Amit Sharma, CEO und Gründer von CData – Interview-Serie

Amit Sharma, CEO und Gründer von CData Software, ist ein Tech-Executive, der CData von seiner frühen Start-up-Phase zu einem globalen Marktführer im Bereich Datenkonnektivität und -integration geführt hat. Mit einer Karriere, die Rollen als Software-Entwickler bei Infosys und Elixar, als technischer Architekt bei /n Software und später als CTO bei CData umfasst, hat er tiefgreifende Expertise im Bereich Unternehmens-Datenzugriff und -infrastruktur aufgebaut. Seit er 2014 CEO wurde, hat er CData’s Mission, den Zugriff auf Daten über Systeme hinweg zu vereinfachen, geleitet und somit dazu beigetragen, das Unternehmen als grundlegende Schicht der modernen Datenbewegung zu positionieren.

CData Software ist ein führender Anbieter von Datenzugriffs- und Konnektivitätslösungen. Seine Selbstbedienungs-Datenprodukte und Konnektivitätsplattformen bieten universellen Zugriff auf Live-Daten über Hunderte von weit verbreiteten On-Premises- und Cloud-Anwendungen. Millionen von Nutzern weltweit verlassen sich auf CData, um erweiterte Analysen zu unterstützen, die Cloud-Adoption zu beschleunigen und mehr vernetzte, datengetriebene Organisationen aufzubauen. Da CData so konzipiert ist, dass es von jedem Nutzer konsumiert, innerhalb jeder Anwendung zugänglich und für Unternehmen aller Größen skalierbar ist, definiert es neu, wie Unternehmen auf Daten zugreifen und sie nutzen.

Sie begannen Ihre Karriere in Indien bei Infosys und wechselten später in die US-amerikanische Unternehmenssoftware. Welche frühe Lektion aus dieser Phase prägt noch heute Ihre Führungsweise?

Meine Zeit bei Infosys gab mir frühzeitig Einblick in die Anforderungen von groß angelegter Unternehmens-Technologie – die Komplexität, die Notwendigkeit von Zuverlässigkeit und wie große Organisationen technische Probleme angehen. Das prägte ein tiefes Verständnis für Struktur und unternehmensweite Qualität. Als ich jedoch zu einem US-amerikanischen Start-up wechselte, entdeckte ich, dass ich mich in Geschwindigkeit, Agilität und der Fähigkeit, direkten Einfluss zu nehmen, gut zurechtfand. Heute leitet mich diese doppelte Herkunft bei der Führung von CData Software: Ich bestehe auf unternehmensweiten Standards und Robustheit, fördere jedoch gleichzeitig eine schlanke, agil agierende Kultur, die Einfachheit, realen Nutzen und schnelle Umsetzung schätzt.

Nach über einem Jahrzehnt als CEO von CData, welche Veränderung in der Denkweise oder Herangehensweise war für die Skalierung des Unternehmens von den frühen Tagen in ein globales Unternehmen am wichtigsten?

Die größte Veränderung für mich bestand darin, von der Rolle eines Technologie-Erfinders zu der eines Organisations-Erfinders zu wechseln. In den frühen Tagen konzentrierte ich mich fast ausschließlich auf das Produkt; ich sorgte dafür, dass es elegant, zuverlässig und Probleme löste. Als CData wuchs, musste ich lernen, dass großartige Software allein nicht ausreicht; man braucht großartige Menschen, starke Führungskräfte und Prozesse, die sich skalieren, ohne einen zu bremsen. Das bedeutete, früher in die Einstellung, Ermächtigung von Teams und den Aufbau wiederholbarer Systeme in Vertrieb, Support und Betrieb zu investieren, während ich gleichzeitig unsere Ingenieukturkultur schützte. Die Veränderung in der Denkweise bestand darin, zu erkennen, dass meine Aufgabe nicht nur darin bestand, großartige Technologie zu schaffen, sondern eine Umgebung zu schaffen, in der großartige Technologie von einem wachsenden globalen Team konsistent gebaut werden konnte.

