KI braucht keine perfekten Daten: Der Denkfehler, der Unternehmen Jahre kostet – Schluss mit dem Migrations-Mythos

Das Ende der endlosen Vorbereitung: Wie KI endlich echte Wertschöpfung liefert

Künstliche Intelligenz birgt ein gewaltiges Potenzial, doch in der Unternehmenspraxis verkommt sie oft zum teuren Trugschluss. Der Grund dafür ist so simpel wie fatal: Unternehmen verwandeln ihre ambitionierten KI-Initiativen unbewusst in gigantische, ressourcenfressende Datenmigrationsprojekte. Aus dem ursprünglichen Ziel, schnelle und messbare Geschäftsergebnisse zu erzielen, wird ein zäher Kampf um die perfekte Dateninfrastruktur und die lückenlose Konsolidierung in zentralen Data Warehouses. Während Milliarden in die Vorbereitung fließen, verharren zwei Drittel der Unternehmen in der Pilotphase – und die eigentliche Wertschöpfung bleibt auf der Strecke.

Dieser Artikel deckt auf, warum das starre Festhalten an einer „Infrastruktur-zuerst“-Strategie regelmäßig im Scheitern endet und weshalb eine vollständige Datenmigration für den KI-Erfolg gar nicht zwingend erforderlich ist. Er skizziert einen dringend nötigen Paradigmenwechsel: Wer vom konkreten Geschäftsergebnis her rückwärts plant und auf föderierten Datenzugriff setzt, muss nicht auf das Ende jahrelanger IT-Großprojekte warten. Erfahren Sie, wie Sie Daten dort belassen, wo sie sind, der KI nur den spezifisch benötigten Kontext liefern und durch gezielte „Quick Wins“ innerhalb kürzester Zeit messbare Erfolge feiern. Es ist Zeit, den Fokus weg von der reinen Daten-Perfektion hin zur pragmatischen KI-Wertschöpfung zu lenken.

Passend dazu:

• UNFRAME.AI: Data Migration Was Never the Point. AI Results Were.

Raus aus der Daten-Falle: KI vom Ergebnis her denken

Der größte KI-Killer ist die Datenmigration

KI-Projekte scheitern meist nicht an der Technologie, sondern daran, dass sie zu reinen IT-Infrastrukturprojekten verkommen. Die Konsolidierung aller Daten wird fälschlicherweise als zwingende Voraussetzung angesehen.

Vom Ergebnis her denken (Reverse Engineering)

Statt sich zu fragen, wie man alle Daten für KI vorbereitet, lautet die essenzielle Frage: Welchen spezifischen Datenkontext benötigt die KI im Hier und Jetzt, um ein konkretes Geschäftsergebnis zu liefern?

Kontext statt Kopie (Föderierter Zugriff)

Eine KI benötigt nicht das gesamte Data Warehouse. Technologien wie föderierter Datenzugriff, Datenvirtualisierung und RAG (Retrieval-Augmented Generation) ermöglichen es, Daten in ihren Quellsystemen zu belassen und den Kontext erst im Moment der Abfrage zusammenzustellen. Das spart immense Zeit und Kosten.

Parallelbetrieb statt Stillstand

Eine langfristige Datenmigration (ETL-Prozesse für Reporting, Historie etc.) darf und kann weiterlaufen. Die KI-Initiative muss darauf jedoch nicht warten, sondern kann parallel auf die bereits existierenden, verteilten Daten zugreifen.

Agilität schlägt Perfektionismus

Der Versuch, ein allumfassendes Daten-Schema zu bauen, ist ineffizient. Domänenorientierte, anwendungsfallspezifische Kontextmodelle (ähnlich dem Data-Mesh-Ansatz) sind wesentlich erfolgversprechender.

Die Macht der „Quick Wins“

Um das oft erodierte Vertrauen von Stakeholdern zurückzugewinnen, müssen KI-Projekte schnell einen Return on Investment (ROI) zeigen. Ein idealer erster Anwendungsfall (hohe Frequenz, messbare Basis, bestehende Daten) liefert innerhalb weniger Wochen greifbare Ergebnisse und rechtfertigt damit weitere Investitionen.

