Vordenker

KI-Governance im Unternehmen beginnt bei der Datenbankinfrastruktur

Phillip Merrick
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige Punkte% der Enterprise-KI-Pilotprojekte scheitern, weil Governance nicht in der Datenschicht…
Mehr anzeigen
  • % der Enterprise-KI-Pilotprojekte scheitern, weil Governance nicht in der Datenschicht verankert ist.
  • Autonome Agenten erfordern Kontrollen auf der Datenschicht, da unkontrollierte Schreibvorgänge sich über Systeme hinweg kaskadierend ausbreiten können.
  • Infrastrukturorientierte Governance auf Datenbankebene schließt die Lücke zwischen Pilotprojekt und Produktion.

Noch nie wurde in Unternehmen so schnell mit KI experimentiert. Der Weg in den produktiven Betrieb bleibt jedoch hartnäckig langsam. Teams starten Pilotprojekte, testen Modelle und zeigen innerhalb von Wochen, manchmal sogar Tagen, vielversprechende Ergebnisse. Doch wenn diese Systeme in großem Maßstab bereitgestellt werden sollen, stockt der Fortschritt häufig. Sicherheitsbedenken tauchen auf, Compliance-Anforderungen werden strenger und Fragen zur Governance häufen sich. 

Der MIT-Bericht The GenAI Divide: State of AI in Business 2025 stellte fest, dass 95 % der KI-Pilotprojekte in Unternehmen keine messbaren Geschäftsergebnisse erzielen. Nur 5 % erreichen den produktiven Betrieb und erwirtschaften tatsächliche finanzielle Erträge. Die Untersuchung umfasste mehr als 300 KI-Einführungen und 150 Interviews mit Führungskräften. Ihr Fazit: Das Haupthindernis ist nicht die Leistungsfähigkeit des Modells, sondern die mangelhafte Integration in Unternehmenssysteme. Die meisten Organisationen betrachten dies als eine Frage der Richtlinien, die auf Führungsebene zu lösen ist. Ich würde dagegen sagen: KI-Governance ist eine systemische Herausforderung, die auf der Datenebene beginnt.

Warum KI-Projekte im Pilotstadium stecken bleiben

Viele KI-Initiativen geraten ins Stocken, weil die Umgebungen für ihre Prototypen grundsätzlich nicht zu den realen Anforderungen einer Einführung im Unternehmen passen. Entwickler sollen schnell vorankommen und mit flexiblen Werkzeugen, nur schwach kontrollierten Datensätzen und Infrastruktur zur Selbstbedienung möglichst rasch den Nutzen belegen. Das ist für Experimente ideal, lässt sich aber nicht unmittelbar auf Produktivumgebungen übertragen, die Prüfbarkeit, strenge Zugriffskontrollen, regulatorische Compliance und betriebliche Widerstandsfähigkeit erfordern.

Deshalb wird Governance häufig erst nach einem erfolgreichen Machbarkeitsnachweis eingeführt. Dann wird die Ebene, die eigentlich die Umsetzung ermöglichen sollte, zur Einschränkung. Teams müssen Sicherheitsmodelle nachträglich anpassen, Datenflüsse neu entwerfen und Compliance-Annahmen überarbeiten, die von Anfang an die Grundlage hätten bilden sollen.

So wächst die Lücke zwischen dem, was KI-Systeme unter kontrollierten Bedingungen demonstrieren können, und dem, was Unternehmen sicher und zuverlässig im produktiven Betrieb bereitstellen können.

Zugleich hat sich der moderne KI-Technologiestack so entwickelt, dass Geschwindigkeit und Zugänglichkeit Vorrang haben, oft auf Kosten der Kontrolle. Entwicklerfreundliche Plattformen erleichtern Pilotprojekte, können aber verschleiern, wo Daten liegen, wie sie verwendet werden und wer darauf zugreifen darf. 

Dadurch entstehen reale betriebliche und regulatorische Risiken: unbeabsichtigte Offenlegung von Daten, unklare Datengrenzen zwischen Umgebungen und unzureichende Prüfbarkeit des Systemverhaltens. Diese Probleme zeigen sich unmittelbar bei Prüfungen der Betriebsbereitschaft und Compliance-Bewertungen. Unternehmensbefragungen zeigen durchgehend, dass Probleme mit Datenqualität und Governance zu den wichtigsten Ursachen gescheiterter KI-Projekte gehören; sie werden in 60–70 % der Fälle genannt. Die zunehmende Abhängigkeit von Infrastruktur Dritter und verwalteten Datenbankdiensten verschärft das Problem. Sie kann die Eigentumsverhältnisse an Daten weiter aufsplittern und die Erfüllung regulatorischer Anforderungen erschweren. Oft gehen Organisationen davon aus, dass Plattformen die Governance stillschweigend übernehmen, obwohl die Verantwortung tatsächlich auf mehrere Ebenen des Technologiestacks verteilt ist.

