KI im Blindflug: Warum Großkonzerne ihre eigenen Daten nicht mehr verstehen

Das unterschätzte KI-Risiko: Warum das Daten-Chaos Unternehmen Millionen kosten kann

Der Hype um Künstliche Intelligenz weicht in den Chefetagen zunehmend einer nüchternen Realität. Denn während die Sprachmodelle von OpenAI, Google und Co. immer leistungsfähiger werden, scheitert ihr produktiver Einsatz in der Praxis meist an einem gewaltigen, aber oft ignorierten Problem: dem internen Daten-Chaos. Wenn Verträge, Chatverläufe, E-Mails und Tabellen unstrukturiert über unzählige Silos und Abteilungen verstreut sind, laufen selbst die intelligentesten KI-Agenten ins Leere oder halluzinieren. Genau an dieser Schwachstelle entsteht derzeit ein rasant wachsender Milliardenmarkt. Spezialisierte Start-ups und etablierte Tech-Giganten bauen an sogenannten semantischen Datenschichten – dem neuen, zentralen Betriebssystem für Unternehmensdaten. Doch diese Technologie bringt nicht nur enorme Effizienzgewinne und revolutionäre Bezahlmodelle mit sich, sondern birgt auch handfeste Risiken in puncto Cybersecurity und Abhängigkeit. Ein tiefer Einblick in die Architektur der KI-Zukunft und was dieser Wandel – vom Großkonzern bis zum Mittelstand – für die Wirtschaft bedeutet.

Passend dazu:

• Unframe AI | AI-ready data. Built from the systems you already run.

Ein Milliardenmarkt entsteht aus einem alten Problem

Die Debatte um künstliche Intelligenz in Unternehmen hat sich in den vergangenen zwei Jahren grundlegend verschoben. Stand zunächst die Frage im Vordergrund, welches Sprachmodell die besten Antworten liefert, rückt inzwischen ein deutlich nüchternerer Aspekt in den Mittelpunkt: die Qualität, Aktualität und Zugänglichkeit der Daten, mit denen diese Modelle arbeiten sollen. Eine Befragung von hundert leitenden Daten- und Technologieverantwortlichen aus Konzernen mit mehr als zwei Milliarden US-Dollar Umsatz und über fünftausend Mitarbeitern zeigt ein ernüchterndes Bild. Nahezu alle Befragten, konkret neunundneunzig Prozent, kämpfen damit, einheitliche Geschäftskennzahlen über verschiedene Werkzeuge und Abteilungen hinweg zu definieren. Fast achtzig Prozent der Datenteams verbringen mehr als die Hälfte ihrer Arbeitszeit mit der Aufbereitung von Daten, statt daraus tatsächlich Erkenntnisse zu gewinnen. Diese Zahlen offenbaren, dass semantische Uneinheitlichkeit längst kein Randproblem mehr ist, sondern das eigentliche Betriebssystem ist, auf dem viele Großunternehmen bis heute laufen.

Genau in diese Lücke stößt eine neue Kategorie von Anbietern vor, die sich selbst als Bindeglied zwischen der zersplitterten Unternehmensrealität und den Ansprüchen moderner KI-Systeme verstehen. Das Versprechen lautet, sämtliche Datenquellen eines Unternehmens, von E-Mails über Vertragsdokumente bis hin zu ERP- und CRM-Systemen, in einer kontinuierlich synchronisierten, governance-fähigen Schicht zusammenzuführen. Dass dieses Versprechen auf fruchtbaren Boden fällt, zeigt sich am Beispiel des kalifornisch-israelisch-deutschen Start-ups Unframe, das binnen zwölf Monaten nach seinem offiziellen Marktstart mehr als hundert Millionen US-Dollar an Vertragsvolumen verbuchen konnte und dessen jüngste Finanzierungsrunde von fünfzig Millionen US-Dollar unter Führung von Highland Europe die Gesamtsumme der eingesammelten Mittel auf hundert Millionen US-Dollar hob. Solche Wachstumszahlen sind in einem Marktsegment, das erst seit wenigen Jahren existiert, ein bemerkenswertes Signal für einen tatsächlichen, nicht nur behaupteten Bedarf.

