Viele Unternehmen implementieren KI, obwohl ihre Datengrundlage noch fragmentiert ist, es an Governance mangelt und sie sich nicht für generative KI oder Agentic AI eignet.
EY stellt fest, dass nur wenige Organisationen über eine ausreichende „Data Maturity“ (Datenreife) verfügen, um KI auf großer Skala effektiv zu erweitern.
Das erste Zeichen ist eine Datenstrategie, die nur der Compliance und statischen Berichten dient, anstatt maschinelles Lernen, Automatisierung und Entscheidungsfindung in Echtzeit zu unterstützen. Viele Unternehmensdatensysteme existieren in Silos, weisen keine Metadaten auf, haben unklare Eigentumsverhältnisse (Ownership) und sind schwer rückverfolgbar.
Das zweite Zeichen ist ein schwaches Datenmanagement, bei dem Unternehmen nicht wissen, wo sich Daten befinden oder welche Inhalte sie enthalten. Capital One gab an, dass sie ihr gesamtes Cloud-Datenökosystem modernisieren mussten, um KI bedienen zu können.
Das dritte Zeichen ist eine Governance, die nicht effektiv funktioniert, sodass Abteilungen Daten manuell selbst abgleichen (reconcile) müssen. Die University of Tennessee, Knoxville warnt, dass KI Inkonsistenzen eher verstärken als lösen wird.
Das nächste Zeichen ist ein Business-Intelligence-System (BI), das Benutzer verliert, weil Mitarbeiter eigene Tabellenkalkulationen, Shadow Models oder separate Analysen erstellen. Laut ISG hat die Unternehmensdatenstruktur begonnen, ihren „Semantic Layer“ (semantische Schicht) zu zerstören, wenn Benutzer aufhören, der zentralen BI zu vertrauen.
Ein weiteres gefährliches Zeichen ist, wenn Daten nicht klar mit den Business Outcomes (Geschäftsergebnissen) verknüpft sind, auf die die KI einwirken soll. Concentrix ist der Ansicht, dass KI oft fehlerhafte Ergebnisse liefert, wenn die Knowledge Base veraltet, unstrukturiert oder die Governance locker ist. Viele Datensysteme wurden so geschrieben, dass Menschen sie lesen können, und nicht für die automatische Verarbeitung durch Maschinen.
Der Artikel betont auch, dass „Data Debt“ (Datenschulden) ein großes Problem darstellt, wenn Unternehmen jahrelang nicht standardisierte, wertlose und voller technischer Shortcuts steckende Daten anhäufen.
Die City University of New York glaubt, dass die meisten Unternehmen keine finanziellen Anreize haben, die Datenqualität wirklich zu korrigieren.
Das letzte Zeichen ist, dass das Unternehmen selbst mit grundlegenden Berichten und Analysen noch Schwierigkeiten hat. Wenn die Erstellung einfacher Insights immer noch die Koordination mehrerer Teams und manuelle Operationen erfordert, wird KI das Problem nur noch komplizierter machen.
Experten sind der Ansicht, dass KI eine schwache Datengrundlage nicht retten kann, sondern im Gegenteil alle Lücken in der Dateninfrastruktur des Unternehmens offenlegen wird.
Der Artikel kommt zu dem Schluss, dass KI zwar attraktiv ist, die Data Governance jedoch die härteste und wichtigste Arbeit bleibt, damit KI realen Wert schafft.
📌 Fazit: Der Großteil der aktuellen KI-Fehlschläge liegt nicht an den Modellen, sondern an den dahinterstehenden Unternehmensdaten. Probleme wie Datensilos, schwache Governance, uneinheitliche Semantik und jahrelange „Data Debt“ machen es generativer KI und Agentic AI schwer, auf großer Skala realen Wert zu schaffen. Wenn selbst die grundlegende Business Intelligence unzuverlässig ist, wird KI Fehler nur verstärken, anstatt sie zu lösen. Dies spiegelt einen neuen Markttrend wider: Der KI-Wettlauf verlagert sich von Chatbots und Modellen hin zu Fragen der Dateninfrastruktur, Metadaten und der internen Governance von Unternehmen.
