AI-Ready Data

Die meisten Unternehmen sind nicht bereit für KI. Die Hürde sind die Daten.

24. September 2026

Matt Waxman

Die wichtigsten Erkenntnisse

In den meisten Unternehmen läuft KI bereits, aber die Datengrundlage reicht dafür nicht aus. Fragmentierte, nicht gesteuerte Daten verstärken Fehler in Maschinengeschwindigkeit, bevor jemand reagieren kann.
Die eigentliche Lücke auf dem Weg zur KI-Bereitschaft ist kein Technologieproblem, sondern ein Architekturproblem der Daten: Integration speist keine Governance, Governance ist nicht an die Datenqualität gekoppelt, und Anreicherung kommt erst im Nachhinein dazu.
Wer diese Lücke schließt, verschafft sich einen Wettbewerbsvorteil. Jeder KI-Workflow auf verlässlichen, einheitlichen Daten vergrößert den Vorsprung, jeder auf fragmentierten Daten das Risiko.

Fast alle Produkt- und Technologieverantwortlichen, mit denen ich spreche, erzählen im Kern dieselbe Geschichte: Sie haben KI pilotiert und starke Einzelergebnisse erzielt. Als sie versuchten, sie im gesamten Unternehmen zu skalieren, ging etwas schief. Die Ergebnisse waren uneinheitlich, niemand hielt sie mehr für verlässlich, und keiner konnte so recht erklären, warum etwas, das in einem Kontext so gut funktioniert hatte, in einem anderen so grandios scheiterte.

Die Diskussion über das Scheitern von KI bleibt meist an der Oberfläche: Modelle, Architektur, Orchestrierungsschicht, Tools. Diese Diskussionen sind berechtigt, aber dort liegt nicht das Risiko. Eine aktuelle MIT-Studie zeigt sogar, dass 54 % der Befragten den Einsatz von KI-Agenten gezielt pausiert oder verschoben haben, um grundlegende Datenprobleme zu beheben (z. B. Datensilos, fehlende Governance und fehlender Geschäftskontext).

Was mir sowohl in diesen Gesprächen als auch in unserer täglichen Arbeit mit Unternehmen bei Precisely auffällt: Die Ursache für das Scheitern liegt fast immer an derselben Stelle. Nicht das Modell, die Architektur oder die Orchestrierungsschicht, sondern die Daten darunter. Es fehlt nicht an Daten. Sie sind über Systeme verteilt, die keine gemeinsamen Definitionen teilen. Ihnen fehlt der reale Kontext, den KI braucht, um korrekt zu schlussfolgern und Ergebnisse zu liefern, denen man vertrauen kann. Und sie werden so uneinheitlich gesteuert, dass niemand vollständig vertreten kann, was die KI tut.

Für die Menschen, die KI-Lösungen bauen, zeigt sich dasselbe Problem anders. Sie können an einem Nachmittag eine überzeugende Demo aufsetzen. Daraus etwas zu machen, auf das sich das Unternehmen verlassen kann, ist ein ganz anderes Projekt. Sobald sie auf die Daten zugreifen, die das Geschäft tragen, stoßen sie auf dieselbe fragmentierte Architektur, mit der alle anderen zurechtkommen müssen.

Die Hürde für KI war nie das Modell

Die meisten Anbieter haben es eher schlimmer als besser gemacht. Sie haben Datenmanagement-Tools lose zusammengefügt, Punktlösungen zugekauft und die Aufgabe für erledigt erklärt.

Die Nahtstellen zwischen diesen Tools blieben offen. Integration informierte nicht die Governance. Governance sprach nicht mit der Qualität. Anreicherung wurde nachträglich aufgesetzt. Diese Architektur hielt zusammen, solange Menschen da waren, die auffingen, was die Systeme übersahen.

Diese Welt ist vorbei.

KI-Systeme markieren verdächtige Ergebnisse nicht zur Prüfung und gleichen widersprüchliche Datensätze nicht ab, bevor sie handeln. Sie führen in Maschinengeschwindigkeit aus, was die Daten ihnen sagen. Sind diese Daten über Punktlösungen verteilt, die keine gemeinsame Grundlage haben, gleicht die KI das nicht aus, sondern verstärkt das Problem. Unvollkommene Daten in einem KI-Workflow erzeugen ein Haftungsrisiko, das wächst, bevor jemand eingreifen kann.