Warum klassische Datenarchitekturen der KI im Weg stehen

Um die Tragweite dieser Entwicklung zu verstehen, lohnt sich ein Blick auf die historische Funktion von Datenwarenhäusern. Diese wurden über Jahrzehnte für ein einziges Ziel optimiert: das nachträgliche Berichtswesen. Quartalszahlen, Umsatzstatistiken, Kennzahlen für das Management – all das ließ sich mit periodisch aktualisierten, stark strukturierten Datenbanken zufriedenstellend abbilden. Künstliche Intelligenz, insbesondere agentenbasierte Systeme, die eigenständig Entscheidungen treffen oder Handlungen auslösen sollen, benötigt jedoch etwas grundlegend anderes. Sie braucht operative, in Echtzeit aktuelle und mit den tatsächlichen Geschäftsprozessen verknüpfte Informationen. Ein KI-Agent, der eine Lieferkettenentscheidung unterstützen soll, kann nicht mit Daten arbeiten, die drei Wochen alt sind und ausschließlich für den Rückblick aufbereitet wurden.

Diese Diskrepanz wird durch ein weiteres Strukturproblem verschärft. Schätzungen großer Technologiekonzerne gehen davon aus, dass bis zu neunzig Prozent der Unternehmensdaten unstrukturiert vorliegen, verteilt über Dokumente, Chatverläufe, Support-Tickets, Rechnungen und Kalendereinträge. Diese Informationsmenge liegt größtenteils außerhalb der klassischen, tabellenbasierten Datenwarenhäuser und war für traditionelle Analysewerkzeuge schlicht nicht adressierbar. Ohne eine einheitliche semantische Schicht, die sowohl strukturierte als auch unstrukturierte Inhalte konsistent abbildet, bleibt es nahezu unmöglich, Informationen aus verschiedenen Quellen zusammenzuführen und einem KI-Modell als verlässlichen Kontext zur Verfügung zu stellen.

Ein separat durchgeführtes Benchmark-Projekt zur Bewertung der Datenreife für generative KI kommt zu einem strukturell ähnlichen Befund, wenngleich mit anderer Gewichtung. Dort werden Datenqualität und Konsistenz von neunundfünfzig Prozent der befragten Verantwortlichen als größte Hürde für den produktiven Einsatz generativer KI genannt, gefolgt von fragmentierten Datenlandschaften mit fünfzig Prozent und Fragen der Datensicherheit und Privatsphäre, ebenfalls mit fünfzig Prozent. Bemerkenswert ist zudem, dass nur dreizehn Prozent der Unternehmen, die generative KI bereits einsetzen, verhindern können, dass sensible Daten wie Kunden- oder Mitarbeiterinformationen ungefiltert in Sprachmodelle einfließen. Dies verweist auf eine Governance-Lücke, die weit über technische Kompatibilitätsfragen hinausreicht und direkt in den Bereich von Datenschutz und regulatorischer Haftung führt.

Das Geschäftsmodell hinter der neuen Datenschicht

Das Grundprinzip, das Anbieter wie Unframe verfolgen, lässt sich in vier Funktionsschritten beschreiben. Zunächst werden Unternehmenssysteme, Anwendungen, Datenlager, Dateien und Programmierschnittstellen an die Plattform angebunden. Anschließend werden diese heterogenen Quellen in eine einzige, governance-fähige Datenschicht überführt, die für die gesamte Organisation gilt. Im dritten Schritt erfolgt eine kontinuierliche Synchronisation mit den Ursprungssystemen, sodass die Datenschicht nicht zu einem weiteren veralteten Abbild verkommt, sondern den tatsächlichen Zustand des Unternehmens widerspiegelt. Erst im vierten Schritt wird diese Grundlage genutzt, um künstliche Intelligenz, Analytik und Automatisierung zu betreiben – alle gestützt auf dieselbe konsistente Basis.