Warum Unternehmen Milliarden in Infrastruktur versenken, statt endlich Wertschöpfung zu liefern

Die digitale Transformation hat in den vergangenen Jahren ein paradoxes Muster hervorgebracht, das sich quer durch alle Branchen zieht. Unternehmen investieren erhebliche Summen in Künstliche Intelligenz, doch die tatsächliche Wertschöpfung bleibt in den meisten Fällen hinter den Erwartungen zurück. Der Grund liegt selten in der Technologie selbst. Er liegt in der Art und Weise, wie Organisationen den Weg zur KI beschreiten. Statt sich auf messbare Geschäftsergebnisse zu konzentrieren, verwandeln sich KI-Initiativen schleichend in Dateninfrastruktur-Großprojekte, die ein Eigenleben entwickeln und den ursprünglichen Zweck aus den Augen verlieren. Was als strategische Initiative zur Nutzung von KI begann, endet häufig als jahrelange Datenmigration ohne sichtbaren Return on Investment.

Die globalen Ausgaben für Künstliche Intelligenz erreichen nach Gartners Prognose vom Dezember 2025 im Jahr 2025 rund 1,8 Billionen US-Dollar und sollen bis 2029 auf 4,7 Billionen US-Dollar anwachsen. Gleichzeitig zeigt die McKinsey Global Survey 2025 zum Zustand der KI, dass 88 Prozent der befragten Unternehmen KI bereits in mindestens einer Geschäftsfunktion einsetzen, aber knapp zwei Drittel nach wie vor in der Experimentier- oder Pilotphase verharren. Nur etwa sechs Prozent der Unternehmen qualifizieren sich als sogenannte KI-Hochleister, bei denen mehr als fünf Prozent des EBIT auf KI zurückzuführen sind. Diese Zahlen verdeutlichen eine fundamentale Diskrepanz zwischen dem Geld, das in KI fließt, und dem Wert, der am Ende dabei herauskommt. Die Analyse dieser Diskrepanz offenbart ein strukturelles Problem, das weit über technische Fragen hinausgeht.

Wie das Infrastrukturprojekt die KI-Initiative verschluckt hat

Die Logikkette, die Unternehmen in diese Situation führt, erscheint auf den ersten Blick nachvollziehbar. KI benötigt Daten. Die Daten sind über zahlreiche Systeme fragmentiert. Also muss man sie konsolidieren. Konsolidierung erfordert Migration. Migration erfordert Transformation. Transformation erfordert Governance. Governance erfordert Programme zur Datenqualität. Jede einzelne Entscheidung in dieser Kette ist für sich genommen vernünftig. In der Summe aber verwandeln sie eine KI-Initiative in ein Dateninfrastrukturprogramm, das Jahre in Anspruch nimmt, bevor überhaupt ein einziges KI-Ergebnis sichtbar wird.

Dieses Phänomen zeigt sich in den Daten mit erschreckender Deutlichkeit. Laut dem 2025 Data Migration Report von Caylent gaben nur sechs Prozent der befragten Unternehmen an, ihre komplexesten Migrationsprojekte termingerecht abgeschlossen zu haben. Fast die Hälfte der Befragten erlebte während kritischer Migrationen mehr als fünf Stunden Ausfallzeit, was zu Problemen beim Kundenerlebnis, Umsatzverlusten und operativen Verzögerungen führte. Eine Analyse von mehr als 500 Unternehmensreviews zeigt, dass rund 73 Prozent der Datenmigrationsprojekte aufgrund mangelhafter Planung, Governance-Lücken und fehlendem plattformspezifischem Know-how scheitern. Zeitüberschreitungen von durchschnittlich 150 Prozent sind dabei keine Ausnahme, sondern die Regel.

Diese Migrationsprojekte entwickeln eine eigene Dynamik. Sie ziehen dedizierte Teams an, erzeugen eigene Erfolgskennzahlen, gewinnen eigene Sponsoren auf Vorstandsebene, die ihre Reputation an den Abschluss des Projekts knüpfen. Die ursprünglichen KI-Anwendungsfälle werden in die nächste Phase verschoben, dann in die Zeit nach der Migration, und schließlich verschwinden sie still und leise aus den Planungsgesprächen. Niemand plant dieses Ergebnis. Es entsteht aus tausend kleinen Entscheidungen, die jeweils für sich vertretbar sind, aber in der Gesamtheit eine strategische Fehlallokation von Ressourcen und Aufmerksamkeit bewirken.