CData hat sich lange auf die “Vereinfachung des Zugriffs auf alle Daten, überall” konzentriert. Wie hat sich diese Mission im Zuge der Entwicklung von künstlicher Intelligenz (KI) verändert?

Von Anfang an bestand unsere Mission bei CData darin, den universellen Zugriff auf Daten mithilfe vertrauter, standardisierter Schnittstellen zu ermöglichen, da wir glaubten, dass der größte Engpass für Innovation nicht der Speicher oder die Rechenleistung, sondern der Zugriff auf Daten war. Diese Grundidee hat sich nicht geändert, aber der Kontext hat sich verändert. Als Organisationen von der Analyse zur Cloud und jetzt zur KI übergingen, hat sich der Kostenfaktor für fragmentierten, inkonsistenten Datenzugriff nur erhöht. Was sich geändert hat, ist unsere Verantwortung: Es geht nicht mehr nur darum, Anwendungen mit Daten zu verbinden, sondern sicherzustellen, dass Daten vertrauenswürdig, in Echtzeit und über komplexe, verteilte Umgebungen hinweg nutzbar sind. In der KI-Ära reicht der Zugriff allein nicht aus. Daten müssen sofort nutzbar sein, ohne dass Wochen der individuellen Ingenieurarbeiten erforderlich sind.

Als KI-Anwendungen zur Norm werden, hat sich unsere Mission erweitert, um Daten standardmäßig KI-fähig zu machen. Das bedeutet, konsistente Semantik, Hochleistungs-Konnektivität, gouverneurebewussten Zugriff und Echtzeit-Integration über strukturierte und SaaS-Datenquellen hinweg zu ermöglichen, damit Modelle und Agenten mit frischen, zuverlässigen Informationen arbeiten können, nicht mit brüchigen Punkt-zu-Punkt-Integrationen oder veralteten Kopien. In praktischer Hinsicht konzentrieren wir uns darauf, die Reibung zwischen dem Ort, an dem Daten gespeichert sind, und dem Ort, an dem KI-Systeme operieren, zu eliminieren, damit Teams von Experimenten zu Produktionsumgebungen schneller wechseln können. Wir sehen uns nicht nur als Konnektivitätsanbieter, sondern als grundlegende Daten-Schicht für KI-getriebene Unternehmen, die stillschweigend die Systeme antreiben, die intelligente Anwendungen ermöglichen.

Was bedeutet “KI-fähige Daten” für Sie, und wo sehen Sie, dass Organisationen diese Idee am meisten missverstehen?

Für mich bedeutet “KI-fähige Daten”, dass Daten zugänglich, zuverlässig, aktuell und für Menschen und Maschinen verständlich sind, ohne dass zusätzliche Anpassungen erforderlich sind. Es geht nicht nur darum, Daten in einen See oder ein Data-Warehouse zu verschieben. Es geht darum, sicherzustellen, dass Systeme, Modelle und Agenten konsistent auf die richtigen Daten zum richtigen Zeitpunkt über standardisierte, gouverneurebewusste Schnittstellen zugreifen können. KI-Bereitschaft hängt weniger davon ab, wo Daten gespeichert sind, und mehr davon, ob sie entdeckt, abgefragt, vertraut und in Echtzeit integriert werden können. Ohne diese Grundlage funktionieren sogar die fortschrittlichsten Modelle auf unvollständigen oder veralteten Informationen.

Ich sehe, dass Organisationen diese Idee am meisten missverstehen, indem sie annehmen, dass Zentralisierung automatisch KI-Bereitschaft bedeutet. Teams glauben oft, dass sobald Daten in eine einzelne Plattform konsolidiert sind, sie “KI-fähig” sind, wenn in Wirklichkeit sie nur eine neue Insellösung geschaffen haben. Andere investieren übermäßig in Tooling, ohne Datenqualität, Semantik und Konnektivität anzugehen, die unglamurösen Probleme, die reale KI-Systeme machen oder brechen. KI scheitert nicht an Modellen; sie scheitert an chaotischen, unzugänglichen oder veralteten Daten. Die Organisationen, die gewinnen werden, sind diejenigen, die Datenbereitschaft als betriebliche Disziplin und nicht als einmalige Migrationsaufgabe behandeln.