Konzeptionell erinnert dieser Ansatz an eine Art digitalen Zwilling der Organisation, jedoch nicht primär zur Simulation physischer Prozesse, sondern zur Abbildung von Kunden, Produkten, Verträgen und Transaktionen in einer widerspruchsfreien Repräsentation. Der wirtschaftliche Reiz eines solchen Modells liegt darin, dass jede neue KI-Anwendung nicht erneut von vorn beginnen muss, um Zugriff auf relevante Unternehmensdaten zu erhalten. Stattdessen greift jede Anwendung auf dieselbe, bereits bereinigte und angereicherte Grundlage zurück. Dies senkt potenziell die Kosten für jede weitere KI-Initiative erheblich, da der aufwendigste und oft unterschätzte Teil eines KI-Projekts, nämlich die Datenintegration und -bereinigung, nur einmal geleistet werden muss.

Unframe selbst beschreibt sein Angebot als modulare, wiederverwendbare Bausteine, die sich zu maßgeschneiderten Lösungen zusammensetzen lassen, ohne dass für jeden Anwendungsfall ein eigenes Modelltraining erforderlich wäre. Die sogenannte Framery fungiert dabei als offene Plattformschicht, die sich mit beliebigen Software-as-a-Service-Angeboten, Programmierschnittstellen, Datenbanken oder Dateiformaten verbinden lässt, unabhängig davon, ob die Infrastruktur in der Cloud, vor Ort oder in einer hybriden Umgebung betrieben wird. Für europäische, insbesondere deutsche Unternehmen ist ein weiterer Aspekt von erheblicher Bedeutung: Die Plattform arbeitet modellunabhängig, es gibt also keine Bindung an einen bestimmten Anbieter von Sprachmodellen, und es wird explizit mit Konformität zur europäischen Datenschutz-Grundverordnung sowie dem KI-Gesetz der Europäischen Union geworben. Daten sollen die Systemgrenzen des Kunden grundsätzlich nicht verlassen, sofern dies nicht ausdrücklich gewünscht wird.

Outcome-based Pricing als Vertrauenssignal in einem misstrauischen Markt

Ein besonders aufschlussreicher Aspekt der Geschäftsstrategie liegt im Preismodell. Anders als klassische Softwareanbieter, die Lizenzgebühren unabhängig vom tatsächlichen Nutzen erheben, setzt Unframe auf ein ergebnisbasiertes Abrechnungsmodell. Kunden zahlen erst dann, wenn eine Lösung nachweislich funktioniert und Ergebnisse liefert. Diese Entscheidung ist keineswegs zufällig gewählt, sondern eine direkte Reaktion auf eine tief verwurzelte Skepsis in den Vorstandsetagen. Wie die Mitgründerin des Unternehmens öffentlich formulierte, seien Unternehmen es leid, Lösungen zu finanzieren, die in der überwiegenden Mehrheit der Fälle scheitern, weshalb sie ein Modell verlangten, bei dem für tatsächlichen Erfolg bezahlt wird.

Diese Beobachtung deckt sich mit der breiteren Erfahrung vieler Konzerne, die seit Jahren mit sogenannten Proof-of-Concept-Projekten experimentieren, ohne diese in produktive Systeme zu überführen. Ein großer Rückstand an vielversprechenden KI-Anwendungsfällen, zahlreiche Pilotprojekte und dennoch fast nichts, was tatsächlich im laufenden Betrieb genutzt wird – so lässt sich die Ausgangslage vieler Unternehmen zusammenfassen, die sich dieser neuen Kategorie von Anbietern zuwenden. Der wirtschaftliche Kern dieses Versprechens besteht darin, das Risiko eines gescheiterten Projekts nicht mehr allein beim Kunden, sondern zumindest teilweise beim Anbieter selbst zu verorten. Dies verändert die Anreizstruktur grundlegend und dürfte einer der wesentlichen Gründe für die beobachtete Wachstumsdynamik sein, insbesondere die genannte Nettoumsatzbindung von vierhundert Prozent, die bedeutet, dass Bestandskunden ihre Ausgaben innerhalb eines Jahres im Durchschnitt vervierfacht haben.