Ein typisches Szenario verdeutlicht die Problematik. Das Quartalsgespräch zur Geschäftslage beginnt so, wie es seit zwei Jahren beginnt. Das Datentransformationsteam präsentiert seinen Fortschritt. Die Migration ist zu 73 Prozent abgeschlossen. Die Datenqualitätswerte haben sich über sechs Domänen hinweg verbessert. Die Data-Warehouse-Architektur hat ihr letztes Audit bestanden. Der Executive Sponsor nickt zufrieden angesichts der Meilensteindiagramme. Dann stellt jemand die Frage, die alle vermieden haben: Wann geht die KI denn nun in den produktiven Betrieb? Es folgt Schweigen. Jemand erwähnt Phase zwei. Jemand anderes verweist auf Abhängigkeiten. Der ursprüngliche Zeitplan, der KI-gestützte Erkenntnisse innerhalb von achtzehn Monaten versprach, ist zu einer Fußnote in einem Dateninfrastrukturprojekt geworden, das ein Eigenleben führt.

Das Milliardengrab der unvollendeten Vorbereitung

Die wirtschaftliche Dimension dieses Problems ist erheblich. Gartner prognostiziert, dass Organisationen ohne KI-bereite Daten bis Ende 2026 bei über 60 Prozent ihrer KI-Projekte ein Scheitern und Aufgeben erleben werden. Die Harvard Business Review beziffert die generelle Ausfallrate bei KI-Projekten auf 80 Prozent, was nahezu dem Doppelten der Ausfallrate bei IT-Projekten entspricht, die keine KI beinhalten. Laut einer Erhebung von S&P Global Market Intelligence aus dem Jahr 2025 haben 42 Prozent der Unternehmen die Mehrheit ihrer KI-Initiativen aufgegeben, ein dramatischer Anstieg von lediglich 17 Prozent im Vorjahr. Die durchschnittliche Organisation verwarf 46 Prozent ihrer KI-Machbarkeitsnachweise, bevor diese in den Produktivbetrieb gelangten.

Gartner prognostiziert zudem, dass mindestens 30 Prozent der generativen KI-Projekte nach dem Proof of Concept aufgegeben werden, und zwar aufgrund schlechter Datenqualität, unzureichender Risikokontrollen, eskalierender Kosten oder unklarem Geschäftswert. In der Informatica CDO Insights Umfrage 2025 werden die größten Hindernisse für den KI-Erfolg klar benannt: Datenqualität und Datenreife mit 43 Prozent, mangelnde technische Reife ebenfalls mit 43 Prozent und Fachkräftemangel mit 35 Prozent.

Diese Zahlen belegen ein fundamentales Missverständnis, das in vielen Organisationen vorherrscht. Das Problem liegt nicht darin, dass KI-Anwendungsfälle versagen. Das Problem liegt darin, dass die Migration zum eigentlichen Auftrag geworden ist statt zum Mittel. Die Konsolidierung aller Daten in einem zentralen Data Warehouse wird zum Selbstzweck erhoben, während der ursprüngliche Geschäftsnutzen in den Hintergrund tritt. Die Investition in KI-bereite Daten wächst unterdessen explosionsartig. Der Markt für KI-Daten steigt nach Gartners Prognose von 134 Millionen US-Dollar im Jahr 2024 auf 14,6 Milliarden US-Dollar bis 2029, was einer durchschnittlichen jährlichen Wachstumsrate von 155 Prozent entspricht. Das Geld fließt, aber es fließt in die falschen Kanäle, wenn die Datenbereitstellung als monolithisches Vorbereitungsprojekt angelegt wird statt als iterativer Prozess.