Ihre neue Forschung, The State of AI Data Connectivity: 2026 Outlook, zeigt, dass nur 6% der KI-Führer glauben, ihre Dateninfrastruktur sei vollständig für KI bereit. Warum denken Sie, dass die Bereitschaftslücke so groß ist, und was sagt uns das über die aktuelle Richtung der Branche?

Die Lücke ist so groß, weil die meisten Organisationen in den letzten zehn Jahren mehr in die Sammlung und Speicherung von Daten investiert haben, bevor sie in die Nutzbarkeit für KI investierten. Sie haben Seen, Data-Warehouse und Pipelines aufgebaut, aber selten eine kohärente Zugriffsschicht, die sicherstellt, dass Daten konsistent, in Echtzeit und über Systeme hinweg verfügbar sind. Als Ergebnis entdecken Führungskräfte, dass ihre zugrunde liegende Infrastruktur nicht den Anforderungen von KI gerecht wird, sobald sie beginnen, KI in reale Workflows einzusetzen. Die 6%-Zahl spiegelt nicht einen Mangel an Ambition wider, sondern die Realität, dass KI Schwächen aufdeckt, die immer vorhanden waren, aber in traditioneller Analyse nicht so wichtig waren.

Was die Daten über die Branche aussagen, ist, dass wir noch am Anfang der KI-Adoptionskurve stehen, nicht am Ende. Organisationen experimentieren aggressiv auf der Anwendungsebene, aber sie erkennen nun, dass Erfolg von der Modernisierung ihrer Dateninfrastruktur abhängt. Wir betreten eine korrektive Phase, in der der Fokus von beeindruckenden Pilotprojekten auf betriebliche Bereitschaft – standardisierten Zugriff, gouverneurebewusste Integration und Echtzeit-Konnektivität – verlagert wird. Die Gewinner werden nicht die Unternehmen sein, die die meisten Pilotprojekte aufbauen, sondern diejenigen, die ihre Dateninfrastruktur schnell genug modernisieren, um diese Experimente in groß angelegte Produktionsumgebungen zu überführen.

Die Ergebnisse zeigen auch, dass 71% der KI-Teams mehr als ein Viertel ihrer Zeit mit Daten-Plumbing verbringen. Welcher Teil dieser Arbeit ist Ihrer Meinung nach tatsächlich strategisch und nicht nur technische Schulden?

Ein Teil des “Daten-Plumings” ist absolut strategisch, wenn es darum geht, dauerhaften Zugriff auf Daten über standardisierte Schnittstellen zu schaffen und von Anfang an für Skalierbarkeit und Governance zu entwerfen. Investitionen in konsistente Konnektivität, gemeinsame Semantik und zuverlässige Integrationsmuster sind grundlegende Arbeiten, die über jede Anwendung und jedes Modell hinweg Dividenden abwerfen. Das Problem ist, dass die meisten Teams nicht diese Art von Plumbing durchführen. Sie bauen Einmal-Pipelines, schreiben brüchige Konnektoren und patchen Integrationen, die nur ein Problem lösen. Das ist technische Schulden, getarnt als Fortschritt.

Was strategisch ist, ist alles, was zukünftige Reibung reduziert: Eliminierung von benutzerdefiniertem Code zugunsten von Standards, Aufbau wiederverwendbarer Daten-Dienste und Verbindung von Systemen auf eine Weise, die über Teams und Anwendungsfälle hinweg skaliert. Wenn Plumbing unsichtbar und wiederholbar wird, hört es auf, eine Steuer auf KI-Teams zu sein, und wird zu einem Enabler. Das eigentliche Ziel ist nicht, weniger Zeit mit Daten zu verbringen. Es ist, aufzuhören, Zeit mit denselben Datenproblemen zu verbringen.