Das unterscheidet den aktuellen Moment grundlegend von jeder früheren Welle von Dateninvestitionen: Der Spielraum für Fehler ist verschwunden. Uneinheitliche Daten verlangsamten früher Entscheidungen. Heute vergiften sie sie unbemerkt in großem Umfang, schneller, als es jeder menschliche Prozess auffangen kann.

Das unterscheidet diesen Moment von jeder früheren Welle von Dateninvestitionen. Der Spielraum für Fehler ist weggebrochen, und die meisten Datenarchitekturen in Unternehmen wurden nicht für eine Welt ohne diesen Spielraum gebaut.

Das Infrastrukturproblem, das die meisten Unternehmen noch nicht gelöst haben

Was ich bei den meisten KI-Initiativen in Unternehmen sehe, ist ein Muster, das sich wiederholt. Organisationen haben leistungsfähige Tools für Datenintegration, Qualität, Governance, Anreicherung und Location Intelligence zusammengestellt. Jedes löst ein echtes Problem, aber die Nahtstellen dazwischen bleiben offen.

Integration informiert nicht die Governance.
Governance spricht nicht mit der Qualität.
Anreicherung wird nachträglich aufgesetzt.

Diese Architektur hält zusammen, solange Menschen da sind, die auffangen, was die Systeme übersehen.

Skalierte KI lässt Ihnen diesen Luxus nicht.

Es gibt außerdem ein zweites Problem, das noch weniger Beachtung findet: die Sichtbarkeit der Daten.

Die meisten KI-Strategien sind finanziert und im Einsatz, umgehen aber die wichtigsten Daten, weil diese nicht auf den Cloud-Plattformen liegen, für die die Modelle gebaut wurden. Sie liegen auf Mainframes, in IBM-i-Systemen, in On-Premises-Umgebungen und in Architekturen, die gebaut wurden, um das Geschäft zu betreiben, nicht um KI zu speisen.

Man kann nicht einfach alles migrieren. Diese Systeme verarbeiten geschäftskritische Transaktionen, und das Risiko einer Unterbrechung ist zu hoch. Das Ergebnis ist eine wachsende Lücke: KI-Systeme, die nach Daten hungern, an die sie nicht herankommen, während wertvolle Unternehmensdaten in Systemen eingeschlossen bleiben, für deren Anbindung das KI-Ökosystem nicht ausgelegt war.

Und selbst wenn Daten sichtbar und zugänglich sind, fehlt ihnen oft der reale Kontext, den KI braucht, um korrekt zu schlussfolgern. Interne Systeme beschreiben die Welt so, wie sie sie erfasst haben, nicht so, wie sie tatsächlich ist: Adressen, die sich geändert haben, Standorte, die es nicht mehr gibt, Geschäftsbeziehungen, die sich verschoben haben. KI, die auf solchen Daten handelt, arbeitet nicht nur mit unvollständigen Informationen, sondern baut ein selbstsicheres Bild einer Welt auf, die es nicht mehr gibt.

Was KI-Bereitschaft im Unternehmen erfordert

Um KI im Unternehmensmaßstab einsatzbereit zu machen, müssen mehrere Probleme gelöst werden, die miteinander verknüpft sind und sich nicht nacheinander abarbeiten lassen.

Man kann nicht steuern, was man nicht nachverfolgen kann. Man kann nicht anreichern, worauf man nicht zugreifen kann. Und man kann sich auf die Ergebnisse einer KI nicht verlassen, die mit Daten trainiert wurde, die niemand validiert hat.

Die Unternehmen, die diese Lücke meiner Beobachtung nach schließen, haben eines gemeinsam: Sie haben aufgehört, Daten als Compliance-Pflicht zu behandeln, und begonnen, sie als Wettbewerbsfaktor zu behandeln.