Vom Ergebnis her denken statt von der Infrastruktur aus planen

Der alternative Ansatz beginnt mit einer grundlegend anderen Fragestellung. Statt zu fragen, wie man seine Daten für KI vorbereiten muss, sollte man fragen, welchen Kontext die KI benötigt, um ein bestimmtes Geschäftsergebnis zu liefern. Diese Umkehrung der Perspektive verändert die gesamte Projektarchitektur.

Die meisten KI-Anwendungsfälle erfordern Kontext aus drei bis fünf Systemen, nicht ein vollständig migriertes Datenportfolio. Die Kontextanforderungen sind spezifisch. Eine KI zur Vertragsanalyse benötigt Verträge, Nachträge, Parteien und Verpflichtungen. Sie benötigt nicht das gesamte Data Warehouse. Eine KI für den Kundenservice benötigt Interaktionshistorien, Produktdaten und Fallmanagement-Datensätze. Sie benötigt nicht jede Tabelle in jedem Quellsystem.

Der minimal erforderliche Datenpfad ist nahezu immer enger als der Umfang des Migrationsprojekts. Migration optimiert für jede denkbare künftige Abfrage. KI benötigt den richtigen Kontext für bestimmte Anwendungsfälle im Hier und Jetzt. Diese beiden Anforderungen sind fundamental verschieden, und sie als gleichwertig zu behandeln, ist genau der Mechanismus, durch den Infrastrukturprojekte KI-Initiativen verschlingen.

Wenn man vom KI-Ergebnis aus rückwärts arbeitet, stellt man häufig fest, dass die benötigten Daten bereits zugänglich sind. Sie müssen nicht bewegt werden. Sie müssen verbunden, für den Anwendungsfall organisiert und zur Laufzeit bereitgestellt werden. Wirksames KI-Datenmanagement beginnt mit dieser Erkenntnis: Zuerst das Ergebnis definieren, dann den einfachsten Pfad zum Kontext finden, der dieses Ergebnis ermöglicht.

Managed AI Platform - Bild: Xpert.Digital

Hier erfahren Sie, wie Ihr Unternehmen maßgeschneiderte KI-Lösungen schnell, sicher und ohne hohe Einstiegshürden realisieren kann.

Eine Managed AI Platform ist Ihr Rundum-Sorglos-Paket für künstliche Intelligenz. Anstatt sich mit komplexer Technik, teurer Infrastruktur und langwierigen Entwicklungsprozessen zu befassen, erhalten Sie von einem spezialisierten Partner eine fertige, auf Ihre Bedürfnisse zugeschnittene Lösung – oft innerhalb weniger Tage.

Die zentralen Vorteile auf einen Blick:

⚡ Schnelle Umsetzung: Von der Idee zur einsatzbereiten Anwendung in Tagen, nicht Monaten. Wir liefern praxisnahe Lösungen, die sofort Mehrwert schaffen.

🔒 Maximale Datensicherheit: Ihre sensiblen Daten bleiben bei Ihnen. Wir garantieren eine sichere und konforme Verarbeitung ohne Datenweitergabe an Dritte.

💸 Kein finanzielles Risiko: Sie zahlen nur für Ergebnisse. Hohe Vorabinvestitionen in Hardware, Software oder Personal entfallen komplett.

🎯 Fokus auf Ihr Kerngeschäft: Konzentrieren Sie sich auf das, was Sie am besten können. Wir übernehmen die gesamte technische Umsetzung, den Betrieb und die Wartung Ihrer KI-Lösung.

📈 Zukunftssicher & Skalierbar: Ihre KI wächst mit Ihnen. Wir sorgen für die laufende Optimierung, Skalierbarkeit und passen die Modelle flexibel an neue Anforderungen an.

Mehr dazu hier:

• Managed-AI Platform

Föderierter Datenzugriff als architektonisches Gegenmodell

KI ohne Datenmigration ist keine Abkürzung. Es ist eine andere Architektur, die der tatsächlichen Funktionsweise von KI im Produktivbetrieb entspricht. Drei Grundprinzipien kennzeichnen diesen Ansatz.