Wer die Kundschaft ist und was das über den Marktreifegrad verrät

Die genannten Referenzkunden zeichnen ein interessantes Branchenbild. Genannt werden unter anderem die Immobilienunternehmen Cushman & Wakefield sowie Avison Young, das Cybersicherheitsunternehmen Armis und der Schweizer Verlag NZZ. Ergänzend wird von Anwendungsfällen bei Fluggesellschaften zur Optimierung von Crew-Planungen sowie bei Einzelhändlern zur Planung von Verkaufsaktionen berichtet. Diese Streuung über Immobilien, Medien, Sicherheit, Luftfahrt und Einzelhandel deutet darauf hin, dass es sich nicht um eine Nischenlösung für eine einzelne Branche handelt, sondern um ein branchenübergreifendes Infrastrukturproblem, das offenkundig in sehr unterschiedlichen wirtschaftlichen Kontexten auftritt.

Interessant ist zudem die geografische und organisatorische Struktur des Unternehmens selbst. Mit Hauptsitz im kalifornischen Cupertino und weiteren Niederlassungen in Tel Aviv und Berlin verkörpert Unframe eine für die Technologiebranche typische transatlantische beziehungsweise transkontinentale Aufstellung, bei der amerikanisches Kapital, israelische technische Entwicklung und europäische Marktnähe kombiniert werden. Für ein Unternehmen mit deutschem Beobachtungshorizont ist besonders relevant, dass die operative Mitgründerin explizit von Berlin aus arbeitet und das Unternehmen wiederholt auf europäischen Digitalveranstaltungen wie der Konferenz Mind the Tech in Berlin aufgetreten ist. Dies signalisiert eine bewusste strategische Ausrichtung auf den europäischen Markt, der aufgrund strengerer Datenschutzanforderungen und einer generell zurückhaltenderen Haltung gegenüber der unkontrollierten Weitergabe von Unternehmensdaten an amerikanische Cloud-Anbieter andere Anforderungen stellt als der nordamerikanische Markt.

Die Konkurrenzlandschaft und das Wettrennen der Tech-Giganten

Der beschriebene Trend beschränkt sich keineswegs auf spezialisierte Start-ups. Auch etablierte Technologiekonzerne haben das Problem der fragmentierten Unternehmensdaten als zentrales Wachstumsfeld identifiziert. Dell Technologies hat gemeinsam mit Nvidia eine sogenannte AI Data Platform entwickelt, deren erklärtes Ziel es ist, Jahrzehnte fragmentierter Unternehmensdaten in verwertbare Intelligenz zu überführen. Ein leitender Produktmarketingverantwortlicher von Dell formulierte dabei treffend, dass die Lösung des Datenproblems nicht nur auf der Speicherebene ansetzen müsse, sondern die gesamte Pipeline von der Datenaufnahme über die Kuratierung bis zur Orchestrierung umfassen müsse, damit die Daten letztlich zuverlässig in die Rechenkapazitäten der Grafikprozessoren gelangen.

Auch IBM hat in seiner Einschätzung der wichtigsten Datentrends für das Jahr 2026 betont, dass ohne eine konvergierte Plattform mit einheitlichem Zugriff auf strukturierte und unstrukturierte Daten Unternehmen kaum in der Lage seien, Analytik und autonome Automatisierung mit der notwendigen Geschwindigkeit und Verlässlichkeit in den produktiven Einsatz zu überführen. Diese Einschätzung eines der ältesten und größten IT-Konzerne der Welt unterstreicht, dass es sich hierbei nicht um ein Nischenthema kleiner Anbieter handelt, sondern um eine grundsätzliche strukturelle Herausforderung, die branchenweit als kritischer Flaschenhals identifiziert wurde. Bezeichnenderweise wird in diesem Zusammenhang explizit betont, dass kein einzelner Anbieter dieses Problem allein lösen könne, da die Zusammenführung verteilter Daten und der Aufbau der notwendigen Infrastruktur für autonome KI-Systeme ein breites Ökosystem an Partnern und Technologien erfordere.