Das Ergebnis ist paradox: Die Werkzeuge, die KI-Experimente beschleunigen, sind oft dieselben, die beim Übergang in den produktiven Betrieb Hindernisse schaffen.

Die Datenbank als eigentliche Governance-Ebene

Um diese Diskrepanz zu beheben, muss neu überdacht werden, wo Governance tatsächlich stattfindet.

Governance wird häufig als Aufgabe zur Festlegung von Richtlinien verstanden. Rechtsabteilungen, Compliance-Teams oder die Unternehmensführung definieren sie, Dokumentation und Prüfverfahren sichern ihre Umsetzung. Diese Mechanismen sind unverzichtbar, reichen allein aber nicht aus. Governance wird erst dann wirksam, wenn sie auf Systemebene durchgesetzt wird.

In der Praxis geschieht diese Durchsetzung dort, wo Daten gespeichert, abgerufen und umgewandelt werden. Deshalb bilden die Datenbank und die umgebende Dateninfrastruktur die wichtigste Governance-Ebene im KI-Technologiestack.

Moderne Datenbanken sind keine passiven Speicher. Sie legen Zugriffsberechtigungen fest, setzen Anforderungen an den geografischen Speicherort von Daten durch, verwalten Verschlüsselung und Schlüsselkontrollen und erzeugen die für Compliance und Sicherheitsaufsicht erforderlichen Prüfprotokolle. Zunehmend dienen sie außerdem als Kontrollpunkt, über den KI-Systeme mit Unternehmensdaten interagieren.

Das ist wichtig, weil KI-Systeme den Governance-Zustand der Dateninfrastruktur übernehmen, von der sie abhängen. Fehlen der zugrunde liegenden Datenbankebene Struktur, Kontrollen oder Transparenz, wirken diese Schwächen unmittelbar in die darauf aufgebauten KI-Systeme hinein. Keine nachgelagerte Richtlinie auf Anwendungsebene kann eine Datenbasis ohne Governance vollständig ausgleichen.

Daraus folgt ein umfassenderer Architekturwandel: Governance muss von Anfang an in die Infrastruktur eingebaut werden, statt sie erst nach der Bereitstellung hinzuzufügen. Ein KI-Ansatz, der bei der Infrastruktur beginnt, bedeutet, Systeme zu entwerfen, in denen Governance eine inhärente Eigenschaft und keine äußere Einschränkung ist. Datenzugriffe laufen über kontrollierte Schnittstellen. Abfragen und Systeminteraktionen werden standardmäßig protokolliert. Compliance-Regeln, etwa Zugriffsbeschränkungen, Aufbewahrungsrichtlinien und Vorgaben zum geografischen Speicherort, werden auf Systemebene durchgesetzt, statt auf manuelle Aufsicht oder nachträgliche Validierung zu bauen.

Dafür braucht es Architekturlösungen wie sichere Vermittlungsschichten für Abfragen, richtliniengesteuerte Zugriffskontrollen und zentrale Beobachtbarkeit in verteilten Datenumgebungen. Diese Mechanismen gewährleisten, dass Governance kontinuierlich durchgesetzt und nicht nur in regelmäßigen Abständen überprüft wird.

Der Unterschied zwischen proaktiver und reaktiver Governance ist grundlegend. Reaktive Ansätze versuchen, Probleme nach dem Aufbau und der Bereitstellung von Systemen zu beheben. Proaktive Ansätze verhindern ihr Entstehen, indem sie Kontrollen unmittelbar in die Systemarchitektur einbauen.

In KI-Umgebungen entscheidet dieser Unterschied, ob Systeme skalieren können oder stecken bleiben.

Wenn Agenten hinzukommen

Autonome Agenten verändern die Bedingungen der Governance auf eine Weise, auf die die meisten Organisationen nicht vorbereitet sind. Ein Agent liest Daten nicht nur. Er schreibt sie, löst Aktionen über mehrere Systeme hinweg aus und tut beides ohne menschliches Eingreifen.

Damit verändert sich die Art der Fehler vollständig. Eine unzureichend kontrollierte Abfrage liefert eine falsche Antwort. Ein unzureichend kontrollierter Agent handelt anschließend auf deren Grundlage: Er aktualisiert Datensätze, stößt nachgelagerte Arbeitsabläufe an und verbreitet Entscheidungen über Systeme hinweg, bevor jemand bemerkt, dass etwas schiefgegangen ist.

Deshalb dürfen Schutzmechanismen nicht allein auf Anwendungsebene liegen. Ein Agent, der in mehreren Systemen arbeitet, findet immer den Weg des geringsten Widerstands. Kontrollen müssen auf der Datenebene durchgesetzt werden, wo jeder Lese- und Schreibvorgang über eine Vermittlungsschicht läuft und protokolliert wird, unabhängig davon, was ihn ausgelöst hat.