Erstens verbindet föderierter Zugriff die KI mit den Quellsystemen, in denen die Daten leben, ohne dass diese zuerst zentralisiert werden müssen. Die CRM-Daten verbleiben im CRM. Die Dokumente verbleiben im Dokumentenrepository. Die operativen Daten verbleiben im ERP. Die KI-Schicht kann auf alle zugreifen, ohne auf Synchronisation warten zu müssen. Föderierter Datenzugriff hält die Daten an ihrem ursprünglichen Ort, nutzt Virtualisierungstechniken, um eine einheitliche Sicht bereitzustellen, und ermöglicht Echtzeiteinblicke auf Abruf. Im Gegensatz zum Data Warehousing, bei dem Daten physisch an einen zentralen Ort verschoben werden, eliminiert der föderierte Zugriff die mit Datenduplizierung verbundenen Risiken und Kosten und verbessert die Betriebseffizienz.

Zweitens definieren anwendungsfallspezifische Kontextmodelle, was jede KI-Anwendung konkret benötigt. Statt ein universelles Schema zu bauen, das versucht, alles abzubilden, definiert das System die spezifischen Entitäten, Beziehungen und Signale, die für jeden einzelnen Anwendungsfall relevant sind. Dieses Prinzip entspricht dem Gedanken der Data-Mesh-Architektur, in der domänenorientierte Teams ihre jeweiligen Daten eigenverantwortlich verwalten und maßgeschneiderte Governance-Standards pflegen, die mit den spezifischen Geschäftsanforderungen übereinstimmen.

Drittens assembliert die Laufzeit-Zusammenstellung den Kontext im Moment der Entscheidung statt im Voraus durch Batch-Pipelines. Wenn die KI eine Frage beantworten muss, stellt sie den relevanten Kontext aus allen Quellen zusammen, wo auch immer dieser Kontext liegt. Kein Synchronisationsverzug. Keine veralteten Momentaufnahmen. Aktuelle Daten, bei Bedarf zusammengestellt. Dieses Prinzip hat mit der Verbreitung von Retrieval Augmented Generation eine technologische Reifung erfahren. RAG-Architekturen ermöglichen es, dass KI-Systeme im Moment der Abfrage relevante externe Informationen abrufen und in den Kontext einbetten, anstatt sich ausschließlich auf vortrainiertes Wissen zu stützen. Bis Mitte 2026 nutzen über 66 Prozent der generativen KI-Implementierungen in Unternehmen RAG-Architekturen.

Die praktische Umsetzung dieser Architektur zeigt sich in realen Unternehmensumgebungen. SAPs Federated Machine Learning Library etwa nutzt die Datenföderationsarchitektur von SAP Datasphere, um SAP- und Nicht-SAP-Daten intelligent für Maschinelles Lernen bereitzustellen, und zwar ohne dass Replikation oder Datenbewegung erforderlich ist. Unternehmen wie Downer, einer der größten integrierten Dienstleister Australiens, haben eine föderierte Daten- und KI-Plattform implementiert, die dezentrale Agilität mit zentralisierter Governance verbindet und es Geschäftseinheiten ermöglicht, unabhängig zu innovieren, während Unternehmensdaten nahtlos und sicher geteilt werden.

Datenvirtualisierung und Batch-Verarbeitung im Vergleich

Die Entscheidung zwischen föderiertem Zugriff durch Datenvirtualisierung und traditioneller ETL-basierter Konsolidierung ist keine binäre Wahl, sondern eine Frage der Abstimmung mit den Anforderungen des jeweiligen Arbeitsaufkommens. Datenvirtualisierung liefert schnellere Antwortzeiten bei der Abfrage kleinerer, verteilter Datensätze. Bei wachsendem Datenvolumen und komplexen Transformationsanforderungen kann ETL aufgrund seiner Fähigkeit, große Datensätze durch vordefinierte Transformationsregeln zu verarbeiten, leistungsfähiger sein.

Der fundamentale Kompromiss liegt darin, dass Datenvirtualisierung physische Konsolidierung gegen logische Integration tauscht. Man gewinnt frischere Daten, da Abfragen direkt auf die Quellsysteme zugreifen, und man vermeidet Kosten und Komplexität des Kopierens aller Daten in ein einzelnes Warehouse. Gleichzeitig hängt man von der Verfügbarkeit und Leistungsfähigkeit jedes zugrunde liegenden Systems ab. Für schwere analytische Abfragen im Petabyte-Bereich übertreffen Warehouses mit vorberechneten Aggregaten und spaltenbasierter Speicherung die föderierte Abfrage über Netzwerke um den Faktor zehn oder mehr.

