Verborgene Risiken der KI: Was passiert, wenn die Daten nicht bereit sind?
Gastbeitrag: Verfasst von René Haag, VP MEE bei Syniti, einem Unternehmen von Capgemini und Anbieter von Lösungen für Data Governance und Datenmanagement. Die zitierte UKISUG-Umfrage entstand gemeinsam mit Syniti. Die TechNovice-Redaktion hat den Beitrag auf Struktur und Quellen geprüft.
In Gesprächen mit Führungskräften zeigt sich immer wieder ein ähnliches Bild: Erste KI-Pilotprojekte erzielen bereits messbare Erfolge, der CIO ist optimistisch und eine klare Strategie für die unternehmensweite Skalierung von KI scheint auf den Weg gebracht.
Erfolgreiche Pilotprojekte sind jedoch noch lange keine Garantie für eine erfolgreiche unternehmensweite Implementierung. Sobald KI in geschäftskritischen Prozessen eingesetzt wird, werden Schwachstellen in der zugrunde liegenden Datenbasis zunehmend sichtbar.
Inkonsistente Daten, fragmentierte Systemlandschaften und ein mangelnder Geschäftskontext beeinträchtigen die Qualität und Leistungsfähigkeit der KI-Anwendungen. KI macht diese Defizite sichtbar und verstärkt ihre Auswirkungen.
Kurzantwort: Was passiert, wenn Daten nicht bereit für KI sind?
Sind die Daten nicht bereit, scheitert KI, die im Pilotprojekt funktioniert hat, in geschäftskritischen Prozessen: Entscheidungen werden unzuverlässig, Automatisierung verbreitet Fehler schneller, die Kosten steigen und die Governance-Risiken wachsen. Wirklich AI-ready Data sind Business-Ready Data: konsistent, vertrauenswürdig und mit dem Geschäftskontext angereichert, auf dem Entscheidungen beruhen. Ein Data-First-Ansatz geht von den Entscheidungen aus, die KI unterstützen soll, und baut Datenverantwortung, einheitliche Definitionen und Governance von Anfang an darum herum auf.
Risiko | Was ohne Business-Ready Data passiert |
|---|---|
Unzuverlässige Entscheidungen | Fragmentierte Informationen, doppelte Datensätze und uneinheitliche Definitionen führen zu widersprüchlichen Antworten auf dieselbe geschäftliche Fragestellung. |
Automatisierung, die Fehler verstärkt | KI beschleunigt Fehlentscheidungen und verbreitet Fehler im gesamten Unternehmen. |
Steigende Kosten | Integrationsaufwand, Fehlerkorrekturen und manuelle Eingriffe verursachen Kosten, die im ursprünglichen Business Case möglicherweise fehlen. |
Governance- und Geschäftsrisiken | Ohne klare Datenverantwortung, einheitliche Definitionen und kontrollierte Zugriffsrechte lassen sich Entscheidungen kaum nachvollziehbar begründen, das erhöht regulatorische, operative und Reputationsrisiken. |

Warum ist Data Readiness mehr als eine IT-Aufgabe?
Die Herausforderung besteht darin, dass viele Unternehmen die Datenbereitschaft (Data Readiness) als reine IT-Aufgabe betrachten oder aber davon ausgehen, dass sich entsprechende Anforderungen im Zuge der Weiterentwicklung ihrer KI-Programme lösen lassen. Tatsächlich stellen Daten jedoch einen strategischen Geschäftswert dar. Sie entscheiden darüber, ob KI verlässliche Ergebnisse liefern, fundierte Entscheidungen unterstützen und einen messbaren Mehrwert schaffen kann.
Dies ist keineswegs ein Einzelfall. Eine Studie der UK & Ireland SAP User Group (UKISUG) verdeutlicht das Ausmass der Herausforderung: 89 % der Unternehmen sehen sich bereits mit datenbezogenen Hürden konfrontiert, die den Fortschritt bei der Einführung von KI bremsen. Das zeigt, warum Data Readiness nicht erst dann auf die Agenda gehört, wenn KI-Projekte ins Stocken geraten. Sie muss von Anfang an berücksichtigt werden.
Warum brauchen Unternehmen höhere Erwartungen an ihre Daten?
Es reicht nicht aus, dass Informationen technisch korrekt, zugänglich und regelkonform sind. Sie müssen auch den Anforderungen des Geschäftsbetriebs entsprechen: konsistent, vertrauenswürdig und mit dem erforderlichen Kontext angereichert, um fundierte Entscheidungen und konkrete Massnahmen zu ermöglichen.