Gartner prognostiziert, dass mehr als 40 % der Projekte mit agentischer KI verschoben oder eingestellt werden, weil Governance- und Zuverlässigkeitsprobleme auftreten. Diese Zahl erscheint mir niedrig, denn sie setzt voraus, dass Organisationen Governance korrekt als Ursache erkennen, anstatt die Fehler dem Modell oder den Werkzeugen zuzuschreiben. Die eigentliche Ursache bleibt meist unsichtbar, bis sie hohe Kosten verursacht.

Von Experimenten zu KI für den produktiven Betrieb

Organisationen, die KI erfolgreich vom Experiment in den produktiven Betrieb überführen, haben meist eines gemeinsam: Sie stimmen Entwicklungs- und Produktivumgebungen frühzeitig aufeinander ab. 

Statt zuzulassen, dass sich experimentelle Systeme von den Einschränkungen des produktiven Betriebs entfernen, entwerfen sie beide Umgebungen nach einheitlichen Grundsätzen für Governance, Sicherheit und Datenzugriff. Das verringert spätere Hindernisse im Lebenszyklus, wenn Modelle von Prototypen zu produktiven Arbeitslasten übergehen.

Diese Abstimmung wird immer wichtiger, weil die meisten Unternehmen weiterhin keine ausgereifte, für den produktiven Betrieb geeignete KI-Infrastruktur haben. Es bestehen dauerhafte Lücken beim sicheren Datenzugriff, beim Monitoring, bei der Beobachtbarkeit und bei der Durchsetzung von Compliance. Das sind keine isolierten Probleme, sondern strukturelle Herausforderungen, die auftreten, wenn KI über Pilotumgebungen hinaus in geschäftskritische Arbeitsabläufe eingebunden wird.

Eine weitere erhebliche Diskrepanz zwischen Prototypenentwicklung und produktivem Betrieb entsteht, wenn produktive Anwendungen und Datenbanken auf eigenen Systemen oder in streng verwalteten Cloud-Konten betrieben werden müssen, die Prototypen aber auf cloudbasierten Datenbankplattformen entwickelt wurden.

In ausgereiften Organisationen werden KI-Arbeitslasten mit derselben Sorgfalt behandelt wie andere regulierte Systeme. Das bedeutet einheitliche Protokollierung, strenge Zugriffskontrollen, kontinuierliche Überwachung und klar definierte Verantwortungsstrukturen über Teams hinweg. Außerdem müssen Datenengineering, Plattformengineering, Sicherheit und Compliance von Anfang an enger zusammenarbeiten, statt erst nachträglich einbezogen zu werden.

Die Vorteile reichen über die Risikominderung hinaus. Organisationen erreichen auch schnellere Bereitstellungszyklen, weniger Fehler im produktiven Betrieb und größeres internes Vertrauen in KI-Systeme. In diesem Zusammenhang hängt die Skalierung von KI weniger von Modellinnovationen als von der Reife der Infrastruktur ab.

Governance ist eine architektonische Notwendigkeit

Letztlich muss die Diskussion über KI-Governance über Richtlinien hinausgehen und sich der Architektur zuwenden. 

Governance wird oft als Aufsichtsfunktion verstanden, in der Praxis aber durch die Systeme durchgesetzt, die festlegen, wie auf Daten zugegriffen wird und wie sie genutzt werden. Die Datenbank ist nicht bloß eine Speicherebene, sondern der Kontrollpunkt für Sicherheit, Compliance und betriebliche Integrität im gesamten KI-Technologiestack.

Je tiefer KI in Unternehmensabläufe eingebunden wird, desto stärker steigt die Bedeutung dieses Kontrollpunkts. Jede Interaktion zwischen einem Modell und Unternehmensdaten wird zu einem Vorgang, der Governance unterliegt, unabhängig davon, ob Organisationen dies ausdrücklich so gestalten.

Wenn Unternehmen einer bei der Infrastruktur ansetzenden Governance Vorrang geben und auf Datenbankebene beginnen, können sie die Lücke zwischen Pilotprojekt und produktivem Betrieb schließen. Damit machen sie aus isolierten KI-Experimenten eine dauerhafte, skalierbare Fähigkeit, die in der gesamten Organisation verankert ist.

Phillip Merrick ist Mitgründer und CPO bei pgEdge. Unternehmer, Technologe und erfahrener Manager mit tiefen Wurzeln in der Dateninfrastruktur und den Cloud-Plattformen, die heute die KI-Systeme antreiben. Mitgründer und/oder CEO von webMethods, EDB, SparkPost, Fugue und pgEdge; führte Unternehmen von der Gründung über den Börsengang und drei Exits im neun- bis zehnstelligen Bereich.