Die kluge Lösung besteht darin, beide Ansätze komplementär einzusetzen. ETL übernimmt die Verarbeitung strukturierter, historischer Daten für Berichte und stellt Konsistenz sicher. Datenvirtualisierung ermöglicht agilen Zugriff auf Live-Daten oder verteilte Daten für zeitkritische Abfragen. Wenn man eine neue Datenquelle integriert, kann die Modifikation von ETL-Workflows Tage oder Wochen in Anspruch nehmen. Datenvirtualisierung ermöglicht es, temporäre oder experimentelle Datenquellen sofort einzubinden. Dieser hybride Ansatz optimiert Leistung, Kosten und Flexibilität gleichermaßen.

Der kürzeste Weg zu messbaren KI-Ergebnissen

Die ökonomische Logik hinter dem ergebnisorientierten Ansatz ist bestechend. Die durchschnittliche KI-Projektlaufzeit folgt einem bekannten Muster: drei Monate Planung, sechs Monate Entwicklung, sechs Monate Testen, drei Monate Bereitstellung, insgesamt achtzehn Monate bis zum ROI. Laut Gartner schaffen es im Durchschnitt nur 48 Prozent der KI-Projekte in den Produktivbetrieb, und der Weg vom KI-Prototyp zur Produktion dauert acht Monate. Nur 35 Prozent der KI-Projekte erreichen überhaupt die Produktionsreife.

Doch es geht auch anders. Laut einer IDC-Studie liefern 92 Prozent der erfolgreichen KI-Implementierungen einen positiven Return on Investment innerhalb von zwölf Monaten. 40 Prozent der Unternehmen berichten von einer positiven Rendite innerhalb von sechs Monaten. Der Schlüssel liegt in der Wahl des richtigen ersten Anwendungsfalls und in der Vermeidung überdimensionierter Infrastrukturvorbereitungen.

Das Framework für schnelle KI-Rendite stützt sich auf vier Prinzipien. Der ideale erste Anwendungsfall zeichnet sich durch hohe Frequenz aus, die betreffende Aufgabe wird täglich oder wöchentlich ausgeführt. Er hat eine klare Ausgangsbasis, die aktuelle Leistung lässt sich messen. Es existieren bereits Daten, und der Anwendungsfall hat begrenzte Abhängigkeiten von anderen Systemen. Wenn diese Kriterien erfüllt sind, lassen sich messbare Ergebnisse innerhalb weniger Wochen erzielen.

Die Wirkung solcher Quick Wins geht weit über den unmittelbaren finanziellen Ertrag hinaus. Ein Telekommunikationsanbieter implementierte einen KI-Chatbot für die fünf häufigsten Kundenanfragen zu Abrechnungsfragen. Innerhalb von 60 Tagen löste die Lösung 35 Prozent der Anfragen ohne menschliche Intervention, reduzierte die durchschnittliche Lösungszeit von 24 Stunden auf 10 Minuten und verbesserte die Kundenzufriedenheitswerte um 22 Prozent. Ein mittelständischer Hersteller implementierte KI-gestützte prädiktive Wartung an einer kritischen Produktionslinie. Der 45-Tage-Pilot lieferte eine 62-prozentige Reduktion ungeplanter Ausfallzeiten, 157.000 US-Dollar an vermiedenen Produktionsverlusten und eine 28-prozentige Senkung der Wartungskosten. Klarna erzielte mit seinem KI-Assistenten eine Bearbeitung von zwei Dritteln aller Kundenanfragen im Chat bereits im ersten Monat und reduzierte die durchschnittliche Lösungszeit von elf Minuten auf unter zwei Minuten.

