: The Impact of Forgiving Wording and Question Context. Quality & Quantity 46. Quelle
  15. Krumpal (2013): Determinants of Social Desirability Bias in Sensitive Surveys: A Literature Review. Quality & Quantity 47. Quelle
  16. Blair, Coppock & Moor (2020): When to Worry about Sensitivity Bias: A Social Reference Theory and Evidence from 30 Years of List Experiments. American Political Science Review. Quelle
  17. Krosnick, Holbrook, Berent et al. (2002): The Impact of “No Opinion” Response Options on Data Quality. Public Opinion Quarterly 66(3). Quelle
  18. Bergkvist & Rossiter (2007): The Predictive Validity of Multiple-Item versus Single-Item Measures. Journal of Marketing Research 44(2). Quelle
  19. Fisher, Matthews & Gibbons (2016): Developing and Investigating the Use of Single-Item Measures in Organizational Research. Journal of Occupational Health Psychology 21(1). Quelle
  20. Zell & Krizan (2014): Do People Have Insight into Their Abilities? A Metasynthesis. Perspectives on Psychological Science 9(2). Quelle
  21. Kwak, Ma & Kim (2021): When Does Social Desirability Become a Problem? Detection and Reduction in IS Research. Information & Management 58. Quelle
Survey-Methodik: Länge, Mobilgeräte, Antwortformate 14

Belege für Länge und Aufbau des Fragebogens sowie für die Gestaltung der Antwortelemente: große Tastflächen und gestapelte Skalen auf dem Smartphone, keine Schieberegler, kein automatisches Weiterblättern, Einzelzeilen statt Matrix.

  1. Galesic & Bosnjak (2009): Effects of Questionnaire Length on Participation and Indicators of Response Quality in a Web Survey. Public Opinion Quarterly 73(2). Quelle
  2. Revilla & Ochoa (2017): Ideal and Maximum Length for a Web Survey. International Journal of Market Research 59(5). Quelle
  3. Liu & Wronski (2018): Examining Completion Rates in Web Surveys via over 25,000 Real-World Surveys. Social Science Computer Review 36(1). Quelle
  4. Peytchev (2009): Survey Breakoff. Public Opinion Quarterly 73(1). Quelle
  5. Mavletova & Couper (2014): Mobile Web Survey Design: Scrolling versus Paging. Journal of Survey Statistics and Methodology 2(4). Quelle
  6. Mavletova, Couper & Lebedev (2018): Grid and Item-by-Item Formats in PC and Mobile Web Surveys. Social Science Computer Review 36(6). Quelle
  7. Vehovar, Couper & Čehovin (2023): Alternative Layouts for Grid Questions in PC and Mobile Web Surveys. Social Science Computer Review. Quelle
  8. Toepoel & Funke (2018): Sliders, Visual Analogue Scales, or Buttons: Influence of Formats and Scales in Mobile and Desktop Surveys. Mathematical Population Studies 25(2). Quelle
  9. Funke, Reips & Thomas (2011): Sliders for the Smart: Type of Rating Scale on the Web Interacts with Educational Level. Social Science Computer Review 29(2). Quelle
  10. Maineri, Bison & Luijkx (2021): Slider Bars in Multi-Device Web Surveys. Social Science Computer Review 39(4). Quelle
  11. Selkälä & Couper (2018): Automatic Versus Manual Forwarding in Web Surveys. Social Science Computer Review 36(6). Quelle
  12. Giroux et al. (2019): Impacts of Implementing an Automatic Advancement Feature in Mobile and Web Surveys. Survey Practice. Quelle
  13. Teclaw, Price & Osatuke (2012): Demographic Question Placement: Effect on Item Response Rates and Means of a Veterans Health Administration Survey. Journal of Business and Psychology 27. Quelle
  14. Antoun, Katz, Argueta & Wang (2018): Design Heuristics for Effective Smartphone Questionnaires. Social Science Computer Review 36(5). Quelle
Skalen, Standards und Theorie 10

Validierte Kompetenzskalen (für eine spätere Langversion), amtliche Klassifikationen und die theoretischen Modelle hinter den Motiv- und Absichtsfragen.

  1. Venkatesh, Thong & Xu (2012): Consumer Acceptance and Use of Information Technology: Extending UTAUT (UTAUT2). MIS Quarterly 36(1). Quelle
  2. Koch, Carolus, Wienrich & Latoschik (2024): MAILS-10: Kurzskala zur KI-Kompetenz (deutsch validiert). Heliyon 10(21). Quelle
  3. Carolus et al. (2023): MAILS – Meta AI Literacy Scale. Computers in Human Behavior: Artificial Humans. Quelle
  4. Wang, Rau & Yuan (2022): Measuring User Competence in Using Artificial Intelligence: Validity and Reliability of AI Literacy Scale. Behaviour & Information Technology 42(9). Quelle
  5. Soto-Sanfiel, Angulo-Brunet & Lutz (2025): SAIL4ALL: Scale of AI Literacy for All. Humanities and Social Sciences Communications. Quelle
  6. Lintner (2024): A Systematic Review of AI Literacy Scales. npj Science of Learning. Quelle
  7. ADM, ASI & Statistisches Bundesamt (2024): Demographische Standards, 7. Auflage. Quelle
  8. Statistisches Bundesamt: Kleine und mittlere Unternehmen (KMU): Definition nach EU-Empfehlung 2003/361/EG. Quelle
  9. OpenAI / NBER (2025): How People Use ChatGPT (Chatterji et al.). NBER Working Paper 34255. Quelle
  10. Anthropic (2026): Economic Index: Aufgabenprofile der KI-Nutzung. Quelle

Zitiervorschlag

Stralys Consulting (2026): KI-Dunkelziffer – Anonyme Erhebung zur Nutzung nicht freigegebener KI-Anwendungen in Unternehmen. Fragebogenversion 1.2. Online: ki-dunkelziffer.de.

9. Kontakt für Forschungskooperationen

Hochschulen und Forschungseinrichtungen, die den Datensatz oder das Instrument nutzen möchten, wenden sich an info@stralys.de.