Ein auffälliger Datenpunkt aus dem Bericht ist, dass 46% der Unternehmen jetzt Echtzeit-Zugriff auf sechs oder mehr Datenquellen für einen einzelnen KI-Anwendungsfall benötigen. Spiegelt das, was Sie bei Kunden sehen, wider, und was macht diese Art von Konnektivität so schwierig?

Ja, das stimmt mit dem überein, was wir bei Kunden sehen. Moderne KI-Anwendungsfälle, sei es Predictive-Analytics, Empfehlungsmotoren oder autonome Workflows, verlassen sich selten auf ein einzelnes System. Unternehmen benötigen oft die Kombination von ERP-, CRM-, SaaS-Apps-, Streaming-Plattformen und Legacy-Datenbanken, um bedeutungsvolle Erkenntnisse zu generieren. Die Herausforderung liegt nicht nur in der Anzahl der Quellen, sondern auch in der Vielfalt, unterschiedlichen Protokollen, Formaten und Aktualisierungshäufigkeiten und der Erwartung, dass diese Daten in Echtzeit für KI-Modelle verfügbar sind.

Was diese Art von Konnektivität so schwierig macht, ist, dass herkömmliche Integrationsansätze nie für die Skalierbarkeit, Geschwindigkeit und Zuverlässigkeit konzipiert wurden, die KI erfordert. Einmal-Pipelines und Batch-Pipelines können einfach nicht mithalten. Echtzeit-Zugriff erfordert standardisierte, verwaltete Schnittstellen, konsistente Semantik über Systeme hinweg und Überwachung, um Datenqualität und -verfügbarkeit sicherzustellen. Ohne diese Grundlage verbringen Teams mehr Zeit mit der Brandbekämpfung von Pipelines als mit dem Aufbau von KI-Lösungen, was Innovation verlangsamt und Risiken einführt. Die Organisationen, die erfolgreich sind, sind diejenigen, die Konnektivität als strategische Fähigkeit und nicht nur als technische Aufgabe betrachten.

Der Bericht betont semantische Konsistenz, Kontext und Konnektivität als definierende Merkmale einer reifen KI-Dateninfrastruktur. Wie sollten Organisationen diese Prioritäten sequenzieren?

Bei der Sequenzierung sollten Organisationen mit der Konnektivität beginnen. Wenn Daten nicht zuverlässig über Systeme hinweg zugänglich sind, wird alles andere irrelevant. KI-Modelle können nicht aus Daten lernen, auf die sie nicht zugreifen können. Die Errichtung standardisierter, gouverneurebewusster Verbindungen zu allen kritischen Datenquellen legt die Grundlage für alles, was folgt. Ohne diese Schicht enden Teams damit, fragile, einmalige Pipelines aufzubauen, die mehr Arbeit in Zukunft bedeuten.

Sobald die Konnektivität hergestellt ist, wird semantische Konsistenz zur nächsten Priorität. Daten benötigen eine gemeinsame Sprache, damit Informationen aus mehreren Quellen korrekt interpretiert und sinnvoll kombiniert werden können. Kontext folgt natürlich: Das Verständnis nicht nur der Werte, sondern auch ihrer Bedeutung im Geschäftsprozess, der Zeit und der Beziehungen stellt sicher, dass KI-Modelle genaue, handhabbare Vorhersagen treffen können. Die Behandlung dieser Elemente als strukturierte Sequenz – Konnektivität zuerst, Semantik zweitens, Kontext drittens – ermöglicht es Organisationen, eine KI-fähige Dateninfrastruktur aufzubauen, die skaliert und zuverlässige, produktionsreife Intelligenz unterstützt.