Warum Stakeholder-Vertrauen die härteste Währung ist

Diese Quick Wins erfüllen eine Funktion, die über die reine Kosteneinsparung hinausgeht. Sie stellen das Vertrauen der Stakeholder wieder her, das durch jahrelange Infrastrukturprojekte ohne sichtbare Ergebnisse erodiert ist. Schnelle Erfolge liefern schnellen, sichtbaren Beweis, dass KI Geschäftswert schafft. Dies baut das Vertrauen der Entscheider auf, senkt den Widerstand gegen die Einführung und ebnet den Weg für größere KI-Investitionen.

Erfolgreiche Quick Wins erzeugen positive Rückkopplungsschleifen, die die KI-Einführung beschleunigen. Der anfängliche Erfolg generiert Begeisterung und Ressourcen für eine erweiterte Implementierung. Die erweiterte Implementierung schafft zusätzlichen Wert und organisatorisches Lernen. Dieses Lernen ermöglicht anspruchsvollere Anwendungen und größeren Nutzen. Der größere Nutzen rechtfertigt erhöhte Investitionen in KI-Fähigkeiten.

Die McKinsey-Daten unterstreichen diesen Mechanismus. KI-Hochleister, jene sechs Prozent der Unternehmen mit messbarem EBIT-Beitrag durch KI, sind dreimal häufiger als andere geneigt anzugeben, dass ihre Organisation beabsichtigt, KI für transformative Veränderungen zu nutzen. Diese Unternehmen sind fast dreimal so häufig wie andere dabei, Arbeitsabläufe grundlegend neu zu gestalten, und genau diese intentionale Neugestaltung von Workflows zeigt einen der stärksten Beiträge zur Erreichung messbarer Geschäftswirkung. Hochleister setzen KI regelmäßig in mehr Geschäftsfunktionen ein als ihre Vergleichsgruppe und sind dreimal häufiger bereit, den Einsatz von KI-Agenten auszuweiten.

Parallelbetrieb statt sequentielle Abhängigkeit

Das Migrationsprojekt muss nicht gestoppt werden. Es mag Zwecken dienen, die über KI hinausgehen. Regulatorisches Reporting, historische Analysen oder Executive Dashboards auf der internen Roadmap benötigen möglicherweise tatsächlich konsolidierte Daten. Die Investition in den Aufbau dieser Grundlage ist für diese Zwecke nicht verschwendet.

Aber KI muss nicht auf den Abschluss der Migration warten. Die beiden können parallel laufen. Migration setzt sich auf ihrem Zeitplan für ihre vorgesehenen Zwecke fort. KI liefert Ergebnisse jetzt, gegen die Daten, die heute existieren.

Der pragmatische Weg vorwärts beginnt mit der Identifikation von zwei bis drei KI-Anwendungsfällen, die messbaren Geschäftswert liefern würden. Es folgt die Kartierung des spezifischen Datenkontexts, den jeder Anwendungsfall erfordert. Dann die Prüfung, ob dieser Kontext direkt zugänglich ist, ohne Migration zu erfordern. Schließlich die Pilotierung der KI auf dem engsten gangbaren Datenpfad.

Dieser Ansatz deckt sich mit den Erkenntnissen von Gartners Analystin Haritha Khandabattu, die einen graduellen Schwenk von generativer KI als zentralem Fokus hin zu den grundlegenden Befähigern beschreibt, die eine nachhaltige KI-Bereitstellung unterstützen, darunter KI-bereite Daten und KI-Agenten. Die Investitionen verschieben sich von einer Infrastruktur-zuerst-Strategie zu einer Daten-und-Fähigkeiten-zuerst-Architektur. Die Organisationen, die Datenbereitschaft als nachträglichen Gedanken behandeln, sind diejenigen, die am ehesten bei den 94 Prozent verharren, die nie über die Pilotphase hinauskommen.

Die Neuordnung der Investitionslogik

Die Ausgabendaten von Gartner offenbaren eine tektonische Verschiebung in der Investitionslogik. Während KI-Infrastruktur mit 965 Milliarden US-Dollar im Jahr 2025 die absolut größte Ausgabenkategorie bleibt, wächst sie mit einer vergleichsweise moderaten Rate von 29 Prozent pro Jahr. Die Beschleunigung findet anderswo statt: KI-Daten wachsen mit 155 Prozent jährlich, KI-Cybersicherheit mit 74 Prozent, KI-Modelle mit 68 Prozent. Das Geld folgt den Engpässen, nicht den Schlagzeilen.