Diese Einschätzung wirft ein wichtiges Licht auf die tatsächliche Wettbewerbsdynamik. Es entsteht kein Markt, in dem ein einzelner Gewinner die gesamte Wertschöpfungskette dominiert, sondern eine Vielzahl an Anbietern mit unterschiedlichen Schwerpunkten, die teilweise komplementär, teilweise konkurrierend zueinander stehen. Spezialisierte Anbieter wie K2View fokussieren sich explizit auf operative, produktionsreife Datenarchitekturen, während Infrastrukturkonzerne wie Dell und Nvidia die zugrunde liegende Rechenkapazität bereitstellen und Plattformanbieter wie Unframe die Brücke zwischen Rohdaten und einsatzfähigen KI-Anwendungen bilden.

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

Governance als unterschätzter Wettbewerbsfaktor

Ein Aspekt, der in der öffentlichen Debatte über künstliche Intelligenz häufig zu kurz kommt, ist die Frage der Governance, also der Kontrolle darüber, wer auf welche Daten zugreifen darf, wie diese verarbeitet werden und wie sich im Nachhinein nachvollziehen lässt, welche Information in eine bestimmte KI-Entscheidung eingeflossen ist. Die zitierte Erhebung unter hundert Datenverantwortlichen zeigt, dass siebenundachtzig Prozent der Befragten größere Transparenz darüber fordern, wie künstliche Intelligenz ihre Daten nutzt und interpretiert. Dies ist ein bemerkenswert hoher Wert und deutet darauf hin, dass Vertrauen in die Verlässlichkeit von KI-Systemen kein Nebenschauplatz, sondern eine zentrale Voraussetzung für deren breitere Akzeptanz innerhalb von Organisationen ist.

Die mittelfristigen Prioritäten der befragten Unternehmen für die kommenden drei bis fünf Jahre bestätigen dieses Bild. Skalierbarkeit über verschiedene Datenquellen hinweg wird von zweiundneunzig Prozent als Priorität genannt, die Übertragbarkeit von Daten und Kennzahlen von dreiundachtzig Prozent, und Governance sowie Beobachtbarkeit von künstlicher Intelligenz von zweiundachtzig Prozent. Diese drei Prioritäten stehen in einem engen wechselseitigen Verhältnis. Ohne skalierbare, über Systemgrenzen hinweg konsistente Datenstrukturen lässt sich keine verlässliche Governance etablieren, und ohne Governance wiederum bleibt jede Skalierung mit erheblichen rechtlichen und reputativen Risiken verbunden, insbesondere im Hinblick auf die europäische Datenschutz-Grundverordnung und das inzwischen wirksame KI-Gesetz der Europäischen Union.

Für deutsche und europäische Unternehmen kommt diesem Umstand eine besondere Bedeutung zu, da der regulatorische Rahmen deutlich strenger ausgestaltet ist als in den Vereinigten Staaten oder in weiten Teilen Asiens. Wer als europäisches Unternehmen eine Datenschicht für künstliche Intelligenz einführt, muss von Beginn an mitdenken, wie personenbezogene Daten geschützt, wie Verarbeitungsprozesse dokumentiert und wie Entscheidungen von KI-Systemen im Streitfall nachvollziehbar gemacht werden können. Anbieter, die diese Anforderungen bereits architektonisch mitdenken, etwa durch die Möglichkeit, Daten vollständig innerhalb der eigenen Systemgrenzen zu belassen, verschaffen sich damit einen strukturellen Vorteil gegenüber Wettbewerbern, die primär auf US-amerikanische Cloud-Infrastrukturen mit weniger strikten Auflagen setzen.

Wirtschaftliche Tragweite für den deutschen Mittelstand

Während die bisher genannten Referenzkunden überwiegend aus dem Bereich großer, international agierender Konzerne stammen, stellt sich die berechtigte Frage, welche Relevanz dieses Thema für den deutschen Mittelstand besitzt, der traditionell das Rückgrat der deutschen Volkswirtschaft bildet. Auf den ersten Blick erscheint die Problemlage kleinerer Unternehmen weniger dramatisch, da diese naturgemäß über weniger Systeme und geringere Datenmengen verfügen. Bei näherer Betrachtung zeigt sich jedoch, dass gerade mittelständische Unternehmen, die über Jahre organisch gewachsen sind und dabei verschiedene Insellösungen für Buchhaltung, Warenwirtschaft, Kundenverwaltung und Kommunikation eingeführt haben, mit einem strukturell ähnlichen Fragmentierungsproblem konfrontiert sind – nur eben in kleinerem Maßstab.