KI-native Software-Anbieter benötigen inzwischen etwa dreimal so viele externe Integrationen wie traditionelle Anbieter. Was treibt diese wachsende Lücke an, und was offenbart sie über die Richtung, in die sich die Software entwickelt?
Die wachsende Lücke wird durch die Natur der KI selbst angetrieben: KI-native Anwendungen gedeihen in einer Umgebung mit vielfältigen, Echtzeit-Daten aus mehreren Quellen. Im Gegensatz zu traditioneller Software, die oft innerhalb eines einzelnen Systems oder einer Suite operiert, benötigen KI-Modelle die Aufnahme, Korrelation und Analyse von Informationen über ERP-Systeme, CRM-Plattformen, SaaS-Apps, Streaming-Quellen und mehr. Jede Integration ist entscheidend, um der KI ausreichenden Kontext und Abdeckung zu geben, um genaue Vorhersagen, Empfehlungen oder automatisierte Aktionen zu ermöglichen.

Diese Tendenz offenbart, dass sich die Software von isolierten Anwendungen hin zu vernetzten, intelligenten Ökosystemen entwickelt. Die Gewinner werden nicht die Produkte sein, die gut allein funktionieren. Sie werden die Plattformen sein, die Daten überall, wo sie gespeichert sind, nahtlos zugreifen und integrieren können. In der Praxis bedeutet dies, dass Konnektivität, Standardisierung und Echtzeit-Integration nicht länger “nice-to-have”-Funktionen sind, sondern grundlegende Fähigkeiten, um KI-native Software realen Wert zu bieten.

Blickt man fünf Jahre voraus, was glauben Sie, wird das größte Hindernis für den Erfolg von KI sein – Konnektivität, Echtzeit-Pipelines, semantische Modellierung, Governance oder etwas ganz anderes?

Wenn man in die Zukunft blickt, glaube ich, dass Governance und Sicherheit das größte Hindernis für den Erfolg von KI sein werden. Während Konnektivität und Echtzeit-Pipelines grundlegend bleiben – KI-Modelle können nur so effektiv sein, wie die Daten, auf die sie zugreifen können -, erkennen Organisationen rasch, dass unregulierte KI nicht nachhaltig und potenziell gefährlich ist. Wenn KI von Experimenten in die Produktion übergeht und beginnt, wichtige Geschäftsentscheidungen zu beeinflussen, multiplizieren sich die Risiken von Voreingenommenheit, Compliance-Verstößen, Datenlecks und Betriebsfehlern exponentiell.

Die Herausforderung besteht nicht mehr darin, Daten zu bewegen, sondern darin, die richtigen Daten mit den richtigen Kontrollen, zu den richtigen Systemen, auf eine nachverfolgbare und überprüfbare Weise zu bewegen. Organisationen, die es versäumen, starke Governance-Rahmen und Sicherheitsprotokolle von Anfang an zu implementieren, werden mit zunehmendem regulatorischem Druck, Reputationsrisiko und letztendlich KI-Systemen konfrontiert sein, denen sie nicht vertrauen oder skalieren können. Wir sehen bereits erste Anzeichen: Unternehmen zögern, KI zu deployen, weil sie die Datenherkunft, Zugriffskontrollen oder Compliance mit sich ändernden Vorschriften nicht gewährleisten können.

Die erfolgreichsten Organisationen in fünf Jahren werden diejenigen sein, die Governance und Sicherheit nicht als Nachgedanken, sondern als Kern-Enabler von KI betrachten. Ja, Sie benötigen Konnektivität und Echtzeit-Pipelines, um Daten in Bewegung zu setzen, aber ohne Governance und Sicherheit werden diese Daten zu einer Belastung und nicht zu einem Vermögen. Die Zukunft von KI dreht sich nicht nur um Geschwindigkeit oder Skalierbarkeit, sondern um Vertrauen, Rechenschaftspflicht und verantwortungsvolle Implementierung auf jeder Ebene des Datenstapels.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten CData Software besuchen.