Innerhalb des KI-Datenmarkts zeigen sich die Wachstumstreiber noch deutlicher. Synthetische Datengenerierung wächst mit einer jährlichen Rate von 178 Prozent von 41 Millionen auf 6,8 Milliarden US-Dollar bis 2029. KI-bereite Datensätze, also vorkuratierte, für KI-Workflows strukturierte Daten, wachsen mit 136 Prozent jährlich. Unternehmen sind bereit, für Abkürzungen in der Zeit bis zur Produktion zu zahlen. Dies ist ein klares Signal, dass der Markt den Wert von schneller Datenbereitschaft über langsame, umfassende Migration stellt.

Die Gewinnerorganisationen, die den tatsächlichen Wert aus dieser Transformation ziehen, investieren in Fähigkeiten, die KI-Systeme im Unternehmensmaßstab funktionsfähig machen: Datenbereitschaft, Governance, Integration und Sicherheit. Sie drehen die typischen Ausgabenverhältnisse um und widmen 50 bis 70 Prozent des Zeitplans und Budgets der Datenbereitschaft, also Extraktion, Normalisierung, Governance-Metadaten, Qualitäts-Dashboards und Aufbewahrungskontrollen. Doch diese Datenbereitschaft wird nicht als monolithisches Migrationsprojekt verstanden, sondern als iterativer, anwendungsfallgetriebener Prozess.

Vom Daten-Perfektionismus zur KI-Pragmatik

Die zentrale Erkenntnis dieser Analyse lässt sich auf einen Grundsatz verdichten: Das Ziel war nie eine perfekte Infrastruktur. Das Ziel war, Ergebnisse aus KI zu erzielen, und dies erfordert glücklicherweise keine vollständige Datenkonsolidierung. Die Teams, die dies erkennen, hören auf, Migration als Voraussetzung zu behandeln, und beginnen, KI-Ergebnisse als die Kennzahl zu betrachten, die wirklich zählt.

Die Daten sprechen eine eindeutige Sprache. 88 Prozent der Unternehmen nutzen KI, aber nur ein Drittel hat begonnen, sie zu skalieren. 73 Prozent der Migrationsprojekte scheitern an der Umsetzung, nicht an der Technologie. 42 Prozent der Unternehmen haben 2025 die Mehrheit ihrer KI-Initiativen aufgegeben. Gleichzeitig zeigen jene sechs Prozent der Hochleister, dass der Weg zum Erfolg über ambitionierte Ziele, redesignte Workflows und schnelle Skalierung führt, nicht über die Vollendung von Migrationsprojekten.

Für CIOs und CTOs ergibt sich daraus ein klarer Handlungsauftrag. Die Frage lautet nicht mehr, wie man alle Daten konsolidiert, bevor KI starten kann. Die Frage lautet, welcher spezifische Datenkontext für den nächsten KI-Anwendungsfall benötigt wird und wie dieser Kontext am schnellsten und kostengünstigsten bereitgestellt werden kann. Föderierter Zugriff, anwendungsfallspezifische Kontextmodelle und Laufzeit-Assemblierung sind die architektonischen Werkzeuge, die diesen Weg ermöglichen. Sie ersetzen das Paradigma der vollständigen Vorbereitung durch das Paradigma der iterativen Wertschöpfung.

Die Unternehmen, die KI nicht als nachgelagerten Nutznießer von Infrastrukturprojekten begreifen, sondern als treibende Kraft, die die Datenanforderungen bestimmt, werden die sein, die den Weg von der Pilot- zur Skalierungsphase am schnellsten durchlaufen. Das Migrationsprojekt kann weiterlaufen. Aber die KI muss nicht darauf warten.

Konrad Wolfenstein

Gerne stehe ich Ihnen als persönlicher Berater zur Verfügung.

Sie können mit mir unter wolfenstein∂xpert.digital Kontakt aufnehmen oder

mich einfach unter +49 7348 4088 965 anrufen.

LinkedIn