Dafür wird ein Data-First-Ansatz benötigt: Datenbereitschaft muss als grundlegende Voraussetzung jeder KI-Initiative begriffen werden. Entscheidend ist zunächst, zu verstehen, welche geschäftlichen Ziele ein Unternehmen erreichen möchte: Welche Entscheidungen soll KI unterstützen? Welche Massnahmen soll sie ermöglichen? Auf welchen Informationen basieren diese Entscheidungen?
Erst auf dieser Grundlage lässt sich beurteilen, ob die vorhandenen Daten korrekt, konsistent und zugänglich sind und ob sie den notwendigen Kontext enthalten, um aussagekräftige Ergebnisse zu liefern.
Entscheidend ist ein Perspektivwechsel: Statt Datenpipelines entlang bestehender Systemlandschaften aufzubauen, sollten Unternehmen von den angestrebten Geschäftsergebnissen ausgehen. Datenmodelle und Prozesse müssen so gestaltet sein, dass sie genau jene Informationen und geschäftlichen Zusammenhänge abbilden, die für Entscheidungen relevant sind, die KI unterstützen soll.
Datenteams sollten deshalb von Beginn an eng zusammenarbeiten. Datenverantwortlichkeiten müssen eindeutig geregelt, Definitionen unternehmensweit vereinheitlicht und Governance-Strukturen in die Prozesse integriert werden. Daten müssen konsequent auf die konkreten Entscheidungen und Geschäftsprozesse ausgerichtet werden, bei denen KI einen Mehrwert schaffen soll.
Was passiert, wenn Daten nicht bereit sind?
Fehlt Business-Ready Data, entstehen für Unternehmen Probleme, die weit über die technologische Ebene hinausgehen.
Unzuverlässige Entscheidungen: Viele Unternehmen gehen davon aus, dass Daten, die sich für das Reporting eignen, automatisch auch für KI geeignet sind. Fragmentierte Informationen, doppelte Datensätze und uneinheitliche Definitionen können jedoch dazu führen, dass dieselbe geschäftliche Fragestellung widersprüchlich beantwortet wird. Fehlt der erforderliche Geschäftskontext, können selbst technisch korrekte Daten zu irreführenden Schlussfolgerungen führen. Können Führungskräfte KI-generierte Empfehlungen weder nachvollziehen noch ihnen vertrauen, schwindet das Vertrauen in die Entscheidungsgrundlagen schnell.
Automatisierung, die Fehler verstärkt: KI kann Prozesse und Entscheidungen mit hoher Geschwindigkeit automatisieren. Arbeitet sie jedoch mit mangelhaften Informationen, beschleunigt sie möglicherweise Fehlentscheidungen und verbreitet Fehler im gesamten Unternehmen. Statt die Effizienz zu steigern, besteht das Risiko, falsche Ergebnisse zu automatisieren und durch manuelle Kontrollen und Korrekturen zusätzlichen Aufwand zu verursachen.
Steigende Kosten: Integrationsaufwand, Fehlerkorrekturen und manuelle Eingriffe verursachen zusätzliche Kosten, die im ursprünglichen Business Case möglicherweise nicht berücksichtigt wurden. Werden Datenprobleme erst nach erheblichen Investitionen erkannt, gestaltet sich ihre Behebung deutlich teurer und aufwendiger.
Governance- und Geschäftsrisiken: Je stärker KI geschäftliche Entscheidungen beeinflusst, desto wichtiger wird es für Unternehmen, ihre Ergebnisse erklären und nachvollziehbar begründen zu können. Fehlen klare Verantwortlichkeiten für Daten, einheitliche Definitionen und kontrollierte Zugriffsrechte, wird es zunehmend schwieriger, die Entscheidungsfindung transparent darzustellen. Dadurch steigen regulatorische, operative sowie Reputationsrisiken.
Diese Herausforderungen haben direkte Auswirkungen auf den wirtschaftlichen Nutzen von KI, das Vertrauen der Führungskräfte in ihre Ergebnisse und die Fähigkeit des Unternehmens, KI langfristig und erfolgreich im gesamten Unternehmen zu etablieren.
Wie wird Business-Ready Data zu geschäftlichem Mehrwert?
Ein Data-First-Ansatz setzt genau hier an. Er schafft die Datenbasis, die erforderlich ist, um KI langfristig erfolgreich im gesamten Unternehmen einzusetzen.
Damit verändert sich auch der Massstab, an dem Unternehmen ihre Datenprozesse messen. Technische Kennzahlen wie Genauigkeit, Vollständigkeit und Konsistenz allein reichen nicht aus. Entscheidend ist, ob die Daten eine verlässliche Grundlage für die Entscheidungen bieten, die das Unternehmen treffen muss.