Die entscheidende ökonomische Frage lautet daher nicht, ob das Problem existiert, sondern ob sich eine Investition in eine einheitliche Datenschicht angesichts begrenzter IT-Budgets wirtschaftlich rechtfertigen lässt. Hier dürfte das Aufkommen ergebnisbasierter Preismodelle, wie es Unframe vorexerziert, eine wichtige Rolle spielen, da dieses Modell das finanzielle Risiko für kleinere Unternehmen erheblich reduziert. Gleichzeitig ist davon auszugehen, dass sich für den Mittelstand eher schlankere, spezialisierte Lösungen etablieren werden als die vollumfänglichen Plattformen, die für Konzerne mit mehreren Milliarden Umsatz konzipiert sind. Die grundsätzliche Logik, wonach eine konsistente, kontinuierlich synchronisierte Datenschicht die Voraussetzung für jede sinnvolle KI-Anwendung darstellt, bleibt jedoch unabhängig von der Unternehmensgröße gültig.

Risiken und offene Fragen bei der neuen Datenschicht

Bei aller berechtigten Aufmerksamkeit für diese Entwicklung dürfen die damit verbundenen Risiken nicht übersehen werden. Wer die gesamte Unternehmensdatenlandschaft in eine einheitliche, zentrale Schicht überführt, schafft damit zwangsläufig auch einen äußerst attraktiven Angriffspunkt für Cyberkriminelle. Eine erfolgreiche Kompromittierung dieser zentralen Datenschicht könnte weitreichendere Folgen haben als der Einbruch in ein einzelnes, isoliertes System, da auf einen Schlag Zugriff auf Kunden-, Vertrags- und Finanzdaten des gesamten Unternehmens bestehen könnte. Die Sicherheitsarchitektur solcher Plattformen muss daher außerordentlich robust ausgestaltet sein, und Unternehmen sollten bei der Auswahl eines Anbieters besonders kritisch prüfen, wie Zugriffsrechte granular gesteuert und Verschlüsselungsstandards umgesetzt werden.

Ein weiteres, eher strategisches Risiko liegt in der Abhängigkeit von einem einzelnen Plattformanbieter. Zwar wird bei Unframe explizit betont, dass keine Bindung an ein bestimmtes Sprachmodell bestehe, doch die zugrunde liegende Datenschicht selbst stellt dennoch eine erhebliche strukturelle Abhängigkeit dar. Sollte ein Unternehmen sich für den Wechsel zu einem anderen Anbieter entscheiden, dürfte die Migration einer über Jahre gewachsenen, unternehmensweiten Datenschicht mit erheblichem Aufwand verbunden sein, ähnlich den bereits bekannten Herausforderungen beim Wechsel großer ERP-Systeme. Diese Form von Lock-in-Effekt wird von den Anbietern selbst naturgemäß selten thematisiert, sollte jedoch bei jeder strategischen Entscheidung in die Bewertung einfließen.

Schließlich bleibt die Frage der tatsächlichen Ergebnisqualität. Auch die fortschrittlichste Datenschicht kann keine Garantie dafür bieten, dass die daraus abgeleiteten KI-Entscheidungen fehlerfrei sind. Insbesondere bei autonomen, agentenbasierten Systemen, die eigenständig Handlungen auslösen, bleibt die Frage nach Verantwortlichkeit im Fehlerfall ungelöst. Wenn ein KI-Agent auf Basis einer fehlerhaft synchronisierten Datenschicht eine falsche Geschäftsentscheidung trifft, etwa eine falsche Vertragsklausel interpretiert oder eine fehlerhafte Lieferkettenentscheidung trifft, stellt sich unmittelbar die Frage der Haftung, die sowohl vertraglich als auch regulatorisch bislang nur unzureichend geklärt ist.