KI-Bereitschaft bedeutet, Ihre Datenmanagement-Fähigkeiten zu vereinheitlichen und auf einer gemeinsamen Grundlage aufzubauen, statt einen Flickenteppich aus Punktlösungen zusammenzusetzen.

Eine Qualitätsregel, die in fünf Systemen neu eingegeben werden muss, ist keine Qualitätsregel.
Eine Governance-Richtlinie, die nicht mit den Daten durch die verschiedenen Umgebungen wandert, ist keine Governance-Richtlinie.
Eine Definition, die in Ihrer Integrationsschicht etwas bedeutet und in Ihrem Governance-Tool etwas leicht anderes, ist ein Haftungsrisiko, das nur darauf wartet, in einem KI-Ergebnis aufzutauchen.

Definitionen, Lineage und Qualitätsstandards müssen einmal existieren und überall gelten.

Bereitschaft bedeutet, die Daten zu erreichen, die Ihr Geschäft tragen, und nicht nur die, die sich am leichtesten bewegen lassen. Die folgenreichsten Transaktionen der globalen Wirtschaft laufen nach wie vor auf IBM-Mainframes und in SAP-Umgebungen. KI, die auf diese Daten nicht zugreifen kann, ist nicht unternehmenstauglich. Sie arbeitet mit einem Teilbild und trifft Entscheidungen mit voller Geschwindigkeit.

Bereitschaft bedeutet außerdem, Governance von Anfang an in den KI-Workflow einzubauen und nicht erst nachträglich. Aufsichtsbehörden fragen nicht mehr, ob Ihre KI existiert, sondern ob Sie erklären können, was sie entschieden hat, warum sie es entschieden hat und welche Daten sie genutzt hat.

Und schließlich bedeutet Bereitschaft, Unternehmensdaten mit realem Kontext zu Standorten, Unternehmen, Verbrauchern und Risiken anzureichern. Dieser Kontext unterscheidet KI, die selbstsicher verzerrte Ergebnisse liefert, von KI, die korrekte liefert.

Bei agentischer KI steht noch mehr auf dem Spiel: Autonome Agenten, die auf sensible Systeme zugreifen, Dienste aufrufen und über Unternehmensumgebungen hinweg handeln, ohne einheitliche Autorisierungsrichtlinien oder Auditierung ihrer Aktionen, schaffen Lücken bei der Verantwortlichkeit, die nicht unsichtbar bleiben werden. Das gilt unabhängig davon, ob Sie einen einzelnen automatisierten Workflow betreiben oder im gesamten Unternehmen skalieren.

Die wachsenden Kosten des Wartens

Ich spreche aus gutem Grund von einem Wettbewerbsthema und nicht von einem technischen. Ja, Organisationen, die diese Lücke früh schließen, senken ihr Risiko deutlich. Aber sie bauen auch etwas auf, das Organisationen, die weiter mit Fragmentierung kämpfen, nicht haben: die Fähigkeit, KI mit Zuversicht in großem Umfang zu betreiben.

Jeder Workflow, der auf vertrauenswürdigen, gesteuerten, vereinheitlichten Daten läuft, baut den Vorsprung aus. Jeder, der auf fragmentierten, unzugänglichen, nicht validierten Daten läuft, vergrößert das Risiko. Die Kluft zwischen beiden Ergebnissen wächst mit jeder autonomen Entscheidung, die dazwischen getroffen wird.

Die Hürde für KI in Unternehmen waren schon immer die Daten. Das galt, bevor es das erste große Sprachmodell gab, und es gilt heute noch. Und wenn die nächste Welle an KI-Fähigkeiten kommt, werden Organisationen, die das Datenproblem nie gelöst haben, feststellen, dass sie auf demselben kaputten Fundament von vorn anfangen.

Was mir immer wieder durch den Kopf geht: Die meisten Führungskräfte wissen bereits, dass ihre Daten Probleme haben. Worauf ich keine abschließende Antwort habe, ist, warum so viele sie noch immer erst beheben wollen, nachdem die KI im Einsatz ist, statt davor. Vertrauenswürdige Daten sind die Voraussetzung für alles andere, und jetzt ist der Zeitpunkt, Ihr Fundament KI-tauglich zu machen.