Business-Ready Data stellt KI-Systemen eine verlässliche Informationsgrundlage zur Verfügung. Klare Verantwortlichkeiten und gemeinsame Definitionen schaffen Vertrauen und ermöglichen es Teams, Ergebnisse besser nachzuvollziehen. Der Geschäftskontext stellt sicher, dass die Ergebnisse einen konkreten Bezug zu den Entscheidungen haben, die im operativen Geschäft getroffen werden.
Im Kern geht es darum, Daten konsequent mit Geschäftsergebnissen zu verknüpfen. Richtig umgesetzt, entfalten sich die Vorteile im gesamten Unternehmen. Führungskräfte können Entscheidungen mit grösserer Sicherheit treffen. Automatisierte Prozesse werden zuverlässiger und erfordern weniger manuelle Eingriffe. Probleme im Datenbereich werden frühzeitig erkannt, wodurch sich die Kosten zur Behebung reduzieren. Gleichzeitig schaffen Unternehmen bessere Voraussetzungen dafür, KI-Initiativen über die Pilotphase hinaus in den produktiven Betrieb zu überführen und einen messbaren Mehrwert zu erzielen.
Fazit
Unternehmen mangelt es selten an Daten. Was ihnen häufig fehlt, sind Daten, die sie mit Überzeugung und Vertrauen nutzen können. Dieser Unterschied ist entscheidend.
Unternehmen, die Daten lediglich als Nebenprodukt technologischer Projekte behandeln, werden mit der zunehmenden Verbreitung von KI immer wieder an Grenzen stossen. Anders sieht es bei Unternehmen aus, die konsequent von ihren Geschäftszielen ausgehen, entsprechende Anforderungen an ihre Daten stellen und Business-Ready Data von Anfang an als strategische Priorität begreifen. Sie schaffen damit die Voraussetzungen, um ihre KI-Investitionen in messbare Geschäftsergebnisse zu übersetzen und den Mehrwert von KI langfristig auszuschöpfen.
Häufige Fragen
Was macht Daten AI-ready?
Es reicht nicht, dass Daten technisch korrekt, zugänglich und regelkonform sind. AI-ready Data sind Business-Ready Data: konsistent, vertrauenswürdig und mit dem Geschäftskontext angereichert, der für fundierte Entscheidungen und konkrete Massnahmen nötig ist.
Warum scheitern erfolgreiche KI-Pilotprojekte bei der Skalierung?
Erfolgreiche Pilotprojekte garantieren keine unternehmensweite Implementierung. Sobald KI in geschäftskritischen Prozessen läuft, beeinträchtigen inkonsistente Daten, fragmentierte Systemlandschaften und fehlender Geschäftskontext die Qualität der KI-Anwendungen, und KI verstärkt diese Schwächen.
Reichen Daten, die fürs Reporting taugen, auch für KI?
Nicht automatisch. Fragmentierte Informationen, doppelte Datensätze und uneinheitliche Definitionen können dieselbe geschäftliche Frage widersprüchlich beantworten, und ohne Geschäftskontext führen selbst technisch korrekte Daten zu irreführenden Schlussfolgerungen.
Was ist ein Data-First-Ansatz für KI?
Ein Data-First-Ansatz versteht Datenbereitschaft als grundlegende Voraussetzung jeder KI-Initiative. Er beginnt bei den Geschäftszielen und den Entscheidungen, die KI unterstützen soll, und gestaltet Datenmodelle, Datenverantwortung, einheitliche Definitionen und Governance danach.
Update-Verlauf
22. November 2026: Als Gastbeitrag veröffentlicht. Deutsche Originalfassung des Autors, die englische Fassung erschien am selben Tag.
Über den Autor
René Haag ist Vice President MEE und Mitglied des Executive Leadership Teams bei Syniti, einem Unternehmen von Capgemini und Anbieter von Lösungen für Data Governance und Datenmanagement. Er beschäftigt sich mit datengetriebener Geschäftstransformation und unterstützt Unternehmen dabei, saubere, gut gesteuerte Datengrundlagen für SAP-S/4HANA-Migrationen und KI-fähige Entscheidungen aufzubauen. Mehr über René im Autorenprofil.
Fachgebiete: Data Governance, Datenmanagement, SAP-S/4HANA-Migrationen, datengetriebene Geschäftstransformation.
Quellen
UK SAP users warn of data gaps slowing AI adoption, IT Brief UK, 10. April 2026 (Englisch). Berichtet über die Umfrage von UKISUG und Syniti unter 46 SAP-Anwenderunternehmen in Grossbritannien und Irland, in der 89 % angaben, Datenprobleme würden die KI-Einführung bremsen. Quelle zur vom Autor zitierten UKISUG-Studie, geprüft am 22. November 2026.
Im Übrigen beruht der Beitrag auf der Berufserfahrung des Autors. Verwandt auf TechNovice: Business-Ready Data: Warum KI nur mit sauberen Daten funktioniert von René Haag.