Eine nüchterne Einordnung des tatsächlichen Fortschritts

Bei einer sachlichen Bewertung dieser Entwicklung ist Zurückhaltung gegenüber übertriebenen Heilsversprechen angebracht. Die Vorstellung, künstliche Intelligenz könne binnen wenigen Tagen produktionsreif in einem gewachsenen Konzernumfeld verankert werden, mag in ausgewählten, klar umgrenzten Anwendungsfällen zutreffen, dürfte jedoch für die überwiegende Mehrheit komplexer Unternehmensprozesse eine deutliche Verkürzung der tatsächlichen Realität darstellen. Die Erfahrung mit früheren Wellen der digitalen Transformation, etwa der Einführung von Cloud-Infrastruktur oder der Implementierung von ERP-Systemen, zeigt, dass selbst technisch ausgereifte Lösungen regelmäßig an organisatorischen Widerständen, unzureichender Datenqualität in den Ursprungssystemen und mangelnder Veränderungsbereitschaft innerhalb der Belegschaft scheitern.

Gleichzeitig ist unbestreitbar, dass die zugrunde liegende Diagnose zutrifft. Die Fragmentierung von Unternehmensdaten ist real, empirisch gut belegt und stellt tatsächlich einen der zentralen Engpässe für den produktiven Einsatz künstlicher Intelligenz dar. Die Frage ist daher weniger, ob eine einheitliche, KI-taugliche Datenschicht sinnvoll ist, sondern vielmehr, welcher konkrete Weg dorthin für ein spezifisches Unternehmen mit seiner individuellen historischen Systemlandschaft, seiner Risikotoleranz und seinem verfügbaren Budget der wirtschaftlich tragfähigste ist. Für Unternehmen, die bislang zögerlich an das Thema herangegangen sind, liefert die Marktentwicklung der vergangenen zwei Jahre einen wichtigen Hinweis: Wer weiterhin mit isolierten, unkoordinierten Pilotprojekten experimentiert, wird gegenüber Wettbewerbern, die frühzeitig in eine konsistente Datengrundlage investiert haben, mittelfristig ins Hintertreffen geraten.

Datensilos aufbrechen: Der Weg zur interoperablen Unternehmens-KI

Die Entwicklung der kommenden Jahre wird maßgeblich davon abhängen, ob sich einheitliche Standards für die Interoperabilität zwischen verschiedenen Datenschichten und KI-Plattformen etablieren. Sollte es der Branche gelingen, offene Protokolle zu entwickeln, mit denen unterschiedliche Anbieter von Datenschichten und KI-Modellen nahtlos zusammenarbeiten können, würde dies die derzeit bestehenden Abhängigkeitsrisiken erheblich mindern und den Wettbewerb zugunsten der Kunden intensivieren. Erste Ansätze in diese Richtung sind bereits erkennbar, etwa durch die Unterstützung offener Schnittstellenprotokolle, die eine Anbindung an bestehende, unternehmensinterne KI-Assistenten ermöglichen, ohne dass diese vollständig ersetzt werden müssten.

Für die deutsche Wirtschaft, die traditionell eher zögerlich bei der Einführung neuer digitaler Technologien agiert, gleichzeitig aber über eine im internationalen Vergleich strenge und in vielerlei Hinsicht vorbildliche Datenschutzkultur verfügt, ergibt sich aus dieser Entwicklung eine interessante strategische Chance. Anbieter, die von Beginn an europäische Compliance-Anforderungen in ihre Architektur integrieren, könnten gerade im deutschsprachigen Raum einen Vertrauensvorsprung gegenüber rein amerikanischen Anbietern aufbauen, deren Datenverarbeitungspraktiken traditionell weniger transparent und regulatorisch weniger eng gefasst sind. Wer als deutsches Unternehmen frühzeitig eine konsistente, governance-fähige Datenschicht etabliert, verschafft sich damit nicht nur einen technologischen, sondern auch einen regulatorischen Wettbewerbsvorteil, der sich in den kommenden Jahren, in denen die praktische Durchsetzung des europäischen KI-Gesetzes weiter an Fahrt gewinnen wird, als zunehmend wertvoll erweisen dürfte.

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